O futuro do Customer Experience já começou. Por isso, a pergunta mais relevante para o C-Level não é como será o atendimento daqui a cinco anos. A questão agora envolve as decisões que a empresa precisa tomar para preparar sua operação.
Nos últimos anos, o mercado mudou, a expectativa dos clientes aumentou e os canais se multiplicaram. Ao mesmo tempo, as operações passaram a gerar volumes cada vez maiores de dados. Nesse cenário, a inteligência artificial deixou a fase de experimentação e começou a ocupar funções reais dentro das estruturas de atendimento.
A transformação do Customer Experience já começou
Os números mostram a velocidade dessa mudança. Uma pesquisa da Salesforce com 3.075 profissionais de customer service indica que 66% das organizações pesquisadas utilizavam AI agents em 2026, contra 39% em 2025.
Além disso, entre as equipes que já adotaram esses agentes, 77% utilizam a tecnologia tanto nas interações com clientes quanto em atividades internas. Dessa forma, a inteligência artificial começa a participar de diferentes etapas da operação.
Por outro lado, adotar tecnologia não significa transformar uma operação. Uma pesquisa da McKinsey, publicada em junho de 2026, mostra que quase 90% das organizações pesquisadas estão ao menos experimentando IA.
Entretanto, apenas 7% afirmam ter escalado a tecnologia por toda a empresa. Portanto, existe uma diferença importante entre experimentar uma solução e incorporá-la ao modelo operacional.
Esse contraste ajuda a explicar o momento atual do Customer Experience. O acesso à tecnologia cresce rapidamente. Porém, a capacidade de transformar tecnologia em capacidade operacional continua mais restrita.
Diante disso, o próximo passo do C-Level precisa envolver uma agenda executiva clara. Afinal, o futuro do Customer Experience dependerá menos da tecnologia escolhida e mais da capacidade de incorporá-la ao funcionamento da empresa.
1. Redesenhar processos antes de automatizar
A primeira decisão envolve revisar como a operação funciona antes de definir como a tecnologia entrará nela.
Durante muito tempo, crescimento significou ampliar capacidade. Quando o volume aumentava, a resposta natural envolvia contratar pessoas, criar novas filas, ampliar canais e adicionar camadas de gestão.
Esse modelo funcionou em diferentes contextos. Contudo, encontra limites quando o crescimento também multiplica retrabalho, transferências, consultas manuais, reincidência e complexidade.
Por isso, automatizar uma estrutura desse tipo sem questioná-la pode gerar um resultado contraditório. A empresa passa a executar mais rapidamente atividades que talvez nem devessem continuar existindo da mesma forma.
O diagnóstico vem antes da automação
Antes de implementar uma nova camada de IA, a liderança precisa entender como uma solicitação percorre a empresa. Também precisa identificar quantas etapas existem até a resolução e onde surgem esperas.
Além disso, vale observar quais informações exigem consulta, quantas vezes os mesmos dados entram nos sistemas e quais transferências ainda dependem de procedimentos manuais.
Esse diagnóstico permite separar aquilo que realmente gera valor daquilo que surgiu apenas porque a operação acumulou adaptações ao longo do tempo.
Nesse sentido, a transformação operacional começa pelo processo. Somente depois dessa análise a empresa consegue definir quais atividades fazem sentido para automação.
Eficiência também significa eliminar esforço
Essa mudança altera a própria definição de eficiência.
Uma operação eficiente não é simplesmente aquela em que cada profissional atende mais rápido. Na prática, é aquela que exige menos esforço para entregar uma resolução melhor.
Se uma transferência pode desaparecer, não basta torná-la mais rápida. Caso uma solicitação surja por causa de uma falha recorrente, talvez a melhor decisão seja eliminar sua origem em vez de ampliar a capacidade de atendimento.
Portanto, para o C-Level, redesenhar processos significa deixar de administrar apenas a capacidade instalada. Significa também questionar quanto do trabalho existente realmente precisa continuar existindo.
2. Priorizar IA pelo impacto operacional
A segunda decisão envolve escolher onde a inteligência artificial realmente pode gerar valor.
À medida que novas soluções surgem, as empresas naturalmente acumulam iniciativas, pilotos e provas de conceito. Entretanto, o risco aparece quando a inovação se transforma em uma coleção de experimentos desconectados dos principais desafios da operação.
A McKinsey ajuda a dimensionar esse cenário. Quase 90% das organizações pesquisadas já experimentam IA, mas somente 7% relatam escala em toda a empresa.
Portanto, iniciar projetos tornou-se relativamente comum. Transformá-los em capacidade operacional, entretanto, continua muito mais difícil.
IA precisa resolver problemas reais
Por isso, a pergunta mais relevante não deveria ser “onde podemos usar IA?”. O C-Level precisa perguntar: em quais pontos da operação a IA pode produzir impacto mensurável?
Um caso de uso pode reduzir reincidência, melhorar o roteamento, eliminar consultas manuais, aumentar a resolução ou diminuir o tempo improdutivo.
Em outros cenários, a tecnologia pode permitir que uma solicitação simples siga até a resolução sem intervenção humana. Nos bastidores, também pode classificar demandas, resumir históricos, recuperar conhecimento ou recomendar o próximo passo.
Existe, portanto, um ponto em comum entre essas possibilidades: a tecnologia precisa responder a um problema operacional claro.
O impacto precisa aparecer nos indicadores
Essa lógica também permite definir indicadores antes da implementação.
Se o objetivo envolve roteamento, a taxa de transferência pode mostrar o impacto. Por outro lado, para reduzir contatos reincidentes, FCR e repetição de demandas ajudam a medir a evolução.
A Salesforce mostra que a aplicação dos AI agents já ultrapassa a interface com o cliente. Entre as equipes pesquisadas que utilizam esses agentes, 77% empregam a tecnologia tanto no front quanto em operações internas.
Esse movimento reforça uma mudança importante. A oportunidade da IA não está apenas na capacidade de conversar. Além disso, ela pode participar do trabalho que acontece por trás da experiência.
Para o C-Level, priorizar IA significa escolher problemas relevantes, definir o resultado esperado e criar condições para levar cada caso de uso além do piloto.
Assim, a tecnologia passa a ser consequência de uma prioridade operacional, e não o ponto de partida da estratégia.
3. Integrar dados à decisão
A terceira decisão envolve transformar dados em infraestrutura operacional.
As empresas já produzem uma enorme quantidade de informação durante o relacionamento com clientes. Motivos de contato, histórico, satisfação, reincidência, tempo de resolução, transferências, reclamações e comportamento formam uma base valiosa sobre a operação e sobre o próprio negócio.
Ainda assim, o desafio está em fazer essa informação circular.
Uma empresa pode ter CRM, ERP, BI e diferentes plataformas de atendimento e, mesmo assim, obrigar o profissional a reconstruir o contexto do cliente a cada interação.
Dados precisam chegar ao momento da decisão
Mesmo com dezenas de dashboards disponíveis, a liderança pode continuar identificando problemas apenas quando seus impactos já se tornaram relevantes.
Operar orientado por dados exige outra lógica. A informação precisa participar da decisão no momento em que ela acontece.
Imagine um cliente que já entrou em contato três vezes pelo mesmo motivo. Nesse caso, essa informação deveria mudar a forma como a quarta interação acontece.
Agora considere um processo que começa a apresentar aumento de reincidência. Nesse cenário, o indicador deveria provocar uma investigação antes que o volume exija mais capacidade.
Da mesma forma, uma jornada com muitas transferências e queda de satisfação precisa de dados capazes de localizar o ponto de atrito.
Dados também sustentam a inteligência artificial
Essa lógica também vale para a inteligência artificial.
Uma IA capaz de interpretar linguagem continua limitada quando trabalha com dados fragmentados. Da mesma forma, perde capacidade quando não possui acesso ao contexto necessário para executar a próxima ação.
Por isso, quanto maior sua participação na operação, maior a importância de fontes confiáveis, integração, qualidade dos dados e regras claras de utilização.
A pesquisa da McKinsey reforça essa relação ao associar a capacidade de escalar IA a fundamentos como dados, sistemas, indicadores claros, gestão de performance e integração aos workflows.
BI precisa gerar ação
Para a liderança executiva, isso significa mudar a expectativa sobre Business Intelligence.
BI não deveria terminar em uma reunião de performance. Pelo contrário, o ciclo precisa continuar: o dado gera um insight, o insight orienta uma decisão, a decisão provoca uma ação, o resultado é mensurado e o aprendizado retorna para a operação.
É esse ciclo que transforma informação em inteligência.
Consequentemente, quanto mais rapidamente a organização percorre esse caminho, maior sua capacidade de corrigir problemas, priorizar oportunidades e aprender com aquilo que acontece todos os dias na jornada do cliente.
4. Redesenhar o papel humano
A quarta decisão envolve definir onde as pessoas realmente precisam estar.
Durante muito tempo, o debate sobre inteligência artificial foi tratado como uma oposição entre tecnologia e trabalho humano. Para operações de Customer Experience, porém, a discussão ganha mais valor quando analisamos como distribuir o trabalho.
Nem toda atividade precisa continuar dependendo de uma pessoa. Ao mesmo tempo, nem toda atividade deveria seguir para a automação.
Tarefas recorrentes, triagens, consultas, classificações, recuperação de informações e decisões baseadas em critérios claros podem representar boas oportunidades para a automação.
Já situações que exigem negociação, julgamento, tratamento de exceções, conhecimento especializado ou construção de relacionamento continuam encontrando grande valor na atuação humana.
O desafio está na distribuição do trabalho
O desafio executivo está em posicionar cada capacidade no lugar correto.
Além disso, vale analisar o que acontece antes de o profissional começar efetivamente o atendimento. Muitas pessoas qualificadas ainda dedicam parte da jornada à busca de históricos, acesso a sistemas, cópia de informações e reconstrução do contexto de um caso.
Se a IA consegue organizar esse contexto e recuperar informações, o ganho não está necessariamente em retirar a pessoa da jornada. O objetivo consiste em permitir que sua participação aconteça em um nível de maior valor.
Os resultados observados pela Salesforce reforçam essa possibilidade. Entre as organizações pesquisadas que implementaram AI agents, satisfação do cliente aparece como o KPI mais citado entre aqueles que apresentaram melhora.
Isso não significa que qualquer automação melhora a experiência. Na prática, um bom desenho entre IA e atuação humana pode gerar resultados que vão além da simples redução de esforço.
O atendimento precisa preservar contexto
Para isso, o escalonamento precisa seguir uma lógica clara. Quando uma pessoa entra na jornada, deve receber o contexto construído anteriormente.
O cliente também não deveria precisar repetir toda a conversa porque saiu de um fluxo automatizado. Além disso, a tecnologia precisa reconhecer seus limites e encaminhar situações complexas no momento adequado.
Redesenhar o papel humano significa preservar pessoas onde elas realmente fazem diferença. Ao mesmo tempo, a empresa precisa retirar da rotina atividades que consomem capacidade sem gerar valor proporcional.
Essa decisão não diminui a importância do atendimento humano.
Pelo contrário, torna seu papel mais estratégico.
5. Governar a operação por indicadores
A quinta decisão envolve estabelecer uma gestão capaz de mostrar se toda essa transformação realmente funciona.
Isso exige ir além de dashboards cheios de KPIs.
TMA, FCR, SLA, CSAT, NPS, produtividade, reincidência, taxa de transferência e custo continuam importantes. No entanto, nenhum desses indicadores explica sozinho a saúde de uma operação.
Indicadores precisam contar uma história
Um TMA menor pode parecer positivo até que a empresa identifique aumento nos contatos repetidos. Já uma taxa elevada de automação pode indicar eficiência até que satisfação e resolução comecem a cair.
Da mesma forma, um NPS saudável pode coexistir com uma estrutura operacional que cresce em custo mais rapidamente do que o negócio.
Por isso, a gestão executiva precisa conectar experiência, produtividade, qualidade e custo.
Essa leitura permite entender se uma melhoria representa um ganho real ou apenas desloca o problema para outro ponto da operação.
Se FCR aumenta e reincidência cai, existe um sinal de evolução na resolução. Quando a automação cresce enquanto experiência e qualidade permanecem saudáveis, existe evidência de que a tecnologia pode absorver volume de forma adequada.
Outro sinal aparece quando produtividade melhora sem aumento de transferências ou queda de satisfação. Nesse cenário, a empresa encontra uma evidência mais consistente de evolução operacional.
Governança transforma métricas em decisão
O KPI deixa, então, de funcionar como um objetivo isolado e passa a integrar uma explicação sobre o negócio.
A McKinsey identifica clareza de KPIs, uso disciplinado de dados e gestão contínua de performance entre os fundamentos associados às organizações mais maduras em excelência operacional e implantação de IA.
Essa distinção importa para o C-Level. A transformação não pode depender apenas de percepção.
Ao redesenhar processos, introduzir inteligência artificial, integrar dados e modificar a forma como as pessoas trabalham, a empresa precisa definir quais resultados espera produzir e como irá reconhecê-los.
Assim, os indicadores passam a funcionar como mecanismos de governança.
As métricas mostram onde a operação avança, onde surgem desvios, quais investimentos geram valor e quais iniciativas precisam ser revistas.
Em vez de medir apenas o que aconteceu, a organização utiliza indicadores para decidir o que fazer depois.
As cinco decisões formam um único modelo operacional
Redesenhar processos, priorizar IA, integrar dados, reposicionar pessoas e governar por indicadores podem parecer cinco iniciativas diferentes. Na prática, elas formam partes do mesmo sistema.
Processos, tecnologia e pessoas precisam trabalhar juntos
Um processo melhor cria condições para uma automação melhor. Por sua vez, uma IA conectada a dados toma decisões com mais contexto.
Dados estruturados ajudam profissionais e tecnologia a trabalhar de forma consistente. Além disso, pessoas posicionadas nas atividades certas aumentam a qualidade daquilo que não deve ser automatizado.
Nesse modelo, os indicadores mostram se todo o desenho produz os resultados esperados.
Quando essas capacidades funcionam de forma isolada, a empresa acumula ferramentas, projetos e iniciativas. Já quando trabalham juntas, começa a surgir um novo modelo operacional.
Da adoção tecnológica à transformação
É justamente essa integração que separa adoção tecnológica de transformação.
Os benchmarks da Salesforce e da McKinsey mostram dois movimentos complementares. De um lado, a adoção avança rapidamente. De outro, escalar IA pela organização inteira continua sendo exceção.
Portanto, o intervalo entre esses dois cenários representa uma parte importante da agenda executiva.
A questão não é mais simplesmente adotar inteligência artificial.
É construir uma operação capaz de absorvê-la.
Customer Experience precisa entrar na agenda do C-Level
Essa mudança também exige rever o próprio lugar do Customer Experience dentro das organizações.
CX não pode ser tratado apenas como uma responsabilidade do atendimento, uma métrica de satisfação ou um conjunto de iniciativas destinadas a tornar a jornada mais agradável.
A experiência que o cliente recebe resulta do modelo operacional.
Experiência e operação estão conectadas
Quando processos são fragmentados, o cliente percebe esforço. Sistemas que não conversam fazem o cliente repetir informações.
Além disso, dados que não chegam à decisão produzem respostas genéricas. Profissionais sem contexto ou autonomia enfrentam mais transferências.
Por fim, operações que não aprendem continuam reproduzindo os mesmos problemas.
Do ponto de vista do cliente, tudo isso representa experiência.
Para o executivo, tudo isso representa operação.
Por isso, a JobHome trabalha Customer Experience a partir de uma visão integrada entre tecnologia, gestão, pessoas, processos e dados.
A inteligência artificial precisa entrar nos fluxos em que consegue gerar impacto. Por outro lado, o atendimento humano precisa permanecer nos momentos em que contexto e julgamento produzem maior valor.
Além disso, BI e indicadores precisam transformar as interações em inteligência para a gestão. Os processos também precisam de acompanhamento contínuo para que o crescimento não reproduza ineficiências na mesma proporção.
Essa visão não transforma CX em um projeto de tecnologia.
Transforma Customer Experience em uma disciplina de performance operacional.
O futuro do Customer Experience não precisa de mais uma previsão
Ao longo de setembro, a discussão começou com uma pergunta sobre o modelo tradicional de atendimento. Depois, os custos invisíveis da operação mostraram como pequenas ineficiências podem se multiplicar em escala.
Na sequência, os indicadores mostraram que performance precisa de uma leitura integrada. A inteligência artificial ampliou a discussão sobre automação, contexto e tomada de decisão.
Por fim, os dados mostraram que nenhuma dessas capacidades escala de forma consistente sem uma estrutura capaz de transformar informação em ação.
Decisões que já podem entrar na agenda
Agora, todas essas discussões convergem.
O futuro do Customer Experience não depende de descobrir qual será a próxima tecnologia. Depende de decisões que as empresas já podem tomar.
Redesenhar processos elimina esforço desnecessário. Escolher casos de IA pelo impacto potencial melhora a priorização. Integrar dados leva contexto à decisão.
Reposicionar pessoas direciona competências para atividades de maior valor. Construir uma governança baseada em indicadores conecta experiência, produtividade, qualidade e custo.
Essas são decisões de operação. Entretanto, também são decisões de competitividade.
Quanto mais acessível a tecnologia se torna, menor será a vantagem de simplesmente possuí-la. A diferença estará na capacidade de incorporá-la aos processos, conectá-la aos dados, combiná-la ao trabalho humano e utilizá-la para construir uma operação mais inteligente, consistente e escalável.
É essa transformação que começa a definir o novo Customer Experience brasileiro.
CX Intelligence Report: o próximo passo
No dia 30 de setembro, a JobHome apresenta o CX Intelligence Report: O Novo Customer Experience Brasileiro.
O relatório executivo reúne os principais movimentos que transformam o setor e aprofunda a discussão sobre inteligência artificial, dados, excelência operacional, pessoas e os novos modelos necessários para construir operações preparadas para os próximos anos.
Mais do que apresentar tendências, o relatório propõe uma leitura executiva sobre aquilo que já está mudando e sobre as decisões que precisam entrar na agenda das lideranças.
Porque o futuro do Customer Experience já começou.
Agora, a principal pergunta não é como ele será.
É como sua empresa decidiu se preparar para ele.
