Existe uma ficção silenciosa e perigosa que circula atualmente pelas salas de administração e pelos cargos de direção. Diz que a IA resolveu finalmente o problema dos custos do suporte. A lógica é simples: automatizar as perguntas rotineiras, observar a diminuição do volume e reduzir o número de colaboradores. Se olhar para os painéis de controlo a nível macro, parece estar a funcionar. A eficiência aumentou e a contenção de pedidos está a atingir máximos históricos.
Mas se hoje se sentar realmente com uma equipa de suporte—se observar o ritmo das suas conversas internas e reparar na expressão do rosto de um agente às 16:00 de um dia de trabalho—saberá que a realidade é diferente. O suporte não está a ficar mais leve. Está a ficar mais denso.
E essa densidade está a recair precisamente sobre os seres humanos que permanecem.
Na Hiver, nunca procurámos criar soluções para a complexidade excessiva das empresas da Fortune 500; criámo-las para equipas ágeis e dinâmicas que querem resolver problemas sem os custos indiretos de uma fábrica legada. No ano passado, as nossas plataformas ajudaram os nossos clientes a resolver 81 milhões de conversas. Não é um volume empresarial, mas mesmo dentro desta realidade das PME estamos a observar uma mudança que espelha e, em muitos aspetos, amplia a crise que está a acontecer no mundo empresarial.
A indústria está a caminhar sonâmbula para uma crise de talento. Estamos a assistir a uma erosão global do suporte de Nível 1. Na nossa pressa para automatizar o trabalho fácil, as plataformas de suporte “alimentadas por IA” quebraram acidentalmente o caminho para a especialização.
Pode chamar-lhe “transformação”, se quiser, mas a escolha do vocabulário não disfarça o facto de que a porta de entrada para a especialização em suporte está a desaparecer rápida e silenciosamente. O que torna este momento diferente dos ciclos anteriores de eficiência é que a economia subjacente está a começar a mover-se na direção oposta à narrativa estabelecida.
Não se trata de uma falha temporária de gestão. É uma mudança de sistema.
Há mais de um século, o serviço de apoio ao cliente tem sido regido pelo pressuposto invisível de que o suporte é um problema de canalização. Esse pressuposto remonta a 1917 e a um matemático chamado Agner Krarup Erlang. Desenvolveu o Erlang-C, uma fórmula para dizer às companhias telefónicas de quantos operadores precisavam para um determinado número de chamadas. A fórmula trata os seres humanos como tubos: se o nível da água subir, basta alargar o tubo. Logo, se receber mais chamadas, basta adicionar mais pessoas para tratar do fluxo de entrada.
Essa lógica de central telefónica continua a funcionar sob a superfície de cada sistema moderno de apoio. Falamos de futuros em que a IA está em primeiro lugar e de agentes potencializados, mas continuamos a gerir o suporte com métricas obsoletas como o Tempo Médio de Atendimento e a Taxa de Ocupação. A IA prometeu libertar-nos da canalização. Demasiadas vezes, tornou-se simplesmente o tubo mais recente instalado numa máquina antiga.
Permita-me explicar melhor.
No ano passado, a infraestrutura da Hiver processou 85 milhões de tarefas manuais através de automatizações—redefinições de palavras-passe, atualizações de estado e regras de encaminhamento que costumavam constituir a base do dia de trabalho de um agente. Segundo a lógica da antiga matemática das centrais telefónicas, remover 85 milhões de unidades de trabalho deveria criar um enorme excedente de capacidade humana. E, se essa lógica ainda fosse válida, esse excedente seria visível em toda a economia do suporte.
Em vez disso, em toda a indústria, 77% dos agentes afirmam que a complexidade está a aumentar, enquanto outros relatórios indicam que 56% da força de trabalho do suporte apresenta níveis recorde de esgotamento.
A matemática falha porque se esqueceu de que essas 85 milhões de tarefas fáceis não eram apenas trabalho—eram tempo de recuperação, tempo de aprendizagem e espaço para respirar cognitivamente. Remover a repetição sem reformular o sistema humano em torno do que permanece não resulta em eficiência, mas em compressão.
O Projeto Global de Centros de Atendimento da Cornell passou anos a documentar por que razão este modelo de “canalização” falha. A investigação do seu relatório de 2007 provou, pela primeira vez, que as equipas de elevado desempenho prosperam com autonomia de decisão, mas a indústria continua a geri-las com base no volume.
O setor do suporte demorou quase duas décadas a acompanhar esta evolução, mas finalmente estamos a falar de “sobrecarga cognitiva” e “julgamento humano”—expressões que outros sistemas de alto risco adotaram muito mais cedo, à medida que adotavam a automatização e a inteligência aumentada.
Na aviação, por exemplo, o piloto automático não eliminou os pilotos; transformou-os em gestores de exceções raras e de alto risco, nas quais o julgamento era mais importante do que o controlo rotineiro. Na medicina, o software de imagiologia diagnóstica não substituiu os radiologistas; concentrou a sua atenção nas imagens ambíguas em que a experiência determina o resultado.
Em cada caso, a automatização removeu a repetição, mas preservou os percursos de aprendizagem que criam especialização. O apoio ao cliente está agora a entrar nessa mesma fase histórica—apenas mais depressa e sem ter protegido o percurso que forma os especialistas necessários.
Podemos formar os especialistas de amanhã se hoje pavimentámos o caminho?
Existe um segundo efeito secundário, ainda mais perigoso, desta automatização que a indústria está, em grande medida, a ignorar. Estamos a eliminar conscientemente a escada de aprendizagem profissional.
De acordo com a investigação, um novo agente demora aproximadamente 16 semanas a tornar-se verdadeiramente competente. Historicamente, essas 16 semanas eram passadas no Nível 1. Um agente júnior aprendia o produto e a linguagem específica do cliente ao tratar centenas de pedidos simples e de baixo risco.
Mas hoje estamos a lançar os novos colaboradores diretamente para o fundo. Vemos as consequências disto todos os dias. Um cliente envia um e-mail a dizer que algo no lado esquerdo do painel parece estar avariado. Para um agente sénior, isso é uma referência clara a um módulo de atividade específico. Mas para um agente júnior a quem não foi permitido tratar os 1 000 pedidos simples que constroem esse mapa mental, é um enigma ambíguo.
Esta lacuna linguística cria uma enorme dívida de conhecimento especializado. Não temos forma de fazer crescer a próxima geração de profissionais seniores, porque automatizámos todas as aprendizagens de nível inicial. É por isso que a Gartner prevê que 50% das organizações que reduzirem o pessoal devido à IA serão obrigadas a recontratar para essas mesmas funções até 2027.
Estão a perceber que, embora a IA consiga falar, não pode substituir o "conhecimento especializado, a empatia e o discernimento" que só se desenvolvem através da experiência. Pavimentámos os degraus e agora perguntamo-nos por que razão ninguém consegue atravessar o rio.
Todas as profissões dependem de um percurso visível de principiante a especialista, um período em que os erros são pequenos, os riscos são reduzidos e o reconhecimento de padrões se acumula discretamente. Quando esse espaço intermédio desaparece, o conhecimento especializado deixa de se renovar. O sintoma imediato é uma resolução mais lenta e um maior número de escalamentos. A consequência a longo prazo é muito mais grave: uma força de trabalho esvaziada, na qual o discernimento sénior se torna simultaneamente escasso e frágil. Quando a escassez se torna visível nos painéis de controlo executivos, o ciclo de aprendizagem necessário para a corrigir já foi interrompido há anos.
Então, como sobrevivem as equipas quando nenhuma pessoa consegue ter todas as respostas?
Esta pressão desencadeou um mecanismo de sobrevivência evidente dentro da caixa de entrada. Este ano, os utilizadores do Hiver criaram 5 milhões de notas internas diretamente sobre conversas com clientes. Isto não é apenas uma estatística de colaboração. É um sinal de que a era do agente solitário chegou ao fim.
No modelo antigo, uma pessoa era responsável por um pedido até este ser encerrado. Mas quando cada pedido é uma exceção complexa, nenhuma pessoa consegue ter todas as respostas. Essas 5 milhões de notas representam uma reunião coletiva. Ao concentrarem-se no problema dentro da própria conversa, as equipas estão a construir um "cérebro partilhado" em tempo real. Estão a redistribuir a carga cognitiva, para que nenhum indivíduo tenha de suportar sozinho o peso de uma crise complexa.
Mas a inteligência coletiva é apenas um dos lados da sobrevivência. O outro é a realidade económica.
Como comoditizámos a rapidez através da IA, as métricas que utilizámos durante décadas estão a perder o significado. Está a surgir uma nova métrica que deveria preocupar todos os diretores financeiros: o aumento do custo da automatização.
A análise mais recente da Gartner sugere que o sonho do apoio "gratuito" está a chegar ao fim. Até 2030, prevê-se que o custo por resolução com GenAI ultrapasse $3; excedendo o custo de muitos agentes humanos no estrangeiro. Os subsídios estão a terminar e os custos de infraestrutura estão a aumentar.
Lembram-se de eu ter dito anteriormente que a economia subjacente começa a mover-se na direção oposta à narrativa? Durante mais de uma década, a automatização foi justificada principalmente através da arbitragem laboral — partindo do princípio de que o software se torna mais barato à medida que escala. Mas quando o custo marginal da resolução automatizada começa a aproximar-se ou a ultrapassar o custo do trabalho humano, a questão estratégica muda por completo.
A IA já não pode ser defendida apenas como substituta das pessoas. Tem de se justificar como um multiplicador da capacidade humana. Essa distinção é profunda. A substituição reduz os custos a curto prazo. A multiplicação determina a resiliência a longo prazo. As organizações que compreenderem esta mudança atempadamente deixarão de perguntar como retirar as pessoas do apoio e começarão a perguntar como tornar as pessoas que permanecem drasticamente mais eficazes.
E a eficácia, neste novo cenário, já não é definida apenas pela correção.
No ano passado, os nossos clientes utilizaram uma funcionalidade chamada “Análise de sentimento” mais de 3,6 milhões de vezes para compreender o contexto emocional das conversas de apoio. Isto mostra-nos que uma resposta correta já não é suficiente nem eficaz.
Os clientes chegam a uma interação humana com um défice emocional. Estão cansados e frustrados pelos robôs com que acabaram de lutar. Neste ambiente, o trabalho do agente passou da transmissão de informação para a restauração emocional. O objetivo já não é a “Resolução”; é o “Equilíbrio emocional”.
Want to learn more about Hiver?
Então, continua a gerir uma fábrica ou está preparado para apoiar especialistas?
Se este diagnóstico estiver correto, então a implicação para a liderança não é uma melhoria incremental, mas uma reorientação da gestão. A questão central do apoio já não é “Como podemos tratar mais pedidos com menos pessoas?” É “Como podemos acumular discernimento humano onde a automatização termina, garantindo simultaneamente que as transferências certas acontecem no momento certo e que o contexto nunca se perde devido à proliferação de ferramentas e ao cérebro partilhado?” E é, de facto, uma pergunta longa.
As organizações que continuarem a otimizar o volume de trabalho parecerão eficientes até ao momento em que a confiança dos clientes se deteriorar e a fuga de talento se acelerar. As organizações que, pelo contrário, investirem no contexto, na colaboração e na aprendizagem experiencial parecerão mais lentas a curto prazo, mas estruturalmente superiores a longo prazo. A diferença entre esses caminhos definirá a próxima década do apoio e da experiência do cliente.
Os líderes de apoio enfrentam simultaneamente três pressões convergentes: o custo cognitivo crescente de cada interação que resta, uma reserva cada vez menor de talento de nível inicial capaz de evoluir para o conhecimento especializado e uma camada de automatização cujas poupanças marginais estão a estabilizar à medida que os custos de infraestrutura e dos modelos amadurecem.
Quando a complexidade aumenta mais rapidamente do que a produtividade, o sistema contrai-se. É por isso que a próxima disrupção no apoio não será gradual. Parecerá súbita, não porque as forças sejam novas, mas porque ultrapassaram silenciosamente o limiar em que a otimização incremental já não consegue compensar a pressão estrutural.
A crise que enfrentamos não é uma falta de tecnologia; é um apego a uma filosofia de gestão com 100 anos. Se queremos resolver a dívida de conhecimento e evitar a erosão do L1, temos de deixar de criar ferramentas que isolam os agentes e começar a criar ambientes que reconheçam e facilitem o cérebro partilhado.
O suporte já não pode crescer desviando os clientes; só podemos crescer capacitando as pessoas que atuam como guardiãs da confiança em situações de alto risco. A próxima década não será ganha pela empresa com o robô mais eficiente, mas por aquela que preservar os seres humanos mais capazes, serenos e ricos em contexto.
