Oferecido por
No primeiro ciclo de adoção, a Inteligência Artificial ganhou espaço na experiência do cliente, conhecida pela sigla em inglês CX (de customer experience), como uma camada de apoio à interação. Ela ajudava a responder perguntas, resumir atendimentos, sugerir caminhos e automatizar etapas de uma jornada cada vez mais digital.
Porém, com o avanço dos sistemas, a pergunta deixou de ser apenas como tornar as respostas mais rápidas ou personalizadas e passou a envolver a capacidade da IA de agir sobre processos mais complexos e participar diretamente da solução de problemas dos clientes.
Essa virada também mudou o tipo de risco. Quando a tecnologia se limitava a responder, o principal ponto de atenção estava na qualidade da interação. Ao se aproximar da execução, ela passa a lidar com sistemas internos, dados, permissões, regras de negócio e consequências operacionais. Por isso, a autonomia da IA em CX depende de confiabilidade, ou seja, da segurança de que o sistema consegue agir bem, dentro dos limites definidos e sem ampliar os riscos.
Uma jornada gradual até a autonomia
A passagem da IA de apoio à interação para agente capaz de executar tarefas sozinho não acontece de uma hora para a outra. Eduardo Garcia, diretor de IA da Genesys, diz que essa mudança precisa ser entendida como uma jornada de autonomia. Primeiro, a tecnologia atua de forma assistiva, apoiando explicações e sumarizando informações. Depois, ganha outra relevância ao passar a atuar sobre etapas da jornada. Em um estágio mais avançado, essa evolução passa pelo que ele descreve como orquestração. Nesse momento, o sistema passa a coordenar ações e canais, até operar de uma forma “em que ele consiga fazer tarefas mais complexas e de uma maneira autônoma”, como explica o executivo.
Esse avanço, no entanto, não funciona da mesma forma em toda a empresa. O nível da capacidade de ação precisa variar conforme a prontidão dos dados, o grau de segurança exigido para cada processo e as políticas que delimitam até onde a tecnologia pode atuar. Trata-se de uma decisão que, portanto, deve considerar cada caso de uso e seu contexto.
A partir desse ponto, a discussão sobre IA agêntica deixa de ser apenas uma questão de capacidade técnica. Quanto mais ela se aproxima da execução, mais importante se torna definir limites, responsabilidades e mecanismos de controle. É por isso que, para Garcia, o avanço da autonomia em CX depende de uma mudança de foco: “Aqui eu não estou falando de inteligência, eu estou falando de confiabilidade”.
Os pilares para uma ação mais confiável
Autonomia depende de confiabilidade. E, para alavancá-la, é preciso tecnologia, preparo e controle sobre os fluxos da operação. Por isso, a implementação em uma operação de CX não deve começar pela escolha da solução, mas a compreensão do caso de uso e o impacto ao negócio.
Na visão de Fábio Benatti, diretor de vendas Enterprise da Genesys, aplicar IA a uma jornada de atendimento ao cliente exige responder algumas perguntas antes de avançar: “Como está a sua estrutura de dados? Qual o caminho que você está desenhando em cima disso? Para onde você quer chegar? E qual é o resultado que você vai trazer com esse processo?”
Essa análise prévia é o que diferencia uma iniciativa pontual de uma implementação madura, capaz de gerar valor. Uma empresa pode testar IA em um atendimento específico, em um chatbot ou em uma automação isolada. Mas, para que a solução participe de processos mais relevantes e coordene a execução, ela precisa estar conectada à estratégia, aos fluxos internos, à governança e às métricas do negócio.
Hoje, essas condições representam um desafio significativo para a maioria das empresas brasileiras. Segundo o relatório “O mapa da GenAI no Brasil”, publicado pela MIT Technology Review Brasil, 73% das organizações já discutem GenAI em fóruns de decisão, mas apenas 15,9% afirmam ter uma estratégia formal em vigor. Ao olhar para a implementação e a integração, 36,7% ainda estão em projetos-piloto, enquanto só 7,9% declaram ter alcançado integração total aos sistemas internos.
Esse descompasso não é apenas local. O estudo State of AI in Business 2025, do MIT NANDA, aponta que, apesar do alto investimento empresarial em GenAI, apenas uma pequena parcela dos pilotos integrados consegue extrair valor concreto. O relatório associa essa dificuldade menos à qualidade dos modelos e mais à chamada lacuna de aprendizado, marcada por sistemas que não retêm feedback, não se adaptam ao contexto e não melhoram ao longo do tempo, dificultando a integração aos fluxos reais de trabalho.
Sem controle, autonomia vira risco
Na área de CX, essa falta de aprendizado e integração aparece de forma direta na jornada do cliente. Quando canais, informações e processos não funcionam de maneira coordenada, a tecnologia tem mais dificuldade de preservar o contexto, encaminhar solicitações corretamente e dar continuidade ao atendimento.
Para Garcia, uma IA autônoma se torna confiável quando quatro pré-requisitos coexistem. O primeiro são as ferramentas. Nesse ponto, ele diferencia uma simples integração de uma estrutura mais robusta, baseada em sistemas com contratos específicos. Antes de executar uma tarefa, a IA precisa atuar em um ambiente no qual estejam claros os dados que recebe, as ações que pode realizar e o que deve acontecer quando algo falha.
O segundo ponto é o estado persistente. Para agir de forma confiável, a solução precisa manter referência sobre o que já foi executado, em que etapa o processo está e qual deve ser o próximo passo. Essa memória evita retrabalho, reduz falsas conclusões e impede que a IA trate cada interação como se começasse do zero.
O terceiro pré-requisito está nas regras corporativas. Políticas, permissões e normas de conformidade ajudam a traduzir governança em prática operacional. Para Garcia, esse conjunto “não deve limitar a autonomia, mas indicar até onde é possível executar com segurança e consistência”.
Por fim, há a confirmação. Ao concluir uma tarefa, a IA precisa verificar se a ação produziu efeito real no sistema, seja ele uma mudança de estado, a criação de um processo ou a validação de uma etapa. “Sem essa confirmação, eu ainda mantenho uma IA conversacional, e não uma IA autônoma que executa tarefas”, resume.
A autonomia, portanto, não depende apenas de um modelo mais sofisticado. Ela exige uma empresa preparada para orientar o uso da tecnologia e uma estrutura capaz de controlar seu funcionamento. Só essa combinação permite que a IA deixe de atuar apenas na resposta e passe a participar da resolução, sem ampliar os riscos para a experiência do cliente.
Execução com confiabilidade
No fim, a confiabilidade é o que separa uma IA, que apenas responde, de outra, capaz de participar da resolução. Em CX, o valor dessa tecnologia não está apenas na qualidade da interação, mas na capacidade de apoiar decisões e ações mais precisas ao longo da jornada do cliente.
Pensando em um fluxo prático de CX, essa mudança pode ser significativa em operações de alto volume, especialmente em setores nos quais a fidelização depende de respostas rápidas e eficientes. Em um modelo tradicional, a empresa tende a esperar que o cliente entre em contato depois de uma falha, atraso ou inconsistência na jornada. Com IA aplicada de forma proativa, o sistema pode identificar sinais de fricção, antecipar a necessidade de contato e orientar uma ação antes que o problema escale.
No artigo “From Reactive to Proactive: AI in Customer Service Tips”, publicado pela Genesys em 2026, a empresa afirma que a IA pode detectar padrões de comportamento, identificar possíveis problemas e oferecer soluções no momento certo. Segundo o mesmo material, 72% dos líderes de CX acreditam que, no futuro, a IA facilitará todo o contato proativo de serviço.
Essa mudança também reposiciona o papel humano. Quando a tecnologia consegue assumir etapas repetitivas, organizar informações e acionar processos com segurança, as equipes ganham mais condições de atuar onde o julgamento, a escuta e a sensibilidade continuam sendo decisivos. A IA, nesse sentido, não muda a relação com o cliente, mas fortalece a operação que a sustenta.
Fábio Benatti reafirma essa visão ao dizer que a IA não vai “substituir o humano, mas superpotencializá-lo”. Para ele, quando a informação, os dados e o contexto chegam de forma mais personalizada ao profissional de atendimento, criam-se caminhos para respostas muito mais resolutivas.
É nesse momento que a autonomia deixa de ser apenas uma promessa técnica e passa a integrar a própria experiência do cliente. Se antes a IA aparecia sobretudo como uma camada de apoio à conversa, respondendo perguntas, resumindo atendimentos, sugerindo próximos passos e automatizando situações pontuais, agora ela avança para um papel mais decisivo. Nesse novo estágio, passa a compreender o contexto da jornada, acessar sistemas, seguir regras, acionar processos, executar tarefas e confirmar se algo foi realmente resolvido.
Não se trata apenas de uma IA mais inteligente ou mais conversacional, mas de uma tecnologia capaz de agir dentro da operação com controle, contexto, segurança e confiabilidade. Eduardo Garcia descreve essa mudança como a passagem dos sistemas de IA para um novo nível: “É aí que a gente chega numa próxima era de CX, que é a execução com confiabilidade”.
Nessa nova etapa, a IA deixa de apenas prover respostas e passa a tomar ações dentro da operação. Mas esse avanço só ganha valor quando a organização consegue confiar no que está sendo feito. Como resume Garcia, trata-se de “uma ação que eu realmente garanto que os resultados de negócio estão sendo atingidos”. É quando autonomia, controle e objetivo de negócio se encontram que a tecnologia deixa de ser apenas suporte e passa a sustentar uma experiência realmente resolutiva.
Gabriel Iquegami
