Resumo Executivo

Jéssika Tayza Geralda Mendes; Victor Kraide Corte Real

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

O objetivo desta pesquisa é analisar a experiência do usuário (UX) com o chatbot de um banco digital brasileiro, identificando os benefícios e limitações de sua usabilidade. A investigação busca compreender como a implementação de inteligência artificial (IA) no atendimento impacta a percepção de valor, confiança e satisfação do consumidor. Em um cenário onde a digitalização redefine os serviços financeiros (Tatiya & Bhide, 2024), os bancos digitais operam sem agências físicas, concentrando seus serviços em plataformas online (El País, 2024). Essa reconfiguração é impulsionada por avanços tecnológicos e pela onipresença dos smartphones, que alteraram as expectativas dos clientes por agilidade e acessibilidade (Kumar, Singh & Dwivedi, 2025). Nesse contexto, chatbots de IA tornaram-se ferramentas estratégicas, prometendo atendimento escalável, ininterrupto e de baixo custo operacional.

A promessa tecnológica desses assistentes é utilizar processamento de linguagem natural (PLN) para automatizar respostas e fornecer suporte imediato, otimizando a eficiência (OpenAI, 2022). A implementação bem-sucedida pode resultar em vantagens competitivas, como a redução de custos com equipes de suporte e o aumento da capacidade de atendimento (Carvalho & Paschoal, 2024). No entanto, a transição da teoria para a prática revela desafios. A experiência real do usuário frequentemente diverge da promessa de uma interação fluida. Muitas implementações de chatbots resultam em interações frustrantes, com respostas genéricas, incapacidade de interpretar contextos complexos e dificuldade em lidar com as nuances da linguagem humana. Essa lacuna entre expectativa e realidade gera insatisfação e mina a confiança do cliente, motivando pesquisas sobre a detecção automática de frustração em diálogos com chatbots (Luy, To & Nguyen, 2024).

A justificativa para este estudo é estratégica. Em um mercado onde a UX é um diferenciador competitivo, uma interação com atrito é um problema de negócio que afeta a eficiência operacional e a saúde financeira da instituição. Uma experiência negativa com o chatbot pode aumentar os custos de atendimento, ao forçar o cliente a buscar canais mais caros, e deteriorar métricas como a satisfação do cliente (CSAT) e a lealdade (NPS). A confiança, ativo crucial no setor financeiro, é vulnerável a interações digitais percebidas como ineficazes ou impessoais. Portanto, a análise da usabilidade do chatbot investiga a capacidade do banco digital de cumprir sua proposta de valor e sustentar o relacionamento com seus clientes.

Para conduzir a análise, a pesquisa se fundamenta nas 10 Heurísticas de Usabilidade de Jakob Nielsen (1994), um referencial consolidado para a avaliação da interação humano-computador. O trabalho busca propor melhorias acionáveis, baseadas em princípios de arquitetura de informação e design de interação. O banco digital objeto deste estudo investe maciçamente em inovação, tornando a análise de seu chatbot um caso relevante para compreender os desafios da automação no atendimento financeiro. A investigação visa fornecer insights para aprimorar a ferramenta, alinhando seu desempenho tecnológico com as necessidades humanas, de modo a fortalecer a confiança do cliente e otimizar os resultados de negócio.

A pesquisa adota uma abordagem qualitativa para explorar em profundidade as percepções e a subjetividade da UX. O método foi uma pesquisa Survey, que viabilizou uma análise detalhada da interação dos usuários com o chatbot de um banco digital brasileiro, mantido anônimo. A seleção dos participantes foi orientada pelo desenvolvimento de três proto-personas, arquétipos que representam diferentes perfis de usuários. A ausência de dados públicos detalhados sobre os perfis de clientes levou à decisão metodológica de usar proto-personas, permitindo a criação de representações de usuários típicos com base em informações de mercado e tendências de comportamento do consumidor de serviços financeiros digitais.

As proto-personas foram construídas para refletir um espectro de maturidade digital e necessidades financeiras. A primeira, “Usuário de Banco Digital para Transações Básicas”, representa o cliente jovem (18-25 anos) com menor renda, que valoriza a agilidade. A segunda, “Usuário de Múltiplos Serviços Digitais Básicos”, corresponde ao perfil de 26 a 35 anos, com maior estabilidade profissional, que utiliza o banco como conta principal. A terceira, “Usuário de Banco Digital com Múltiplos Produtos”, retrata o profissional estabelecido (36-45 anos), com renda elevada e necessidades complexas, que demanda maior qualidade no atendimento. A seleção dos participantes buscou indivíduos alinhados a esses perfis, seguindo a recomendação de Nielsen (1994) de que 5 a 6 participantes por persona são suficientes para identificar a maioria dos problemas de usabilidade.

O instrumento de coleta de dados foi um questionário estruturado com base nas 10 Heurísticas de Usabilidade de Nielsen (1994). Para cada heurística, o instrumento apresentou uma afirmativa para avaliação em escala Likert de 5 pontos (de “Discordo totalmente” a “Concordo totalmente”), seguida por uma pergunta aberta para o participante detalhar sua avaliação. Essa combinação de abordagens quantitativa e qualitativa permitiu medir a percepção geral e capturar os contextos das narrativas dos usuários. A aplicação do instrumento ocorreu por métodos mistos, com respostas assíncronas por meios digitais e outras de forma presencial, mediante consentimento.

A análise dos dados combinou análise de conteúdo e triangulação teórica. As respostas abertas foram examinadas para identificar temas e padrões sobre os benefícios e limitações do chatbot. Em seguida, esses achados empíricos foram confrontados com teorias de usabilidade e arquitetura de informação, como as Heurísticas de Nielsen (1994) e os princípios de design de interação de Don Norman (2013) e Jesse James Garrett (2010). Esse processo permitiu uma interpretação aprofundada dos resultados, identificando as convergências e divergências entre a ferramenta do banco e as melhores práticas da literatura, resultando em um diagnóstico robusto da experiência do usuário.

A análise dos dados demográficos da amostra revela um perfil de respondentes adultos, com carreira profissional em andamento ou consolidada. A distribuição etária concentrou-se nas faixas de 26 a 35 anos (44,4%) e 36 a 45 anos (44,4%), com 11,1% na faixa de 18 a 25 anos. A maioria (55,6%) se considera com a carreira consolidada ou como empreendedor. Quanto ao comportamento digital, 66,7% se declararam “muito confortável com os meios digitais” e 22,2% como “extremamente conectado e ágil”. O cruzamento desses dados validou a representatividade das proto-personas, com as Proto-Personas 2 e 3 correspondendo a 44,4% da amostra cada, e a Proto-Persona 1 a 11,1%. A análise heurística revelou uma experiência paradoxal: o sistema demonstra acertos em aspectos superficiais de comunicação, mas apresenta falhas estruturais críticas que comprometem a confiança e a eficiência.

A primeira heurística, “Visibilidade do Status do Sistema” (Nielsen, 1994), recebeu avaliação majoritariamente negativa, com 44,4% dos participantes discordando que o sistema fornece feedbacks claros. A análise qualitativa indicou que feedbacks como “digitando…” são insuficientes, e a ausência de comunicação em momentos de espera é interpretada como falha, gerando ansiedade e quebrando a confiança (Norman, 2013). Em contrapartida, a segunda heurística, “Compatibilidade entre o Sistema e o Mundo Real”, foi o segundo ponto de maior sucesso, com 77,7% de concordância. Os usuários perceberam que o chatbot utiliza linguagem clara, o que reduz a carga cognitiva (Sweller, 1988) e ajuda a construir um modelo mental correto do sistema (Preece, Rogers & Sharp, 2019). No entanto, 22,2% de discordância sugerem que a comunicação ainda falha para um subgrupo.

A heurística “Controle e Liberdade do Usuário” revelou uma experiência inconsistente, com 44,4% de concordância e 33,3% de discordância. Enquanto alguns usuários relataram ter opções claras para voltar ou corrigir ações, outros se sentiram presos em fluxos inflexíveis, sendo forçados a reiniciar a conversa. A “Consistência e Padrões” obteve 66,6% de concordância, mas com 33,3% de neutralidade. Os usuários percebem um padrão, mas notam que ele se quebra em situações de erro, quando o chatbot entra em um loop repetitivo. Essa falha em manter um padrão funcional previsível mina a credibilidade da persona do assistente, um aspecto crucial no design de interfaces conversacionais (Pearl, 2016).

A “Prevenção de Erros” (Nielsen, 1994) apresentou uma avaliação dividida com viés negativo. Embora 44,4% concordem que o chatbot ajuda a prevenir erros, 33,3% discordam totalmente. A ausência de diálogos de confirmação em ações críticas foi apontada como falha grave, que não oferece a “rede de segurança” necessária para construir confiança. A heurística “Reconhecimento em Vez de Recordação” mostrou uma divisão perfeita: 33,3% de concordância, 33,3% de discordância e 33,3% de neutralidade. O chatbot falha em manter um histórico contextual entre as sessões, forçando o usuário a repetir informações e a atuar como a memória do sistema, o que aumenta a carga cognitiva (Sweller, 1988).

As duas heurísticas com pior avaliação foram as relacionadas à gestão de falhas. “Ajudar os Usuários a Reconhecer, Diagnosticar e Recuperar de Erros” teve 44,4% de discordância. O chatbot não oferece diagnósticos claros nem soluções construtivas, entrando em loops repetitivos ou oferecendo respostas genéricas que transferem o esforço de recuperação para o usuário. Por fim, “Ajuda e Documentação” obteve a pior avaliação, com 55,5% de discordância. A função de “ajuda” frequentemente se mostrou um beco sem saída ou um redirecionamento para outro canal, fragmentando a jornada de atendimento.

A análise, à luz do modelo de elementos da UX de Jesse James Garrett (2010), revela que as falhas na “Superfície” (design visual) são sintomas de problemas em planos mais profundos, como a “Estrutura” (arquitetura da informação) e a “Estratégia” (objetivos de negócio). O chatbot, concebido para reduzir custos, torna-se um vetor de atrito que pode aumentá-los ao levar clientes a canais humanos. A percepção de ineficácia e falta de controle corrói a confiança, pilar de um banco digital. A implementação parece ter sido mais tática do que estratégica, limitando o potencial da ferramenta. Recomenda-se a implementação de mecanismos de controle explícitos, como diálogos de confirmação e saídas de emergência, e o desenvolvimento de uma interação em camadas, que ofereça fluxos guiados para novatos e atalhos para experientes, além de uma camada de personalização que utilize o histórico para contextualizar as conversas.

Este trabalho analisou o impacto da IA na experiência do usuário em bancos digitais. A pesquisa qualitativa, baseada nas Heurísticas de Nielsen (1994), revelou uma experiência paradoxal com o chatbot. Os resultados demonstraram sucesso em “Compatibilidade com o Mundo Real” (77,7%) e “Design Estético e Minimalista” (66,6%). Contudo, essa fachada de eficiência se desfaz diante de falhas estruturais. A análise evidenciou uma percepção negativa em heurísticas que governam a confiança e a eficiência

Referências:
Carvalho, A. P. P. L. de; Paschoal, L. N. Investigando a experiência do usuário com um chatbot de atendimento ao cliente: um caso com o software de uma operadora de telecomunicações. In: Workshop Sobre Aspectos Sociais, Humanos e Econômicos De Software (WASHES), 9., 2024, Brasília, DF. Anais […]. Porto Alegre: Sociedade Brasileira de Computação, 2024.
El País. Digitalización financiera en América Latina enfrenta nueva era de transformación y oportunidades. 2024. Disponível em: https://elpais. com/america/termometro-social/2024-10-07/digitalizacion-financiera-en-america-latina-enfrenta-nueva-era-de-transformacion-y-oportunidades. html. Acesso em: 24 mar. 2025.
El País. La gran batalla financiera se libra en el móvil: así le están comiendo terreno los neobancos a las entidades tradicionales. 2024. Disponível em: https://elpais. com/economia/negocios/2024-12-14/la-gran-batalla-financiera-se-libra-en-el-movil-asi-le-estan-comiendo-terreno-los-neobancos-a-las-entidades-tradicionais. html. Acesso em: 24 mar. 2025.
Garrett, J. J. The elements of user experience: user-centered design for the web and beyond. 2. ed. Berkeley: New Riders, 2010.
Krug, S. Não me faça pensar: uma abordagem de bom senso à usabilidade na web. 2. ed. São Paulo: Market Books, 2006.
Kumar, A.; Singh, R.; Dwivedi, Y. K. Digital transformation in banking: a systematic review of trends, technologies, and challenges. Preprint, 2025. Disponível em: https://www. academia. edu/127298785/Digitaltransformationinbankingasystematicreviewoftrendstechnologiesand_challenges. Acesso em: 16 jun. 2025.
Luger, E.; Sellen, A. Like having a really bad PA: the gulf between user expectation and experience of conversational agents. In: Chi Conference On Human Factors In Computing Systems, 2016, New York. Proceedings […]. New York: ACM, 2016.
Luy, U. T.; TO, T. N.; Nguyen, T. M. H. Customer frustration recognition in chatbot conversations using bidirectional GRU. In: Nafosted Conference On Information And Computer Science (Nics), 11., 2024, Hanoi. Anais […]. Hanoi: IEEE, 2024. p. 1-6.
Nielsen, J. Enhancing the explanatory power of usability heuristics. In: Sigchi Conference On Human Factors In Computing Systems, 1994, Boston. Proceedings […]. New York: ACM, 1994. p. 152-158.
Norman, D. A. O design do dia a dia. Rio de Janeiro: Rocco, 2013.
OpenAi. ChatGPT: optimizing language models for dialogue. 2022. Disponível em: https://arxiv. org/abs/2212.09523. Acesso em: 16 jun. 2025.
Pearl, C. Designing voice user interfaces: principles of conversational experiences. Sebastopol: O’Reilly Media, 2016.
Preece, J.; Rogers, Y.; Sharp, H. Design de interação: além da interação humano-computador. 5. ed. Porto Alegre: Bookman, 2019.
Shneiderman, B.; Plaisant, C. Designing the user interface: strategies for effective human-computer interaction. 5. ed. Boston: Addison-Wesley, 2009.
Sweler, J. Cognitive load during problem solving: effects on learning. Cognitive Science, v. 12, n. 2, p. 257-285, 1988.
Tatiya, V. D.; Bhide, S. D. A study on digital transformation in Indian banking sector. Inspira: Journal of Modern Management & Entrepreneurship, v. 14, n. 1, p. 77-81, jan. 2024. Disponível em: https://inspirajournals. com/home/viewdetails/? id=6844. Acesso em: 16 jun. 2025.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}