O uso de inteligência artificial no atendimento ao cliente ainda convive com promessas ambiciosas. No entanto, muitas empresas não conseguem medir se seus bots resolvem problemas de ponta a ponta ou apenas empurram o usuário para outro canal. Para enfrentar essa lacuna, a Aissist.io publicou o AI Customer Service Benchmark 2026, com foco em resolução real, satisfação do cliente e custo efetivo em seis setores.

Em entrevista, Lifan, cofundador da Aissist.io, afirmou que existe uma diferença estrutural entre números de marketing e desempenho observado em campo. Segundo ele, muitos fornecedores divulgam taxas de resolução entre 67% e 90%. Em contrapartida, agregados independentes apontam medianas bem menores. Para o executivo, dados promocionais costumam refletir cenários ideais, enquanto levantamentos independentes capturam resultados típicos do mundo real.

Além disso, Lifan destacou que o mercado nem sempre define com clareza termos como resolução e deflexão. Se um usuário recebe uma resposta da IA e encerra o chat, isso configura resolução? E se a IA solicitar um e-mail com mais detalhes? Ou, ainda, se coletar nome e e-mail antes de transferir o caso a um atendente humano, isso entra como resolução, deflexão ou escalonamento? Segundo ele, alguns fornecedores tratam todos esses cenários como resolução cobrável.

Benchmark mede solução efetiva, não só desvio

Um dos principais alertas do benchmark envolve a diferença entre desvio de atendimento e solução real. Lifan afirmou que a deflexão pode subir por mudanças operacionais simples, sem melhora concreta para o consumidor. Por exemplo, uma empresa pode redirecionar casos complexos para e-mail e encerrar a conversa no chat. Assim, a taxa de deflexão sobe, mas o problema permanece sem solução naquele canal.

Além disso, barreiras ao contato com agentes humanos também podem inflar a deflexão reportada. Embora esse movimento pareça eficiente no papel, ele pode aumentar a frustração do cliente. Por isso, Lifan defendeu que empresas avaliem a deflexão junto com taxa de resolução, satisfação do cliente, ou CSAT, e desfecho dos casos escalados.

O relatório também mostrou diferenças relevantes entre setores. E-commerce e varejo aparecem no topo em resolução verificada. Por outro lado, telecomunicações e saúde ficam atrás. Segundo Lifan, dois fatores explicam essa distância: complexidade das demandas e disponibilidade de dados.

Setores com dados padronizados levam vantagem

Em e-commerce, os pedidos de suporte costumam envolver entregas, devoluções, garantias, pedidos e reembolsos. Dessa forma, os fluxos tendem a ser padronizados e bem documentados, o que facilita a atuação da IA. Já em segmentos como SaaS e telecomunicações, os atendimentos frequentemente exigem troubleshooting, com maior dependência de contexto e documentação menos completa.

No campo dos dados, Lifan afirmou que o comércio eletrônico se beneficia da concentração de informações em plataformas amplamente adotadas, como Shopify, Adobe Commerce, WooCommerce e ShipStation. Assim, uma parcela relevante dos dados subjacentes já segue um padrão acessível. Em outros setores, contudo, as informações podem ficar fragmentadas, sem padronização, fora do tempo real ou cercadas por exigências de conformidade, privacidade e segurança.

Ao mesmo tempo, a entrevista ressaltou a importância da arquitetura dos sistemas. Depois de delimitar o domínio do atendimento, reunir documentação e conectar dados, o desafio passa a ser transformar tudo isso em resoluções eficazes, confiáveis e com bom custo. Na visão de Lifan, um modelo de linguagem isolado raramente entrega esse resultado com consistência. Em vez disso, ele precisa operar dentro de uma estrutura mais ampla, com engenharia de contexto, mecanismos de controle e habilidades especializadas.

Arquitetura agentic melhora resolução e CSAT

Para ilustrar essa diferença, Lifan citou um benchmark feito por um cliente. Um sistema mais simples, baseado em RAG, alcançou cerca de 40% de resolução com CSAT de 3,7. Em contrapartida, a solução da Aissist.io teria atingido aproximadamente 60% de resolução desde a implementação inicial, com CSAT de 4,5. Segundo o executivo, a comparação mostra a diferença entre um sistema que apenas recupera informações e outro que coordena múltiplos agentes capazes de executar ações.

Em outras palavras, o primeiro modelo funciona como alguém que entrega um livro para o usuário encontrar a resposta sozinho. Já o segundo se aproxima de uma equipe de especialistas. Cada agente assume uma tarefa específica, reúne dados, consulta sistemas, avalia opções e oferece pareceres. Assim, esse arranjo se mostra mais adequado para problemas complexos e com várias etapas.

Segundo Lifan, uma arquitetura agentic bem desenhada pode elevar de forma relevante tanto a taxa de resolução quanto a satisfação do cliente. Além disso, ela pode reduzir custos ao acionar ferramentas, fluxos de trabalho e modelos específicos apenas quando necessário. Dessa maneira, a empresa evita depender de um único modelo para todas as etapas.

Outro ponto central do benchmark envolve o custo total de propriedade, ou TCO, da IA. Lifan reconheceu que muitos compradores analisam apenas o custo unitário de uma interação automatizada. No entanto, esse número não reflete o gasto real. Em operações com fornecedores externos, o valor pode variar de US$ 0,50 a US$ 2,50 por resolução. Além disso, podem existir cobranças por assento, implementação ou uso de plataforma.

Custo total pesa na decisão entre construir ou comprar

Para empresas que optam por desenvolver IA internamente, a conta vai além do consumo de modelos. Entram também contratação e retenção de equipe especializada, desenvolvimento inicial, integração, evolução contínua, manutenção, monitoramento e otimização. Dessa maneira, o custo efetivo pode chegar com facilidade à faixa de US$ 2 a US$ 5 por resolução.

Na prática, o relatório sustenta que as empresas devem comparar a decisão de construir ou comprar com base no custo total de propriedade. Afinal, métricas e metodologias nem sempre seguem um padrão comparável entre fornecedores.

Para compradores que avaliam plataformas de atendimento automatizado, Lifan recomendou três passos. Em primeiro lugar, a empresa deve definir métricas próprias de sucesso, com critérios claros para resolução, deflexão e satisfação. Em segundo lugar, precisa testar a solução com tráfego real e em escala relevante antes de assumir um compromisso de longo prazo. Segundo ele, o ambiente de produção difere bastante de um piloto controlado, e mais de 85% dos pilotos falham ao escalar para produção. Por fim, o foco deve recair sobre excelência operacional, e não apenas automação.

Segundo o cofundador, automatizar representa apenas o começo. O maior ganho surge quando a IA melhora a operação como um todo e gera valor de negócio. Isso exige um sistema capaz de produzir insights acionáveis, identificar problemas com pouco esforço humano e otimizar continuamente o desempenho. Nesse sentido, a medição honesta se torna decisiva para avaliar o impacto real da IA no atendimento ao cliente.

Como resultado, o benchmark 2026 da Aissist.io reforça que arquitetura, contexto setorial, qualidade dos dados e definições transparentes de métricas moldam os resultados. Os números citados incluem taxas promocionais entre 67% e 90%, desempenho de 40% versus 60% em benchmark de arquitetura, CSAT de 3,7 e 4,5, custos de US$ 0,50 a US$ 2,50 com fornecedores, custo efetivo de US$ 2 a US$ 5 por resolução e a estimativa de que mais de 85% dos pilotos não conseguem escalar para produção.