Debora Lopes dos Santos; Mônica Mancini

DOI: 10.22167/2675-6528-202600720

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

O setor de telecomunicações enfrenta desafios no atendimento ao cliente, agravados por arquiteturas tradicionais que dificultam a resolução ágil de demandas. Com o objetivo de propor um modelo de atendimento para a automação do cancelamento de serviços em empresas de telecomunicações, visando a melhoria da experiência do usuário e o cumprimento de exigências regulatórias, desenvolveu-se uma pesquisa quantitativa e exploratória. O estudo foi conduzido em laboratório computacional, onde se utilizou a plataforma ElevenLabs para criar agentes. Realizaram-se 150 execuções de testes, abrangendo regras de negócio de triagem, retenção e execução de cancelamento. A coleta e análise de dados basearam-se em conversas da plataforma e resultados de sucesso/falha dos agentes, fundamentados no paradigma LLM-as-a-Judge para assegurar imparcialidade. Os dados revelaram uma alta taxa de sucesso do modelo, evidenciando a capacidade da arquitetura em orquestrar conversas fluidas sem retenção forçada. Concluiu-se que a implementação de sistemas multiagentes otimiza a eficiência operacional das centrais de atendimento, promove a transparência e libera operadores humanos para demandas de maior complexidade.

Palavras-chave: Atendimento ao Cliente; Inteligência Artificial; Multiagente; Telecomunicações.

1. Introdução

O setor de telecomunicações desempenha um papel de extrema importância para a economia brasileira, atuando como um pilar essencial na disponibilização da conectividade. Essa infraestrutura viabiliza uma vasta gama de atividades socioeconômicas, promove a acessibilidade digital e expande os meios de comunicação em todo o território nacional. A relevância estratégica do setor é corroborada por dados do relatório trimestral da Conexis Brasil Digital (2025), que indicou um total de aproximadamente 263,4 milhões de acessos na telefonia móvel no Brasil ao final de 2024, gerando uma receita bruta de R$318,8 bilhões.

Contudo, em paralelo a essa expansão e relevância econômica, o setor de telecomunicações enfrenta desafios significativos no que tange à qualidade do atendimento ao cliente. A perspectiva de Pine e Gilmore (1999) destaca que as organizações modernas devem oferecer não apenas serviços, mas experiências completas aos consumidores. No entanto, pesquisas da Agência Nacional de Telecomunicações (ANATEL, 2024) revelam uma estagnação ou até mesmo uma queda nos índices de satisfação dos usuários com os serviços de telecomunicações no país, evidenciando uma lacuna entre a oferta e a percepção da experiência do cliente.

Esse cenário é agravado pelas limitações inerentes aos sistemas tradicionais de atendimento. Predominantemente baseados em agentes humanos, Unidades de Resposta Audível (URA) de navegação rígida e chats convencionais, esses modelos dificultam a resolução ágil de demandas críticas. Conforme apontado por Singh (2025), o alto volume de interações sobrecarrega as equipes de atendimento, resultando em longos tempos de espera, inconsistência nas informações prestadas e uma crescente frustração dos clientes devido a estruturas pouco intuitivas. A dependência do atendimento humano também introduz uma variabilidade na qualidade do serviço, influenciada por fatores como treinamento, experiência individual e condições operacionais.

Além dos desafios relacionados à satisfação geral, o volume de demandas críticas, especialmente as de cancelamento de serviços, permanece elevado. Consultas realizadas no Painel de Dados da Anatel (2026) demonstram que, ao filtrar especificamente o tema “Cancelamento”, foram registradas mais de 170 mil reclamações ao longo do ano de 2025. Esse dado sublinha a dificuldade enfrentada pelos consumidores em encerrar seus vínculos contratuais de forma fluida e transparente, reforçando a necessidade de soluções que promovam automação e eficiência nos processos de atendimento.

Diante dessas limitações, a automação e a digitalização dos processos de atendimento emergem como pilares fundamentais para a melhoria da experiência do usuário. Estudos internacionais, como o realizado pela Nvidia (2024), indicam que a adoção de soluções baseadas em inteligência artificial (IA) tem se consolidado como uma tendência global, contribuindo para maior agilidade no atendimento e, paradoxalmente, para o aumento da retenção de clientes por meio de experiências mais satisfatórias. Corroborando essa tendência, o Governo Federal do Brasil anunciou, em 2025, investimentos significativos em iniciativas voltadas à aplicação de IA em benefício da sociedade.

Nesse contexto, a introdução de agentes conversacionais aprimorados com inteligência artificial surge como uma alternativa eficaz para mitigar as limitações dos modelos tradicionais. Segundo Singh (2022), a principal contribuição da IA reside na capacidade de compreender e resolver demandas de forma mais contextualizada e precisa, por meio de técnicas avançadas de Processamento de Linguagem Natural (PLN) e reconhecimento de voz. Essas tecnologias possibilitam não apenas a redução do tempo de atendimento, mas também a diminuição da necessidade de intervenção humana em casos rotineiros, otimizando o fluxo operacional. A implementação de agentes conversacionais, como demonstrado por Zhang, Li e Liu (2023) em um estudo de caso, reconfigura o desempenho operacional ao automatizar tarefas simples, permitindo que recursos humanos sejam alocados para demandas complexas, otimizando sua utilização e melhorando a capacidade de resposta.

A justificativa deste trabalho reside na necessidade de investigar como a inteligência artificial pode modernizar e otimizar o atendimento no setor de telecomunicações no Brasil, especialmente no processo de cancelamento de serviços. Assim, o objetivo geral deste trabalho foi propor um modelo de atendimento baseado em inteligência artificial conversacional e sistemas multiagentes para a automação do processo de cancelamento de serviços em empresas de telecomunicações, com vistas à melhoria da experiência do usuário e o atendimento às exigências regulatórias.

2. Material e Métodos

A pesquisa desenvolvida caracterizou-se por sua natureza quantitativa e exploratória. A abordagem exploratória visou proporcionar maior familiaridade com o tema, tornando o problema de pesquisa mais explícito, conforme descrito por Gil (2008). O aspecto quantitativo, por sua vez, envolveu a coleta sistemática de métricas de desempenho e o uso de análise estatística para mensurar a eficácia da solução proposta, alinhando-se aos conceitos defendidos por Sampieri, Collado e Lucio (2013).

O estudo foi conduzido em um ambiente de laboratório computacional controlado. Para a criação e gerenciamento dos agentes conversacionais, utilizou-se a plataforma ElevenLabs, uma ferramenta disponibilizada na internet que serviu como base para o desenvolvimento do sistema multiagente proposto.

A amostra deste estudo foi composta por 150 execuções de testes. O volume de testes foi definido com base no critério de saturação de cenários, garantindo que o conjunto de dados cobrisse a totalidade das regras de negócio, incluindo triagem do cliente, retenção e execução do cancelamento. Adicionalmente, os testes validaram os limites de segurança, ou “guardrails”, do sistema frente a entradas imprevisíveis, assegurando significância técnica para a auditoria via “LLM-as-a-Judge”.

O instrumento de coleta de dados consistiu na observação dos resultados das interações realizadas com o agente. Esses dados foram extraídos via código Python, acessando o “endpoint” /v1/convai/conversations/:conversation_id disponibilizado pela própria plataforma ElevenLabs. O retorno das requisições, estruturado em formato JavaScript Object Notation (JSON), compreendia o histórico completo das interações e metadados técnicos. Entre os campos detalhados, incluíam-se o identificador único da chamada (`conversation_id`), o estado final da chamada (`status`), a duração da interação (`call_duration_secs`), o carimbo de data/hora do início (`start_time_unix_secs`), o histórico do diálogo (`transcript`), o papel do interlocutor (`role`), a transcrição da conversa (`message`), o momento da frase (`time_in_call_secs`), os resultados da análise automática (`analysis`), o indicador de sucesso da tarefa (`call_successful`) e dados extraídos durante a chamada (`data_collection_results`).

A coleta de dados foi realizada no período compreendido entre dezembro de 2025 e janeiro de 2026.

A análise dos dados coletados fundamentou-se no paradigma “LLM-as-a-Judge”, operacionalizado através da funcionalidade “evaluation criteria” da plataforma ElevenLabs. Esta abordagem metodológica, alicerçada nos estudos de Zheng et al. (2023), utiliza a capacidade interpretativa de modelos de linguagem avançados para replicar o julgamento humano em larga escala. O objetivo foi garantir imparcialidade e precisão na análise semântica das interações, avaliando a aderência do sistema às regras de negócio e aos “guardrails” de segurança. Para a mensuração da eficácia, estabeleceu-se uma métrica binária rigorosa, onde o sucesso era atribuído exclusivamente quando o agente atingia a resolução da demanda com total aderência ao “ground truth” e confirmação explícita dos termos acordados.

O modelo arquitetural desenvolvido estruturou-se sob o paradigma de sistemas multiagentes, orquestrado para garantir não apenas a eficiência operacional, mas também a conformidade com o órgão regulatório do setor. As diretrizes estabelecidas pela ANATEL foram mapeadas como requisitos não funcionais de sistema e integradas nativamente às instruções de cada agente. A topologia do sistema foi dividida em camadas de especialização, com agentes dedicados à triagem, retenção e execução do cancelamento, conforme teorizado por Wooldridge (2009) sobre a eficácia de sistemas multiagentes com autonomia e capacidade social.

O agente possuía diretrizes globais que atuavam como base para todos os módulos, definindo os “guardrails” éticos e operacionais. Isso assegurava a preservação dos direitos do consumidor, como o acesso à informação clara e a garantia de um processo de rescisão sem imposição de barreiras abusivas. A persona do agente foi configurada para atuar como um Agente Virtual Especialista, com tom de conversa natural, empático, resolutivo e transparente, utilizando o Português do Brasil. As boas práticas sugeridas pela OpenAI (2024) foram consideradas para garantir que a tomada de decisão fosse baseada em dados precisos e regras de negócio isoladas, minimizando riscos de alucinação.

O agente de triagem foi responsável pelo primeiro contato, autenticação do usuário e identificação da intenção. Ele atuava como o roteador principal do fluxo, avaliando o contexto da solicitação para direcionar o cliente ao agente de retenção ou, em casos de impedimentos, encaminhá-lo diretamente para a execução do cancelamento. O módulo de triagem e roteamento tinha como objetivo validar a identidade do cliente, solicitando o CPF para localizar o cadastro, e classificar a intenção, roteando para retenção (motivo de preço/insatisfação), execução (motivo de mudança de país/área sem cobertura) ou suporte técnico.

O agente de retenção foi encarregado da estratégia comercial, operando uma árvore de decisão dinâmica para concessão de descontos progressivos. Para atender às exigências da ANATEL contra a “retenção forçada”, o agente foi programado com condições de parada rigorosas. Caso o consumidor declinasse das ofertas de forma clara, o módulo cessava imediatamente a negociação, respeitando o direito de cancelamento. O módulo de retenção considerava o contexto da fatura atual e tempo de contrato para oferecer descontos parametrizados em estágios de oferta de valor e sondagem, com um limite máximo de duas tentativas de oferta.

O agente de execução operava como o executor do serviço e guardião do “compliance”, sendo responsável pelo processamento da baixa contratual. Ele assegurava dois pilares exigidos pelo órgão regulador: a transparência tarifária, informando proativamente sobre multas rescisórias proporcionais ou isenção, e a eficácia imediata, confirmando a execução do cancelamento de forma automatizada. O módulo de execução tinha como objetivo efetivar o cancelamento garantindo total transparência sobre as regras contratuais, incluindo o cálculo de fidelidade e a emissão obrigatória do protocolo de encerramento.

3. Resultados e Discussão

O modelo arquitetural desenvolvido para a automação do processo de cancelamento de serviços em telecomunicações estruturou-se sob o paradigma de sistemas multiagentes. Essa orquestração foi concebida para assegurar não apenas a eficiência operacional, mas também a rigorosa conformidade com as exigências regulatórias do setor. As diretrizes estabelecidas pela Agência Nacional de Telecomunicações (ANATEL) foram meticulosamente mapeadas como requisitos não funcionais do sistema, sendo integradas de forma nativa às instruções operacionais de cada agente. Essa abordagem garantiu que o sistema operasse dentro dos parâmetros legais e éticos, fundamentais para a credibilidade e aceitação da solução proposta no mercado.

A topologia do sistema foi cuidadosamente segmentada em camadas de especialização, cada uma com responsabilidades bem definidas, otimizando a performance e a modularidade. As diretrizes globais constituem a base para todos os módulos, estabelecendo os “guardrails” éticos e operacionais que orientam o comportamento do sistema. Essa camada primordial assegura a preservação dos direitos do consumidor, garantindo acesso a informações claras e um processo de rescisão sem a imposição de barreiras abusivas, conforme preconizado pelas normas de proteção ao cliente no setor de telecomunicações.

A persona do agente virtual foi definida como um especialista, com um tom de conversa natural, empático, resolutivo e transparente, utilizando o português do Brasil (PT-BR) coloquial culto e marcadores discursivos como “Olha…” ou “Entendo…”. Os “guardrails” específicos proibiram estritamente a criação de barreiras, argumentações exaustivas ou constrangimento ao cliente que desejava cancelar, e limitaram o escopo de atendimento a demandas de internet e telefonia. A integridade das respostas foi assegurada pela base de conhecimento, vedando a alucinação de regras contratuais ou financeiras, e a proteção do sistema foi garantida pela ignorância de comandos de “bypass” ou “prompt injection”.

O protocolo de escalonamento para atendimento humano foi rigorosamente estabelecido para garantir a segurança e a conformidade em situações críticas. O transbordo imediato para um operador humano ocorreria em três cenários específicos: menção a processos judiciais, PROCON ou ANATEL; uso de palavras de baixo calão, ameaças ou hostilidade por parte do cliente; ou falha sistêmica na localização do CPF após três tentativas. Essa medida de segurança é crucial para lidar com interações complexas que exigem sensibilidade ou intervenção legal, protegendo tanto o cliente quanto a empresa.

O agente de triagem é responsável pelo primeiro contato com o usuário, realizando a autenticação e a identificação da intenção. Ele atua como o roteador principal do fluxo de atendimento, avaliando o contexto da solicitação para direcionar o cliente ao agente mais adequado. O módulo de triagem e roteamento tem como objetivo validar a identidade do cliente e classificar sua intenção, iniciando o processo com a solicitação amigável do CPF para localizar o cadastro. Em conformidade com a regulamentação, o sistema exige a identificação do titular para processar a rescisão, evitando o “anti-bypass” regulatório.

O roteamento da intenção é um componente crítico do agente de triagem. Se o motivo do contato for “Preço/Insatisfação”, o cliente é transferido para o agente de retenção. Contudo, se o motivo for “Mudança de País/Área sem cobertura”, o sistema executa um “bypass” da retenção, transferindo o cliente diretamente para o agente de execução, conforme a regra de não retenção forçada. Em casos de “Suporte Técnico”, o cliente é informado sobre a transferência para a equipe técnica e o fluxo é encerrado, garantindo que cada demanda seja direcionada ao especialista correto.

O agente de retenção é encarregado da estratégia comercial, operando uma árvore de decisão dinâmica para a concessão de descontos progressivos. Esse módulo foi programado com condições de parada rigorosas para atender às exigências da ANATEL contra a “retenção forçada”. Caso o consumidor decline das ofertas de forma clara, o módulo cessa imediatamente a negociação, respeitando o direito inalienável do cliente ao cancelamento. Essa abordagem equilibra os interesses comerciais da empresa com a proteção dos direitos do consumidor, promovendo uma experiência de atendimento ética e transparente.

No módulo de retenção, o sistema considera o contexto da fatura atual e o tempo de contrato do cliente. No estágio um, de oferta de valor, o agente analisa a faixa de valor da fatura para oferecer um desconto parametrizado: 0% para faturas de 0 a 99 reais; 5% para 100 a 199 reais; 10% para 200 a 299 reais; 15% para 300 a 399 reais; e 20% para 400 reais ou mais. A argumentação para o desconto é tratada como um “reconhecimento pelo tempo de parceria”, e não como uma perda de receita, buscando fortalecer o vínculo com o cliente.

No estágio dois, de sondagem, se a primeira oferta for recusada, o agente oferece uma adequação de pacote, como um “Plano Fibra Econômica”, buscando alternativas para reter o cliente. O estágio três estabelece a condição de parada, com uma regra de não-abuso que limita o máximo de ofertas a duas tentativas. Se o cliente recusar duas vezes ou usar frases como “só quero cancelar” ou “não quero desconto”, a argumentação cessa imediatamente, a decisão é validada e o cliente é roteado para o agente de execução, garantindo o direito de opt-out.

O agente de execução opera como o executor do serviço e guardião do “compliance”, sendo responsável pelo processamento da baixa contratual e assegurando dois pilares exigidos pelo órgão regulador. O módulo de execução tem como objetivo efetivar o cancelamento, garantindo total transparência sobre as regras contratuais. O primeiro pilar é a transparência tarifária, que informa proativamente a incidência de multa rescisória proporcional para contratos com vigência inferior a doze meses, ou declara a isenção total para períodos de fidelidade já cumpridos.

O segundo pilar é a eficácia imediata da rescisão, conforme a regra da FAQ ANATEL, que informa claramente que o cancelamento tem efeito imediato e que o processamento sistêmico será concluído em até dois dias úteis. Para finalizar, o módulo de execução solicita o “De Acordo” final do cliente para confirmar a baixa definitiva, emite obrigatoriamente o protocolo de encerramento gerado pelo sistema (ex: 2026-FIM) e encerra o atendimento. Esse processo garante que todas as etapas regulatórias e contratuais sejam cumpridas de forma transparente e eficiente.

A pesquisa envolveu a execução de uma amostra de 150 testes, que permitiram validar a robustez da arquitetura multiagentes. A aplicação do paradigma “LLM-as-a-Judge” revelou que o modelo obteve uma taxa de sucesso global expressiva, atendendo aos critérios de eficácia, “compliance”, aderência à persona e precisão informacional. Essa metodologia, alicerçada nos estudos de Zheng et al. (2023), utiliza a capacidade interpretativa de modelos de linguagem avançados para replicar o julgamento humano em larga escala, garantindo imparcialidade e precisão na análise semântica das interações.

Nos cenários onde a intenção do cliente era o cancelamento por insatisfação financeira, o agente de retenção demonstrou alta capacidade de negociação ética. Ele aplicou as faixas de desconto parametrizadas sem alucinar valores ou prometer benefícios fora do escopo estipulado, o que é crucial para manter a confiança do cliente e a conformidade regulatória. Essa habilidade de negociação contextualizada e ética é um diferencial significativo do modelo proposto, contribuindo para uma experiência de atendimento mais justa e transparente.

As interações desenhadas para testar os limites de segurança validaram a resiliência do sistema. A conformidade regulatória foi integralmente respeitada, e em nenhum dos cenários de teste o sistema infringiu a condição de parada. Isso garantiu que a recusa clara do cliente encerrasse o protocolo de retenção e iniciasse o protocolo de cancelamento, evitando práticas de retenção forçada. Essa aderência estrita às regras de negócio e aos “guardrails” regulatórios é um dos pilares da eficácia do modelo.

Um exemplo da eficácia do sistema foi observado quando um cliente solicitou um serviço fora do escopo do agente, como a compra de um carro. O agente reconheceu prontamente o desvio de assunto e respondeu de forma contextualizada, explicando que seu foco residia exclusivamente em cancelamentos, contratações, faturas e dúvidas sobre planos de internet e telefonia. Após a segunda tentativa do usuário de solicitar um serviço não permitido, a interação foi encerrada, validando os “guardrails” de segurança implementados nas instruções de triagem.

Em outro caso, um cliente solicitou a segunda via da fatura, uma demanda dentro da atividade da empresa, mas não atendida diretamente pelo agente de triagem. O sistema identificou a intenção do usuário e, seguindo o protocolo de orquestração do “workflow”, solicitou o CPF para liberação da transferência. Em seguida, informou que o caso seria tratado por um especialista humano, demonstrando a capacidade do sistema de rotear demandas complexas para o atendimento adequado, otimizando o fluxo operacional.

Quando um cliente expressou o desejo de cancelar o serviço por conta do preço, o sistema executou o roteamento transparente para o agente especialista adequado, conforme as regras de negócio pré-estabelecidas. A interação demonstrou fluidez, manutenção do contexto e linguagem natural, com o agente expressando empatia ao identificar nuances como o latido de um cachorro e adaptando sua resposta. Essa capacidade valida a aplicação de Processamento de Linguagem Natural (PLN) avançado, conforme descrito por Singh (2022), que permite ao sistema compreender e responder de forma contextualizada, reduzindo a fricção típica dos processos de retenção.

A fluidez observada na transferência entre o agente de triagem e o de retenção demonstrou a eficácia da arquitetura descentralizada. Conforme teorizado por Wooldridge (2009), sistemas multiagentes operam com eficácia quando possuem autonomia e capacidade social para interagir na resolução de problemas comuns. No experimento, essa especialização permitiu que cada agente mantivesse o foco em suas instruções sistêmicas específicas, evitando a sobrecarga cognitiva do modelo e corroborando as boas práticas sugeridas pela OpenAI (2024), garantindo que a tomada de decisão, como a oferta de desconto, fosse baseada em dados precisos e regras de negócio isoladas, minimizando riscos de alucinação.

Ao detectar a intenção de aceite da contraproposta por parte do usuário, o sistema transferiu o controle para o agente executor. Este especialista foi responsável pela execução transacional, operacionalizando a aplicação do desconto no faturamento e conduzindo o encerramento protocolar da interação, assegurando que o acordo firmado fosse devidamente registrado no sistema. Essa transição suave e eficiente entre os agentes é fundamental para a experiência do usuário e para a integridade dos processos, garantindo que as promessas feitas durante a retenção sejam cumpridas.

Em um cenário de cancelamento por motivos não relacionados a preço, como uma mudança de país, o agente pulou a etapa de retenção, pois entendeu que não haveria como o cliente manter o plano. O sistema prosseguiu diretamente com o cancelamento, informando sobre a isenção de multas de fidelidade caso o período de doze meses de contrato já tivesse sido cumprido. Essa capacidade de discernimento e adaptação do fluxo de atendimento demonstra a inteligência do sistema em respeitar as condições do cliente e as regras regulatórias de não retenção forçada.

Apesar do sucesso geral, observou-se uma taxa de direcionamento indevido de apenas 2% em toda a amostra testada. Essa ocorrência, que acionou o atendimento humano como mecanismo de segurança, reforça a eficácia dos “guardrails” em prevenir respostas imprecisas ou o descumprimento de normas. Em um caso específico de falha, o avaliador automático “LLM-as-a-Judge” classificou como falha os critérios de “compliance_cancelamento” e “sucesso_retencao”, pois a conversa foi interrompida para transferência antes que qualquer oferta fosse feita ou o protocolo obrigatório fosse gerado.

No entanto, os critérios de identificação do cliente e prevenção de alucinação mantiveram-se com sucesso, confirmando que a inteligência artificial não inventou dados para mascarar a limitação momentânea. Essa transparência na identificação das falhas é crucial para a melhoria contínua do sistema. Para mitigar esse comportamento e elevar a autonomia do sistema, ajustes finos no “prompt” e nas lógicas de intenção do agente de triagem podem ser realizados, visando aprimorar ainda mais a capacidade de resolução autônoma.

Ao projetar esse desempenho para o cenário macro das telecomunicações no Brasil, o impacto operacional torna-se evidente. Os resultados obtidos alinham-se às descobertas de Zhang, Li e Liu (2023), cujo estudo empírico demonstrou que agentes conversacionais reforçam a capacidade da inteligência artificial em assumir tarefas repetitivas e baseadas em regras complexas. No modelo proposto, a aplicação de “compliance” à máquina elimina a variabilidade humana, permitindo que os agentes humanos atuem em atividades de maior complexidade, casos de alta fricção emocional ou problemas sistêmicos, otimizando a alocação de recursos e a qualidade do serviço.

Em síntese, a pesquisa demonstrou que o modelo de atendimento multiagente baseado em inteligência artificial conversacional é eficaz na automação do processo de cancelamento de serviços. O sistema validou sua robustez e conformidade regulatória, apresentando alta taxa de sucesso na triagem, retenção ética e execução transparente dos cancelamentos. Embora uma pequena taxa de direcionamento indevido tenha sido observada, a capacidade do modelo de identificar e rotear demandas complexas, evitar alucinações e respeitar os direitos do consumidor, mesmo em cenários de falha, reafirma seu potencial para otimizar a eficiência operacional e a experiência do usuário no setor de telecomunicações.

4. Conclusão

O presente estudo objetivou propor um modelo de atendimento baseado em inteligência artificial conversacional e sistemas multiagentes para a automação do processo de cancelamento de serviços em empresas de telecomunicações, visando a melhoria da experiência do usuário e o atendimento às exigências regulatórias. Verificou-se que a arquitetura multiagentes desenvolvida demonstrou uma alta taxa de sucesso global nas 150 execuções de testes realizadas, validada pelo paradigma LLM-as-a-Judge. Os achados indicaram a capacidade do modelo em orquestrar conversas fluidas, realizar triagem eficaz, conduzir negociações de retenção de forma ética, sem práticas de retenção forçada, e executar cancelamentos com total transparência. A conformidade regulatória foi integralmente respeitada, com os “guardrails” implementados prevenindo alucinações e garantindo a aderência às regras de negócio e às diretrizes da ANATEL. A capacidade do sistema em identificar e rotear demandas complexas, bem como em lidar com solicitações fora de escopo, otimiza o fluxo operacional e libera operadores humanos para atuações de maior complexidade e sensibilidade.

Apesar do sucesso geral, observou-se uma taxa de direcionamento indevido de apenas 2% na amostra testada, o que acionou o atendimento humano como mecanismo de segurança, reforçando a eficácia dos “guardrails” em prevenir respostas imprecisas. Contudo, o estudo apresentou limitações, como a não replicação de todas as variáveis e regras de negócio de um cenário produtivo real ou diretrizes da ANATEL, devido aos testes terem ocorrido em ambiente de laboratório computacional controlado. Adicionalmente, os resultados obtidos estão vinculados ao modelo de LLM GPT 5.0, podendo apresentar variações em outras arquiteturas. Para estudos futuros, recomenda-se a aplicação de testes com maior abrangência de cenários e variáveis, incluindo a integração sistêmica completa e a totalidade das regras descritas pela ANATEL. Sugere-se também a realização de testes A/B comparando diferentes modelos de LLM para avaliar variações de desempenho e custo-benefício, bem como a possibilidade de disponibilizar os testes para o público, a fim de coletar maior variedade de respostas.

Referências Bibliográficas

Agência Nacional de Telecomunicações [ANATEL]. 2024. Pesquisa de Satisfação e Qualidade Percebida 2024. Disponível em: <https://sei.anatel.gov.br/sei/modulos/pesquisa/md_pesq_documento_consulta_externa.php?8-74Kn1tDR89f1Q7RjX8EYU46IzCFD26Q9Xx5QNDbqb4IIMkZUoNrvLZNmxgnjLSVJXyvA4KSLi2zhDkK0wxXQ8zAlt5wKOJpHZQMXk1YII3xdoqUBaOTKWkM7kpeNpn>. Acesso em: 17 set. 2025.

Agência Nacional de Telecomunicações [ANATEL]. Painel de Dados: Reclamações. Disponível em: <https://informacoes.anatel.gov.br/paineis/consumidor/reclamacoes>. Acesso em: nov. 2025.

Conexis Brasil Digital [Conexis]. 2025. Relatório trimestral 4T24. Disponível em: <https://conexis.org.br/wp-content/uploads/2025/06/RELATORIO_TRIMESTRAL_ANALITICO_4T24-1.pdf>. Acesso em: 14 out. 2025.

Gil, A.C. 2008. Como Elaborar Projetos de Pesquisa. 4ed. Atlas, São Paulo, SP, Brasil. Disponível em: <https://files.cercomp.ufg.br/weby/up/150/o/Anexo_C1_como_elaborar_projeto_de_pesquisa_-_antonio_carlos_gil.pdf>. Acesso em: 14 out. 2025.

Nvidia. 2024. The state of AI in telecommunications. Disponível em: <https://resources.nvidia.com/en-us-ai-in-telco/telco-report-state-o>. Acesso em: 17 set. 2025.

OpenAI. 2024. A Practical Guide to Building Agents. Disponível em: <https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf>. Acesso em: 13 out. 2025.

Pine, B.J.; Gilmore, J.H. 1999. The Experience Economy: Work is Theatre & Every Business a Stage. Harvard Business School Press, Boston, MA, USA. Disponível em: <https://archive.org/details/experienceeconom00pine>. Acesso em: 14 out. 2025.

Sampieri, R.H.; Collado, C.F.; Lucio, M.P.B. 2013. Metodologia de Pesquisa. 5ed. Penso, Porto Alegre, RS, Brasil.

Singh, Puneet, AI-Powered IVR and Chat: A New Era in Telecom Troubleshooting (August 23, 2022). Disponível em: <http://dx.doi.org/10.2139/ssrn.5218979> Acesso em: 17 set. 2025.

Singh, Puneet, Streamlining Telecom Customer Support with AI-Enhanced IVR and Chat (April 12, 2023). Disponível em: <http://dx.doi.org/10.2139/ssrn.5218975> Acesso em: 17 set. 2025.

Wooldridge, M. 2009. An Introduction to MultiAgent Systems. 2ed. John Wiley & Sons, Chichester, UK. Disponível em: <https://uranos.ch/research/references/Wooldridge_2001/TLTK.pdf>. Acesso em: 14 out. 2025.

Zhang, Z.; Li, B.; Liu, L. 2023. The impact of AI-based conversational agent on the firms’ operational performance: Empirical evidence from a call center. Applied Artificial Intelligence 37(1): 2157592. Disponível em: <https://doi.org/10.1080/08839514.2022.2157592>. Acesso em: 14 out. 2025.

Zheng, L.; Chiang, W. L.; Sheng, Y.; Zhuang, S.; Wu, Z.; Zhuang, Y.; Lin, Z.; Li, Z.; Li, D.; Xing, E. P.; Zhang, H.; Gonzalez, J. E.; Stoica, I. 2023. Judging LLM-as-a-judge with MT-Bench and Chatbot Arena. Disponível em: <https://arxiv.org/pdf/2306.05685>. Acesso em: 03 jan. 2026.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy