Na América Latina a conversa com o cliente não começa em um formulário. Começa em um chat. No Brasil, 8 em cada 10 consumidores preferem as mensagens para se comunicar com uma empresa [1], em um país com 185 milhões de usuários de internet e penetração de 86.9% [2]. Isso muda o ponto de partida: enquanto outros mercados discutem a era dos agentes como um canal novo a construir, aqui o canal já existe, já guarda o histórico do cliente e já concentra a relação comercial.
A resposta curta: a era dos agentes não chega como um canal novo, chega dentro da conversa que o cliente já tem. Redesenhar o atendimento significa trocar o roteiro por uma camada de decisões: objetivos explícitos, contexto que viaja, regras de escalonamento escritas com quem atende, ações reversíveis e medição no nível da decisão.
Por que a era dos agentes chega diferente na América Latina?
Porque aqui não é preciso migrar o cliente para lugar nenhum. Ele já está no chat.
Nos mercados em que o atendimento foi construído sobre a central telefônica e o portal de autoatendimento, adotar agentes significa levar o cliente para uma superfície nova. Na região a ordem é inversa: o fio de mensagens já é o canal principal, já concentra venda, suporte e pós-venda, e já guarda o contexto da relação. A consequência prática é que o custo de adoção para o cliente é zero, e por isso o gargalo se desloca inteiramente para dentro: para a qualidade das decisões que seu sistema toma dentro daquela conversa.
É aí que a maioria fica pelo caminho. Colocar um bot de menu sobre um processo fragmentado não redesenha nada: automatiza o mesmo labirinto, só que mais rápido.
O que muda de verdade: do roteiro à decisão?
A mudança estrutural não é de canal nem de modelo. É de unidade de projeto.
Por quinze anos o atendimento foi desenhado como jornada: um caminho previsto para uma intenção suposta, com ramificações e árvores de decisão escritas à mão. Esse desenho assume que o cliente entra por onde você esperava e quer o que você antecipou. Um agente quebra essa premissa: ele interpreta o contexto e escolhe o próximo passo rumo a um objetivo, em vez de percorrer um roteiro.
Isso desloca o trabalho humano para cima. Em vez de escrever cada ramificação, o time define o que o agente otimiza, quais concessões aceita, onde para e para quem repassa o caso. A unidade de projeto deixa de ser o passo e passa a ser a decisão.
E a decisão é exatamente o que precisa ser governado, porque é onde as coisas quebram. Quando 1,642 rastros de execução de sistemas multiagente foram analisados, a maior parte das falhas não veio da fraqueza do modelo, e sim de especificações incompletas e desalinhamento entre agentes [3]. Um modelo maior não conserta um objetivo mal definido.
O que o cliente espera hoje de um atendimento com IA?
Mais rápido, sem se repetir e com uma explicação do porquê.
As expectativas subiram e ficaram concretas. A FIG-1 resume o que o cliente pede hoje, e ela se lê melhor como uma lista de requisitos de projeto do que como uma pesquisa de opinião.
Dados
| Expectativa do cliente | Percentual de consumidores |
|---|---|
| Querem saber por que a IA toma suas decisões | 95% |
| Esperam respostas mais rápidas que há um ano | 88% |
| Preferem um único fio com texto, imagem e vídeo | 76% |
| Esperam atendimento disponível 24/7 | 74% |
| Acham frustrante repetir a história a cada transferência | 74% |
Repare no padrão: quatro das cinco expectativas não são de velocidade, são de continuidade. O cliente assume que o sistema lembra quem ele é, o que comprou e o que você prometeu. Um agente sem memória e sem acesso ao histórico falha nesse teste antes de dizer a primeira palavra.
Onde está a lacuna que quase ninguém está fechando?
Na explicação. O cliente quer saber por quê, e quase nenhuma empresa conta.
Esta é a maior assimetria do momento, e a mais barata de corrigir. 95% dos consumidores querem saber por que a IA decidiu o que decidiu, 80% dos líderes de experiência reconhecem que a transparência será inegociável, e apenas 37% das empresas oferecem hoje o raciocínio por trás de uma decisão automática [4].
Dados
| Value | |
|---|---|
| Clientes que querem saber por que a IA decidiu | 95% |
| Líderes que veem a transparência como inegociável | 80% |
| Empresas que hoje explicam o raciocínio | 37% |
Fechar essa lacuna não exige um modelo melhor. Exige que o sistema registre por que escolheu cada ação e saiba devolver isso em linguagem simples: "estou oferecendo esta data porque seu plano inclui remarcação sem custo e há vaga na quinta". Isso é rastreabilidade exposta ao cliente, e hoje é um diferencial justamente porque quase ninguém faz.
Como redesenhar o atendimento para a era dos agentes?
Com seis decisões tomadas de propósito, antes de escrever o primeiro prompt.
1. Defina o que o agente otimiza e quais concessões aceita. Um agente que otimiza tempo de resposta se comporta de forma diferente de um que otimiza resolução no primeiro contato ou margem. Se você não escolher, o agente escolhe por você, normalmente o que for mais fácil de medir. Escreva o objetivo e também o que você está disposto a sacrificar.
2. Redesenhe o fluxo em torno de decisões, não de passos. Pegue o processo atual e marque: quais pontos são decisões reais e quais são passos administrativos herdados. Os segundos costumam desaparecer. Automatizar um passo que só existia por causa de uma limitação de sistema é preservar a limitação.
3. Faça o contexto viajar. Um único fio, uma única identidade do cliente, uma única verdade sobre o histórico e o caso em aberto. É a correção de maior retorno: 74% se frustram ao repetir a própria história e 76% preferem um único fio onde podem mandar texto, imagem e vídeo sem recomeçar [4]. Se o contexto se perde na transferência, todo o resto dá no mesmo.
4. Escreva as regras de escalonamento com quem atende. Quem está na linha de frente sabe qual caso azeda e em qual sinal. Essa experiência é a melhor fonte para definir quando o agente deve parar e repassar o caso. Escalonar não é falha do agente: é uma decisão de projeto que foi executada corretamente.
5. Mantenha as ações reversíveis e a aprovação humana onde custa. Consultar, cotar, agendar e explicar são ações seguras e reversíveis. Cobrar, cancelar, prometer uma exceção comercial ou movimentar dinheiro, não. Essas exigem aprovação. É o mesmo princípio de autonomia projetada que aplicamos em todos os nossos sistemas: a autonomia se conquista com evidência, não se concede por padrão.
6. Meça no nível da decisão, não apenas da conversa. A média de satisfação da conversa esconde onde o sistema falha. Você precisa saber qual decisão foi tomada, com qual contexto, se estava certa e o que aconteceu depois. Sem esse registro, "o agente não presta" é um relatório impossível de consertar.
Se algum desses termos for novo para você, o glossário de IA agêntica cobre os 20 conceitos que sustentam esse projeto.
Por onde convém começar?
Por um fluxo restrito, de alto volume e com ações reversíveis.
A tentação é começar pelo caso mais visível. O contrário é mais sensato: escolha um fluxo em que o erro seja barato e a repetição seja alta, porque é ali que se acumula a evidência que depois justifica ampliar a autonomia.
O que define a ordem não é o seu setor, é o formato do fluxo. Uma clínica, uma universidade, um varejista, uma seguradora, um banco e um operador logístico executam processos diferentes, mas compartilham os mesmos seis candidatos de partida, porque os seis combinam volume alto, regras claras e ações que podem ser desfeitas. Traduza cada um para o seu vocabulário:
- Agendamento e remarcação. Consulta, turno, visita técnica ou sessão: alta frequência, regras claras, ação reversível.
- Status de uma solicitação, de um pedido ou de um processo. Consulta pura, risco quase nulo, e costuma ser o maior consumidor de volume.
- Qualificação e roteamento de solicitações recebidas. O agente reúne contexto e classifica; a decisão de fundo fica com a pessoa.
- Lembretes e avisos de vencimento. Alto volume e sensível: automatize o aviso, deixe a negociação para uma pessoa.
- Primeiro nível de suporte ou pós-venda. Perguntas frequentes com acesso real ao histórico, não uma árvore de FAQ.
- Reativação de contatos inativos. Baixo risco, mensurável, e exercita a camada de contexto.
Começar por aqui não é falta de ambição. É como se chega ao caso difícil com dados na mão.
Como saber se isso realmente funciona?
Com um teste repetido, não com uma demo que deu certo.
Um agente que resolve um caso uma vez não prova nada: sistemas que parecem fortes em uma única tentativa desmoronam sob repetição [5]. Por isso medimos ao longo de tentativas repetidas e no nível da decisão: taxa de resolução sem transferência, exatidão da classificação, escalonamentos corretos frente a escalonamentos tardios, e custo por caso resolvido. Esse é o painel que decide se a autonomia se amplia ou se reduz.
Vale manter a direção do vento à vista. A Gartner projeta que até 2029 a IA agêntica resolverá de forma autônoma 80% dos problemas comuns de atendimento, com redução de 30% nos custos operacionais [6]. Mas a mesma consultoria estima que mais de 40% dos projetos de IA agêntica serão cancelados antes do fim de 2027, por custo, valor pouco claro e controles fracos [7]. As duas coisas são verdadeiras ao mesmo tempo: o destino é grande e o caminho elimina quem improvisa.
Como a MasterDragon constrói isso
Construímos AI-native, e em atendimento isso significa começar pela conversa real, não pelo organograma.
Mapeamos o fio como ele existe hoje no WhatsApp, marcamos os pontos de decisão, unificamos o contexto do cliente para que ele viaje entre passos, e só então damos ferramentas ao agente. Por cima colocamos a camada de controle: políticas do que ele pode executar, ações reversíveis por padrão, aprovação humana onde há dinheiro ou compromisso comercial, e rastros de cada decisão para poder explicá-la e corrigi-la. A autonomia se amplia quando a medição permite, não quando a demo impressiona.
Se sua operação já vive no chat e você quer que ela decida bem, fale com nossos engenheiros de IA. Comece pelo nosso portfólio de produtos AI-native já lançados.
Referências
- WhatsApp Business e Boston Consulting Group. (2024). Business messaging: a value driver for Brazilian businesses. https://whatsappbusiness.com/resources/resource-library/business-messaging-brazil-bcg/
- DataReportal. (2026). Digital 2026: Brazil. https://datareportal.com/reports/digital-2026-brazil
- Cemri, M., Pan, M. Z., Yang, S., Agrawal, L. A., Chopra, B., Tiwari, R., Zou, J., Ramchandran, K., Sahai, A., Gonzalez, J. E., e Stoica, I. (2025). Why do multi-agent LLM systems fail? arXiv. https://doi.org/10.48550/arXiv.2503.13657
- Zendesk. (2026). Zendesk CX Trends 2026. https://cxtrends.zendesk.com/
- Yao, S., Chen, H., Yang, J., e Narasimhan, K. (2024). tau-bench: A benchmark for tool-agent-user interaction in real-world domains. arXiv. https://arxiv.org/abs/2406.12045
- Gartner. (2025, 5 de março). Gartner predicts agentic AI will autonomously resolve 80% of common customer service issues without human intervention by 2029. https://www.gartner.com/en/newsroom/press-releases/2025-03-05-gartner-predicts-agentic-ai-will-autonomously-resolve-80-percent-of-common-customer-service-issues-without-human-intervention-by-20290
- Gartner. (2025, 25 de junho). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027