Diretor de Sucesso do Cliente afirma que a IA não pode funcionar de forma independente nos fluxos de trabalho de experiência do cliente — precisa de supervisão constante

Angela Guedes é a responsável pelo Sucesso do Cliente na Enginy, onde está atualmente a fazer a transição da organização de um modelo de CX de contacto intensivo para um modelo segmentado. É também a criadora da newsletter Do zero.

Sentámo-nos com a Angela para analisar em detalhe o que está e não está a funcionar com a IA em CX. Eis o que tinha para dizer.

Liderar o sucesso do cliente em SaaS B2B

Sou a Angela Guedes. Há 10 anos que construo e lidero organizações de Sucesso do Cliente, sempre em SaaS B2B.

Atualmente, sou responsável pelo Sucesso do Cliente na Enginy, uma plataforma GTM inteligente, nativa de IA e completa, para equipas de vendas B2B. Somos uma empresa de SaaS vertical no espaço da automatização de vendas, servindo todos os segmentos, desde PMEs a grandes empresas. Estamos na fase inicial e, este ano, estamos a crescer de 3 milhões de dólares para 10 milhões de dólares de ARR.

Temos atualmente um modelo de experiência do cliente de contacto intensivo, em transição para um modelo segmentado. Todos os clientes têm acesso ao Suporte ao Produto através do chat na aplicação e por e-mail. Também lhes atribuímos um gestor de integração e um gestor de conta. Servimos os nossos clientes através de reuniões, chamadas telefónicas e e-mail. No início deste ano, introduzimos webinários semanais de integração para expandir a integração e a formação.

Supervisiono a Gestão de Contas, a Integração e o Suporte ao Produto com uma equipa de 12 pessoas. Planeamos terminar o ano com 20.

Como duas mudanças simples podem afetar a eficácia de uma equipa de CX

Fiz duas mudanças concretas no último ano:

A primeira foi direcionada aos clientes. Utilizamos o FIN (o agente de IA da Intercom) para desviar pedidos de suporte. Ao longo de quatro meses, a taxa de resolução aumentou 10 pontos percentuais. Isto significou que menos pedidos de nível um chegaram à equipa e que os pedidos que chegaram a um membro humano eram verdadeiramente complexos. Isso permitiu-nos realocar o tempo da equipa.

No entanto, a pontuação de CX caiu 9 pontos em fevereiro. Percebemos rapidamente porquê: o FIN dava respostas erradas porque lhe era fornecido conteúdo desatualizado. Respondia com confiança a perguntas às quais não deveria ter respondido e a lógica de encaminhamento não conseguia detetar esse problema. Os clientes ficavam bloqueados.

Corrigimos esta situação realizando uma auditoria de conteúdo e uma revisão completa das regras de encaminhamento: determinámos o que o FIN deveria tratar, o que deveria encaminhar imediatamente e o que acontece quando não sabe a resposta. Reescrevemos a lógica de encaminhamento para transferir mais cedo perante sinais como reformulações repetidas, indicadores de frustração e categorias de tópicos específicas, como faturação e erros. Em abril, a pontuação de CX recuperou e ficou 5 pontos acima do valor inicial.

Angela Shares

…A IA no suporte não é uma ferramenta de desvio implementada uma única vez. É um sistema com uma camada de conteúdo que se degrada e, se não a mantiver, terá um bot confiante que corrói lentamente a confiança dos clientes, de forma suficientemente gradual para que não se aperceba até os números mudarem.

A aprendizagem aqui foi que a IA no suporte não é uma ferramenta de desvio implementada uma única vez. É um sistema com uma camada de conteúdo que se degrada e, se não a mantiver, terá um bot confiante que corrói lentamente a confiança dos clientes, de forma suficientemente gradual para que não se aperceba até os números mudarem. A queda de fevereiro mostrou que os números estavam a mudar. A vantagem é o sinal claro. Quando algo corre mal, é possível rastreá-lo. Isto é mais do que se consegue obter com uma equipa humana em escala.

A segunda mudança foi interna. Melhorámos o nosso fluxo de preparação de chamadas ao ligar o Claude ao Granola, à Intercom, ao HubSpot e ao nosso próprio produto. Antes, os gestores de conta passavam 20–30 minutos a reunir contexto antes de cada chamada: notas da última reunião, pedidos de suporte em aberto, fase do negócio e utilização do produto.

Agora, o Claude reúne tudo automaticamente num único resumo pré-chamada. Os gestores de conta entram na chamada com contexto preciso, em vez de fazerem verificações genéricas. Isto permitiu-nos reduzir o tempo de preparação, e as horas que poupamos são investidas em contacto proativo e conversas sobre valor.

Como a análise do cancelamento baseada em IA melhora a tomada de decisões

Vamos analisar em detalhe um fluxo de trabalho de análise de cancelamentos que criei no Claude. O ponto de partida óbvio para a análise de cancelamentos é o campo “motivo do cancelamento” no CRM. É também aí que reside a maior parte da distorção. O gestor de conta preenche esse campo depois de perder o negócio, sob pressão para fechar o mês. O campo reflete a forma como o gestor de conta enquadrou a perda, não necessariamente a razão pela qual o cliente saiu.

Comecei com um prompt manual de IA que executava todos os meses. O resultado era inconsistente; passava mais tempo a corrigi-lo do que aquele que poupava, por isso criei uma competência automatizada que extrai dados diretamente do HubSpot, com regras claras sobre as propriedades e atividades a procurar no CRM.

Extrai todos os negócios perdidos e em risco num determinado período, normaliza as etiquetas do CRM e agrupa-os segundo várias dimensões, incluindo um motivo inferido com base no histórico completo do negócio: notas, transcrições de chamadas, atividades e conclusão do processo de integração. Mais importante ainda, reatribui a responsabilidade pela perda com base numa lógica causal, e não no que o AM registou.

Por exemplo, um negócio recente foi registado como "Sem ROI", o que a maioria das pessoas interpreta como uma falha de CS. Mas as notas do negócio mostravam que o processo de vendas tinha criado expectativas que o produto nunca poderia cumprir. É um problema de qualificação de vendas, não de CS. Teríamos precisado de alguém a ler todas as notas de todos os negócios perdidos (o que não acontece) para detetar isso sem IA.

O resultado é um documento pronto para o CEO, além de extrações separadas para CS, Produto e Vendas, cada uma com os casos e as análises das causas-raiz que lhes dizem respeito.

Porque é necessário validar o fluxo entre o insight e o resultado antes de adicionar IA

Implemento IA onde uma pessoa já validou o fluxo entre o insight e o resultado. Se esse fluxo ainda estiver a ser testado, a IA não interfere — esse trabalho de validação não pode ser omitido. Se automatizar antes de confirmar o padrão, estará a escalar o comportamento errado.

Eis onde a IA realiza atualmente o trabalho:

• Análise: previsão de renovações e deteção de padrões de perda. Eis o exemplo mais claro. Deixei de confiar nos motivos de perda indicados pelos AM (que se concentram em "orçamento" e "inadequação", por serem fáceis de registar) e comecei a inferir os motivos reais a partir de notas, transcrições e utilização do produto. A IA revelou processos de integração parados por detrás de metade das etiquetas "orçamento". Isso permitiu-nos intervir mais cedo.
• Resumos: preparação de reuniões, acompanhamentos e síntese semanal das decisões. É a única forma de um CSM conseguir gerir a densidade de relações de que precisamos dentro do nosso objetivo de eficiência.
• Chat de suporte: respostas de primeira linha baseadas em documentação previamente revista por uma pessoa. A ordem é importante.

Tentamos manter uma pessoa no circuito. Quando a IA sugere uma ação (sinalizações de risco, sinais de expansão, próximos passos), um CSM ou eu revemos e validamos antes de esta chegar ao cliente. A IA deteta padrões mais depressa do que eu, mas a pessoa responsável pela relação mantém o discernimento.

Como referi, preciso de validar pessoalmente o fluxo entre o insight e o resultado antes de integrar a IA, pelo que o acompanhamento e as avaliações de desempenho dos AM são os exemplos mais claros de tarefas que continuam totalmente humanas. Eventualmente, delegá-las-ei, mas primeiro preciso de testar com os meus AM se associar ações específicas a sinais específicos conduz a melhores resultados para a carteira. Até esse padrão se confirmar nas reuniões individuais, automatizá-lo limita-se a escalar uma suposição.

Porque é que os líderes de CX têm de fornecer contexto à IA

Nunca delegue o pensamento e nunca ignore o contexto.

Lembre-se: o resultado da IA é tão bom quanto o contexto que lhe fornece. E nada substitui o pensamento humano. Sim, use a IA para desafiar os seus pressupostos, encontrar lacunas no seu raciocínio e comparar as suas ideias com os padrões do setor. Mas, para obter resultados relevantes, precisa de lhe fornecer o contexto que tem na sua cabeça e nos documentos internos.

Se simplesmente lhe pedir para criar algo sem isto, o resultado será, na melhor das hipóteses, insípido e, na maioria dos casos, irrelevante.

Isto é particularmente importante com os chatbots — trabalhe na sua camada de contexto do cliente. Um agente sem o contexto completo do cliente não dá apenas uma resposta má; dá uma resposta errada com toda a confiança. E lembre-se de que os chatbots não podem funcionar sozinhos. Alguém tem de ser responsável pelo conteúdo que alimenta a IA, definir regras de escalamento e garantir ativamente a qualidade dos seus resultados.

Como a IA pode revelar lacunas nos seus dados

O meu conselho? Comece pelos seus dados, não pelas suas ferramentas.

A coisa mais útil que a IA pode fazer neste momento é revelar o que está avariado nos seus sistemas atuais — não gerar um relatório, mas encontrar lacunas. A minha primeira análise de cancelamentos com o Claude não me disse por que razão os clientes estavam a sair; mostrou-me que os gestores de conta classificavam os motivos dos cancelamentos de forma inconsistente, que os dados do CRM estavam desatualizados e que faltavam campos essenciais. Esse é um problema de dados que só consegui ver plenamente quando a IA tentou trabalhar com eles.

É por aí que se deve começar. Compreenda o que tem, corrija as inconsistências e enriqueça o que falta. A IA só será tão boa quanto os dados de entrada que lhe fornecer. Os líderes que ignorarem este passo vão automatizar o ruído e perguntar-se por que razão as conclusões não têm impacto.

Dados limpos não são um conselho apelativo, mas são o pré-requisito.

A Angela partilha

O meu conselho? Comece pelos seus dados, não pelas suas ferramentas…É por aí que se deve começar. Compreenda o que tem, corrija as inconsistências e enriqueça o que falta…Dados limpos não são um conselho apelativo, mas são o pré-requisito.

Acompanhe

Acompanhe Angela Guedes no LinkedIn e no Substack.

Haverá mais entrevistas com especialistas no CX Lead!