Resumo Executivo

Luisa de Morais Santa Maria; Ana Beatriz Lopes Françoso

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

A evolução do atendimento ao cliente reflete as transformações profundas na dinâmica entre consumidores e organizações, impulsionada por ciclos de inovação tecnológica e pela crescente exigência por agilidade. Historicamente, o contato direto e presencial estabelecia o padrão de interação, permitindo uma percepção imediata de empatia e resolução, embora carecesse de escalabilidade para grandes volumes de demanda. Com a transição para canais telefônicos e digitais básicos, como o correio eletrônico, as empresas buscaram maior eficiência operacional, mas frequentemente enfrentaram gargalos de tempo e limitações na personalização. Nesse cenário, a Inteligência Artificial surge como um paradigma disruptivo, redefinindo as fronteiras da qualidade ao permitir que sistemas automatizados processem volumes massivos de dados e ofereçam respostas em tempo real. De acordo com a MIT Technology Review Brasil (2024), a implementação dessas tecnologias não visa apenas a aceleração do fluxo de atendimento, mas a construção de uma experiência que seja simultaneamente eficiente e adaptada às particularidades de cada usuário.

A fundamentação teórica que sustenta a análise da qualidade em serviços digitais repousa, em grande medida, no modelo SERVQUAL, que propõe a avaliação da qualidade percebida por meio da discrepância entre as expectativas prévias do cliente e sua percepção real após o consumo do serviço. Este modelo é estruturado em cinco dimensões críticas que devem ser observadas mesmo em ambientes desprovidos de interação humana direta. A tangibilidade refere-se aos aspectos visuais e à interface dos canais digitais; a confiabilidade diz respeito à capacidade do sistema em executar o serviço prometido de forma precisa; a responsividade foca na disposição e prontidão para auxiliar o usuário; a segurança envolve a competência e a credibilidade transmitidas pela plataforma; e a empatia trata do esforço em oferecer atenção individualizada e compreender as necessidades específicas. Segundo Parasuraman, Zeithaml e Berry (1985), a qualidade é um constructo multidimensional onde a falha em uma dessas dimensões pode comprometer a percepção global do serviço, independentemente da sofisticação tecnológica empregada.

A gestão da qualidade no atendimento automatizado enfrenta o desafio de replicar ou substituir atributos tradicionalmente humanos, como a sensibilidade emocional e a flexibilidade cognitiva. Enquanto a automação via modelos avançados de linguagem permite interações mais estáveis, a ausência de um atendente físico exige que as empresas mapeiem com rigor a jornada do cliente para identificar vulnerabilidades. Machado e Guissoni (2024) argumentam que a satisfação do consumidor na era da Inteligência Artificial depende da capacidade das organizações em equilibrar a eficiência algorítmica com a humanização das interações. O avanço para modelos de atendimento híbrido, onde a tecnologia atua como uma camada de triagem e resolução rápida enquanto o humano intervém em casos de alta complexidade, apresenta-se como uma estratégia para manter a competitividade e a fidelização. Bernardo, Silva e Costa (2023) reforçam que a excelência não reside apenas na automação integral, mas na inteligência de processos que reconhece o momento exato em que a sensibilidade humana se torna indispensável.

A justificativa para o aprofundamento deste estudo reside na necessidade de compreender como os usuários finais, inseridos em um mercado cada vez mais digitalizado, percebem essas inovações. O objetivo central concentra-se em analisar a percepção dos clientes sobre a gestão da qualidade no atendimento mediado por Inteligência Artificial, estabelecendo diretrizes que possam orientar projetos de implementação tecnológica focados na experiência do usuário. A transição de um modelo puramente transacional para um modelo de relacionamento inteligente exige que as métricas de sucesso ultrapassem o simples tempo médio de atendimento e passem a considerar a resolução efetiva e a percepção de valor. A compreensão desses elementos é vital para que a tecnologia não seja percebida como uma barreira entre a empresa e o cliente, mas como um facilitador de soluções precisas e personalizadas.

A metodologia aplicada para a sustentação desta investigação caracteriza-se como uma pesquisa de natureza aplicada, adotando uma abordagem mista que combina elementos qualitativos e quantitativos. O caráter descritivo e exploratório do estudo permitiu uma imersão detalhada na forma como os usuários avaliam a eficiência, a personalização e a capacidade de resolução dos sistemas automatizados. O processo operacional de coleta de dados foi estruturado por meio de um questionário digital, distribuído a uma amostra não probabilística por conveniência, composta por 75 indivíduos que interagiram com canais de atendimento baseados em Inteligência Artificial nos últimos seis meses. A escolha desta amostra focou em usuários de serviços digitais, com ênfase em setores de alta intensidade tecnológica, como instituições de pagamento, fintechs e startups, onde a presença de chatbots e assistentes virtuais é uma norma operacional consolidada.

O instrumento de coleta foi rigorosamente elaborado com base nas dimensões do modelo SERVQUAL, adaptando as perguntas para o contexto da interação máquina-humano. O questionário foi dividido em seções que buscavam identificar o perfil demográfico, a frequência de uso da tecnologia e a avaliação específica de atributos como rapidez e personalização. Para garantir a profundidade da análise, incluiu-se uma questão aberta destinada a captar sugestões, críticas e percepções subjetivas que as métricas quantitativas poderiam omitir. Esta etapa qualitativa foi fundamental para identificar padrões de discurso e sentimentos recorrentes em relação às limitações técnicas dos sistemas atuais. O período de coleta estendeu-se por um intervalo de tempo suficiente para garantir a diversidade de experiências relatadas, assegurando que os dados refletissem interações em diferentes estágios de maturidade das plataformas utilizadas.

A análise dos dados quantitativos foi realizada por meio de estatística descritiva, utilizando o cruzamento de variáveis para identificar correlações entre a faixa etária, a frequência de uso e o nível de satisfação. O processamento das informações envolveu a construção de tabelas relacionais que permitiram observar, por exemplo, como a familiaridade com a tecnologia influencia a percepção de personalização. Paralelamente, as respostas da questão aberta foram submetidas a uma análise de conteúdo, onde as falas dos respondentes foram categorizadas em temas recorrentes, como dificuldade de transferência para humanos ou falhas de interpretação de demandas complexas. Todo o procedimento seguiu princípios éticos de pesquisa, garantindo o anonimato dos participantes e a confidencialidade das informações fornecidas, em conformidade com as diretrizes de integridade acadêmica.

O detalhamento operacional da pesquisa também considerou o ambiente em que as interações ocorreram. As organizações envolvidas nos relatos dos usuários oferecem serviços que variam de carteiras digitais a plataformas de crédito, o que confere ao estudo uma visão abrangente sobre o setor de serviços financeiros e tecnológicos. A revisão bibliográfica que acompanhou o desenvolvimento do método buscou em bases acadêmicas e publicações técnicas o suporte necessário para interpretar os achados à luz das tendências contemporâneas de gestão de projetos e tecnologia da informação. Este rigor metodológico assegurou que as conclusões não fossem baseadas em percepções isoladas, mas em um conjunto robusto de dados que refletem a realidade do mercado brasileiro no contexto da transformação digital.

Os resultados obtidos revelam uma dinâmica complexa na relação entre a idade dos usuários e a adoção de tecnologias de atendimento. Observou-se uma adesão significativamente maior entre o público jovem, especialmente na faixa de 18 a 34 anos, que apresenta uma frequência elevada de utilização, concentrando-se nas opções de uso frequente ou permanente. Este comportamento sugere que a familiaridade nativa com interfaces digitais reduz as barreiras cognitivas, tornando a interação com a Inteligência Artificial uma etapa natural da jornada de consumo. Em contrapartida, os indivíduos com 45 anos ou mais demonstram uma resistência acentuada, com uma concentração notável de respostas indicando que nunca ou raramente utilizam tais serviços. Esta disparidade evidencia que a gestão da qualidade deve considerar a diversidade de perfis, pois a eficácia de um sistema automatizado é nula se o usuário não se sente seguro ou capaz de operar a interface.

Ao analisar a dimensão da segurança e da empatia sob a ótica do modelo SERVQUAL, a resistência dos públicos mais velhos pode ser interpretada como uma lacuna na confiança depositada no sistema. Parasuraman, Zeithaml e Berry (1985) destacam que a segurança envolve a credibilidade, e se o usuário percebe o sistema como impessoal ou difícil, a percepção de qualidade declina. Machado e Guissoni (2024) corroboram esta visão ao afirmar que canais digitais, embora operacionais, falham frequentemente em ser inclusivos. Para as empresas, este dado implica a necessidade de desenvolver estratégias de acessibilidade e humanização que transcendam a simples automação, garantindo que a tecnologia seja um facilitador para todas as gerações, e não um fator de exclusão digital.

A correlação entre a frequência de uso e a percepção de personalização também trouxe insights valiosos. Os dados indicam uma relação diretamente proporcional: quanto mais o usuário interage com a Inteligência Artificial, maior é a sua percepção de que o serviço é personalizado. Entre os usuários frequentes, as avaliações de personalização tendem a ser mais altas, sugerindo a existência de uma curva de aprendizado tanto para o sistema, que acumula dados sobre o perfil do cliente, quanto para o usuário, que aprende a formular comandos mais precisos. No entanto, mesmo entre os usuários mais habituados, as notas medianas ainda são frequentes, o que sinaliza que a personalização plena ainda é um objetivo distante. Bernardo, Silva e Costa (2023) ressaltam que o grande desafio da Inteligência Artificial é superar modelos rígidos e roteiros pré-definidos que não conseguem interpretar nuances contextuais ou estados emocionais.

A capacidade de resolução de problemas apresentou-se como um dos pilares mais críticos para a percepção de qualidade. Os resultados demonstram que, quando o cliente percebe que o sistema não é capaz de resolver sua demanda, ele automaticamente o classifica como genérico e pouco sensível. Existe uma desconexão clara entre a oferta tecnológica e a expectativa de resolução efetiva. Pelo prisma da confiabilidade do modelo SERVQUAL, a incapacidade de entregar o que foi prometido de forma precisa compromete toda a cadeia de valor do atendimento. Quando a Inteligência Artificial falha em compreender uma solicitação que foge do padrão, o impacto negativo na percepção de empatia é imediato, pois o cliente sente que suas necessidades individuais estão sendo ignoradas em favor de uma padronização excessiva.

A comparação entre o atendimento automatizado e o humano revelou uma percepção crítica por parte dos respondentes, especialmente no que tange à rapidez. Embora a agilidade seja frequentemente citada como a principal vantagem da automação, a maioria dos participantes indicou que o atendimento por Inteligência Artificial é pior ou, no máximo, igual ao humano. Este achado é paradoxal, pois sugere que a rapidez isolada não é suficiente para gerar uma percepção de superioridade. A agilidade precisa estar acompanhada de assertividade. De acordo com a MIT Technology Review Brasil (2025), a qualidade só é percebida quando a tecnologia consegue simular um nível de compreensão que se aproxime da interação humana, tratando contextos complexos e ajustando o discurso conforme a necessidade. A rapidez sem a resolução efetiva é percebida apenas como uma pressa ineficiente que prolonga a frustração do cliente.

A análise qualitativa das respostas abertas consolidou as principais lacunas do modelo atual. A dificuldade de acesso ao atendimento humano foi a queixa mais recorrente, com 27 ocorrências registradas. Este dado reflete uma falha direta na dimensão de responsividade, pois o cliente espera que, diante da limitação da máquina, haja uma transição fluida para um especialista. A sensação de estar preso em um loop de respostas automatizadas gera distanciamento e insatisfação. Além disso, a baixa capacidade de compreensão de demandas complexas, citada em 22 respostas, reforça a necessidade de bases de dados mais robustas e algoritmos de processamento de linguagem natural mais sofisticados. Como apontam Machado e Guissoni (2024), a falta de flexibilidade no atendimento digital compromete a experiência do cliente e, consequentemente, a imagem da marca.

Outro ponto de destaque nas respostas qualitativas foi a falta de personalização e o excesso de respostas padronizadas, mencionadas por 19 participantes. O modelo atual ainda opera com um alto grau de uniformidade, o que impede que o usuário se sinta acolhido. A necessidade de humanização, citada por 12 respondentes, e a melhoria na clareza da comunicação, por oito, indicam que o aprimoramento técnico deve ser acompanhado de um refinamento linguístico e emocional. Estes elementos dialogam com as diretrizes do PMBOK (2017), que estabelece que a gestão de projetos tecnológicos deve sempre priorizar os requisitos dos stakeholders, sendo a experiência do usuário final o requisito soberano. A tecnologia deve ser alimentada por um volume de dados que permita não apenas responder, mas entender o contexto social e prático de cada solicitação.

As limitações identificadas sugerem que as organizações devem investir em modelos híbridos que integrem a eficiência da máquina com a sensibilidade humana. A Inteligência Artificial deve ser vista como uma ferramenta de suporte que filtra demandas simples e fornece subsídios para que o atendente humano trate casos complexos com maior agilidade. A resistência de uma parcela dos usuários, que expressou descrença na substituição total do humano pela máquina, sinaliza que a confiança na tecnologia ainda está em processo de construção. Para que essa confiança se consolide, é imperativo que os sistemas de Inteligência Artificial evoluam para além da automação de tarefas repetitivas e passem a atuar como agentes de resolução inteligente, capazes de aprender com cada interação e de oferecer trajetórias flexíveis dentro da jornada de atendimento.

A discussão dos resultados aponta para a necessidade de um alinhamento estratégico entre os objetivos de redução de custos e as metas de satisfação do cliente. Muitas vezes, a implementação da Inteligência Artificial é motivada apenas pela busca por eficiência operacional, negligenciando o impacto na percepção de qualidade. No entanto, os dados mostram que a economia gerada pela automação pode ser anulada pela perda de fidelidade se o atendimento for percebido como uma barreira. As empresas que se destacarem serão aquelas que utilizarem a tecnologia para potencializar a empatia e a responsividade, garantindo que o cliente se sinta ouvido e atendido em suas necessidades reais. O futuro do atendimento reside na capacidade de unir a precisão algorítmica à profundidade das relações humanas, criando um ecossistema de serviço que seja verdadeiramente inteligente e centrado no ser humano.

Conclui-se que o objetivo foi atingido, uma vez que a análise demonstrou que, embora a Inteligência Artificial represente um avanço significativo na agilidade do atendimento, sua eficácia na percepção de qualidade ainda é limitada por lacunas na personalização, na capacidade de resolução de problemas complexos e na facilidade de transição para o suporte humano. A pesquisa evidenciou que a aceitação da tecnologia varia conforme o perfil geracional e a frequência de uso, exigindo que as organizações adotem estratégias de gestão da qualidade mais inclusivas e centradas no usuário. O modelo SERVQUAL mostrou-se uma ferramenta robusta para identificar que a rapidez tecnológica não substitui a necessidade de empatia e confiabilidade. Portanto, a Inteligência Artificial deve ser implementada não como um substituto absoluto, mas como um componente estratégico em modelos híbridos que valorizem tanto a eficiência operacional quanto a sensibilidade nas interações, garantindo uma experiência de atendimento superior e integrada.

Referências Bibliográficas:

BERNARDO, F.; SILVA, T.; COSTA, A. Inteligência Artificial no atendimento ao cliente: desafios e oportunidades para a gestão da qualidade. Revista de Gestão e Tecnologia, v. 19, n. 4, p. 120-138, 2023.

MACHADO, D.; GUISSONI, L. Experiência do cliente na era da IA: desafios para a gestão de qualidade no atendimento digital. Revista Brasileira de Marketing, v. 23, n. 1, p. 45-63, 2024.

MIT TECHNOLOGY REVIEW BRASIL. Inteligência Artificial e atendimento ao cliente: como melhorar a experiência? Disponível em: https://mittechreview.com.br. Acesso em: 24 fevereiro 2025.

MIT TECHNOLOGY REVIEW BRASIL. Inteligência Artificial e atendimento ao cliente: como melhorar a experiência? Disponível em: https://mittechreview.com.br. Acesso em: 24 fevereiro 2025.

PARASURAMAN, A.; ZEITHAML, V. A.; BERRY, L. L. A conceptual model of service quality and its implications for future research. Journal of Marketing, v. 49, n. 4, p. 41-50, 1985.

PROJECT MANAGEMENT INSTITUTE. Um guia do conhecimento em gerenciamento de projetos (Guia PMBOK®). 6. ed. Newtown Square: Project Management Institute, 2017.

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

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