A IA que diz resolver 65% das ligações: o que falta saber

A Ringg afirma que seus agentes de IA resolvem até 65% das chamadas de clientes sem escalonamento humano. O case publicado pela OpenAI chama atenção pelo ganho potencial em atendimento. Mas a métrica, sozinha, não responde se a pessoa teve seu problema resolvido, se o handoff funcionou ou se a operação permanece segura.

Uma taxa de 65% parece uma resposta definitiva para a fila de atendimento. A Ringg, empresa apresentada pela OpenAI em um case study, diz usar GPT-5.6 para operar agentes multilíngues que resolvem até essa parcela das chamadas sem passar para uma pessoa.

A promessa é grande porque ataca uma dor familiar. Filas, menus de URA, informações espalhadas e transferências entre áreas ainda consomem tempo de clientes e equipes. A Ringg descreve agentes que atuam por voz, chat, WhatsApp e web. No caso citado, o foco são grandes empresas de consumo na Índia, com alto volume de chamadas e processos manuais ou fragmentados.

Segundo a OpenAI, o uso do GPT-5.6 também reduziu em 90% o custo em comparação com GPT-4.1. A pauta também apareceu em veículos independentes, como o Beyond Tomorrow.

O número que chama atenção também pede contexto

Resolver uma chamada não é exatamente o mesmo que encerrar uma chamada. Um agente pode informar um prazo, registrar uma solicitação ou encontrar uma resposta em uma base de dados. Isso conta como sucesso? Depende da regra usada pela empresa e do que acontece depois.

A métrica divulgada não detalha, no briefing do case, quantas pessoas precisaram ligar novamente, quantas respostas exigiram correção ou quanto tempo os clientes levaram para concluir a tarefa. Também não mostra como os casos mais complexos foram encaminhados para humanos. Sem esses dados, 65% é um indicador promissor, não uma garantia de experiência boa.

Esse é o ponto que costuma se perder quando IA entra no atendimento como promessa de corte de custo. A automação pode reduzir uma parte do volume repetitivo. Porém, se ela aumenta a repetição de contatos ou atrasa uma solução sensível, a economia inicial pode reaparecer como reclamação, retrabalho e desgaste de marca.

A leitura do Runzos é que a taxa relevante não deveria ser só a de contenção. Ela precisa vir acompanhada de resolução confirmada, satisfação após o contato, taxa de recontato e qualidade do handoff. Um agente eficiente não é aquele que evita transferências a qualquer custo. É aquele que sabe quando não deve insistir.

Por que isso interessa ao Brasil

O cenário brasileiro torna a discussão ainda mais concreta. WhatsApp e telefone continuam no centro de muitos suportes, vendas e cobranças. Isso cria espaço para agentes que atendem fora do horário comercial, organizam demandas simples e ajudam a triagem inicial.

Mas copiar a promessa de um case internacional não basta. Empresas brasileiras precisam definir onde o agente pode responder sozinho e onde a intervenção humana é obrigatória. Uma dúvida sobre segunda via pode seguir um fluxo claro. Uma contestação, uma negociação delicada ou uma solicitação com dados pessoais pedem mais cuidado.

A LGPD entra nesse desenho desde o começo. Gravações, transcrições, identificação do cliente e dados usados para personalizar a conversa exigem uma base legal e controles compatíveis com a finalidade. Também é preciso deixar claro para a pessoa quando ela está falando com uma IA e oferecer uma rota acessível para atendimento humano.

Quem está estruturando o canal de WhatsApp pode começar pela infraestrutura e pelos limites de operação. O Runzos já mostrou como organizar atendimento pelo WhatsApp com Chatwoot em VPS. A ferramenta não resolve a governança de um agente sozinha, mas ajuda a centralizar conversas e a tornar a transferência entre automação e equipe mais visível.

A economia depende do que acontece depois da resposta

A comparação de custo feita pela OpenAI é uma afirmação do próprio case. Ela é relevante, mas não substitui o cálculo de cada empresa. O custo de uma operação com IA inclui modelo, integrações, manutenção da base de conhecimento, monitoramento, revisão de conversas e atendimento humano para exceções.

Há ainda um risco específico quando agentes podem concluir tarefas. Se o sistema altera um cadastro, cancela um serviço, negocia uma cobrança ou compartilha informação errada, o problema deixa de ser apenas uma resposta ruim. Vira uma decisão operacional tomada sem validação suficiente.

Por isso, a adoção madura começa com escopo limitado. Primeiro, vale automatizar tarefas repetitivas e de baixo risco. Depois, medir resultados com amostras de conversas e regras de auditoria. Por fim, ampliar a autonomia apenas quando a equipe consegue explicar o que o agente fez, por qual motivo e como corrigir um erro.

A Ringg mostra que agentes de voz e mensagem podem absorver uma parcela relevante do atendimento. A promessa central é interessante justamente porque abre uma pergunta maior: qual porcentagem foi realmente resolvida para o cliente? A resposta, para empresas brasileiras, precisa aparecer nos próprios indicadores e não apenas em uma apresentação de fornecedor.