Diretor de Tecnologia e Experiência do Cliente afirma que os líderes estão a automatizar em excesso em vez de corrigirem um mau design de produto

Shankar Sahai é o CXO da UpendNow.com, uma plataforma de orquestração de produção baseada em IA que simplifica a criação de vídeos, filmes e anúncios. O seu foco é evitar que a organização construa coisas dispendiosas que ninguém quer. E faz isso com IA.

Sentámo-nos com Shankar para saber o que está a automatizar — e onde o design supera a automação.

Garantir que a experiência humana corresponde às promessas feitas pela administração

Olá a todos, sou Shankar Sahai e sou o Diretor de Experiência do Cliente da UpendNow.com.

Se tivesse de resumir numa única frase aquilo que faço todos os dias, seria isto: impeço que as empresas construam coisas incrivelmente dispendiosas que ninguém quer ou sabe utilizar. Passo a maior parte do meu tempo na intersecção caótica entre o desenvolvimento de produtos, a investigação com clientes e a estratégia operacional.

Na UpendNow, trabalhamos profundamente no espaço B2B, ajudando as organizações a navegar por grandes transformações digitais e a corrigir jornadas do cliente problemáticas. Quando falamos de "escala", trata-se menos de contabilizar um enorme volume de pedidos de suporte — embora tenhamos muitos — e mais de enfrentar uma enorme complexidade operacional. Analisamos ecossistemas multicanal nos quais os clientes podem alternar entre um portal Web, uma aplicação móvel, o suporte direto e um representante de vendas durante a mesma semana, esperando que a empresa se lembre magicamente de todas as interações.

Enquanto CXO, ajudo as equipas de liderança a deixar de ver a CX apenas como um centro de custos de "suporte" e a começar a tratá-la como um motor central do negócio. Fazemos o trabalho pesado — desde a investigação aprofundada dos utilizadores à automação de fluxos de trabalho e às transformações ágeis — para garantir que a experiência humana corresponde às grandes promessas feitas pela administração.

Como a IA pode ser integrada na investigação qualitativa dos utilizadores

A nossa maior mudança não foi instalar um chatbot apelativo voltado para os clientes. Em vez disso, integrámos a IA profundamente na nossa investigação qualitativa dos utilizadores e na análise pós-interação.

Tínhamos uma enorme quantidade de dados não estruturados — milhares de horas de entrevistas com utilizadores, transcrições de suporte e feedback aberto. Filtrar manualmente tudo isto em busca de informações úteis e acionáveis costumava demorar semanas. Quando mapeávamos os pontos de fricção, os dados já estavam desatualizados.

Criámos um fluxo interno de IA que ingere, categoriza e mapeia automaticamente o sentimento dos dados brutos das conversas em tempo real. Em vez de apenas assinalar "feliz vs. triste", identifica obstáculos comportamentais específicos — como o ponto em que um utilizador fica confuso com a terminologia da interface ou abandona um fluxo de integração.

Quanto às ferramentas, utilizamos a API Whisper da OpenAI para a transcrição de áudio e vídeo. Para a análise e categorização, utilizamos o Claude (3.5 Sonnet) da Anthropic.

Isso eliminou as suposições. Substituímos as intuições da administração por dados concretos. Temos agora um painel em tempo real que mostra exatamente por que motivo e onde os utilizadores estão a ter dificuldades. E isso aumentou a velocidade. O nosso tempo até obter informações úteis passou de três semanas para minutos. Na verdade, detetámos recentemente uma falha importante de UX num novo portal nas 48 horas seguintes ao lançamento, corrigimo-la imediatamente e evitámos um aumento enorme dos pedidos de suporte.

Um fluxo de trabalho de CX de contacto próximo apoiado por IA

Todo o nosso mundo na UpendNow.com gira em torno do Solt OS, a nossa plataforma que ajuda cineastas e agências de publicidade a automatizar o pesadelo da pré-produção — transformando um guião desorganizado em painéis de storyboard, listas de planos e orçamentos. Como a produção cinematográfica é tão visual e complexa, um fluxo de trabalho padrão de pedidos de suporte não funciona para nós. Quando um realizador fica bloqueado ao tentar gerar um vídeo de pré-visualização e a consistência das personagens continua a falhar, não quer um serviço de assistência informática genérico.

Agora tratamos disto de forma simples. Eis o fluxo de trabalho.

No momento em que um criador assinala um problema ou fica bloqueado, a nossa IA interna não se limita a ler a sua reclamação em texto; recolhe todo o contexto da sua sessão criativa. Analisa o guião que carregou, as instruções que utilizou e os painéis de storyboard que falharam.

A partir daí, a IA executa o trabalho analítico pesado. Diagnostica o ponto exato de fricção criativa — como perceber que o cineasta utilizou um cabeçalho de cena não convencional que confundiu o rastreio da localização pelo sistema.

Depois, em vez de fazer o utilizador esperar ou falar com um bot, o sistema encaminha tudo para um dos membros da nossa equipa humana. Mas encaminha o caso com um guia completo. O operador humano abre o caso e vê imediatamente quais os números de cena que estão a repetir-se, qual é o problema de formatação e uma solução previamente redigida.

O cineasta recebe uma resposta rápida e profundamente contextualizada de uma pessoa que fala a sua linguagem cinematográfica, e nós impedimos que o seu impulso criativo desapareça. Para fechar o ciclo, a IA regista automaticamente esse problema de formatação específico no nosso registo de tarefas de engenharia, para podermos corrigir a interface do produto e evitar que aconteça ao próximo realizador.

E em nenhum momento o cliente fica preso a falar com um bot ou a explicar jargão criativo complexo a um representante do apoio.

Como a IA informa as decisões de CX enquanto as pessoas orientam a estratégia

Partilhas de Shankar

…não automatizamos relações humanas. Utilizamos a IA para tratar do trabalho analítico rotineiro, para que a nossa equipa tenha tempo para se concentrar no trabalho de elevado valor e profundamente humano de construir relações e resolver problemas complexos.

Seguimos uma regra prática rigorosa: a IA trata do "O quê" e do "Onde", mas as pessoas assumem o "Porquê" e o "Como".

Eis alguns exemplos do que a IA faz bem:

• Priorização de problemas e identificação de tendências: a IA analisa milhares de transcrições de apoio e sessões de utilizadores em tempo real. Assinala instantaneamente anomalias — como um aumento súbito de 15% no número de utilizadores que ficam bloqueados numa página de pagamento — muito antes de um gestor humano reparar no padrão. Utilizamos o PostHog para isto.
• Mapeamento da fricção na jornada: a IA analisa o comportamento dos utilizadores nas nossas plataformas e destaca exatamente onde ocorrem as desistências. Elimina a necessidade de adivinhar. Estamos atualmente a transferir as nossas ferramentas para o FullStory (StoryAI e API).

Do lado humano:

• Reformulação da jornada e estratégia: a IA pode dizer-me onde as pessoas desistem, mas não possui o contexto empresarial nem a empatia criativa necessários para reformular a experiência. Corrigir uma jornada B2B problemática exige negociação entre diferentes áreas, compromissos de engenharia e uma compreensão profunda do comportamento humano. A IA não consegue sentar-se numa sala e levar três departamentos diferentes a concordar com uma solução.
• Recuperação do serviço e escalamento: se uma falha do sistema interromper as operações de um cliente de elevado valor, deixando-o furioso, ele não quer um pedido de desculpas da IA perfeitamente gerado. A recuperação em situações de grande impacto exige empatia humana genuína, responsabilização e autoridade para flexibilizar as regras e resolver a situação.

Por outras palavras, não automatizamos relações humanas. Utilizamos a IA para tratar do trabalho analítico rotineiro, para que a nossa equipa tenha tempo para se concentrar no trabalho de elevado valor e profundamente humano de construir relações e resolver problemas complexos.

Como a IA tem dificuldades com o contexto específico de cada setor

Partilhas de Shankar

Confiar cegamente no painel automatizado sem uma verificação humana de razoabilidade teria desperdiçado semanas a reescrever código perfeitamente funcional. A IA encontra padrões, mas tem grandes dificuldades com contextos profundos e específicos de cada setor.

A integração da IA na nossa análise de dados qualitativos e na priorização de problemas transformou o ritmo das nossas operações.

A nossa equipa costumava passar semanas a etiquetar manualmente os dados para identificar falhas sistémicas de UX ou obstáculos no processo de integração em várias contas. Agora, a IA assinala quase instantaneamente estes padrões recorrentes de fricção. Detetar estes problemas mais rapidamente permite-nos corrigir erros e resolver fluxos de trabalho confusos antes de se transformarem numa avalanche de reclamações dos clientes. Isto afastou fundamentalmente as nossas equipas de produto e investigação da introdução morosa de dados em folhas de cálculo, permitindo-lhes concentrarem-se na conceção de soluções.

Mas nem tudo foi um percurso tranquilo. O nosso maior problema foi o ruído analítico e a falta de contexto real.

Numa fase inicial, atribuímos demasiada importância à capacidade da IA para etiquetar sentimentos e tendências. Reparámos num aumento acentuado das etiquetas de sentimento negativo associadas a uma funcionalidade recém-lançada. A equipa esteve quase a precipitar-se para reverter a atualização. No entanto, uma análise humana aprofundada revelou que a IA tinha interpretado completamente mal o jargão específico do setor e o desabafo técnico dos nossos utilizadores avançados. Eles não estavam zangados com a funcionalidade; estavam simplesmente a falar apaixonadamente sobre os seus próprios fluxos de trabalho complexos.

Confiar cegamente no painel automatizado sem uma verificação humana de razoabilidade teria desperdiçado semanas a reescrever código perfeitamente funcional. A IA encontra padrões, mas tem grandes dificuldades com contextos profundos e específicos de cada setor.

Porque o design de produto pode ser mais importante do que uma IA sofisticada

A hiperpersonalização contextual é outra área em que a IA está a ficar aquém das expectativas.

A promessa era que a IA conseguiria analisar de forma integrada o comportamento passado de um cliente B2B, a utilização atual do produto e o histórico de suporte, para adaptar dinamicamente a experiência de integração ou do painel de controlo em tempo real. Esperávamos que fosse algo intuitivo — como um concierge digital que antecipasse exatamente aquilo de que o utilizador precisava a seguir. Em vez disso, pareceu sobretudo intrusiva ou irrelevante.

Num ambiente tecnológico B2B complexo, a intenção do utilizador muda radicalmente de hora para hora. Um utilizador pode iniciar sessão para realizar uma tarefa administrativa rápida e repetitiva, mas a IA — na tentativa de ser útil com base nas tendências mais amplas da conta — enche a sua área de visualização com recomendações relativas a uma funcionalidade avançada que, naquele momento, não lhe interessa. Em vez de reduzir a carga cognitiva, aumentou-a.

Percebemos que, ao navegar numa plataforma, os utilizadores não querem que a IA tente adivinhar o que pretendem fazer a seguir; querem um design de interface limpo, fluxos de trabalho previsíveis e uma funcionalidade de pesquisa extremamente rápida. Esperávamos que a IA resolvesse um problema de experiência do utilizador que, em última análise, exigia um design de produto melhor e mais simples.

Porque a qualidade dos dados é fundamental antes de lançar projetos-piloto de IA

Gostaria de ter sabido o quanto os nossos próprios dados internos desorganizados iriam prejudicar as coisas logo no início.

Quando ouvimos os fornecedores de IA, fazem parecer que basta ligar esta ferramenta mágica para que, de imediato, produza informações brilhantes e prontas para serem utilizadas por pessoas. Mas a realidade é que a qualidade da sua IA depende apenas da qualidade dos dados que lhe fornece.

Antes do nosso primeiro projeto-piloto, tínhamos anos de feedback de clientes, investigação antiga sobre utilizadores e registos de suporte espalhados por diferentes silos. Parte estava desatualizada, outra era simplesmente contraditória e muita não incluía o contexto específico da produção cinematográfica que caracteriza o nosso trabalho na UpendNow.

Como não limpámos primeiro essa base de dados, a IA passou as primeiras semanas a inventar tendências bizarras e a criar uma enorme quantidade de ruído analítico que a minha equipa perdeu tempo a desmentir.

Se pudesse voltar atrás, teria passado muito menos tempo a avaliar funcionalidades de IA vistosas e muito mais tempo a limpar a nossa arquitetura de dados interna antes de ligar o sistema. É preciso corrigir primeiro a base, caso contrário estamos apenas a automatizar o caos.

A área em que todos os líderes de CX se devem concentrar

A área que todos precisam de reformular completamente neste momento é o mapeamento da jornada do cliente.

Historicamente, o mapeamento da jornada era um exercício estático, realizado numa sala de reuniões. As pessoas sentavam-se numa sala com notas autocolantes, mapeavam um percurso idealizado, colocavam-no num PDF e depois ninguém voltava a consultá-lo durante um ano. Representa aquilo que esperamos que o cliente esteja a fazer, não a realidade.

Num mundo potenciado pela IA, essa abordagem está obsoleta.

Os líderes devem reformular ativamente os mapas da jornada do cliente para que sejam dinâmicos, em tempo real e alimentados por dados atuais. Como as ferramentas de IA conseguem agora processar dados não estruturados — como sessões de utilizadores em direto, chamadas de suporte e pontos de abandono — em tempo real, o mapa da jornada não deve ser um documento. Deve ser um painel de controlo de software vivo e dinâmico.

Em vez de tentar adivinhar onde está o atrito, o seu sistema deve informá-lo ativamente: "Neste momento, os profissionais de produção cinematográfica de agências boutique estão a encontrar um obstáculo no terceiro passo da integração devido a um atraso na interface." Se não reformular a forma como mapeia e analisa a jornada do cliente, utilizará a IA para otimizar pontos de contacto individuais e isolados, ignorando completamente o facto de a experiência global estar comprometida. Temos de deixar de mapear o passado e começar a orquestrar o presente.

Não é possível automatizar uma saída para um design deficiente

O meu conselho é simples: pare de tentar compensar um design deficiente através da automatização.

Atualmente, os líderes de CX enfrentam uma enorme tentação de lançar IA sobre cada ponto de fricção na jornada do cliente, porque parece rápido e barato. Se o seu processo de integração inicial for confuso, lance-lhe um assistente de IA. Se a sua documentação estiver uma confusão, crie um robô de pesquisa com IA. Mas tudo o que está a fazer é colocar um penso rápido de alta tecnologia sobre um processo defeituoso. Está a utilizar IA para ajudar os clientes a navegar por uma complexidade que, à partida, nem deveria existir.

Antes de comprar outra ferramenta de IA ou lançar outro fluxo de trabalho automatizado, reduza tudo ao essencial. Analise o seu produto principal e a prestação do seu serviço principal. Corrija primeiro as falhas subjacentes da experiência do utilizador, organize os complexos fluxos de dados e simplifique a jornada do cliente.

Acompanhe

Pode acompanhar o trabalho de Shankar Sahai no LinkedIn e no X.

Seguir-se-ão mais entrevistas com especialistas no The CX Lead!