O cargo bonito pode esperar
Toda semana aparece um nome novo para quem trabalha com IA.
Prompt engineer. AI operator. Agent manager. Especialista em automação. Arquiteto de agentes. Às vezes o título chega antes do trabalho. Acontece bastante. Tem até crachá mais maduro que o processo.
No atendimento, o nome importa menos do que a pergunta prática:
quem percebe quando o agente respondeu bonito, mas a operação ficou pior?
Essa pessoa precisa entender ferramenta, dado, regra, fila, cliente, humano e QA. Não precisa ser gênio em tudo. Mas precisa enxergar a costura. Se cada pedaço fica em uma área diferente e ninguém assume o meio, a IA vira uma máquina educada de empurrar problema.
Por que esse papel ficou importante
Os relatórios recentes apontam para a mesma direção: IA está entrando rápido no atendimento.
A Salesforce diz que times de serviço esperam que IA lide com metade dos casos até 2027. A Twilio mostra um sinal mais incômodo para Brasil e América Latina: empresas acreditam mais na satisfação com IA conversacional do que os consumidores. E a diferença aparece justamente em continuidade de conversa, resolução e passagem para humano.
A Anthropic recomenda começar com soluções simples e aumentar complexidade só quando necessário. A OpenAI trata evals como prática de avaliação estruturada, não como opinião solta sobre se o modelo “foi bem”.
Traduzindo para atendimento: não basta alguém saber chamar um modelo. Também não basta alguém conhecer a dor do cliente, mas não conseguir mexer em regra, base, ferramenta ou critério de avaliação.
A operação precisa de uma ponte.
O caminho simples antes de contratar alguém novo
Antes de abrir uma vaga com título moderno, faça uma revisão de uma semana.
Pegue 30 conversas atendidas por IA, bot ou fluxo automatizado. Para cada conversa, marque:
- qual era a intenção do cliente;
- qual dado a IA usou;
- qual regra sustentou a resposta;
- se a resposta precisava consultar CRM, pedido, contrato ou histórico;
- se havia gatilho de handoff;
- se o humano recebeu contexto quando entrou;
- se o CRM ficou melhor depois da conversa;
- qual correção seria necessária: base, prompt, integração, regra, roteiro, treinamento ou fila.
Se ninguém consegue preencher essa lista, você ainda não sabe qual profissional falta. Talvez falte dado. Talvez falte dono. Talvez falte QA. Talvez falte uma pessoa que consiga conversar com técnica e atendimento sem traduzir tudo para PowerPoint.
Esse caminho é suficiente quando o volume é baixo, o risco é pequeno e uma pessoa consegue revisar amostras toda semana. Não precisa montar uma área nova para descobrir que a base de conhecimento tem resposta velha e o handoff não leva resumo.
Onde começa a quebrar
Quebra quando a IA já fala com cliente em volume e cada erro cai em um lugar diferente:
- atendimento diz que “a ferramenta respondeu errado”;
- tecnologia diz que “a regra veio do negócio”;
- vendas diz que “o CRM estava incompleto”;
- QA diz que “não tinha critério”;
- liderança olha tempo médio e acha que melhorou;
- cliente volta porque o problema não foi resolvido.
Esse é o buraco clássico. A IA não criou todos os problemas. Ela só deixou mais rápido o que já era mal dividido.
O que esse papel precisa fazer
Não é uma pessoa para “cuidar da IA” de forma abstrata. É uma pessoa, ou uma pequena função compartilhada, para cuidar do ciclo operacional.
Ela precisa conseguir responder perguntas bem pouco glamourosas:
- a IA pode responder esse tema sozinha?
- qual fonte ela deve consultar?
- qual regra manda parar?
- qual frase avisa o cliente sem enrolar?
- qual campo precisa ir para o CRM?
- qual caso vira amostra de QA?
- qual erro pede correção de base, prompt, integração ou processo?
- quem assina a mudança?
Se ninguém assina, não é operação. É torcida organizada em volta do modelo.
Matriz: técnica e conversa no operador de IA
Use esta matriz para separar o trabalho. A coluna mais importante é “dono”. Sem dono, a matriz vira decoração.
Dono: tecnologia ou produto. Define ferramentas, integrações, permissões, logs e limites técnicos.
Dono: operação ou negócio. Escreve regra, exceção, condição de parada e promessa permitida.
Dono: atendimento. Ajusta linguagem, tom, confirmação, frustração e passagem para humano.
Dono: QA ou operação. Guarda trecho, dado usado, decisão tomada, handoff e correção.
Dono: liderança operacional. Decide se corrige base, prompt, integração, treinamento, fila ou escopo.
Dois perfis incompletos
A pessoa muito técnica costuma falhar quando trata atendimento como entrada e saída. A conversa vira um ticket. O cliente vira só um conjunto de campos. O caso ambíguo vira “não previsto”.
A pessoa só de atendimento costuma falhar quando percebe a dor, mas não consegue mudar a engrenagem: dado, base, prompt, integração, regra, evento, log, amostra e teste.
O papel raro mora no meio. Ele não substitui engenharia, atendimento, produto ou QA. Ele impede que cada área resolva um pedaço e ninguém resolva a conversa inteira.
Um teste de maturidade
Na próxima reunião sobre IA no atendimento, abra a matriz de operador de IA no atendimento e faça cinco perguntas:
- Quem decide o que a IA não pode responder?
- Quem revisa uma amostra semanal de conversas?
- Quem muda a base quando a resposta está errada?
- Quem muda o handoff quando o humano recebe sem contexto?
- Quem mede se o cliente resolveu ou só saiu do canal?
Se cada resposta aponta para uma pessoa diferente e ninguém coordena o ciclo, o problema não é falta de IA melhor. É falta de operação em volta da IA.
Quando isso basta
Um arranjo simples basta quando:
- a IA ainda está em piloto;
- o risco das respostas é baixo;
- os temas são estáveis;
- o volume permite revisão manual;
- a operação consegue corrigir base e regra toda semana;
- humano assume exceção sem o cliente repetir tudo.
Nesse estágio, faça você mesmo. Defina dono, amostra, critério e reunião curta de correção. Se der para resolver com disciplina e planilha, ótimo. A planilha continua sendo uma tecnologia injustamente subestimada.
Quando vira operação de verdade
Vira outro jogo quando:
- a IA responde cliente em produção;
- o canal é WhatsApp, telefone ou chat com volume real;
- existem promessas comerciais, cobrança, cancelamento ou prazo;
- CRM e atendimento precisam contar a mesma história;
- o erro precisa deixar evidência;
- múltiplos times mexem na regra;
- QA precisa gerar correção, não só nota.
Aí a função deixa de ser “alguém que entende IA”. Passa a ser operação supervisionada: limite, evidência, handoff, dono e melhoria contínua.
O que fazer agora
Se a dúvida é qualidade, leia Monitoria de qualidade com IA no atendimento.
Se a dúvida é resposta bonita demais, use o guia Quando o agente de IA responde com certeza demais.
Se o problema é passagem para humano, comece por Handoff humano: tire o cliente do loop.
Se a operação já tem agente atendendo cliente, volume, risco, handoff e QA recorrente, Zild pode fazer sentido. Antes disso, rode a matriz acima por uma semana. Ela costuma mostrar se falta pessoa, regra, dado, ferramenta ou só coragem de dar nome ao dono.
Se você prefere ver em vídeo
Eu não encontrei um vídeo em português que eu colocaria como resposta principal para esse papel operacional. Muitos vídeos falam de carreira em IA. Poucos mostram a costura entre conversa real, ferramenta, evidência, QA e handoff.
Um vídeo útil teria que mostrar uma conversa com erro, a regra que faltou, o dado que não foi consultado, a passagem humana e a correção depois. Sem isso, vira vídeo de título de cargo. E título de cargo, sozinho, não atende cliente.