Resumo Executivo

Elielton Pereira Santos; José Eduardo Vilas Bôas

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

O avanço acelerado da Inteligência Artificial e a implementação massiva de agentes conversacionais, popularmente conhecidos como chatbots, transformaram radicalmente a interface de comunicação entre empresas e consumidores no cenário contemporâneo. Essa transição para o atendimento automatizado visa, primordialmente, a escalabilidade das operações e a redução de custos operacionais, prometendo uma eficiência que muitas vezes esbarra na complexidade das expectativas humanas. A utilização de tecnologia para interagir com indivíduos gera impactos ambivalentes, pois nem todos os perfis de público possuem as habilidades digitais necessárias, a paciência requerida ou o conforto emocional para lidar com respostas programadas, independentemente do nível de sofisticação técnica dessas ferramentas. Embora o mercado atravesse o que se convencionou chamar de era de ouro da tecnologia, a automação não se apresenta como uma panaceia universal (Mele et al., 2019). Falhas estruturais e deficiências na compreensão de nuances linguísticas são frequentes, resultando em interações que podem desencadear sentimentos de raiva, confusão e um profundo descontentamento nos usuários (Castillo et al., 2021).

Questões relacionadas às habilidades cognitivas, ao processamento emocional e à funcionalidade técnica representam apenas uma fração dos determinantes que contribuem para uma experiência do cliente desfavorável em ambientes de serviços inteligentes. Respostas adversas ou insuficientes fornecidas por sistemas automatizados tendem a revelar e intensificar vieses negativos, comprometendo não apenas a jornada de compra imediata, mas também a lealdade a longo prazo, culminando no desengajamento total do consumidor (Puntoni et al., 2021). No ecossistema das startups, a busca pela otimização de recursos com equipes reduzidas impulsiona a adoção de chatbots para escalar operações de suporte e vendas. Contudo, o fator decisivo para um diálogo produtivo reside na capacidade de emular a condução humana. Ferramentas puramente automatizadas, como e-mails padronizados ou ligações de acompanhamento sem personalização, mostram-se inadequadas para a conquista da confiança. Para que um diálogo seja genuinamente estabelecido, faz-se necessário o aporte de elementos como toque pessoal, autenticidade e estima (Kotler et al., 2024). A negligência desses fatores em prol de uma automação generalizada e sem tato humano pode acarretar prejuízos reputacionais severos.

Os chatbots, definidos como tipos específicos de serviços inteligentes (Li et al., 2021), operam como programas de computador que utilizam texto, áudio ou emulação de emoções faciais para simular a comunicação humana (Mozafari et al., 2021). Provedores de serviços buscam inovar no cuidado ao cliente ao adotar esses agentes conversacionais como complementos ou substitutos de canais tradicionais, como centros de chamadas e serviços postais. A assistência recebida pelo cliente está intrinsecamente ligada à necessidade de esclarecimentos, obtenção de informações precisas, registro de reclamações e solicitações de garantia. Os avanços recentes em áreas como deep learning e machine learning, integrados ao processamento de linguagem natural, ampliaram o potencial desses agentes como ferramentas de suporte em diversos contextos de serviço (Castelo et al., 2023). Diante desse cenário, torna-se imperativo mensurar o impacto real da inteligência artificial na experiência do usuário, investigando variáveis críticas como eficiência operacional, clareza na comunicação, níveis de confiança depositados na tecnologia e a satisfação global resultante dessas interações.

A fundamentação metodológica desta investigação baseia-se na natureza aplicada e na abordagem quantitativa, utilizando recursos estatísticos para converter percepções subjetivas em dados numéricos interpretáveis, como porcentagens, médias e análises de frequência (Prodanov e Freitas, 2013). O caráter exploratório da pesquisa permite uma delimitação precisa do tema, favorecendo a consolidação dos objetivos e a formulação de hipóteses que possam oferecer novos enfoques sobre a interação humano-computador. O aprimoramento das ideias e a busca por novos focos para o tema são os pilares que sustentam a estrutura investigativa (Gil, 2017). Para a coleta de dados, empregou-se a pesquisa bibliográfica e o levantamento de campo por meio de um questionário estruturado do tipo survey. A etapa bibliográfica envolveu a consulta a materiais publicados entre 2020 e 2025, incluindo livros, artigos científicos e anais de eventos, garantindo a atualidade e a relevância teórica diante da rápida evolução tecnológica. Foram examinadas 21 obras de referência com foco em inteligência artificial, consumo digital e comportamento do usuário (Puntoni et al., 2021; Castelo et al., 2023; Kotler et al., 2024).

O instrumento de pesquisa foi organizado em seis blocos fundamentais para garantir a integridade da coleta. O primeiro bloco dedicou-se à caracterização do perfil sociodemográfico, fundamentado em critérios de segmentação de mercado (Seeger et al., 2024). O segundo bloco buscou identificar a familiaridade prévia dos usuários com a tecnologia de chatbots (Teng et al., 2022). O terceiro bloco concentrou-se na análise da eficiência e da capacidade resolutiva das ferramentas (Diederich et al., 2023). O quarto bloco avaliou a clareza da linguagem e a facilidade de uso durante a interação (Pengnate e Riggins, 2022). O quinto bloco verificou o grau de confiança nas informações fornecidas (Shamszare e Choudhury, 2023), enquanto o sexto bloco identificou os canais de atendimento preferenciais e mais utilizados (Wang e Lo, 2025). Essa estrutura permitiu uma visão holística da jornada do usuário, desde o contato inicial até a percepção final de valor.

A amostra foi composta por indivíduos residentes no território brasileiro, com idade mínima de 18 anos, que utilizaram serviços de chatbot nos quatro meses anteriores à aplicação. A coleta ocorreu entre os dias 14 e 19 de maio de 2025, alcançando inicialmente 221 voluntários. Após um rigoroso processo de limpeza de dados, que excluiu participantes menores de idade, respostas incompletas e indivíduos que falharam na pergunta de controle sobre a definição de chatbot, obteve-se uma base final de 167 respondentes válidos. O questionário foi hospedado na plataforma Google Forms e distribuído via redes sociais, utilizando a técnica de amostragem bola de neve, na qual os participantes iniciais indicam novos respondentes dentro de seus círculos de relacionamento (Vinuto, 2014). Antes da aplicação definitiva, o instrumento passou por uma fase de validação com três voluntários do perfil pretendido, resultando em ajustes na clareza das perguntas e na funcionalidade das opções de resposta.

A condução da pesquisa respeitou integralmente os preceitos éticos estabelecidos para as Ciências Humanas e Sociais, conforme a resolução 510 de 2016. Garantiu-se o anonimato dos participantes e a confidencialidade das informações, sendo a anuência obtida por meio do Termo de Consentimento Livre e Esclarecido. A análise dos dados foi realizada através de métodos de estatística descritiva básica, com tabulação em planilhas eletrônicas e discussões comparativas fundamentadas na revisão de literatura (Gil, 2017; Malhotra, 2019). O perfil sociodemográfico da amostra revelou uma predominância feminina, representando 69,5% do total, com uma concentração significativa na faixa etária entre 25 e 34 anos, que abrange 59,3% dos respondentes. Geograficamente, a região Sudeste concentrou 69,5% da amostra, e o nível de escolaridade mostrou-se elevado, com 58% dos participantes possuindo ensino superior completo ou pós-graduação. A renda familiar predominante situou-se entre R$ 4.001 e R$ 8.000, caracterizando um público com acesso consolidado a tecnologias digitais.

A análise da familiaridade com a tecnologia indicou que a compreensão sobre o conceito de chatbot e atendimento automatizado é quase universal entre os respondentes, atingindo 96,8%. No entanto, a aceitação varia conforme as características demográficas. Homens e jovens adultos demonstram um uso mais efetivo e uma postura mais aberta à automação total, enquanto mulheres e respondentes com maior nível de escolaridade tendem a manter uma postura mais crítica e analítica. Os participantes com mais de 55 anos manifestaram maior resistência, evidenciando a necessidade de estratégias de inclusão digital e interfaces mais intuitivas para essa parcela da população. Esses dados reforçam a importância de segmentar as estratégias de implementação tecnológica, levando em conta as nuances de gênero, idade e formação educacional para otimizar a aceitação e a eficácia do serviço.

No que tange à eficiência e à resolução de problemas, os resultados apontam para um gargalo crítico na tecnologia atual. Quando questionados se o problema apresentado na última interação foi completamente resolvido sem intervenção humana, apenas 21% dos participantes responderam afirmativamente. Em contrapartida, 47,3% afirmaram que o atendimento foi apenas parcialmente resolutivo, e 5,4% desistiram do atendimento logo no início. A percepção de que a tecnologia ainda não substitui plenamente a mediação humana é corroborada pelo fato de que 74,9% dos respondentes precisaram recorrer a outros canais, como telefone, e-mail ou redes sociais, após a interação com o chatbot. Apenas 25,1% declararam que a demanda foi resolvida integralmente pela ferramenta automatizada. Esses achados confirmam que, na maioria dos casos, o chatbot funciona como um ponto de triagem inicial e não como uma solução final para demandas complexas.

A rapidez do atendimento é um dos atributos mais valorizados, com 53,3% da amostra atribuindo alta importância à agilidade das respostas. No entanto, a agilidade isolada não garante uma experiência positiva se não for acompanhada de resolutividade. Observou-se que usuários mais jovens e com maior nível educacional possuem expectativas mais elevadas quanto à velocidade, enquanto o público acima de 55 anos demonstra menor sensibilidade ao tempo de resposta, priorizando a clareza e a segurança da informação. A contradição reside no fato de que, embora os chatbots sejam percebidos como rápidos, essa velocidade perde valor quando o usuário é forçado a reiniciar o atendimento em outro canal devido à insuficiência da resposta automatizada. A experiência do cliente depende, portanto, de um equilíbrio entre agilidade, clareza e efetividade das soluções apresentadas.

Quanto à clareza e facilidade de uso, 83,8% dos respondentes reconhecem que as respostas dos chatbots são compreensíveis, mas essa percepção não se traduz em resolução plena. Existe uma distinção clara entre clareza linguística e profundidade de conteúdo. O chatbot consegue transmitir informações básicas de forma direta, mas falha ao lidar com nuances ou ao fornecer detalhamento suficiente para problemas específicos. Cerca de 37,8% da amostra admitiu algum nível de dificuldade em compreender as respostas em situações específicas, o que sugere que a linguagem utilizada ainda carece de maior objetividade e precisão para atender a perfis variados. Usuários com pós-graduação mostraram-se os mais críticos nesse quesito, exigindo uma comunicação mais sofisticada e menos genérica.

A confiança nas informações fornecidas apresentou índices surpreendentemente altos, com 82% dos participantes afirmando confiar nos dados recebidos via chatbot. Esse dado revela que o problema central da tecnologia não reside na credibilidade ou na veracidade das informações, mas na sua insuficiência para resolver demandas de ponta a ponta. Os homens demonstraram uma confiança mais consolidada, enquanto as mulheres manifestaram maior cautela. A faixa etária de 25 a 34 anos foi a que apresentou maior adesão positiva à confiabilidade da ferramenta. No entanto, a alta confiança inicial pode ser abalada se a lacuna entre a expectativa de desempenho e a entrega real persistir, gerando frustração e necessidade de migração para canais humanos.

A satisfação global com o atendimento automatizado é predominantemente parcial. Apenas 18% dos usuários declararam estar plenamente satisfeitos, enquanto a maioria se divide entre uma satisfação incompleta (42,5%) ou insatisfação declarada (35,4%). A baixa satisfação reforça a tese de que a usabilidade e a confiança, embora presentes, não compensam as falhas na resolução completa dos problemas. A análise cruzada indica que respondentes com ensino médio completo tendem a ser mais favoráveis ao atendimento automatizado, possivelmente por apresentarem demandas menos complexas, enquanto o público com pós-graduação é significativamente mais crítico. A percepção de que o atendimento via chatbot é equivalente ao humano foi rejeitada por 58,6% da amostra, evidenciando que a tecnologia ainda é vista como uma ferramenta complementar e não substitutiva.

As redes sociais e aplicativos de mensagens, como WhatsApp e Instagram, consolidaram-se como canais estratégicos, sendo considerados importantes ou muito importantes por 52,7% dos respondentes. Esses meios funcionam como uma ponte vital para o atendimento humano, sendo especialmente valorizados por mulheres e jovens de 18 a 24 anos. A preferência por esses canais digitais diretos indica que as empresas devem investir em estratégias omnichannel que integrem o chatbot a uma transição fluida para o suporte humano. A frequência de atendimentos totalmente automatizados é alta, com 70,1% dos usuários relatando experiências sem intervenção humana nos últimos três meses, mas a qualidade dessas interações permanece como o principal desafio para a gestão de marketing e experiência do cliente.

A discussão dos resultados à luz da literatura revela uma convergência com estudos recentes que destacam o papel central da confiança na satisfação do usuário (Al-Oraini, 2025). A percepção de competência e o estilo comunicativo social influenciam diretamente a aceitação da tecnologia. No entanto, a complexidade da tarefa atua como um moderador negativo; quanto mais difícil o problema, menor a satisfação com o chatbot (Diederich et al., 2023). A falta de empatia e a incapacidade de lidar com nuances emocionais são barreiras que impedem a equivalência entre o atendimento automatizado e o humano (Seeger et al., 2024). Estilos de comunicação que incorporam características humanas e simulam calor social tendem a melhorar a percepção de valor, especialmente quando o chatbot é percebido como um parceiro colaborativo e não apenas como uma ferramenta mecânica (Pengnate e Riggins, 2022).

As diferenças demográficas observadas sugerem que modelos de aceitação tecnológica, como o TAM, precisam ser expandidos para incluir variáveis como empatia percebida e profundidade da resposta. Usuários mais velhos valorizam a proximidade e a segurança, enquanto os mais jovens priorizam a conveniência e a rapidez (Wang e Lo, 2025). Existe uma tensão evidente entre a expectativa de agilidade e a necessidade de qualidade. Quando a expectativa de desempenho é alta, qualquer falha na entrega impacta severamente a confiança (Shamszare e Choudhury, 2023). Portanto, o modelo híbrido de atendimento, que combina a eficiência inicial da automação com a resolução qualificada do ser humano, apresenta-se como a trajetória mais promissora para as organizações que buscam excelência no relacionamento com o cliente.

Para os gestores de marketing, os achados indicam que a capitalização da confiança já existente deve ser acompanhada de investimentos na eficácia resolutiva. É fundamental revisar as bases de conhecimento para reduzir respostas incompletas e implementar transições rápidas para o atendimento humano em casos de detecção de insatisfação ou complexidade elevada. A personalização do atendimento, levando em conta o perfil sociodemográfico do usuário, pode reduzir a resistência e aumentar a percepção de utilidade. A tecnologia deve ser encarada como um facilitador da jornada e não como um fim em si mesma, garantindo que a automação sirva às necessidades humanas e não apenas aos objetivos de redução de custos das empresas.

Conclui-se que o objetivo foi atingido, uma vez que a pesquisa mensurou com precisão o impacto dual da inteligência artificial na experiência do usuário brasileiro. O estudo demonstrou que, embora os chatbots desfrutem de alta familiaridade e níveis consideráveis de confiança e clareza, sua capacidade de resolução integral de problemas ainda é insuficiente para garantir a satisfação plena da maioria dos consumidores. O paradoxo entre a alta credibilidade das informações e a baixa resolutividade aponta para a necessidade urgente de evolução na profundidade das respostas e na sensibilidade dos algoritmos. A dependência do suporte humano permanece elevada, especialmente para demandas complexas e para públicos mais exigentes ou com menor fluidez digital. O caminho para a eficácia reside na adoção de modelos híbridos que integrem a agilidade da automação com a empatia e a capacidade analítica humana, assegurando uma comunicação que seja, ao mesmo tempo, tecnologicamente avançada e humanamente acolhedora.

Referências Bibliográficas:

Castelo, N., Boegershausen, J., Hildebrand, C., & Henkel, A. P. 2023. Understanding and improving consumer reactions to service bots. Journal of Consumer Research, 50(4), 1-16. Disponível em: https://www.researchgate.net/publication/369788406_Understanding_and_Improving_Consumer_Reactions_to_Service_Bots. Acesso em: 20 mar. 2025.

Castillo, D., Canhoto, A. I., & Said, E. 2021. The dark side of AI-powered service interactions: Exploring the process of co-destruction from the customer perspective. The Service Industries Journal, 41(13-14), 900-925. Disponível em: https://www.researchgate.net/publication/342574519_The_dark_side_of_AI-powered_service_interactions_exploring_the_process_of_co-destruction_from_the_customer_perspective. Acesso em: 20 mar. 2025.

Diederich, S., Brendel, A. B., & Kolbe, L. 2023. Chatbots for robotic process automation: Investigating perceived trust and user satisfaction. arXiv. https://arxiv.org/abs/2302.00397

Gil, A. C. (2017). Como elaborar projetos de pesquisa (6. ed.). São Paulo: Atlas.

Kotler, P., Pfoertsch, W., Sponholz, U., & Bedendo, M. 2024. Marketing H2H: a jornada para o marketing human to human (1. ed.). São Paulo: Benvirá.

Li, L., Lee, K. Y., Emokpae, E., & Yang, S. B. 2021. What makes you continuously use chatbot services? Evidence from Chinese online travel agencies. Electronic Markets, 31(3), 575-599. Disponível em: https://link.springer.com/article/10.1007/s12525-020-00454-z. Acesso em: 19 abr. 2025.

Mele, C., Polese, F., & Gummesson, E. 2019. Once upon a time… technology: A fairy tale or a marketing story. Journal of Marketing Management, 35(11-12). Disponível em: https://www.tandfonline.com/doi/full/10.1080/0267257X.2019.1648722. Acesso em: 11 abr. 2025.

Mozafari, N., Weiger, W. H., & Hammerschmidt, M. 2021. Trust me, I’m a bot – repercussions of chatbot disclosure in different service frontline settings. Journal of Service Management, 33(2), 221-245. Disponível em: https://www.uni-goettingen.de/de/document/download/0a0cb34d6c10c02ed20eca822f57db4f.pdf/10-1108_JOSM-10-2020-0380.pdf. Acesso em: 18 abr. 2025.

Pengnate, S., & Riggins, F. J. (2022). Enhancing customer satisfaction with chatbots: The influence of anthropomorphic communication styles and anthropomorphised roles. Nankai Business Review International, 13(3), 358–380. https://doi.org/10.1108/NBRI-06-2021-0041

Prodanov, C. C., & Freitas, E. C. de. 2013. Metodologia do trabalho científico: métodos e técnicas da pesquisa e do trabalho acadêmico (2. ed.). Novo Hamburgo: Universidade Feevale. Disponível em: https://books.google.com.br/books?id=zUDsAQAAQBAJ&lpg=PA4&dq=(Prodanov%20e%20Freitas%2C%202013)&lr&hl=pt-BR&pg=PA2#v=onepage&q=(Prodanov%20e%20Freitas,%202013)&f=false. Acesso em: 26 mar. 2025.

Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. 2021. Consumers and artificial intelligence: An experiential perspective. Journal of Marketing, 85(1), 131-151. Disponível em: https://mii.ie/wp-content/uploads/2020/05/Consumers-and-Artificial-Intelligence.pdf. Acesso em: 15 abr. 2025.

Seeger, A. M., Heinzl, A., & Schlagwein, D. 2024. Consumer reactions to chatbot versus human service: An investigation in the role of outcome valence and perceived empathy. Journal of Retailing and Consumer Services, 77, 103567. https://doi.org/10.1016/j.jretconser.2024.103567

Shamszare, H., & Choudhury, A. 2023. The impact of performance expectancy, workload, risk, and satisfaction on trust in ChatGPT: Cross-sectional survey analysis. arXiv. https://doi.org/10.48550/arXiv.2311.05632

Teng, Y., Zhang, J., & Song, Y. 2022. The effects of health care chatbot personas with different social roles on the client-chatbot bond and usage intentions. Journal of Medical Internet Research, 24(4), e32630. https://doi.org/10.2196/32630

Wang, Y., Xie, Y., & Ma, X. 2025. The effects of response time on older and young adults’ interaction experience with chatbot. BMC Psychology, 13, 75. https://doi.org/10.1186/s40359-025-02459-9

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Marketing do MBA USP/Esalq

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