Em um intervalo de 60 dias, o Gartner publicou 2 previsões que todo líder de CX que está dimensionando o investimento em IA para os próximos 24 meses deveria ler lado a lado.
Em 26 de janeiro, a consultoria previu que o custo por resolução da IA generativa no atendimento ao cliente vai passar de US$ 3 até 2030, acima do custo de muitos atendentes humanos offshore de B2C. Em 31 de março, previu que mais da metade das organizações de atendimento ao cliente vai dobrar o investimento em tecnologia até 2028 sem uma redução equivalente no quadro de pessoal.
Lidas em conjunto, essas previsões descrevem uma economia de CX em que a curva de gastos sobe, a curva de headcount fica praticamente estável e o custo por resolução com IA se aproxima do custo do atendente offshore que ela deveria superar. A narrativa de que a IA torna o atendimento ao cliente mais barato, premissa que sustenta a maior parte dos orçamentos de software de CX desde 2023, já não se sustenta com tanta clareza.
O Gartner aponta 2 variáveis por trás dessa tendência: talentos e complexidade das ferramentas. As duas são reais, mas existe uma terceira variável por baixo delas, e é justamente a que a maioria das equipes não acompanha. Essa variável é a resolução: mais especificamente, a lacuna entre o que a IA atende e o que a IA de fato resolve. É ela que define se cada novo dólar investido em tecnologia de CX gera um resultado ou apenas uma transação.
A lacuna de resolução, em dólares
A maioria dos dashboards de CX traz a "taxa de automação" ou a "taxa de deflexão" como número principal. Um ticket chega, a IA responde, a conversa termina sem um atendente e a plataforma marca o ticket como atendido. O indicador sobe.
O que o dashboard nem sempre mostra é se o problema do cliente foi realmente resolvido. Essa é a lacuna de resolução: o espaço entre as interações em que a IA atua e os problemas que ela de fato resolve.
Quando essa lacuna é grande, o volume não desaparece. Ele volta ao sistema de 3 formas:
- Como novos contatos, quando o cliente volta pelo mesmo canal porque o problema continua
- Como escalonamento entre canais, quando o cliente tenta o chat, desiste, liga e chega a um humano que começa do zero
- Como churn, quando o cliente conclui que a empresa não consegue ajudar e desiste
Cada um desses desfechos tem um custo que o dashboard de deflexão não registra. A amostra do relatório AI in Customer Service 2026 da McKinsey deixa a economia unitária bem clara: uma resolução feita pela IA custa cerca de US$ 0,62, contra US$ 7,40 de uma resolução feita por um humano (citado na compilação de benchmarks de 2026 da Digital Applied). Mas essa conta só fecha com o número de resolução, não com o de deflexão. Cada interação registrada como deflexão que depois volta como escalonamento para um humano significa duas contas: uma pela licença da IA e outra pelo atendente que retoma a conversa interrompida. Quando a lacuna é grande, essa conta se acumula, e a curva de gastos que o Gartner projeta até 2028 é o resultado disso em escala.
Por isso, o custo por resolução é o benchmark que importa ao comparar a economia da IA com a referência humana, e não o custo por interação nem a taxa de deflexão. A previsão do Gartner de US$ 3 por resolução em 2030 mede quanto a IA custa quando de fato resolve o problema, não quanto custa quando apenas responde a uma mensagem.
O que realmente acontece dentro da curva de gastos
A pesquisa do Gartner de outubro de 2025 com 321 líderes de atendimento ao cliente mostrou que apenas 20% das organizações reduziram o número de atendentes por causa da IA. Os outros 80% estão pagando pela IA e pelos atendentes.
Isso não é um estado de transição a caminho de custos menores. É o resultado estrutural de como a IA está sendo implantada na maioria das áreas de CX. Como a CXOVoice resumiu, os custos de atendimento ao cliente estão subindo porque a IA adiciona camadas em vez de removê-las: o stack agora inclui IA conversacional, roteamento, base de conhecimento, analytics, orquestração e supervisão, cada um com seus próprios custos de licenciamento, implementação e integração.
Nenhuma dessas camadas substitui uma camada existente. O que o Gartner projeta até 2028 não é um custo pontual de migração, e sim uma mudança estrutural de orçamentos de CX centrados em folha de pagamento para orçamentos centrados em software, com a base total de custos subindo em vez de cair.
Dentro dessa mudança, a lacuna de resolução define em que lado da balança o investimento em IA vai parar. Quando a IA resolve o problema de ponta a ponta, a camada de software justifica seu lugar: faz um trabalho que, de outra forma, exigiria um humano, e a economia unitária funciona. Quando a IA faz a deflexão sem resolver, a camada de software adiciona custo sem eliminar nenhum custo existente, e o dólar que deveria sair do orçamento de atendentes acaba financiando a IA por cima dele.
A conta que se acumula
Pense em um cenário típico: 10.000 tickets recebidos por mês, um dashboard do fornecedor indicando 60% de taxa de automação e 6.000 tickets marcados como "atendidos" sem um humano.
A auditoria que separa deflexão de resolução confirmada costuma chegar a outro número. Pesquisas do setor sobre implantações baseadas em RAG mostram de forma consistente que de 15% a 25% dos tickets "defletidos" contêm respostas erradas ou incompletas. Se 25% desses 6.000 tickets defletidos voltarem ao sistema em até 72 horas (como novos contatos, escalonamentos ou tentativas em outros canais), então 1.500 interações que pareciam automatizadas não eram.
A taxa real de resolução autônoma nesse volume não é de 60%. É de 45%. E a lacuna aparece em 3 itens que a maioria dos dashboards de CX não foi preparada para mostrar:
- A fatura do fornecedor de IA não muda. A licença é cobrada por interação, e a IA atende as interações.
- A carga de trabalho da equipe de atendimento inclui esses 1.500 tickets que voltaram, muitas vezes sem contexto, porque a transferência falha.
- A experiência do cliente absorve o custo de ter que pedir duas vezes. O fornecedor cobra por 6.000 interações. Você pagou por 4.500 resoluções.
É a lacuna de resolução que define se a linha de IA no orçamento substitui o atendimento humano ou se soma a ele. Quando a lacuna é pequena, o investimento em IA compensa o gasto com atendentes. Quando é grande, o investimento em IA se empilha sobre o gasto com atendentes, e essa é a curva que o Gartner projeta até 2028.
A variável da arquitetura
A lacuna de resolução não é um problema de modelo. É um problema de arquitetura.
A maioria dos agentes de IA em produção hoje consegue ler, mas não consegue agir. Eles buscam informações em uma base de conhecimento, resumem políticas e sugerem próximos passos. O que geralmente não conseguem fazer, sem uma integração mais profunda, é processar o reembolso, atualizar a conta, alterar o pedido ou remarcar o agendamento. A linha divisória da arquitetura é o acesso somente leitura versus leitura e escrita aos sistemas onde está o problema real do cliente.
Uma IA somente leitura fica estruturalmente limitada à parcela de tickets que pode ser resolvida com o fornecimento de informações. Na maioria dos programas de CX corporativos, isso corresponde a uma faixa de nível 1 com redefinição de senha, consulta de status de pedido e dúvidas sobre políticas: volume real, mas com um teto. Reclamações, exceções, contestações de cobrança e alterações de conta, que são o que realmente pesa nos custos de suporte, ficam do outro lado da fronteira entre leitura e escrita.
Por isso, vale questionar números de "taxa de automação" acima de 70% em conjuntos amplos de solicitações. Em geral, eles refletem uma triagem agressiva, que exclui os casos mais difíceis antes de a IA vê-los, ou uma definição de resolução que conta conversas concluídas sem confirmar o resultado. Implantações em produção com integração de leitura e escrita aos sistemas de back-end costumam ficar na faixa de 70% a 85% de resolução confirmada em conjuntos amplos de solicitações que incluem tickets dependentes de políticas.
A decisão de arquitetura é o que determina se cada novo dólar investido em tecnologia de CX fecha a lacuna de resolução ou a amplia. Somente leitura versus leitura e escrita, sobreposição versus substituição completa, IA como camada por cima versus IA dentro do help desk: nada disso é detalhe de implementação. É o multiplicador de gastos. O framework de avaliação da Maven aprofunda cada uma dessas dimensões.
Como é a abordagem centrada em resolução na prática
As empresas que estão fechando a lacuna de resolução compartilham uma característica de arquitetura: integração de leitura e escrita aos sistemas onde os problemas dos clientes realmente estão. Os dados de produção que comprovam isso são concretos:
- A Mastermind alcançou 93% de resolução autônoma em 6 semanas de implantação.
- A Papaya Pay alcançou 90% de resolução autônoma em 3 semanas.
- A Clio trocou um chatbot legado por resolução autônoma de 80%, resolveu 60% mais tickets e tornou a resposta do suporte ao vivo 4x mais rápida.
- A Rho manteve 95% de CSAT enquanto atendia 12% mais contatos por mês sem aumentar o quadro de pessoal.
Esse último dado merece atenção. O comunicado do Gartner de 31 de março prevê que a duplicação do investimento em tecnologia de CX até 2028 não virá acompanhada de uma redução no quadro de pessoal, e alerta que empresas que cortarem atendentes para financiar a IA correm o risco de interrupções operacionais, piora na experiência do cliente e reversões caras. A previsão parte do pressuposto de que a IA não resolve o suficiente por conta própria para absorver o volume crescente.
O número da Rho é a ilustração mais clara da conta centrada em resolução na prática. O CSAT se manteve em 95%, o volume de contatos cresceu 12% e a equipe não aumentou. É assim que fica a capacidade de volume quando a taxa de resolução é real: mais clientes atendidos, mesma equipe, CSAT preservado.
Essa é a versão da conta em que a linha de IA no orçamento justifica seu lugar. O investimento em tecnologia sobe, o gasto com atendentes fica estável, o volume de clientes cresce e a base total de custos fica menor por problema resolvido. Isso só funciona quando o número de resolução é alto o suficiente. Ou seja, quando a lacuna entre deflexão e resolução é pequena o bastante para que o volume tratado pela IA se converta de fato em resultados.
3 perguntas antes de dobrar o orçamento
A previsão de gastos do Gartner para 2028 não precisa se concretizar em toda DRE de CX. A variável que define isso é a arquitetura e a economia da camada de IA adicionada. 3 perguntas vão além dos números de destaque que qualquer fornecedor vai apresentar primeiro.
- A IA consegue executar ações nos sistemas onde está o problema do cliente ou só responde com base em documentos? A diferença entre somente leitura e leitura e escrita é a variável de arquitetura que limita quanto da base de custos de suporte a IA consegue atacar. Uma IA que informa o status do pedido é útil. Uma IA que processa a devolução, atualiza a conta e confirma a alteração é o que fecha a lacuna de resolução.
- Qual é a taxa de novo contato em 72 horas nos tickets resolvidos? Essa é a métrica de auditoria. Se 25% dos tickets "resolvidos" geram um novo contato em até 3 dias, a taxa efetiva de resolução é bem menor do que a divulgada. Um fornecedor confiante na qualidade de resolução da sua IA publica esse número. Um fornecedor que não o mede geralmente tem um motivo.
- Qual é a taxa de resolução confirmada, e não a taxa de deflexão? A resolução confirmada conta apenas os tickets em que o problema do cliente foi resolvido e o cliente não voltou. A deflexão conta qualquer ticket em que a IA atua. Fornecedores que medem as duas compartilham as duas. Os que não medem, ou não querem compartilhar, geralmente estão otimizando o número que os favorece.
Juntas, as 3 respostas determinam se cada novo dólar investido em tecnologia de CX compra resolução ou compra atividade.
A variável que o Gartner não mencionou
As 2 previsões de 2026 apontam na mesma direção. O investimento sobe, o custo por resolução com IA se aproxima do patamar humano e o quadro de pessoal fica praticamente estável. O efeito combinado é um aumento estrutural na base de custos de CX para a metade das organizações que vai dobrar o investimento em tecnologia até 2028.
O que as previsões não dizem, porque medem investimento em tecnologia e não arquitetura, é que a lacuna de resolução é a variável que define em qual metade cada organização vai ficar. As empresas que tratam a resolução como métrica oficial e estruturam sua camada de IA para agir nos sistemas onde os problemas dos clientes realmente estão não vão ver a curva de gastos dobrar sem resultados. As empresas que tratam resolução como sinônimo de deflexão vão gastar mais em 2026, 2027 e 2028 e resolver mais ou menos o mesmo que resolviam em 2024.
A linguagem do mercado está mudando para refletir isso. A resolução autônoma está se tornando a métrica oficial. A Taxa de Resolução está a caminho de substituir os benchmarks de CX mais antigos como principal medida para saber se a IA no suporte está funcionando. Fornecedores e analistas estão convergindo para o mesmo ponto: em 2026, o dashboard que seu fornecedor de IA apresenta primeiro é justamente o que você deve questionar com mais rigor.
A curva de gastos que o Gartner projeta para 2028 não é inevitável. É a consequência das decisões de arquitetura que a maioria das equipes de CX está tomando agora.
Veja nas suas próprias conversas.
Solicite uma demonstração personalizada gratuita.
