Os agentes de suporte ao cliente de hoje são extremamente poderosos—a Salesforce acabou de adquirir a Fin por US$ 3 bilhões, e o mercado continua se expandindo rapidamente.
Mas esses agentes não são perfeitos. Quando falham, é porque estão respondendo perguntas para as quais não foram treinados, não têm dados ou não estavam preparados. .
Quando um usuário abre um chat de suporte e digita "Não consigo exportar meu relatório," o agente ouve essa frase, mas pode não ver que o usuário tentou o fluxo de exportação três vezes nos últimos 20 minutos, falhou na mesma etapa cada vez e agora está frustrado o suficiente para digitar em letras maiúsculas. Então ele retorna um passo a passo genérico que o usuário já tentou, e um ticket de suporte é aberto de qualquer forma.
A percepção que falta entre o que um usuário diz aos agentes e o que ele tem feito no seu produto é onde a deflexão de tickets falha. Mas as equipes de CS estão começando a resolver isso com insights comportamentais.
Por que agentes inteligentes ainda geram tickets de suporte
A maioria das implantações de agentes de IA começa com a mesma configuração: uma base de conhecimento, uma interface de chat e uma expectativa razoável de que os dois juntos resolverão a maioria dos problemas dos usuários. Para perguntas simples e unidimensionais, isso funciona bem.
O problema é que a maioria das interações de suporte não é simples. São específicas. Um usuário travado na etapa três de um fluxo de trabalho de seis etapas não precisa de uma resposta geral sobre o recurso. Ele precisa de ajuda com o que deu errado na etapa três. Um agente sem contexto comportamental não consegue fazer essa distinção. Todo usuário parece igual, e toda pergunta é tratada como se tivesse chegado sem histórico.
Por que o volume de tickets permanece estável após a implantação do agente
É por isso que você pode implantar um agente de IA genuinamente capaz e ainda ver o volume de tickets se manter estável. Os agentes simplesmente não têm a camada de informação que lhes permitiria responder ao que está realmente acontecendo.
Por que o volume de tickets permanece estável após a implantação de agentes
É por isso que você pode implantar um agente de IA genuinamente capaz e ainda assim ver o volume de tickets se manter estável. Os agentes simplesmente não têm a camada de informação que lhes permitiria responder ao que está realmente acontecendo.
Veja como isso se parece na prática:
- Um usuário encontra atrito em um fluxo de trabalho.
- Ele abre o chat do agente e descreve seu problema nos termos mais gerais que consegue encontrar, porque não sabe o nome técnico do que deu errado.
- O agente identifica palavras-chave, retorna uma resposta que aborda o tema geral e deixa de identificar a falha específica por completo.
- O usuário tenta a sugestão, ela não ajuda e ele abre um ticket.
O ticket poderia ter sido evitado se seus agentes tivessem o que precisavam para preveni-lo.
Sinais comportamentais: O contexto que os agentes estavam perdendo
Os dados comportamentais do produto oferecem aos agentes o que as bases de conhecimento não conseguem: informações sobre o que os usuários realmente estavam fazendo no seu produto antes de as conversas começarem.
Os quatro sinais que impulsionam o desvio de tickets
Há quatro categorias que mais importam:
- Tentativas repetidas informam ao agente que um usuário tentou a mesma ação várias vezes sem sucesso. Isso é diferente de um usuário perguntando sobre o recurso pela primeira vez e exige uma resposta diferente.
- Ponto de abandono informa ao agente exatamente onde em um fluxo de trabalho o usuário travou, não apenas que ele travou. Se um usuário concluiu as etapas de um a quatro e abandonou na etapa cinco todas as vezes, a resposta está na etapa cinco, não na etapa um.
- Sinais de frustração, como cliques raivosos, entradas repetidas e navegação rápida para frente e para trás, indicam que a paciência do usuário já se esgotou antes de a conversa começar. A primeira resposta precisa acertar. Não há margem para erros.
- Contexto do usuário informa ao agente se está falando com alguém na primeira semana com o produto ou com um usuário avançado enfrentando um caso extremo. Um novo usuário precisa de orientação de integração. Um usuário avançado precisa de uma solução específica. São conversas diferentes.
Como o contexto muda as interações com os agentes
Quando um agente tem acesso a esses sinais antes de a conversa começar, ele já compreende a situação e pode responder diretamente. Tudo se trata de possibilitar conversas melhores com os agentes para evitar tickets.
Pendo Agent Analytics é o que captura e apresenta esses sinais comportamentais, fornecendo aos seus agentes a camada de contexto que estava faltando.
Observabilidade de agentes: as métricas que indicam se a deflexão está realmente acontecendo
Depois que os dados comportamentais estiverem informando seu agente, você precisa de visibilidade sobre se isso está valendo a pena por meio da observabilidade do agente.
A taxa de resolução indica com que frequência os agentes encerram conversas sem transferência para um humano, mas não por que os agentes falham quando isso acontece. Para isso, você precisa ir um nível mais fundo.
As métricas de agente que importam para líderes de TI
- Taxa de prompts raivosos mede prompts contendo palavrões, letras maiúsculas ou solicitações repetidas. Uma alta taxa de prompts raivosos significa que os usuários já estão frustrados antes de o agente ter a chance de ajudar. Se esse número está aumentando, algo na experiência pré-conversa está criando atrito que o agente acaba herdando.
- Taxa de abandono dentro da interação com o agente indica onde os usuários desistem. Se os usuários saem consistentemente após a segunda resposta do agente, o problema está na segunda resposta. Isso é algo que pode ser corrigido com treinamento, desde que você consiga identificá-lo — mas primeiro é preciso conseguir vê-lo.
- Taxa de conclusão de tarefas responde à pergunta que a taxa de resolução ignora: o usuário realmente fez o que o agente o ajudou a fazer? Um usuário pode fechar um chat sem enviar um ticket e ainda assim não ter seu problema resolvido.
Esses números indicam se o investimento no seu agente é defensável no nível orçamentário.
Command Center oferece uma visão em nível de portfólio de como cada ferramenta de IA está se saindo, para que as métricas do agente não fiquem isoladas. Elas se conectam ao panorama mais amplo do que está funcionando em toda a sua stack de IA.
ROI de IA na prática: 86% das conversas resolvidas sem intervenção humana
Um usuário encontra atrito em um fluxo de trabalho. Os sinais comportamentais são capturados em tempo real. Quando esse usuário abre o chat do agente, o agente já tem contexto: o que ele estava fazendo, onde travou, o quão frustrado parece estar. A resposta aborda a situação específica. O problema é resolvido antes de virar um ticket.
Foi isso que a Teachable construiu com o Fin, alimentado pelos dados do Pendo:
"Como o Fin é alimentado pelos dados do Pendo, ele alcança os clientes em momentos críticos e resolve as dúvidas recebidas antes que se tornem tickets de suporte. Já estamos vendo o Fin resolver 86% das conversas sem envolver um humano, mantendo uma pontuação de CX de 4/5 estrelas."
— Kathleen Ross, Diretora Associada de Suporte ao Produto, Teachable
Por que isso é uma métrica de negócio, não de suporte
Cada conversa que o Fin resolve sem transferência para um humano representa um custo evitável e mensurável. Manter uma pontuação de CX de 4/5 enquanto faz isso significa que a qualidade não caiu para atingir o número. O agente lê o contexto real, portanto não precisa adivinhar.
O Ciclo de Melhoria: Como a Deflexão Melhora com o Tempo
A implantação inicial é apenas parte do processo. Os dados comportamentais preparam o agente antes de uma conversa e mostram o que corrigir depois. Quando picos de frustração ou taxas de abandono ocorrem repetidamente no mesmo ponto, você ajusta a resposta do agente, o retreina na falha específica ou expõe a lacuna do fluxo de trabalho para a equipe de produto. A deflexão melhora porque o ciclo de feedback é contínuo, não porque a configuração estava correta desde o primeiro dia.
Os dados comportamentais são o que fazem a deflexão realmente acontecer
A maioria dos agentes de IA é implantada com boas intenções e tem desempenho abaixo do esperado por um motivo corrigível: falta de contexto. Os dados comportamentais de produto são esse contexto. Eles preparam os agentes antes do início da conversa, revelam onde estão falhando depois e fornecem aos líderes de TI a visibilidade necessária para provar que o investimento está funcionando.
Os 86% são ciência simples: agentes que sabem o que os usuários estavam fazendo resolvem mais do que agentes que só sabem o que os usuários estão dizendo agora.
Veja como o Pendo ajuda você a governar, medir e comprovar o ROI de todo o seu portfólio de IA.
