Scovai Scovai
AI & Operations 2026-11-17 1 min read

Você encaminhou as chamadas de baixa intenção para uma IA. Sua equipe recebeu leads melhores e fechou cerca de 5 pontos a menos.

DSL

Dr. Sarah Liu

Você encaminhou as chamadas de baixa intenção para uma IA. Sua equipe recebeu leads melhores e fechou cerca de 5 pontos a menos.

Uma corretora chinesa de planos de saúde on-line executou a jogada de roteamento de leads com IA que toda apresentação de operações recomenda: o agente de voz nos leads de baixa intenção, os leads de alta intenção para as pessoas. Nas três primeiras chamadas do dia de um operador, a probabilidade de que uma chamada fosse um lead de alta intenção subiu cerca de 23 pontos percentuais. A aquisição de clientes nessas mesmas chamadas caiu cerca de 5 pontos percentuais (Fu, Luo, Ramasubbu et al., 2026).

As mesmas pessoas. Insumos melhores. Resultado pior. A queda se concentrou exatamente onde a melhoria foi maior, e ambos os efeitos se dissiparam até zero mais tarde na jornada — o detalhe que descarta a maioria das explicações confortáveis.

É esse par de resultados que merece atenção. Ele diz que o agente não falhou. O agente fez exatamente aquilo para o que foi implantado, e as pessoas a jusante dele mudaram de comportamento de um modo que nenhum business case de roteamento precifica.

O que o estudo realmente mediu

O artigo é "When Better Opportunities Backfire: Service Worker Responses to Parallel AI Deployment in Customer Acquisition", submetido ao arXiv em 19 de outubro de 2026 por Xinyu Fu, Shulong Luo, Narayan Ramasubbu e mais três coautores. Cobre mais de meio milhão de registros de contato com clientes em torno da implantação de um único agente de voz com IA, identificado por um desenho de regressão descontínua no tempo — comparando o comportamento dos operadores imediatamente antes e depois da mudança, não contra um grupo de controle autosselecionado.

A escolha de desenho útil é que os autores rastreiam os efeitos ao longo da jornada de trabalho em vez de calcular médias. É isso que produz a assinatura do fenômeno:

  • Probabilidade de alta intenção nas três primeiras chamadas: alta de cerca de 23 pontos percentuais, dissipando-se até zero mais tarde no dia.
  • Aquisição de clientes nas três primeiras chamadas: queda de cerca de 5 pontos percentuais, achatando-se ao longo do dia.
  • Os operadores realocaram seus primeiros leads cerca de 8 pontos percentuais mais vezes e encurtaram essas chamadas em cerca de 13%.

Uma decomposição calibrada no artigo conclui que o ganho modesto do melhor ordenamento de leads é superado por uma resposta comportamental negativa muito maior. Atenção às ressalvas: cada número na fonte aparece como "cerca de". Não deixe ninguém acrescentar uma casa decimal na sua apresentação interna.

Por que o roteamento de leads com IA move a conversão: valor de reserva, não habilidade

É aqui que o achado deixa de ser curiosidade e passa a ser um princípio operacional.

Os autores o enquadram com a teoria da busca sequencial. Quando um operador tem um lead em mãos, a decisão de continuar trabalhando nele é uma comparação com o que há na fila. Enriqueça a fila e você eleva o valor de reserva do operador — o patamar de qualidade que o lead atual precisa superar para valer mais cinco minutos. O lead em mãos não piorou. A concorrência dele melhorou.

Então o operador o abandona mais cedo. Daí a alta de 8 pontos nas realocações e as chamadas 13% mais curtas. O comportamento é individualmente racional e coletivamente caro: a persistência é de onde vem a conversão marginal em vendas ativas, e a persistência é a primeira coisa que uma fila abundante tributa.

Isso não é perda de competência. Não é moral no sentido vago que as pesquisas usam. É uma resposta específica e previsível a uma distribuição de oportunidades alterada, e a real contribuição do artigo às operações de serviço é nomear a distribuição de oportunidades como variável de estado ao lado das duas que toda equipe de operações já observa: carga de trabalho e congestionamento.

Por que seu painel não vai mostrar isso

Três instrumentos vão reportar a mudança de roteamento como sucesso:

  1. Qualidade do lead por chamada atendida por humanos: em forte alta.
  2. Volume atendido pelo agente: capacidade nova, sem quadro adicional.
  3. Tempo médio de atendimento: em queda, porque as chamadas abandonadas são curtas.

A taxa de conversão é a única que se move contra você, e na maior parte do reporte do mid-market ela é atribuída ao mix de fontes de leads, à sazonalidade ou ao vendedor. A cadeia causal de "roteamos o trabalho fácil para outro lugar" até "a equipe parou de insistir nas chamadas difíceis" atravessa dois painéis pertencentes a duas pessoas diferentes.

A dissipação intradiária piora isso. Um efeito que aparece nas chamadas um a três e some no início da tarde sobrevive a quase qualquer agregação diária ou semanal. Na média de um turno, você obtém uma queda de conversão pequena e ruidosa que parece variância. Na média de um mês, ela desaparece no ciclo de remuneração. O sinal é real e a granularidade do seu reporte é que está errada para ele.

É o mesmo formato do erro do custo de supervisão

O padrão vai além dos agentes de voz, e a literatura adjacente é consistente o bastante para ser tratada como premissa, não coincidência.

Dados de produção do produto agêntico da Perplexity mostraram o tempo de conclusão em tarefas comparáveis cair de 269 minutos para 36 — redução de 87% no tempo e 94% no custo — enquanto o trabalho humano subsequente se deslocou para cima, para verificação, extensão e tarefas que cruzavam fronteiras ocupacionais (Perplexity / HBS, 2026). O trabalho não desapareceu; realocou-se para uma parte do organograma para a qual ninguém havia previsto pessoal.

A McKinsey QuantumBlack colocou números no mesmo deslocamento pelo lado do custo: para um agente executando uma tarefa de atendimento ao cliente em bancos, os custos de tokens frequentemente representam apenas 20 a 25 por cento dos custos variáveis de operação, enquanto a supervisão humana responde por 70 a 75 por cento (McKinsey QuantumBlack, 2026). Os líderes otimizam o quarto visível da conta.

E no nível da mesa de trabalho, 42% dos trabalhadores do conhecimento dizem gastar mais tempo verificando a saída da IA do que economizam ao usá-la, com 52% corrigindo regularmente trabalho gerado por IA produzido por colegas (Adaptavist, 2026). A economia e o custo recaem sobre pessoas diferentes, de modo que uma visão de produtividade por posto registra o ganho e perde inteiramente a contrapartida.

Três tradições de pesquisa diferentes, uma estrutura: a implantação de agentes move um custo em vez de removê-lo, e o movimento atravessa uma fronteira contábil. O estudo da corretora é a versão em que o custo cai dentro da motivação humana em vez das horas humanas — o que o torna mais difícil de ver e mais fácil de atribuir errado.

Onde o mesmo formato aparece em trabalho que não é vendas

Esta parte é inferência, não achado — o estudo cobre chamadas ativas de seguros e nada mais. Mas as condições que produzem o efeito estão enunciadas com clareza suficiente para serem conferidas contra suas próprias filas, e não são específicas de vendas. São: o trabalhador segura uma unidade de trabalho por vez, tem discricionariedade sobre quando abandoná-la, e consegue ver ou sentir o que espera atrás.

Isso descreve uma parcela surpreendente das operações do mid-market. Agentes de suporte trabalhando uma fila de tickets que podem repriorizar. Pessoal financeiro liquidando exceções de contas a pagar. Reguladores de sinistros. Analistas de crédito. Qualquer pessoa que trabalhe uma lista de triagem em que os itens fáceis estão prestes a ser absorvidos por um agente e a discricionariedade sobre a sequência permanece com o humano.

Onde as condições não valem, o achado não precisa preocupá-lo. Trabalho de sequência fixa sem discricionariedade de abandono, trabalho em que a fila é invisível ao trabalhador, e trabalho genuinamente não substituível (um caso, um responsável, até o fechamento) quebram todos o mecanismo. A pergunta diagnóstica é simplesmente: depois desta mudança de roteamento, a pessoa que segura o item difícil consegue ver algo melhor esperando? Se sim, você tem o cenário. Se não, não tem.

A contraleitura honesta

Eu não apresentaria isso como assentado. Quatro limites importam:

É uma empresa, um país, um tipo de trabalho. Venda ativa de seguros é de alto volume, moldada por comissão e incomumente sensível ao valor de reserva porque a fila é o mecanismo de remuneração. Uma equipe de operações assalariada trabalhando um backlog de serviços compartilhados enfrenta uma versão mais fraca do mesmo incentivo.

É um preprint. v1, submetido em 19 de outubro de 2026, ainda sem revisão por pares.

Regressão descontínua no tempo é identificação, não ensaio controlado. Uma descontinuidade no tempo é vulnerável a qualquer outra coisa que tenha mudado na implantação — uma revisão de script, um novo plano de comissões, uma troca de fornecedor de leads. O padrão de dissipação intradiária é a defesa mais forte, pois um fator de confusão teria de explicar por que o efeito aparece apenas nas três primeiras chamadas.

O líquido é uma decomposição, não um resultado contábil. A conclusão do artigo de que a resposta comportamental supera o ganho de ordenamento vem de um exercício de calibração. É uma estimativa crível de sinal e ordem de grandeza, não uma margem auditada.

O que sobrevive aos quatro: o roteamento muda a distribuição de oportunidades, e remuneração e métricas construídas para uma fila escassa precificam mal uma fila rica. Essa afirmação é direcionalmente sólida mesmo que os 5 pontos não sejam os seus 5 pontos.

O que inspecionar antes da sua próxima decisão de roteamento

A unidade acionável não é o modelo. É a fila e o posto.

Meça persistência, não só qualidade. Antes de o agente entrar em produção, estabeleça a linha de base de tentativas por lead, duração da chamada e taxa de realocação — segmentada por posição na jornada. Se você só guarda médias diárias, o efeito deste artigo é invisível para você por construção, porque ele vive nas três primeiras chamadas e morre à tarde.

Releia o incentivo diante da nova fila. Uma comissão por conversão numa fila abundante paga as pessoas para tangenciar. Se o agente está prestes a elevar a qualidade média dos leads, a questão de remuneração é se algo ainda recompensa o décimo primeiro minuto numa chamada difícil. Pisos de persistência, mínimos de tentativas, ou uma meta ponderada por qualidade em vez de por contagem são os reparos habituais.

Decida o modo de ocupação do posto, não a lista de tarefas. É aqui que a maioria dos projetos de roteamento do mid-market erra: delimitam quais tarefas o agente absorve e nunca redeclaram pelo que o posto humano agora responde. Uma decisão de ocupação obriga a escrever o que o humano faz com uma fila enriquecida; uma decisão de divisão de tarefas permite deixá-lo implícito e descobrir pela taxa de conversão. A superfície AUGMENT da Scovai segue esse caminho explicitamente — cada posto do organograma é pontuado de 0 a 100% quanto ao grau em que é aumentável, e o modo é definido por posto: pessoa sozinha, pessoa mais um Digital Employee, ou o Digital Employee conduzindo o papel de ponta a ponta sob um supervisor humano nomeado, com o teto definido pela empresa em vez de um padrão de autonomia plena (Scovai AUGMENT).

Rode o agente primeiro numa fatia e observe as pessoas, não o agente. As métricas do próprio agente estarão bem. A instrumentação que se paga está sobre os trabalhadores cuja fila acabou de mudar.

A decisão deste trimestre

Uma decisão de roteamento de leads com IA não é uma decisão de capacidade com um efeito colateral sobre a motivação. É uma decisão sobre motivação vestida de capacidade.

Então pare de perguntar qual trabalho seu agente deve assumir. Pergunte pelo que suas pessoas são pagas quando o trabalho que você deixou para elas começa a parecer abundante — e se você verá a resposta nos seus números antes que ela apareça no seu pipeline.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.