Em fevereiro de 2024, o CEO da Klarna anunciou que a IA da empresa fazia o trabalho de 700 agentes de apoio ao cliente. A citação foi publicada em praticamente todas as publicações de negócios. Tornou-se a referência obrigatória para «a IA está a substituir o trabalho intelectual», e os líderes de CX que tinham sido cautelosos com a IA viram-se confrontados pelos seus conselhos de administração com a pergunta: porque não estavam a fazer o mesmo?
Em maio de 2025, a Klarna estava discretamente a recontratar pessoas. No início de 2026, as recontratações estavam bem encaminhadas, com o CEO a admitir publicamente que a empresa tinha deixado o custo sobrepor-se à qualidade e que estava a pagar o preço na satisfação dos clientes.
A cobertura mediática tratou o caso como uma história sobre a IA não ser suficientemente boa. É uma leitura errada. A IA funcionou exatamente como foi concebida. Esse é o verdadeiro problema, e a lição que daí se tira é mais restrita e mais útil do que aquela que a maioria retirou das manchetes.
Escrevemos sobre o custo humano desse erro no início deste ano. Este artigo trata de algo diferente: o problema de medição que tornou tudo isto possível.
Todos mediram a coisa errada
Quando a Klarna fez o anúncio original, o número em destaque era a contenção: quantas conversas com clientes a IA absorvia antes de chegarem a um humano. Entre dois terços e três quartos das interações, consoante a citação. É um número impressionante. Mas está quase totalmente desligado de saber se o problema do cliente foi efetivamente resolvido.
A contenção mede se a IA reteve a conversa. Um cliente que contacta o apoio duas vezes sobre o mesmo problema conta como duas contenções se a IA tratou ambas. Um cliente que aceita uma resposta errada e desiste continua a contar. Um cliente suficientemente frustrado para contestar uma cobrança no cartão também conta. A métrica captava volume. Não dizia nada sobre resultados.
A IA da Klarna estava a fazer exatamente aquilo com que estava a ser medida. O problema era a medição. Esta distinção é extremamente importante para todos os líderes de CX que estão neste momento a avaliar fornecedores de IA.
As pontuações de CSAT desceram antes de as métricas de volume da Klarna se alterarem, que é exatamente o que seria de esperar se a contenção e a resolução autónoma estivessem a evoluir em sentidos opostos. O sinal estava lá. Ninguém reparou na diferença até o resultado se ter degradado o suficiente para aparecer nos números que os executivos realmente acompanhavam.
Porque é que a contenção se tornou o padrão
A resolução é mais difícil de definir, e é sobretudo por isso que o setor adotou a contenção por defeito. O problema do cliente foi realmente resolvido? Esta pergunta exige saber qual era o problema, se a resposta o resolveu e se o cliente voltou. A contenção só exige contar as conversas que terminaram sem intervenção humana.
As empresas que se estão a aguentar no mercado atual construíram a sua medição em torno dessas perguntas mais difíceis desde o início. A taxa de contacto repetido — se o mesmo cliente reabre um pedido sobre o mesmo problema no prazo de 14 dias — é o sinal de resolução mais claro, e é o que a maioria das implementações ignora, porque exige acompanhamento entre conversas e não apenas dentro delas. O CSAT ao nível da interação importa mais do que o agregado. E as escalações, tratadas como dados contínuos sobre onde o conhecimento do agente de IA fica aquém, valem mais do que a maioria das equipas imagina.
Os dados da Maven em implementações empresariais mostram este padrão de forma direta. Os clientes que se regem por métricas de contenção atingem patamares de melhoria. Os clientes que se regem por taxas de resolução no primeiro contacto, rácios de desvio face a resolução e frequência de contacto repetido continuam a melhorar, porque o seu ciclo de feedback está ligado ao resultado real.
A decisão estrutural que tornou o problema de medição fatal
A Klarna reduziu o número de colaboradores antes de a degradação da qualidade ser visível nos dados. A lógica era defensável: a IA estava a tratar o volume, pelo que a capacidade humana podia diminuir. Mas os problemas de qualidade acumulam-se lentamente. Surgem primeiro no CSAT, depois nos contactos repetidos, depois na perda de clientes e, por fim, nos números de receita, que por definição olham para trás. Quando o sinal se tornou visível, a margem para absorver a recuperação já tinha desaparecido.
Esta é a parte da história da Klarna que se perde na narrativa de que «a IA falhou». A tecnologia não falhou. Falhou a estrutura da implementação — mais concretamente, a decisão de reduzir a capacidade humana antes de validar que a IA estava realmente a resolver problemas e não apenas a contê-los.
As implementações que evitaram este erro não começaram por eliminar postos de trabalho. Reestruturaram-nos. As equipas de apoio passaram a dedicar-se ao tratamento de escalações, à revisão de qualidade e ao sucesso do cliente, funções que exigem um discernimento que a IA genuinamente não consegue replicar. A redução de pessoal resultou dessa reestruturação, e não de uma lógica centrada primeiro no corte. A distinção parece subtil. Os resultados não são.
Como mudaram os compradores empresariais depois da Klarna
O caso acelerou algo que já estava a acontecer nos processos de compra. Os líderes de CX empresariais que compram hoje perguntam pelas taxas de resolução no primeiro contacto, não pela contenção. Perguntam o que acontece quando a IA erra, e não apenas com que frequência acerta. Querem dados de contacto repetido de implementações reais em produção, e não pontuações de precisão de demonstração obtidas num ambiente controlado.
Essa mudança reflete-se de forma concreta nos ciclos de negociação. Os fornecedores que conseguem responder a estas perguntas com dados reais de clientes estão a avançar mais depressa. Os que continuam a destacar números de contenção enfrentam perguntas mais difíceis e processos mais longos. A exigência de «prove-o» subiu. E a Klarna é uma grande parte da razão.
Como são, na prática, as implementações que resistiram
A Clio avaliou 32 fornecedores de IA e submeteu 10 a testes exigentes antes de implementar a Maven. Está a resolver 80 % das consultas por chat de forma autónoma e a fechar 60 % mais pedidos no total do que com o sistema anterior. A equipa de apoio não diminuiu: passou a dedicar-se a trabalho de maior valor. A métrica que acompanham é a resolução, não o desvio. Leia a história completa.
A Papaya Pay, que opera em pagamentos transfronteiriços regulados, atingiu 90 % de resolução autónoma. O requisito de conformidade — todas as interações auditáveis, todas as escalações rastreáveis, em cumprimento das normas SOC 2, HIPAA e PCI-DSS — impôs o tipo de disciplina de resolução que a maioria das implementações ignora. Afinal, essa disciplina é uma vantagem, não uma limitação.
Nenhuma das implementações começou por perguntar quantas pessoas poderia dispensar. Ambas começaram por perguntar o que significava realmente «resolvido».
O que fazer com isto se estiver a avaliar fornecedores de IA agoraDefina a resolução antes de implementar seja o que for. Decida o que significa «resolvido» — resolução no primeiro contacto, nenhum contacto repetido no prazo de 14 dias, conclusão de uma tarefa específica — e torne isso o critério de sucesso desde o primeiro dia. Se o seu fornecedor não lhe souber dizer como o mediria, já tem a resposta. O nosso guia de desvio vs. resolução explica exatamente como o configurar.
Acompanhe a taxa de contacto repetido como uma métrica de primeira linha. Coloque-a no painel ao lado do CSAT habitual. Use-a como ciclo de feedback para a base de conhecimento do agente de IA e para o seu comportamento. Se o mesmo cliente continua a voltar pelo mesmo problema, trata-se de uma falha de resolução, não de um novo pedido.
Trate os dados de escalação como um sinal, não como um passo do fluxo de trabalho. Cada escalação mostra onde o conhecimento ou a autonomia da IA ficam aquém. As equipas que melhoram mais depressa usam esses dados continuamente. Uma plataforma empresarial de agentes de IA deve tornar esta informação fácil de consultar, e não algo que seja preciso procurar.
Exija cobertura unificada de canais desde o início. Um cliente que liga, depois envia um email e depois abre um chat não deveria ter de se repetir. É a resolução unificada em chat, voz e email que gera os números de resultados, e não a automação de um único canal que fica bem numa demonstração.
Não reduza pessoal antes de validar a qualidade em escala. Estruture a transição da força de trabalho em paralelo com a implementação da tecnologia, e não depois. As funções mudam — os agentes passam para o tratamento de escalações, a revisão de qualidade e a gestão de exceções —, mas a transição tem de ser planeada, não presumida.
Onde isto nos deixa
A previsão da Gartner de que 80 % das interações de apoio ao cliente envolverão IA até 2029 continua a parecer alcançável. Os últimos 2 anos não mudaram o destino. Clarificaram quais os caminhos que lá levam e quais os que levam a um recuo público e a um anúncio de recontratação.
As empresas que chegarem a 80 % de resolução autónoma serão as que definiram corretamente a resolução antes de implementar seja o que for, responsabilizaram a IA por essa definição e integraram a transição da força de trabalho no plano desde o início. As que otimizaram para a contenção, cortaram pessoal cedo e mediram conversas em vez de resultados são as que estão a escrever os exemplos a evitar.
A história da Klarna não é um aviso sobre a capacidade da IA. É um aviso sobre o que acontece quando um sistema capaz é apontado ao alvo errado.
Se está a avaliar soluções de IA para apoio ao cliente e procura um modelo de comparação com base nas métricas que realmente importam, o nosso guia de desvio vs. resolução explica exatamente como construir um business case sólido. Ou marque uma demonstração e veja como os números de resolução da Maven se comparam com os que obtém hoje.
Veja-o nas suas próprias conversas.
Peça uma demonstração personalizada gratuita.
