A IA simplifica o caminho para os agentes de atendimento ao cliente humanos

Uma nova pesquisa revela que os sistemas de IA de código aberto, do tipo ChatGPT, podem potencialmente usar linguagem natural para conectar os chamadores com a pessoa certa em um call center, evitando a necessidade de navegar por sistemas de menu frustrantes e em constante mudança, que muitas vezes parecem deliberadamente obstrucionistas.

Entrar em contato com um agente ao vivo pode ser uma tarefa frustrante, pois os chamadores precisam percorrer lentamente várias opções de escolha, muitas vezes sem saber qual delas se encaixa em sua questão específica. Quando nenhuma opção é adequada, usuários experientes costumam desenvolver truques e soluções alternativas para entrar em contato com um representante humano e escapar do “inferno das opções”. Para muitos, essa experiência parece adversária e pouco amigável ao usuário.

Não é surpresa que as centrais de atendimento sejam o principal alvo para o aumento ou substituição da IA. Apesar de alguns especialistas pedirem cautela, a automatização das centrais de atendimento continua a ser um alvo fácil para as manchetes tecnológicas e uma área promissora para a inovação impulsionada pela IA, que pode proporcionar um retorno do investimento invulgarmente rápido.

Loja fechada

No entanto, os princípios de código aberto e os dados disponíveis publicamente raramente são aplicados neste domínio, e por um bom motivo. As empresas que automatizam seus sistemas de resposta ao cliente têm pouco incentivo para compartilhar os dados, metodologias ou propriedade intelectual corporativa que sustentam sua vantagem competitiva.

Compartilhar esses recursos prejudicaria sua vantagem no mercado. Mais criticamente, como os sistemas de IA podem estar sujeitos a vazamentos de informações confidenciais, isso também acarreta riscos legais significativos.

Isso levou várias empresas bem financiadas a desenvolver sistemas de call center baseados em IA de forma independente, inevitavelmente duplicando alguns esforços. Também impulsionou um aumento no número de startups B2B e players estabelecidos com o objetivo de atender à crescente demanda por recursos de atendimento ao cliente baseados em IA.

Um assistente de voz PolyAI inicia uma chamada de atendimento ao cliente para a fictícia “Augusta Lawn Care”, aproveitando extensas conversas de treinamento para automatizar respostas dentro da infraestrutura existente do call center. Fonte

Além disso, o impulso para eliminar a frustração dos menus complexos dos call centers estimulou os esforços de pesquisa. No entanto, a maioria das descobertas não é publicada no Arxiv ou em outras plataformas abertas, refletindo a natureza tipicamente proprietária do desenvolvimento de Resposta Interativa de Voz (IVR).

Consequentemente, pesquisas, dados e inteligência de negócios relacionados à automação de IA no atendimento ao cliente são mantidos em sigilo. Existem muito poucas alternativas de código aberto, mesmo que o uso de tais sistemas com dados legalmente seguros fosse uma opção viável, o que é duvidoso.

Chamada local

Nesse contexto, um novo artigo da Colômbia é uma tentativa bem-vinda de tirar o desenvolvimento de IVR um pouco do cofre corporativo. O estudo conciso, intitulado Beyond IVR Touch-Tones: Customer Intent Routing using LLMs (Além dos tons de toque IVR: roteamento da intenção do cliente usando LLMs), vem de um pesquisador da Universidad Distrital Francisco José de Caldas, em Bogotá. Ele afirma ser o primeiro projeto não proprietário a usar Modelos de Linguagem Grande (LLMs) para criar um esquema funcional para um sistema de Roteamento da Intenção do Cliente (CIR).

Em vez de usar dados reais de chamadas ou estruturas de menu proprietárias, o projeto gera todos os componentes do zero usando três modelos de IA: um para projetar um menu realista de call center, outro para simular centenas de reclamações de chamadas e um terceiro para funcionar como chatbot, encaminhando essas consultas para o destino correto.

O resultado é um ambiente de teste totalmente sintético, mas convincente, com uma empresa de telecomunicações fictícia e 920 consultas distintas de usuários. Essa configuração permite que o experimento explore como a IA atual interpreta bem a fala vaga e não estruturada e direciona os chamadores de forma adequada, evitando riscos legais.

Os testes mostram que o sistema pode mapear com precisão as reclamações dos chamadores em formato livre para o destino correto com até 89,13% de precisão, especialmente quando fornecido com opções de menu “simplificadas” em vez de descrições detalhadas.

O estudo também descobriu que a IA cometeu mais erros quando os chamadores usaram linguagem casual ou variada. No entanto, alguns erros ocorreram não porque a IA entendeu mal, mas porque o próprio menu do telefone era confuso.

Exemplos de interações com clientes compartilhados como parte do novo projeto. Fonte

Os dados do projeto foram disponibilizados publicamente.

Método

A abordagem tripartida começou com um modelo que criou um menu telefônico detalhado para uma empresa de telecomunicações fictícia. Um segundo modelo gerou mensagens únicas dos chamadores — algumas diretas, outras reformuladas ou mais informais — para simular padrões de fala realistas. Um total de 920 exemplos foi gerado.

O terceiro modelo tinha a tarefa de conectar cada chamador ao departamento certo com base apenas na mensagem e em uma versão do menu. Essa estrutura tornou o experimento totalmente reproduzível, sem a necessidade de dados reais de chamadas ou exposição de informações dos clientes.

Os três sistemas selecionados para a abordagem tripartida. Fonte

Os modelos utilizados foram gpt-3.5-turbo, gpt-4o-mini e gpt-4.1-mini, respectivamente.

Para simular um ambiente autêntico de atendimento ao cliente, foi necessário sintetizar do zero um menu telefônico complexo. Devido à falta de conjuntos de dados relevantes, o modelo gpt-3.5-turbo foi solicitado a gerar uma estrutura completa com várias ramificações para uma operadora de telecomunicações fictícia.

Cada ramo representava áreas de serviço como faturamento, suporte técnico, gerenciamento de contas e novos serviços, completas com subopções realistas e profundidades variadas. Duas versões do menu foram criadas para teste: uma hierarquia de texto simples imitando um formato legível por humanos e uma lista de pontos finais com sequências de botões correspondentes.

Isso permitiu o teste em uma versão detalhada e simplificada do problema de roteamento:

Duas versões do menu do telefone foram fornecidas à IA: uma hierarquia de texto detalhada e uma lista simplificada de opções diretas do menu, para comparar o desempenho de cada formato no encaminhamento das chamadas para o local correto.

Para gerar as mensagens dos chamadores de teste, um segundo modelo de linguagem produziu um conjunto de reclamações ou solicitações originais, com dez exemplos exclusivos por ponto final do menu.

Cada uma foi então reformulada em várias variações para refletir as diversas maneiras como as pessoas reais expressam seus problemas, incorporando mudanças no comprimento, tom e até mesmo pequenos erros ou palavras de preenchimento.

As 920 mensagens iniciais foram elaboradas para testar a precisão do sistema e simular a imprevisibilidade de uma conversa natural.

Na terceira etapa, a capacidade do modelo final de mapear cada mensagem para o destino correto do menu foi testada usando os dois formatos diferentes de apresentação do IVR.

Para a primeira versão, a IA recebeu um esboço descritivo completo da árvore telefônica. Para a segunda, ela viu apenas uma lista de destinos finais com suas sequências de botões.

O objetivo era determinar se um menu simplificado ajudaria o modelo a encaminhar as chamadas de forma mais eficaz. Em ambos os casos, o sistema processou uma mensagem de cada vez e foi instruído a retornar apenas o caminho, sem texto extra, para permitir a pontuação automatizada.

Isolamento

Para evitar a contaminação dos resultados do teste, cada modelo foi mantido isolado. O primeiro modelo elaborou o menu telefônico, mas ele foi finalizado manualmente para permanecer desconhecido para os outros sistemas.

As mensagens dos chamadores foram geradas separadamente pelo gpt-4o-mini, usando apenas nomes de pontos finais, sem acesso à estrutura do menu. Por fim, o gpt-4.1-mini, que realizou o roteamento, só teve acesso ao texto do menu e às mensagens recebidas, não tendo nenhuma função na criação deles.

Métricas

Duas métricas padrão avaliaram o desempenho do sistema de roteamento: precisão, definida como a porcentagem de casos em que o modelo forneceu o caminho exato correto (por exemplo, 1-2-3). Matrizes de confusão também foram geradas* para identificar os locais dos erros. As avaliações foram realizadas em Python usando as bibliotecas pandas e scikit-learn.

Resultados

Os testes revelaram que a precisão do modelo dependia significativamente da apresentação do menu. Com uma lista simplificada de caminhos de menu, o sistema alcançou 89,13% de precisão no conjunto de dados mais simples, em comparação com 81,30% com o menu descritivo completo.

Precisão de roteamento para o terceiro modelo (LLM3), em diferentes formatos de prompt e tipos de conjunto de dados, mostrando que os caminhos de menu simplificados superaram consistentemente as descrições hierárquicas, e a precisão diminuiu ligeiramente com entradas de linguagem parafraseada ou informal.

Essa tendência continuou com o conjunto de dados maior e linguisticamente mais diversificado, onde a versão simplificada novamente teve melhor desempenho, com uma pontuação de 86,52% contra 77,07% para o formato descritivo.

O artigo observa que esses resultados sugerem que prompts mais simples, baseados em listas, ajudaram o modelo a corresponder às consultas de forma mais confiável do que descrições hierárquicas longas.

A precisão também diminuiu ligeiramente quando mensagens parafraseadas e informais foram introduzidas, indicando que, embora o aumento da variedade tenha aumentado o realismo, também tornou a classificação mais difícil.

O artigo conclui:

“Nossos resultados demonstram que os LLMs encaminham as intenções dos clientes com mais precisão quando recebem caminhos IVR simplificados (até 89,13%) em comparação com descrições de menu verbosas (tão baixas quanto 77,07%). Isso sugere que prompts concisos e estruturados reduzem o ruído e são mais adequados para tarefas de encaminhamento.

Isso reforça a ideia de que clareza e concisão melhoram o desempenho do LLM em cenários de classificação.

Além disso, converter menus em caminhos simplificados é um processo direto e automatizável para implantação no mundo real.”

Conclusão

É encorajador ver pesquisas abertas surgindo em um campo tipicamente caracterizado pelo sigilo e exclusividade. Uma questão fundamental permanece: os sistemas futuros exigirão arquiteturas de “enquadramento” para contextualizar os LLMs, ou os modelos simplesmente precisarão acessar a inteligência de negócios disponível localmente, eliminando a necessidade de as empresas compartilharem dados com terceiros?

Em última análise, os princípios básicos de design explorados aqui parecem provavelmente ser adotados naturalmente por futuros sistemas de IA, mesmo além do atendimento ao cliente, sem exigir adaptação específica para esse caso de uso.

* Consulte o artigo original para obter esses detalhes.

Publicado pela primeira vez na quarta-feira, 29 de outubro de 2025