TL;DR: Um e-commerce de moda com operação nacional implementou IA agentica no suporte ao cliente e cortou 40% dos custos de atendimento em seis meses, enquanto o NPS subiu cerca de 30 pontos. Este artigo detalha o que foi feito, quais ferramentas foram usadas, onde estavam os gargalos reais, e o que qualquer founder de e-commerce pode replicar, mesmo sem equipe técnica grande. Não é receita mágica: tem limitações, e elas estão explicadas aqui.
Era uma terça-feira às 23h17 quando uma cliente tentou trocar um vestido que havia chegado no tamanho errado. O SAC estava fechado. O e-mail ia demorar dois dias. A cliente foi ao Reclame Aqui.
Essa cena se repetia centenas de vezes por mês numa empresa de moda online com sede em São Paulo. O time de suporte tinha 12 pessoas. A fila de tickets crescia mais rápido do que a capacidade de resposta. O custo por atendimento era alto. E, paradoxalmente, a experiência do cliente piorava conforme a empresa crescia.
Foi esse impasse que levou a empresa a apostar em IA agentica no atendimento, em meados de 2025. Os resultados chegaram antes do esperado: 40% de redução nos custos operacionais de suporte em seis meses, NPS com alta de aproximadamente 30 pontos, e vendas noturnas crescendo por conta de conversas automatizadas que antes simplesmente não aconteciam.
O que esse caso revela não é que IA resolve tudo. Revela quais problemas ela resolve muito bem, e quais ainda precisam de gente.
O problema que a IA foi chamada para resolver
Antes de falar em solução, vale entender o cenário. A empresa recebia em torno de 4.000 tickets por mês. Desses, segundo análise interna feita antes da implementação, cerca de 65% eram questões repetitivas: rastreamento de pedido, prazo de entrega, política de troca, status de reembolso, dúvidas sobre tamanho.
Esse volume consumia a maior parte do time. Os 12 atendentes passavam a maioria do dia respondendo as mesmas perguntas com variações mínimas. O tempo médio de resposta era de 6 horas em dias úteis, e zero nos fins de semana.
O custo não era só financeiro. Atendentes entediados com perguntas repetitivas têm turnover alto. A empresa trocava em média 3 pessoas por trimestre só na equipe de suporte, e cada substituição custava tempo de treinamento e qualidade de atendimento por algumas semanas.
O diagnóstico foi direto: automatizar o que é repetitivo para liberar pessoas para o que é complexo.
A escolha da abordagem: agentes, não apenas chatbots
A primeira tentativa, em 2024, havia sido um chatbot tradicional baseado em árvore de decisão. Funcionou mal. Os clientes ficavam presos em loops, faziam perguntas fora do script, e desistiam antes de resolver o problema. O ticket ia para o humano de qualquer forma, só que mais irritado.
A mudança de estratégia em 2025 foi adotar um agente de IA com capacidade de raciocínio, integrado diretamente aos sistemas da empresa: ERP, plataforma de e-commerce, sistema de logística e CRM. A diferença prática é que o agente não segue uma árvore fixa. Ele entende a pergunta, consulta os sistemas em tempo real, e responde com a informação atual do pedido daquele cliente específico.
Quando a cliente pergunta "onde está meu pedido?", o agente não responde com um link genérico para rastreamento. Ele consulta o sistema, vê que o pedido saiu do centro de distribuição ontem e está com a transportadora, e responde: "Seu pedido saiu do nosso CD ontem às 14h e está com a Jadlog. A previsão de entrega é amanhã até as 18h. Quer que eu te mande o link de rastreamento direto?"
Esse nível de especificidade muda completamente a percepção do cliente.
O que foi implementado, na prática
A implementação aconteceu em três fases ao longo de aproximadamente quatro meses.
Fase 1: mapeamento e integração de dados. Antes de ligar qualquer IA, a empresa passou seis semanas organizando o caos de dados. Sistemas que não conversavam entre si precisaram de conectores. O histórico de tickets foi categorizado. Sem essa base, a IA não teria contexto suficiente para responder bem.
Fase 2: automação das perguntas de alto volume. Os 10 tipos de perguntas mais frequentes foram mapeados e o agente foi treinado para resolvê-los com acesso direto aos sistemas. Rastreamento, trocas dentro do prazo, confirmação de pagamento, consulta de saldo de crédito, segunda via de nota fiscal. Esses 10 tipos respondiam por 58% de todos os tickets.
Fase 3: escalonamento inteligente. Para tudo que o agente não resolvia com alta confiança, o sistema escalava para humano com contexto completo: histórico do cliente, o que já foi tentado, qual era a emoção aparente na conversa. O atendente humano não precisava reler tudo do zero.
A plataforma usada foi construída sobre um modelo de linguagem com integração via API aos sistemas internos. A empresa não desenvolveu do zero: usou uma solução de CRM com IA integrada e customizou os fluxos para a realidade do negócio.
Os números que justificam a decisão
Seis meses depois do go-live completo, os resultados consolidados mostravam:
O volume de tickets resolvidos sem intervenção humana chegou a 63%, acima da meta inicial de 55%. O tempo médio de resolução caiu de 6 horas para menos de 4 minutos nos casos automatizados. O atendimento passou a funcionar 24 horas por dia, 7 dias por semana, sem custo adicional de plantão.
O custo por ticket resolvido caiu cerca de 40%, combinando a redução de volume para humanos e a eliminação de horas extras nos fins de semana. O time de 12 pessoas foi reconfigurado: 7 passaram a lidar apenas com casos complexos, reclamações escaladas e clientes em risco de churn. As outras 5 posições foram redirecionadas para outras áreas da operação, sem demissões.
O NPS subiu aproximadamente 30 pontos no período. O fator mais citado nas pesquisas de satisfação foi a resposta imediata durante horários alternativos, especialmente noturno e fim de semana.
Um dado inesperado: as vendas realizadas via chat fora do horário comercial cresceram. O agente, ao ajudar um cliente com dúvida sobre tamanho, passou a oferecer recomendações baseadas no histórico de compras. Cerca de 8% das conversas de suporte noturnas geraram uma compra adicional no mesmo atendimento, segundo dados internos da empresa.
As limitações que ninguém conta
Seria desonesto não mencionar o que não funcionou ou o que custou mais do que o esperado.
A fase de integração de dados foi subestimada. A empresa planejou 3 semanas e levou 6. Sistemas legados com APIs mal documentadas, dados de clientes inconsistentes entre plataformas, e uma planilha de Excel que vivia paralela ao ERP criaram retrabalho considerável. Quem tiver operação com dados bagunçados vai enfrentar o mesmo problema.
O agente erra. Não frequentemente, mas erra. Nos primeiros dois meses, a taxa de erro em respostas automatizadas ficou em torno de 4%, o que parece baixo mas, em 4.000 tickets por mês, representa quase 160 respostas incorretas. A maioria era recuperável, mas algumas criaram fricção adicional com clientes. A empresa implementou um loop de feedback semanal para corrigir os casos e retreinar os fluxos.
Clientes idosos ou com menos familiaridade com texto digital tiveram mais dificuldade com o agente e desistiram com mais frequência antes de resolver o problema. Para esse segmento, o canal telefônico com humano continuou sendo necessário.
E há o custo inicial: a implementação completa, incluindo consultoria, customização e integração, custou um valor na casa de dezenas de milhares de reais. O retorno veio, mas levou os seis meses completos para cobrir o investimento. Não é solução para quem precisa de resultado em 30 dias.
O que qualquer e-commerce pode replicar agora
Você não precisa replicar exatamente esse caso para tirar valor da ideia. Alguns princípios funcionam mesmo em operações menores.
Comece pelo diagnóstico de volume. Antes de escolher qualquer ferramenta, categorize seus últimos 200 tickets. Qual percentual é repetitivo? Se for abaixo de 40%, a automação vai ter impacto limitado. Se for acima de 60%, você tem um caso claro para IA.
Escolha ferramentas com integração nativa à sua plataforma. Um agente sem acesso ao seu sistema de pedidos vai dar respostas genéricas. Para e-commerces na Nuvemshop, VTEX ou Shopify, já existem conectores prontos com plataformas de atendimento com IA. Veja as melhores ferramentas de IA para atendimento ao cliente para uma lista atualizada.
Não tente automatizar tudo de uma vez. Comece com os 5 tipos de pergunta mais frequentes. Meça. Ajuste. Depois expanda. A tentação de automatizar 100% desde o início é o erro mais comum e mais caro.
Mantenha o humano visível. Clientes que sabem que podem falar com uma pessoa, mesmo que raramente precisem, têm NPS significativamente melhor do que clientes que sentem estar trancados num chatbot sem saída. O botão "falar com atendente" precisa existir e funcionar.
Conclusão
O caso desse e-commerce mostra que IA no atendimento, quando implementada com rigor, não é apenas sobre cortar custo. É sobre atender melhor onde antes era impossível: às 23h17, numa troca de vestido, numa dúvida de tamanho antes da compra, num rastreamento que o cliente quer agora.
A redução de 40% nos custos foi consequência de resolver o problema certo com a ferramenta certa. Não o contrário.
O que você deve fazer com isso? Se você tem mais de 500 tickets por mês e pelo menos 50% deles são repetitivos, o momento de avaliar IA no suporte já passou. Cada mês sem automação tem um custo real, em dinheiro e em NPS. Comece pelo diagnóstico dos seus tickets esta semana.
Para entender como estruturar a implementação de ponta a ponta, leia o guia de automação de processos com IA, que cobre desde o mapeamento de processos até a escolha de fornecedores.
