Latest / Product Guru's : Produto | Negócios | Carreira / IA no Atendimento ao Cliente | André Fossa @ Cogni2

Transcript

IA no Atendimento ao Cliente | André Fossa @ Cogni2 · Product Guru's : Produto | Negócios | Carreira

0:00
Mas tem um dado da vtex muito interessante, que fala sobre
0:03
venda de WhatsApp, independeu, leiga, exatamente a categoria de
0:07
produto. Mas a relação é a relação.
0:10
Era o seguinte, se você respondesse um cliente até um
0:13
minuto, a conversão dessa categoria era de 23%.
0:19
Se você respondesse esse cliente em 1 hora, a conversão era de
0:23
10%. Se você respondesse esse cara em
0:25
24 horas, a conversão era 1%. Pausa aqui.
0:30
Só que a sua demanda não necessariamente bate com a
0:33
disponibilidade da sua equipe, né?
0:36
Então é, eu tenho, eu vou fazer um investimento em publicidade
0:41
que talvez vai bater mais no fim de semana e eu não tenho
0:43
operação. E aí você está perdendo 20 vezes
0:46
de conversão, porque você não tem operação para atender no fim
0:48
de semana. E eu no fluxo de vendas, a gente
0:51
turbina. É conversão em relação ao
0:54
humano. Porque eu consigo ser imediato
0:57
na resposta. Eu respondo Pra Ele em menos de
0:59
1 minuto. Eu consigo não só seguir o fluxo
1:02
do que ele tem que saber de comprar, mas eu ajudo ele a
1:06
escolher. A solução é e com um alto nível
1:11
de qualidade. Oi, tudo bem com você?
1:16
Meu nome é Paulo chod. Sejam bem vindos a prote, gurus
1:19
ou podcast, que é a voz por trás dos produtos, mas que também tem
1:22
abordado e a. De peito aberto aqui e hoje é um
1:26
episódio muito especial pra mim pessoalmente porque eu vou
1:29
entrevistar um ex chefe. Então eu peço que você que está
1:32
ouvindo e assistindo, deixe o seu like, comente, tá?
1:37
Tá ouvindo pelo Spotify, a podcast deixe só 5 estrelas,
1:41
segue a gente. Tá bom porque eu estou meio
1:43
nervoso, porque eu estou quero um ex chefe aqui.
1:49
André fossa, tudo bem com você? E.
1:50
Aí charge, tudo bom? Ex chefe é esse cara já nem
1:54
conta. A gente é.
1:56
A gente é, é colega e sou fã do PG, cara, então.
2:00
Acho que isso é uma métrica boa pra mim.
2:02
Não quando meus ex chefes gostam do do do PG, não a fossa.
2:08
Claro, tem que ser cara, não só do PG.
2:11
Mas sempre gostei muito de você. Torço muito pelo seu sucesso.
2:16
É, sou um cara do bem, um cara que sempre foi muito capaz.
2:21
O pouco com a gente lá, mas um dia a gente ainda volta a
2:23
trabalhar junto. Com certeza.
2:25
Então essa parte. Editor, eu peço que você corte e
2:27
me mande separado, porque eu vou subir No No meu, no meu
2:31
currículo, como uma carta de apresentação.
2:34
Oo fossa você tem uma longa experiência em transformação
2:38
digital. Eu trabalhei com com você na
2:40
Nextel, onde eu aprendi muito. Aprendi muito, desde gostar de
2:46
usar camisas, camisetas, usar Chico rei.
2:50
E camisa aberta, de com tênis e tudo bonitinho, porque era um
2:55
estilo de diretor diferente do que eu via, né?
2:59
Que eu que eu tinha visto a aprendi muito com com você.
3:04
EE hoje você é founda da cognit too, né?
3:08
É o que que motivou a fundação da cognit too.
3:10
E qual a lacuna no mercado, você identificou?
3:14
Legal, cara? Não.
3:15
Super boa pergunta. Obrigado aí.
3:18
É, eu já tinha empreendido uma vez, né?
3:20
É, eu sempre comento, quando eu vou falar com o cliente eu falo,
3:24
eu já quebrei uma startup antes, tinha ficado com uma startup
3:27
anterior, 5 anos, a gente que IA ficar rico, só perdi dinheiro.
3:32
É, mas foi uma super experiência, eu sabia que IA
3:35
voltar a empreender, eu tinha voltado para o mundo executivo,
3:38
né? EE vinha fazendo muita
3:41
transformação de atendimento, a transformação de vendas.
3:44
Desde antes, né? Ainda como como empreendedor,
3:49
depois de volta lá é na Nextel, depois na IPM, depois em outras
3:54
experiências. Pra falar a verdade, não estava
3:57
no plano empreender tão cedo de novo, não, mas no final de 22,
4:01
início de 23, quando o GPT explodiu, é, eu falei, cara,
4:06
isso aqui é a maior transformação tecnológica desde
4:08
o surgimento da internet. Eu sempre me gabo que eu que eu
4:11
falei isso um mês antes do Bill Gates.
4:14
E eu falei, não tem jeito, eu vou ter que fazer uma coisa na
4:18
área, é e o que eu enxergava que assim a tecnologia animal desde
4:22
o início, cara, se você for ver, hoje a gente olha OGP T3 6, a
4:26
gente fala, nossa, agora é. O modelo ainda é muito
4:30
rudimentar, mas ele já trazia uma mudança em relação ao que a
4:35
gente tinha de inteligência oficial muito grande.
4:38
E eu olhava assim, o que o que me brilhou, os olhos.
4:41
Não era só AA capacidade. É da tecnologia, mas como ela
4:46
mudava o único Economic de atendimento, então inteligência
4:50
artificial sempre teve aí. Então na Nextel a gente usou na
4:54
IBM ou implementava, na grandia, Watson, mas sempre foi muito
4:57
caro, sempre foi muito restritivo.
4:59
Então os casos, né, não tem uma pessoa que não odeia.
5:02
E chatbot tradicional? Os casos sempre foram o que a
5:06
gente chama de calça curta. É o pré treinado, ele vem pra
5:11
mudar isso. Ele dá um duplo triste carpado e
5:13
ele permite você ter um nível de e a gente fala muito de
5:17
cognição, mas ele tem um nível de cognição absurdo.
5:21
Ele reduz a dependência de APIs estruturadas.
5:24
Então esse é um negócio que sempre foi o calcanhar de
5:27
Aquiles pra qualquer implementação, ainda que fosse
5:30
com um IA, entendeu? Você dependia de ter APIs super
5:33
estruturadas. A generativa muda isso.
5:37
Então quando eu vi isso lá atrás, falei, cara, tem um
5:39
espaço aqui, é isso aqui vai mudar completamente o mercado.
5:44
E a gente até tem 111 slide, um dos primeiros slides, nosso Pit
5:48
deck, que é uma frase do Scott galloy que fala que 90% do
5:53
mercado de call center e beep on no mundo vai deixar de existir.
5:57
É, a gente acredita nisso e a gente quer ser um agente dessa
6:02
transformação. E ela vai ser boa, né?
6:06
A gente vai ter como resultado o cliente sendo melhor atendido na
6:09
hora que ele quer, como ele quer.
6:11
E a gente vai ter humano sendo mais humano.
6:13
Depois a gente vai falar um pouco mais para frente, mas acho
6:16
que é o grande barato. A IA vem para tirar aquela parte
6:19
do atendimento que poderia ser trocada pelo robô, a parte de
6:23
empatia humana. Ela vai continuar sendo humana?
6:26
Entendeu? Então é isso que a gente
6:29
identificou lá atrás, e aí, né? Depois a gente mergulha um
6:32
pouco, mas esse é um mercado super popular, né?
6:35
Tem um Monte de gente mexendo, é com mais, é sofisticação, menos
6:41
sofisticação. E a gente procurou um
6:44
posicionamento que ou ele é genial ou foi uma ideia, é
6:49
maluca, mas que é o seguinte, a gente entende que os maiores
6:53
consumidores de atendimento. São os bancos, são as empresas
6:58
de utility telecom. Esses caras tem 2030-1000
7:01
atendentes, é em casa. Então a gente, primeiro de tudo,
7:05
a gente tá olhando pra eles. A gente falou, ó, eu, eu como
7:08
empresa, eu quero, eu quero olhar primeiro pra esses caras,
7:12
eu quero procurar criar uma solução que atende esses caras.
7:16
O segundo, quando a gente olhava o mercado, a gente via 2 blocos,
7:19
a gente tinha uns caras que a gente chama que os caras de
7:21
caixa, que são os fornecedores de software.
7:24
E aí eu coloco no mesmo balaio, desde a Gênesis, a análise seos
7:28
force Zendesk em algum em algum espectro hablip.
7:34
Esses caras fornecem caixa pro banco para utility.
7:40
A caixa sozinha não resolve Oo cesforce não resolve a situação
7:45
do Itaú, não resolve da Porto Seguro.
7:49
É porque ele depende de um nível de complexidade que não que não
7:52
é de caixa, porque a caixa ela precisa ser padronizada pra você
7:55
ter um, pra você ter um nível de reaproveitamento maior.
7:58
Então o que que esses caras grandes fazem?
8:00
Eles acabam indo e fazendo uma solução cruston, e aí é o mundo
8:04
que eu vivi na época de IBM, então ele contrata lá IBM,
8:07
contrata Accenture, uma outra, e ele vai construir uma espécie do
8:10
zero, né? Só que fica muito caro, né?
8:14
Ele tem baixo nível de reaproveitamento.
8:17
E aí eu acho que uma coisa que a gente já está começando a ver, a
8:20
galera lá atrás, né, 2 anos atrás achou que era fácil, IA
8:24
ser tão simples quanto criar um chatbot.
8:27
Hoje, o que a gente desenvolveu para atender esses caras aqui,
8:31
que tem um alto nível de sofisticação, complexidade, a
8:34
gente tem mais de 15 a 20 elementos de arquitetura que
8:37
foram desenvolvidas para suprir essa necessidade.
8:41
Então, a nossa ideia é. Tá no meio entre quem tem uma
8:44
solução e o cara que é implementação, que faz serviço.
8:49
Juntando esses 2 e com uma proposta de não vender SAS,
8:55
então o sátia tem falado muito de da morte do SAS.
8:59
É a gente. A gente tem uma flexibilidade
9:02
comercial, mas a gente gosta de precificar de acordo com a
9:06
geração de valor que a gente traz para o cliente.
9:10
Então, EE, então se eu estou, se o meu objetivo é evitar que um
9:15
contato de um chatbot vá por um call center, eu estou sendo
9:19
remunerado por isso? Se o meu objetivo é, além de
9:24
fazer um tratamento automático, é fazer conversão de vendas, eu
9:28
estou sendo remunerado por isso? Quando a gente faz isso, ao
9:32
invés de eu brigar pelo orçamento da TI que está
9:35
travado, está brigando com todos esses outros caras que ele não
9:38
vai poder desconectar, OCRM, eu começo a brigar pelo um mercado
9:43
muito maior, que é o mercado de serviços.
9:46
E aí tem estudos ali da da própria Sequoia, cara que fala
9:49
que é o mercado de trilhão de dólares no mundo e tal, só no
9:53
Brasil, cara, pra você ter ideia, é são algo em torno de
9:57
uns 90 a 100 bi. Milhões por ano gastos é em
10:03
operações de call center BPOE, olha que eu acho que esse número
10:07
ainda ele está é subdimensionado para algumas outras operações,
10:11
tanto de vendas quanto cobrança. Uma coisa que trabalhei é,
10:16
muitas pessoas não sabem, mas eu trabalhei em call center.
10:20
Olha só que coincidência é, trabalhei em call center desde
10:24
atendente, como analista de planejamento de um de uma
10:28
operação, é. De call center, então, um eu
10:33
entendo um pouco 2 os atendentes não metem um louco pra cima de
10:38
mim porque eu sei que meteram um road lá e estão e foram no
10:44
banheiro. É EOE.
10:47
Depois que eu entrei na área de produtos e comecei, né?
10:49
Depois de 10 anos, eu cheguei a uma conclusão de que o
10:52
atendimento ele é o Pilar de um produto bom.
11:00
É se a gente pegar o NPS, esse é o que eu falo com todos os sprot
11:04
managers que vem falar, pô, o NPS está ruim, o atendimento
11:08
está falando que a culpa é do produto e tal.
11:10
Eu falo assim, tá? Pra você falar com atendimento,
11:13
você vai ter que, infelizmente, se o atendimento está um pouco
11:17
ofensivo, apontando o dedo pra produto, você vai ter que fazer
11:22
igualzinho os suítes, né? Quando você está na parede, você
11:26
tem que dar um impulso e ir pra frente.
11:28
Você vai pegar o NPS e filtra tudo que for relacionado ao
11:33
atendimento. Tira vê quanto que fica o NPS em
11:37
todas as vezes fica positivo ou tem um Salto gigantesco é de
11:43
NPS. Por quê?
11:44
Porque é um atendimento, é quando você, você força, vê isso
11:52
em várias, várias empresas, o atendimento, porque na sua
11:56
opinião. Assim, com a sua experiência,
11:59
porque que o atendimento é uma área que as empresas falam que é
12:03
importante, mas que não é olhado com a devida importância?
12:09
Cara, eu acho o seguinte, primeiro é que assim tudo
12:13
estoura no atendimento. Então acho que esse é um o outro
12:16
lado da moeda, né? Qualquer problema que o cara fez
12:20
de faturamento, o cara do financeiro.
12:25
É, tá lá. Quem tá dando problema é o cara
12:28
do atendimento e ele é 11, coitado, cara que tem que é
12:33
resolver problema do cliente que ele tem pouco controle.
12:37
Dados reais, 11 atendente, em setores como o banco é
12:43
Utilities, esses caras operam de 13 a 17 telas pra fazer um
12:48
atendimento. Esse cara, ele tem que aprender
12:51
uma quantidade de coisas absurdas em 2 a 3 semanas, o
12:54
máximo de tempo de treinamento. Esse cara é muito pouco.
12:58
É, é, é, é. Ele é muito pouco instrumentado
13:03
é para resolver esse nível de problemas EE que acabam caindo
13:09
ali. Acho que esse é o ponto. 2 eu
13:13
modestamente, eu, eu, eu sempre que eu olhava a transformação.
13:17
Eu acho que quando você olha o MPs.
13:20
Ele é o que a gente chama de legging in decader.
13:23
É o que aconteceu. O indicador que eu mais gostava
13:27
e que eu sempre fui obcecado na época de Nextel, mas as outras
13:30
que eu sempre fui obsercado era o de conta doentes, que era o
13:33
percentual de pessoas que estavam te ligando por jornada.
13:37
Então, se a gente implementasse lá uma solução de pagamento, a
13:40
minha métrica de sucesso não era quantos pagamentos ele fez, se
13:44
ele estava feliz, eu queria saber quantos por cento daquelas
13:47
pessoas. Que usaram a funcionalidade ou
13:51
que poderiam usar, acabaram ligando pro call center.
13:54
Porque se você deixar de dar problema, se você resolver lá no
13:58
topo do funil que a gente fala de resolver a causa raiz e você
14:01
mede isso pelo conta, great, você deixa de levar o problema
14:06
pro atendimento. Onde o cara?
14:08
Ele vai ter que ter cara difícil, ele vai ter que mexer
14:10
manualmente, ele vai ter que remitir, porque ele não tem
14:13
necessidade nenhuma de você ligar pra uma pessoa pra pedir
14:15
uma segunda via de fatura ou. Casos muito comum, vai 3040 por
14:20
cento dos atendimentos em empresas como essas que eu falei
14:22
são sempre relacionados a pagamento.
14:25
Aí o cara não recebe a conta, aí o bote tradicional vai lá o que
14:30
emite a segunda via, aí ele liga, no segundo mês, ele não
14:33
recebeu a conta, ele manda lá OOOA mensagem, ou você reenvia a
14:39
segunda via e você vai fazendo isso.
14:41
Mas ninguém chega nesse momento e fala, cara, por que que esse
14:43
cara tá ligando todo mês? Ninguém parou pra corrigir OE
14:47
mail dele, então ao invés de você resolver o problema dele,
14:49
só aderir esse cara pra um tratamento de cadastro que você
14:53
vai parar ele de de ter problema todo mundo.
14:55
Então eu acabei dando, fazendo uma digressão maior, mas eu acho
15:00
que o atendimento nesse sentido, ele é ele acaba sendo o final da
15:06
linha, onde tudo desemboca, e aí, cara, um custo brutal mesmo.
15:10
É surreal se você pegar numa empresa como essas que eu tô
15:13
falando, cara. Você falar que você tem 30000
15:16
pessoas, 20000 pessoas atendendo, né?
15:19
É, ele é um ele, ele não é centro de receita, ele é sempre
15:23
de custo mesmo. Então por isso que você tem uma
15:25
pressão, você você tem uma pressão por TMA, você tem uma
15:29
pressão por é, é por eficiência? É, mas você acaba deixando de
15:34
olhar que 20% da sua base está te ligando todo mês, né?
15:38
15% da sua base está te ligando todo mês.
15:40
Então acho que está um pouco nesse tratamento.
15:44
E eu acho que AIA vem para ajudar isso, né?
15:49
Tanto para você criar formas é que tragam menor pressão
15:55
operacional na companhia, mas o ter fluxos inteligentes para
15:59
fazer isso que eu falei, falei, cara, o que ódio aqui tô vendo
16:01
que ele ligou 3 vezes, cara, o que oDI é qual que é o seu?
16:05
e-mail, você confirma OE mail para mim, aí fala não é um
16:08
e-mail diferente, vamos acertar? É, e você vai deixar de ter esse
16:13
problema e você consegue ter indicadores, você consegue ter
16:16
analíticos por isso, né? Então é a vida.
16:19
A vida da atendente é difícil, cara, esses caras são, eles são,
16:24
é, é muito exigidos. E a gente teve talvez uma
16:28
frustração recente que a onda do supercrns é, não sei se eu vou
16:37
falar que falhou, mas ela frustrou a expectativa.
16:41
Porque foram viraram implementações muito complexas,
16:44
muito complexas. Então ninguém acaba um projeto
16:47
desse, né? É, e isso é gera 11 frustração
16:54
ainda maior na operação que tava tá há 5 anos esperando que vai
16:58
ter de fato uma ferramenta que reduza.
17:02
É essa quantidade de telas? É.
17:04
E a parte da tese que a gente vai falar um pouco mais para
17:06
frente dos produtos, uma parte da nossa tese é essa.
17:08
Sempre que alguém fala assim, Ah, Chad, eu tô num processo
17:11
seletivo pra telecom, eu falo, ó, deixa eu já te contar, te dá
17:16
aqui a letra, Hein? Se alguém perguntar, foca no
17:20
atendimento contact rate, ó. Primeiro, o primeiro motivo de
17:25
ligação é pagamento, segunda via de de boleto.
17:29
Tenta resolver aquilo ali. Enfim, OA qual gente?
17:33
Ou é, tem soluções como alto, pilot, Copilot, né?
17:36
É, não sei se vai de encontro com o que você acabou de
17:40
mencionar, fossa, essas, essas soluções, mas você você pode
17:43
explicar como que funciona? Pensando no atendimento e
17:46
atendimento, a gente sempre fala da tríade de ouro, que é
17:49
suporte, vendas e cobrança, tá? Então vamos fazer 11 coisa.
17:53
Você tem 3 objetivos no atendimento.
17:56
Eu tenho que evitar o contato se eu não evitei o contato.
18:00
E eu falo, evitar o contato, evitar o contato ruim, né?
18:04
Eu tenho que evitar o contato. Se eu não evitei o contato, eu
18:06
tenho que reter, que é tratar de forma automática, né?
18:10
E se eu não trato de forma automática, não consigo
18:12
resolver. Eu tenho que otimizar o
18:14
atendimento do humano. E a cogn tem solução para esses
18:17
3 etapas da jornada, começando pelo meio.
18:21
O mais é que é onde a gente acaba tendo o maior volume.
18:25
Estamos falando do auto pilot, que é a nossa plataforma, onde a
18:28
gente cria e opera agens. Né?
18:31
É. Depois eu falo um pouco da da
18:33
diferença do que que a gente faz.
18:35
Mas é aí onde a gente vai ter OAI chat bot e que vai resolver
18:38
80 em caso 95% dos contratos sem interação humana, tá, mas vão
18:46
ter casos que o robô não vai resolver, seja porque a gente
18:49
não tenha PI disponível e nesse caso precisa, seja porque o
18:53
cliente ficou puto por qualquer outra coisa.
18:55
Nesse caso, ele precisa do atendimento humano.
18:58
E aí? A própria ferramenta, o nosso
19:00
motor cognitivo, encaminha o cliente pra pro atendimento
19:03
humano e ele vai ter uma dupla lá, que é o inbox e o copylet é
19:08
a plataforma onde o atendente vai usar pra responder o humano.
19:12
Uma diferença, ele vai consumir o mesmo motor cognitivo com
19:17
todas as integrações que eu tiver no copylet.
19:20
Então eu vou até apontando, o cliente manda mensagem pro
19:24
humano, o humano antes de responder.
19:27
Ele vai estar, a mensagem vai estar batendo no copallet, que
19:30
vai estar sugerindo uma resposta e eu posso fazer outras
19:33
perguntas aqui no copallette. Se eu acartar a resposta, eu
19:36
clico e mando pro cliente. Então num a gente quer matar com
19:39
as 13 a 17 telas. Nessa história, ele tem uma
19:43
única tela. É que consiga dar informação e
19:46
ele possa focar na parte mais importante, que é ser humano.
19:49
É simpático entender e não ficar preocupado em qual das 13 ou 17
19:53
telas ele vai achar a informação e se a informação está certa.
19:57
Então, com isso aqui a gente melhora.
20:00
É muita eficiência da operação, desde TMA, é nível de rechamado
20:06
e aí tem umas outras devoluções. Por exemplo, eu posso devolver
20:09
eu como copallet e devolver a chamada pro robô.
20:12
Vamos supor que eu resolvi uma parte, ele precisa continuar um
20:14
fluxo de cadastro. Devolvo pro robô, o robô
20:16
continua, mas aí eu Gero muita informação, né?
20:23
Como é que eu começo a criar? É inteligência pra evitar
20:26
contato. E aí entra um produto que eu
20:28
acho que sendo realista, é, a gente já começou, já tem uma
20:33
base lá, mas pra 2026 vai ser o Salto, que é o que a gente chama
20:37
do insights. É, eu já estive nas 2 contas de
20:42
comprar e vender soluções de conta analytics, split
20:45
analytics, e o negócio nunca se sustentou, sempre foi muito caro
20:48
pra processar ainda compra, treinar.
20:52
Só o que que a gente faz? Eu como eu processo já todas as
20:55
conversas eu consigo pegar carona no transacional para
20:59
gerar inteligência. Exemplo, desde o exemplo bobo,
21:02
que é quando eu transfiro um contato para o humano, ele tem
21:06
um botãozinho que ele pode clicar e automaticamente AEA faz
21:08
o resumo do contato para ele rapidamente entender eu consigo.
21:14
Por exemplo, ao final de cada ticket eu faço 11 resumo e eu
21:18
faço uma tabulação. E aí é customizado.
21:21
Eu posso falar se AA solução foi atendida ou não, é, se ele ficou
21:25
feliz ou não ficou, que sugestões de melhoria eu teria?
21:29
Enfim, eu posso classificar qualquer coisa e eu posso até
21:32
ter coisas mais avançadas de imaginar.
21:34
Esse cliente falou que ligou e ficou puto, falou, Ah, eu vou
21:37
processar vocês jogando na hotel.
21:39
Eu consigo, por exemplo, identificar isso na hora e
21:43
transformar e transferir o cara para uma ilha de atendimento.
21:47
Premium 11, sei lá, uma ilha de atendimento super avançada,
21:52
porque ele tá vendo que ali o contato tá com tá dando
21:55
problema. Então essas 3 soluções é, né?
21:59
Elas atuam de forma integrada para, no final, trazer
22:04
eficiência. É operacional para melhorar a
22:08
qualidade de atendimento, então a gente quer democratizar o bom
22:11
atendimento. Cara, tá a gente sempre.
22:14
Né? Quando a gente olha sinônimo de
22:15
de atendimento, a gente é olha, poucas empresas e mais digitais,
22:21
né? A gente vai, a gente consegue
22:22
democratizar o atendimento, com isso, bom atendimento e no final
22:27
a gente pode deixar o humano ser mais humano.
22:29
A nossa visão é que o humano, quando a chamada chegar no
22:32
humano, ele não deveria ter script zero.
22:35
Seu objetivo é falar com a pessoa que está do outro lado e
22:38
eu vou te alimentar de toda a informação que você precisa.
22:41
Mas você não vai fazer isso pedindo segunda via de fatura,
22:43
porque você não precisa. Um robô pode tratar.
22:45
Essa, essa, esse equilíbrio entre a automação e o e o toque
22:50
humano é 11 tema interessante de de ser abordado porque
22:55
recentemente saiu a notícia do da parceria, né?
23:01
Entre a open, AEA, Nubank. É ali em que a Nubank ela fala,
23:06
né? Ela deixa bem claro que, OK,
23:08
existe uma automação, existe a porém.
23:12
É o toque humano. A humanização do atendimento se
23:15
mantém, é para os clientes. Como que você enxerga esse
23:19
equilíbrio? Então é meio que tudo, que é que
23:24
pode ser automatizado, joga para IAE essa interação.
23:28
Essa a gente deixa mais as interações humanas, mesmo que a
23:31
empatia, tom de voz tal. Não sei o que é entendimento
23:34
melhor do do contexto. Deixaria para o humano?
23:37
É, acho que é um, é um, é um ótimo ponto e começa você
23:41
conseguir resolver o problema do cliente na hora e da forma como
23:44
ele quer. Então vamos falar como é que era
23:46
o mundo de chatbot, que a gente pode se colocar o chatbot
23:49
tradicional, a gente pode se colocar no banco de culpado,
23:52
porque eu implementei, vendi isso, fiz.
23:56
Mas o que que a gente fazia com chatbot é uma tecnologia, se
23:59
você for olhar, né, é muito defasada, 20 anos, ele é igual
24:04
uma ura. Dos anos 2000, então ele faz uma
24:08
navegação em árvore. Primeira coisa que acontece
24:11
quando você faz uma navegação em árvore com o cliente para
24:14
problemas que não são simples problemas simples, tudo bem.
24:16
Mas para um problema que não é simples ou para uma empresa que
24:19
não é simples é que você força uma linearidade que não é da
24:22
natureza humana, né? Então, o que que acontece com o
24:26
cliente? Ele se perde e tal.
24:27
Aí tem os mesmos desafios de ura, que é muito engraçado isso.
24:32
Então eu eu crio um bote muito profundo, ou seja, com muitas
24:36
etapas, o que que o cliente faz, ele abandona, mas fala, então eu
24:39
vou colocar um menu maior, o que que acontece?
24:42
Ele se perde, então você tem uma Barreira tecnológica, é
24:46
importante é é EE que vinha desse, desse ferramental, então
24:54
vai voltando da pergunta então, que como é que a gente está
24:57
preferente? A gente não tem árvore. 100% do
25:01
atendimento que a gente trata em cima de um motor cognitivo, onde
25:04
eu dou um objetivo, regra e instrução pro agente e eu
25:08
alimento ele de informação de API, planilha baixa e
25:11
conhecimento que a gente cria usando AE eu dou instrumento pro
25:14
pro robô atuar. Então, voltando do ponto da
25:18
humanização, é, não tem nada pior.
25:22
A gente fala, a gente está fazendo um caso numa cadeia de
25:24
estamos fazendo um caso numa cadeia de hotel, né?
25:26
Na verdade é um grande administrador de hotéis.
25:30
O cliente quer pedir 111 service, ele quer pedir um
25:35
hambúrguer às 10 da noite, é pra isso?
25:39
Não dá pra você falar, desculpa, cliente, agora você não não pode
25:42
porque o canal não tá funcionando ou ele tem que
25:44
esperar o coitado da recepção fazer.
25:47
Então você quer melhor satisfação pra esse cliente?
25:50
Ele poder falar da forma como ele falaria normalmente, né?
25:54
Então ele vai mandar mensagem com recado de voz, ele vai usar.
25:58
Emoji tambinei vai falar da forma que ele quiser e eu vou lá
26:01
e vou coletar o pedido dele. Eu não preciso colocar uma
26:04
pessoa e eu consigo atender esse cliente na hora que ele quiser.
26:08
Onde eu vejo que OA humanização, ela tem que entrar mais forte.
26:13
EE assim, parênteses é a gente consegue criar hoje é personas
26:19
de atendimento, é robotizadas, né, que são muito empáticas, que
26:25
podem refletir a marca, et cetera.
26:28
A gente sempre toma o cuidado de nunca se passar por 1 ano, né?
26:32
Então a gente sempre recomenda pros clientes que é e existem
26:35
pesquisas falando que você não deve fazer isso e tal.
26:38
Então a gente fala, olha, basicamente o discurso é, eu sou
26:41
um atendimento virtual, eu vou te atender da forma como você
26:45
precisa, você vai falar com as suas palavras e eu vou te
26:48
atender rápido. Mas fica tranquilo que se eu não
26:50
conseguir resolver, eu vou rapidamente te colocar pra pra
26:53
você falar com uma pessoa. Então o cliente está disposto a
26:57
fazer esse trade off, né? E aí quando você joga pra
27:01
atendente, ele vai entender o seu caso e vamos ter casos que
27:03
você não vai conseguir tratar com essa forma automática ou que
27:07
pode até é, é pegar mal você tratar de forma de forma
27:12
automatizada, é. Então eu eu acho que o ponto
27:17
chave, né, e que aí sempre foi o grande viés ruim das empresas,
27:21
né? De de fazer um atendimento é
27:24
que. Ele, na verdade, ele criava,
27:28
voltando na retenção, uma retenção falsa.
27:30
Ele não deixava o cliente chegar nunca no atendente humano, não
27:33
tem coisa mais desumana que proibisse o cliente de ter
27:38
atenção cara, de ter o contato. Então, se você dá uma resposta
27:42
Pra Ele da forma como ele quer, rapidamente ele fica feliz.
27:45
Tipo o nível de satisfação que a gente teve.
27:47
Estou pegando o caso de hotel, que está muito recente, foi
27:50
absurdo assim, a gente NPS, sei lá, na casa de 80%.
27:54
Né, 80 pontos. Por quê?
27:56
Porque se respondia bem, se respondia o que o cliente queria
27:59
na hora que ele queria, né? E isso que você precisa fazer,
28:03
né? É, então eu, eu entendo, eu acho
28:06
que a posição é do Nubank e acho que tem também de novo é, é
28:12
níveis de maturidade das empresas, a empresa já avançou,
28:16
já ela já zerou essa parte aqui de retenção EE, otimização.
28:24
Ela vai conseguir trabalhar cada vez mais na prevenção, em evitar
28:27
os contatos. Tirar a inteligência não é só
28:31
prevenir o contato. Você vai tirar a inteligência de
28:33
quais novos produtos você pode estar criando, qual persona,
28:38
qual perfil de persona você tem. Você costuma ter mais problema?
28:41
1 hora adoção você começa, você começa a abrir uma caixa ali de
28:47
outros usos mais mais sofisticados.
28:51
Mas essa não é a realidade, a realidade de grande maioria das
28:54
empresas que tem uma pressão operacional gigante, não é
28:57
chegar nesse nível para resolver o coitado do cliente, né?
29:03
Rápida pausa no episódio para um recado especial.
29:05
O futuro dos produtos digitais já começou e a inteligência
29:09
artificial é parte do time. APM 3 acaba de lançar a formação
29:13
em gestão de produtos de IA, um curso pensado para proit
29:17
managers que querem criar, delegar e inovar com mais
29:20
inteligência. Muito além dos prompts, você vai
29:23
aprender a liderar produtos baseados em IA.
29:26
Dominar temas como machine learning, deep learning e yage e
29:29
nerativa e aplicar novas formas de Discovery e experimentação e
29:33
validação. Prepare se para o mercado que
29:36
mais cresce no mundo e torne se OPM que lidera a transformação.
29:40
O link está na descrição, clica e saiba mais em um evento é
29:47
recente. Eu vou falar recente, né?
29:49
Não é não é do século passado, é recente.
29:53
Você mencionou um conceito chamado hiper cognição, é o que
30:00
seria esse conceito e como que se aplica é no atendimento ao
30:05
cliente. A gente fala assim que de novo,
30:08
comparando o mundo linear. É o fato da gente estar usando a
30:14
inteligência artificial. Abre um leque de possibilidades
30:17
que antes a gente não tinha. Então eu vou dar um caso.
30:20
Um caso simples, mais bobo, é mais muito poderoso do que que é
30:25
a hipercognição em ação. Então eu vou fazer um caso de
30:28
agendamento de consultas. Vamos pegar uma empresa que
30:32
tenha vários, vários consultórios, vários médicos,
30:37
várias unidades no mundo tradicional, seja num bote ou
30:41
num site. O que que ele vai fazer?
30:43
Qual unidade você quer? E eu, como cliente, gostaria de
30:47
falar, putz, eu tenho 3 unidades aqui do lado.
30:50
Mas ele não te deixa fazer isso, ele te força a escolher aí, tá
30:54
bom, eu escolhi a unidade time, pra qual dia você quer agendar?
30:59
Eu como cliente gostaria de falar semana que vem, terça ou
31:03
quinta pela manhã ou na outra na sexta à tarde, ele não te deixa
31:07
isso, ele te manda escolher um dia, então você vai lá e chuta
31:10
um dia. Aí você olha esse dia que que
31:12
aconteceu e isso é pior ainda quando é via chatbox, tá?
31:17
Que aconteceu? Ah, não tem disponibilidade,
31:19
volta uma casa, tenta, outro dia não foi, tenta outro de volta
31:24
uma casa tem todo dia, Ah, volta 2 casas, tem outra, outra
31:27
unidade, né? É muito ruim o cliente quem é o
31:33
cliente faz, ele não vai, ele abandona.
31:35
Por isso que essas empresas toda hora assim tem livro de abandono
31:38
gigante e ele vai ligar pro humano, que é alguém que vai vai
31:41
fazer um pouco esse, essa análise que como é que a gente
31:44
faz diferente a esse caso? Eu não preciso retornar um dia
31:47
eu posso retornar se ele está querendo marcar um
31:49
dermatologista me dá a disponibilidade de agenda de
31:53
todos os dermatologistas cadastrados aqui nos próximos 2
31:57
meses. E eu pergunto, George, quando
32:00
pra quando você prefere é? Eu prefiro semana que vem, terça
32:04
ou quinta pela manhã ou sexta à tarde em uma dessas 3 unidades.
32:10
Aí ela consegue processar centenas ou milhares de diário
32:14
horários disponíveis e falar, legal, aqui, ó as 3 próximas,
32:18
seguindo em secretério tal dia, tal dia, tal dia qual você quer?
32:21
O primeiro acabou. Então um fluxo que seria muito
32:25
gigante seria gigantesco ou com alto nível de abandono?
32:29
Insatisfação ele transforma numa pergunta muito simples, mas você
32:33
tem um alto nível de cognição necessário pra eu computar as
32:36
diferentes disponibilidades e eu posso fazer ainda.
32:40
Alguns nudes, alguns empurrões. Ah, então robô, se você tiver,
32:45
dá sempre preferência pelos horários da manhã da
32:48
segunda-feira, sei lá da terça-feira que você tem
32:52
normalmente horários mais vagos, então você pode também alinhar é
32:55
é o melhor desejo do cliente com o que é melhor pra empresa.
33:01
Netflix sempre fez isso historicamente com o motor de de
33:04
recomendação deles, né? Então?
33:07
Mas olha, isso antes estava restrito a uma empresa, cara,
33:11
né? É mais que unicórnio, como é que
33:15
é o Deca é, mas uma empresa de gigantesca ou uma Netflix, cara,
33:21
você tem isso agora disponível pra você, cara, que tem aqui,
33:24
doutor consulta ou alguma outra empresa, um hospital, ele
33:29
consegue hoje dar esse nível de sofisticação e solução pro
33:32
cliente dele, pro paciente, e isso é hipercognição em ação.
33:37
Né? É, e isso vai destravar não só
33:41
possibilidades, mas ele melhora o atendimento.
33:45
Isso isso melhora até o questão de vendas, não?
33:49
Total venda é, é. É um negócio bizarro.
33:53
Venda é o seguinte, é a gente. Na Nextel, a gente fez um
33:56
movimento na época, antes de de WhatsApp, até onde a gente tirou
34:01
a venda do presencial e pôs no call center.
34:05
É, e a gente era muito rápido para ligar.
34:08
Mas tem um dado da vtex muito interessante, que fala sobre
34:11
vender WhatsApp independente, o negro, exatamente a categoria de
34:15
produto. Mas a relação é a relação.
34:18
Era o seguinte, se você respondesse um cliente até um
34:21
minuto, a conversão dessa categoria era de 23%.
34:27
Se você respondesse esse cliente em 1 hora, a conversão era de
34:31
10%. Se você respondesse esse cara em
34:33
24 horas, a conversão era 1%. Pausa aqui.
34:39
Só que a sua demanda não necessariamente bate com a
34:41
disponibilidade da sua equipe, né?
34:45
Então é, eu tenho, eu vou fazer um investimento em publicidade
34:49
que talvez vai bater mais no fim de semana e eu não tenho
34:52
operação. E aí você tá perdendo 20 vezes
34:54
de conversão porque você não tem operação pra atender no fim de
34:56
semana. E eu num fluxo de vendas, a
34:59
gente turbina. É conversão em relação humana,
35:03
porque eu consigo ser imediato na resposta.
35:06
Eu respondo Pra Ele em menos de 1 minuto eu consigo não só
35:10
seguir o fluxo do que ele tem que saber de comprar, mas eu
35:13
ajudo ele a escolher a solução é e com um alto nível de
35:19
qualidade. Então hoje a gente tá fazendo
35:21
numa operadora de de telecom, por exemplo, Pra Ele escolher um
35:25
plano. O meu robô tem é.
35:29
O nosso motor cognitivo, ele tem 35 opções de plano na cabeça, na
35:35
memória e eu se eu não sou, se você souber o que você quer, eu
35:39
vou te levar no fluxo liso, mas se você não souber eu vou te
35:44
perguntar, tá bom, então me explica um pouco quantas pessoas
35:48
você tem em casa? Eu não sei o que que é mega, né?
35:51
Qual o tipo de uso você tem um uso avançado, você é um gay e eu
35:55
com base nisso consigo. Sugeriu o plano Pra Ele resolver
35:59
uma dor que ele não tinha. É de uma forma de imediata, com
36:03
qualidade. E aí eu coloco esse cara pro
36:05
fluxo de conversão, né? Então vendas, cobrança, é um
36:10
caso que a gente enxerga muito esse essa possibilidade é então
36:15
não só de atendimento EE vendas assim, é é é bizarro o esse
36:21
nível de de inteligência. E muito rápido pra interar.
36:24
Então a gente coloca a solução, né?
36:26
Nesse exemplo que a gente tá falando, a gente colocou a
36:27
solução no ar. Em 3 semanas a gente triplicou a
36:33
nossa conversão, porque a gente foi entendendo os pontos de
36:35
quebra. Ah, aqui quebrou, putz, aqui o
36:39
cliente trouxe vários em sites legais.
36:41
Então é a gente consiga atuar muito rápido pra melhorar a
36:46
experiência e reverter em conversão então a sua curva de
36:51
maturidade numa solução muito rápida.
36:53
Né? Então e aí não só 100% no robô,
36:57
que acho que é um outro, um outro paradigma importante, mas
37:01
eu posso fazer uma pré qualificação, né?
37:05
Então imagina um caso, a gente fez um é, é, a gente fez um
37:11
caso, é um piloto com revenda de automóvel, era um RP pra revenda
37:16
de automóvel, um caso muito legal, acabou indo pra frente,
37:18
mas. Imagina que você como está
37:21
comprando um carro, eu vou entrar lá no webmotors e aí eu
37:25
vou entrar 30 abas e aí eu vou disparando mensagem pros
37:30
vendedores. Só que eu faço isso às 10 da
37:32
noite, que é quando deu tempo, e o vendedor só vai te responder
37:36
no dia seguinte. Mas quando ele chegar, ele tem
37:38
um Monte de mensagem de gente interessada, de gente que só
37:42
quer entender se o carro está disponível e tal.
37:45
Então o game lá com eles era o que?
37:48
Ó, ninguém vai comprar o carro 100% pelo WhatsApp, então tá
37:52
partindo dessa premissa, ainda mais um carro, mas cliente quis
37:56
em contato, quis tirar uma dúvida, eu respondo Pra Ele na
37:59
hora sobre o carro, o estado do carro são todos os dados de
38:03
anúncio, alguns dados que ele tenha mais qualidade, se
38:06
consome, não consome. Se é um carro bom pra novo
38:08
motorista, não faço simulação de financiamento, posso checar se
38:13
ele vai conseguir ter financiamento aprovado.
38:15
O meu call to action lá era o quê?
38:17
Eu não vou vender, mas eu quero fazer Oo comprometimento
38:21
emocional desse cara. Então eu vou fazer um
38:22
agendamento dele, então falo, você tem interesse?
38:26
Então então vamos agendar o seu test drive ou uma visita física
38:30
e já e já agendava na hora e já batia na agenda do vendedor.
38:34
Então com isso é o que a gente faz.
38:37
O nosso jogo ali era tirar as 30 abas que ele estava abrindo e só
38:41
dessa sorte de ser uma das primeiras 5, com certeza ele
38:43
ainda já mais comigo, porque ele já tinha inclusive um
38:46
agendamento feito. É, eu estou falando desse
38:49
upplate, mas eu tenho isso na própria corre, na corre, a gente
38:52
usa lá, a gente deixa lá o nosso bote, obviamente, né?
38:55
É lá no site, parece que eu tenho um time, que eu tenho
38:58
secretária, mas no final eu estou respondendo a dúvida e o
39:01
qual clashion do bote é agendar 11 reunião comercial, é, e ele
39:06
termina a conversa já fazendo um disparo na minha agenda.
39:11
É pra gente fazer obviamente explicar como funciona, é nesse
39:14
caso. Então é vendas?
39:16
É bizarro, cara feito. Conversando com alguns, com
39:20
alguns stakeholders, eu eu sempre falo que há pra
39:24
atendimento é o é o lugar que tem que começar.
39:28
Não tem outro lugar na empresa que não Ah, eu quero detestar e
39:33
Ah porque eu estou vendo a galera, os jovens falar de Ah,
39:36
eu quero testar aqui joga no atendimento pra testar porque é
39:40
o é OA área. É que você consegue medir de
39:44
maneira rápida a eficiência da EAE também para vendas, para
39:50
vendas. Eu falo, pô, foca o toque
39:52
humano, né? Os vendedores, para um, para
39:56
grandes, grandes contas, para Enterprises que você precisa de
39:59
um contato humano, você precisa jogar uma empatia.
40:02
Ou depois que o lide está qualificado?
40:04
Jane, porque assim é outra coisa.
40:05
O cara não tem como ser humano. E responder 150 e meia de manhã.
40:09
Ele vai responder de qualquer jeito.
40:12
Mas se ele qualificou e ele tem 15, ele vai pegar o telefone e
40:15
falar, ó, vi que você tem interesse, vi que você agendou.
40:17
Você tem alguma outra dúvida? É, é Oo.
40:20
Nosso slogan ali é empoderá. O atendimento poderá siex com o
40:25
uso de a. Acho que esse é a pegada.
40:28
E vocês aí, vocês da cogn. To afirmam, é, existe uma
40:34
afirmação velhos de vocês que a cogn to pode reduzir os custos
40:39
operacionais em até 80%. Cursos operacionais é igual a
40:44
eficiência é, tem você. Você consegue falar de uma
40:49
maneira muito mais abrangente, é óbvio, sobre essa, esses 80%.
40:53
Aí vai depender muito de cada cliente.
40:55
E aí assim, acho que 11 ponto aqui, o meu, meu lado, meu
40:58
vendedor humano. Mas a gente não fica no
41:01
discurso. Então é os nossos modelos
41:04
comerciais. Eles têm.
41:06
A gente tem diferentes modelos, mas de uma forma ou de outra.
41:09
Eu sou remunerado ou penalizado pelo quanto de valor eu consigo
41:14
gerar numa empresa? Tá, então acho que esse é um
41:17
ponto legal. É, a gente tem caso pra ver.
41:20
Esse caso de hotel que eu falei é 97% dos atendimentos que eram
41:26
feitos é eram feitos sem a necessidade de ter um
41:30
atendimento humano, 97% é. Em outros casos, e aí vai
41:37
depender muito do da da sua permissividade também.
41:40
O quanto você quer fechar mais a torneira é ou abrir um pouco
41:45
mais a torneira pra jogar pro atendimento?
41:48
É, você pode ter é no mínimo eu comercialmente, em geral eu eu
41:54
Miro no mínimo 80% de de retenção, que é tratamento
41:57
automático. Aí você tem é o coparte, que aí
42:02
ele tem efeitos mais, é mais amplos.
42:06
Então, em geral, aí você pega, não é nem referência nisso.
42:09
Você vai ver o mercado, vai falar, você vê o zen 10, você vê
42:11
a bíblia falando de 30% de redução de tna.
42:15
Eu olho muito, não só o tna, mas a redução do nível de rechamada,
42:19
né? Que é.
42:20
Se eu respondo o cliente da forma certa a primeira vez, ele
42:23
evita uma segunda contato desse caso é, e aí tem um efeito, é
42:29
fora desses 2 horizontes, né? É que é a gente conseguir fazer
42:34
resolução definitiva. Então tem um cliente que a gente
42:37
está é vacinando. Agora, se eu fizer o tratamento
42:41
do cliente não nunca mais me ligar, como aquele caso que a
42:44
gente falou lá da segunda vez de fatura, eu vou ser bem
42:48
remunerado pra isso? Eu não.
42:49
Eu não quero criar um incentivo nefasto de fazer o cliente
42:53
voltar todo mês, porque eu vou resolver o problema dele todo
42:57
mês, porque eu sou remunerado por resolver o problema todas as
43:01
vezes. Então, nesse cliente a gente
43:03
está fazendo um modelo diferente, que se esse cara ao
43:06
invés de eu tratar desse jeito, eu falar, vamos fazer uma
43:10
atualização, cadastrar ele e nunca mais me ligar, é melhor
43:13
pro cliente, quer dizer, muito melhor pro cliente é muito
43:16
melhor pra empresa. E é bom pra cobra, né?
43:20
É. Então a gente é é o mercado tá
43:24
cunhando isso como o service, César, sobra, que é o nosso
43:28
posicionamento hoje a gente faz. Servo sensacional.
43:31
A gente tem uma super plataforma, a gente está
43:33
desenvolvida há 2 anos. Cara, a gente é assim, tem muito
43:38
orgulho, tem óvio no chão, tremendo é para percorrer.
43:42
Mas apesar disso, eu não faço uma proposta de falar, eu vou
43:46
implementar minha plataforma, quero implementar resolução.
43:50
Quais são os principais desafios que as empresas enfrentam ao
43:55
implementar? E a no atendimento ao fossa que
43:58
você tem? Você via e tem visto
44:00
ultimamente? É que o cliente não segue regra,
44:02
né? Quer dizer, é difícil, né, Oo
44:05
cliente, se ele respondesse tudo da forma como a gente quer, IA
44:08
ser fácil, né? O cliente não segue regra, eu
44:11
volto na necessidade de ter é hipercognição.
44:16
E aí o nosso posicionamento de resolver jornadas complexas de
44:20
atendimento, né? É então.
44:25
Um banco, ele pode ter 250, 400 motivos de contato, né?
44:31
Você não faz isso na árvore. Então a gente tem um
44:34
orquestrador de next da stect que eu defino para qual bloco de
44:38
solução eu vou levar esse cara lá dentro.
44:41
Eu tenho um orquestrador de instrução, porque o as coisas
44:45
vão mudando. Então se eu já pedir seus dados
44:48
de endereço, eu não preciso manter essa instrução ali.
44:51
Eu posso suprimir isso e ir carregando outras coisas.
44:54
Então a gente tem 11 processo muito é, é dinâmico, de
45:00
orquestração e de solução, e aí o número 1, quando a gente fala
45:04
Ah, porque que eu falo que o cliente não segue, não segue
45:07
regra, porque ele seguisse, a gente não IA ter alucinação.
45:10
Então o que as empresas mais têm medo na hora que vão
45:14
implementar? E a e a agenerativa?
45:16
E a gente já teve aqueles casos de fracassos lindos, né?
45:20
O caso da air canner, da GM, et cetera.
45:24
Que é o bote alucinado. E aí é o bote alucinação.
45:32
E a gente tem 2 termos, que é o spearing, que é fazer o bote se
45:35
comportar daquela forma como você quer é e alucinação,
45:41
essencialmente, evitar que ele faça uma coisa que você não
45:44
gostaria. É isso vai meio que contra a
45:47
natureza da área agenerativa, que é um modelo generativo.
45:51
Onde você. Dá 1.ae1.be.
45:54
Ele tem que criar o meio, né? É.
45:58
E aí eu acho que é onde eu acho que a coisa ela fica
46:01
absolutamente mais complexa e posso falar que sei lá, 70% do
46:06
nosso tempo aqui é na cogney foi desenvolver é o ferramental para
46:14
que a gente possa operar e a escala sem ter alucinação.
46:18
Então, e aí falando um pouco desse capítulo.
46:21
Na nossa humilde opinião, aqui tem 4 motivos pelo qual o aia
46:26
ela vai, ela vai alucinar número 1, a ausência de instrução.
46:31
Então eu faço um bote de vendas e eu não falo Pra Ele que ele
46:35
não pode dar desconto nenhum vendedor no mundo humano, cara,
46:39
se você não der o limite de desconto, ele vai torar, porque
46:42
o objetivo dele é conversão. Então começa aqui, esse é o
46:46
motivo um então. É, e aí depois eu te falo um
46:49
pouco diferente, então, mas aqui a gente consegue fazer resolver
46:51
isso através de teste, que eu vou te falar um pouco depois,
46:54
mas a forma como a gente é cria os nossos cenários e faz o
46:57
grounding do modelo. O segundo motivo de alucinação é
47:02
quando você tem miss match, um descasamento entre instrução e
47:06
informação. Então eu falo, ó, com base na
47:08
agenda do doutor José, acho melhor o horário para o shot.
47:13
Aí API retornou vazio, retornou um erro.
47:17
Aí você não faz tratamento disso.
47:19
Se você não fizer tratamento, o que que a generativa vai fazer?
47:21
Ela vai inventar, né? Então hoje, quando eu me conecto
47:25
a uma PI, eu ponho uma camada no meio onde eu trato essa PI pra n
47:29
coisas, seja pra casos como retorno desse ou até formato do
47:35
retorno no mundo determinístico, é bom retornar 1 e 0 no nosso
47:39
mundo, não. Ele tem que ser semântico, ele
47:40
tem que transformar um numa palavra pro pro robô entender
47:44
melhor é. O terceiro motivo de alucinação
47:49
é é quando a instrução fica muito longa.
47:52
Então os modelos comportam 128, 200000 tokens, que são os
47:55
modelos que a gente está trabalhando, né?
47:57
Que vai dar algo como, sei lá, 60, 100 e tantas 1000 palavras,
48:03
algo como isso. Só que tem uma pegadinha aqui, a
48:06
sua janela de instrução. Ela é muito mais curta.
48:09
Passou de 1000 e né, assim passou de 1300 tantos tokens.
48:16
Os modelos começam a se perder. Ele tem muita coisa, então a
48:19
instrução ela tem que ir mudando de acordo com a conversa.
48:23
Mas você tem que fazer isso de forma que você não transforme
48:27
AIA numa árvore, porque é o que a maior parte das pessoas estão
48:31
fazendo, cara. Assim, em grande empresa, pega a
48:33
árvore de atendimento dele e coloca AIAE, continua colocando
48:37
o pobre do cliente pra fazer uma navegação de DAA.
48:40
Gente não acredita nisso. É, então você precisa ter um
48:43
orquestrador de forma que você consiga modular suas instruções
48:47
e ser assertivo o suficiente para caber dentro daquelas 1300
48:50
1015. E a última parte é teste, né?
48:52
É e esse é um playbook que assim você testar é aplicação
48:59
determinística é fácil, você põe é se eu coloco AEBEO resultado
49:04
esperado é c pra testar é coloca Abe vê se sai OC beleza.
49:12
No mundo probabilístico, você coloca AEB, ele vai ser CC,
49:16
maiúsculo, ser minúsculo, ser verde, é como é que você
49:20
garante, né? É como é que você testa uma
49:23
aplicação dessa? Não vai pra testar uma vez, aí
49:26
eu vou colocar um time 11 exército de testes, aí eu vou
49:32
cair no mesmo problema que eu tinha na outra e a que era é
49:36
fazer treino de modelo é caro demais, é inviável.
49:39
O que que a gente fez aqui? Por exemplo, a gente desenvolveu
49:41
uma ferramenta que eu coloco AIA pra testar IA.
49:45
Então eu crio 11 caderno de testes com 50 a 100 imposta.
49:49
Quantos cenários de teste coloco num modelo com alta criatividade
49:54
e esse robô vai conversar com com o auto pilot e vai tentar
50:00
fazer o problema. Vai tentar, terminou a conversa,
50:03
AIA vai e avalia e fala. Ele atingiu os critérios que
50:07
você queria com com com esse teste, ele se comportou da forma
50:11
como você tinha planejado, quais sugestões de melhoria?
50:15
Bem simples assim, de 1 a 5 estrelas, como é que ele se
50:18
comportou? Então a gente consegue, antes de
50:21
colocar um caso no ar, tem muita confiança de que ele vai, se ele
50:24
vai performar da forma como a gente imagina, porque a gente é
50:29
teve uma estratégia mostral de testes, eu não inventei isso.
50:32
Se você for ler lá o playbook da open a, ele tá lá.
50:34
Siga 11 abordagem, é amostral, é de testes.
50:40
Então acho que esse tipo de detalhe que a gente fala que
50:43
assim eu sempre falo que AIA, né?
50:46
Ela é uma retroescavadeira de 3 braços pra um problema que
50:51
demanda retroescavadeira de 3 braços.
50:53
Beleza, é complexo, as pessoas acharam, a gente usa OGPTEA,
50:58
gente acha que é simples e a gente é.
51:02
Fez uma, levou a gente achar que fazer aplicação usando IAEA se
51:06
moleza, né? Eu, eu devo dizer que assim,
51:09
hoje o melhor perfil de cliente que vem aqui agora é o cara que
51:13
já bateu a cara na parede, o cara já tentou fazer e eu estou
51:18
falando de empresa grande. Então e aí ele bateu, ele falou,
51:21
putz, não deu muito o que eu esperava, entendeu?
51:25
E o que que eu tenho que fazer diferente?
51:27
É o tipo de perfil que eu prefiro, porque é um cara que já
51:30
ele vai entender melhor. É quando eu falo desses 15 a 20
51:34
elementos de arquitetura é que a gente coloca à disposição.
51:39
Então é possível afirmar outra afirmação que a cognit you
51:45
garante a segurança e a precisão das respostas geradas pela ya,
51:49
certo? Porque?
51:51
Porque recentemente Oo saachment falou, pô, não, alucinação é
51:57
algo normal que vai acontecer na ya, né?
51:59
Vocês têm que mitigar aí e tal, não sei o quê.
52:01
Então a cogni consegue mitigar isso?
52:04
Né, tem muita coisa aqui evoluído nesse lugar, nessa,
52:06
nesse. Então, por exemplo, é, você tem
52:08
e você tem também níveis de alucinação, né?
52:10
Então a gente usa várias Barreiras de contenção, então eu
52:14
tenho uma Barreira de contenção, que são os próprios modelos, que
52:17
melhoraram muito. Então lá atrás você tinha o do
52:20
NFM, né? O Dan e a gente tem um caso
52:22
sempre que a gente faz teste de promp, injetion para ver se eu
52:25
consigo. Hoje isso já não acontece mais,
52:27
né? O caso lá do cara, pediu.
52:29
Os, sei lá, os códigos do do Windows, et cetera.
52:33
O os modelos melhoraram, mas ele tem uma Barreira de contenção
52:36
dos modelos 2 você tem uma Barreira de contenção, a gente
52:39
consome através hoje da egeo europeanhar, que ele já tem uma
52:43
espécie de um firewall, um bloqueio.
52:44
Então o cara pediu conteúdo sexual tal.
52:48
Eu vou ter uma segunda Barreira de contenção aqui.
52:50
A terceira Barreira de contenção é o que a gente coloca em termos
52:53
de instrução e testes. Então eu posso afirmar assim.
52:57
É que é a gente e a gente testa muito isso, então nunca vai
53:02
acontecer aqui. Dele dar o desconto indevido
53:05
dele, dele, é te ensinar a fazer uma bomba.
53:11
E olha que tem às vezes o pessoal fazendo a brincadeirinha
53:13
que tenta Ah, fazer e repetir uma palavra que não deve,
53:16
pergunta, qual que é o mau Rio do mundo?
53:19
Então a gente testa isso e consegue travar bastante, onde a
53:22
gente vê espaço sempre que vai ser um fluxo de melhoria.
53:26
É onde de novo eu tive a ausência de instrução.
53:29
Eu crio uma base de conhecimento que eu eu crio usando e água,
53:32
então é lá na Excel, a gente fez também, né?
53:36
Sinto muito nesse caso, mas a gente cria uma faq, eu contratei
53:40
uma editoria, 5 jornalistas, editor e o expert, e a gente em
53:45
6 meses subiu uma faq com 1000 artigos, ficou super legal.
53:47
No dia 2, ela estava desatualizada.
53:50
Que que eu faço aqui? Você me dá todas as bases de
53:52
informação que você tiver estruturada e não estruturada.
53:55
EAIA vai extrair todas as perguntas e respostas possíveis
53:58
de serem geradas a partir daquele conteúdo.
54:01
E isso, essa base que vão ter milhares, dezenas de milhares de
54:05
artigos, vai ser usada pro robô usar como?
54:09
Como subsídio da resposta. Então é, se acontecer, putz, Ah,
54:14
o cara sei lá, vou vou dar um exemplo lá do hotel.
54:18
Teve um que perguntou. É, se o hotel oferecia, é, é um
54:23
kit barba, né? Se ele tinha, sei lá, gel de
54:26
barbear, por algum motivo, em lugar nenhum tinha essa
54:31
informação, né? É, o bot não conseguiu
54:35
responder. A gente identifica isso, carrega
54:38
isso como um conteúdo para fazer o brounding do modelo.
54:42
Todas as próximas vezes que alguém perguntava e fala, isso
54:44
está no kit barba pet, na recepção, etcetera.
54:47
Então é um modelo que evolutivo. É, eu acho que a gente ainda vai
54:52
ver muito caso de fracasso, infelizmente, porque tem
54:58
implementação. Irresponsável, né?
55:01
Não sei se irresponsável talvez seja um termo ruim, mas é o cara
55:07
que não não tomou esse devido cuidado.
55:10
E ele vai ter é ele, não. Ele não fez o trabalho de casa
55:17
para conter alucinação, uso indevido, então acho que a gente
55:19
ainda vai ter exemplo. Tem muita empresa que não está
55:22
tomando esse nível de cuidado que a gente está.
55:24
Vai ter caso ruim, isso, vai jogar contra, mas acho que
55:28
depois disso ele vai separar o joelho do trigo, né?
55:32
EEA, gente, e tem outras empresas que acho que estão
55:35
buscando o mesmo caminho. Vão, vão, vão.
55:39
Eu acho que vai filtrar um pouco o mercado de quem consegue
55:42
resolver e de escala industrial, porque de novo é diferente
55:46
resolver o problema de uma empresa com 20000000 de clientes
55:51
do que cara da padaria da esquina.
55:53
O nível de criticidade e risco, et cetera, é muito menor.
55:56
Quais são as tendências para o atendimento?
55:58
O Scott galloy já citou que 90% dos call centers não existirão.
56:05
Scott galloy, adoro ele. Mas às vezes ele é um pouco é
56:11
emocionado no nos negócios, 90%, que isso a gente pessoal dá
56:18
tempo da tele performance, dá conta que você pode ficar
56:22
tranquilos, ok, ok o mas quais são as tendências para o futuro
56:29
relacionado a atendimento e a cada vez mais a gente está vendo
56:34
OAEA sendo. E eu acho que aí o Scott galle
56:39
ele tem, tem. Ele tem um pouco de de, de razão
56:46
quando ele faz a previsão para 2005 e ele ele afirma.
56:50
Ele crava que a meta será a grande vencedora da corrida de
56:55
aia em 2025. Isso é faz sentido, porque basta
57:00
o Mark Zuckerberg acordar um Belo dia e falar, ok, vamos
57:05
escalar a nossa IA. No ZAP, e aí várias plataformas
57:11
de e Commerce começarão ter é ruídos e ficarão desesperados.
57:18
Essa é 11. Tendência é a gente começar AA
57:22
ter o atendimento muito mais real time.
57:25
Com AEA que nem você veio falando No No, no atendimento,
57:28
que é quando quer, como quer, do jeito que que o cliente quer,
57:31
então, ou seja, o WhatsApp. A gente vê assim os os, os
57:37
agentes, os agens, sendo cada vez mais responsáveis.
57:41
É capazes de responder diferentes tipos de de problema,
57:46
né? Nas nas releases recentes,
57:49
inclusive algumas versões, ele conseguindo.
57:53
É operar o browser do cliente e tal.
57:56
Então acho que com certeza tem um caminho.
58:00
É quando eu olho pra uma grande empresa, procurador de
58:02
plataforma, ele vai cada vez mais entrar pra você ter 11
58:05
nível de solução. Tinha fim?
58:08
Eu tenho dúvida se a meta vai ser o grande vencedor desse
58:10
negócio, está entre nós. É, não sei se eu concordo 100%,
58:16
mas independente disso é eu acho que.
58:23
Apesar do hype ser fantástico de ter muito investimento, a gente
58:28
ainda tem ausência de casos em escala industrial.
58:33
Então OA minha aposta pro resto de 2025 2026 vai ser de fato a
58:39
gente ter é, é implementações em maior escala ou em larga escala
58:46
resolvendo o problema do cliente?
58:48
É e que talvez. Ele não precisa chegar nesse
58:52
nível, né? Que que vai mexer no seu browser
58:56
e tal, mas ele vai conseguir responder o que você precisa.
58:59
Ele vai se integrar aos sistemas que enquanto o pessoal tá
59:02
falando isso, tem um Monte de sistema legado, né?
59:05
Tem uma coisa que eu acho que a IA é generativa EE.
59:08
Então essas ferramentas, elas vão dar uma sobrevida e vão dar
59:12
um turbochard no. Nos legados, elas vão permitir
59:17
você usar melhor os legados. Então acho que tem uma mudança.
59:19
Esse acho que vai sentir esse baque.
59:23
É então assim, quando eu olho de tendência, pra mim um é, é os
59:28
robôs cada vez mais sendo responsável, é capaz de
59:31
responder coisas e resolver problemas e situações que não
59:35
que não conseguiam antes. Acho que a segunda coisa é você
59:38
ter uma integração maior entre robô e humano.
59:42
Então, se eu sou inside Sales. Eu posso ter um robô, que é o
59:45
meu assistente pessoal é e que ele pode fazer a pré
59:51
qualificação do lide pra mim. Eu vou e trato com o cliente no
59:54
final, aquela etapa de cobrança, Ah, e aí que a gente menciona a
59:58
proposta tal, eu deixo pro robô fazer.
1:00:01
Então a gente vai ter uma integração maior dessa ida e
1:00:03
vinda tal que é uma coisa que a gente já faz, é muito mais
1:00:07
forte. É e que de novo vai voltando é
1:00:13
voltando no ponto de empoderar humano, cara, é, é zero humano,
1:00:17
você ter que ficar cobrando o cliente 11 lead a cada uma
1:00:21
semana. Se ele olhou a proposta, se tá
1:00:22
tudo certo e tal, isso aí a pode fazer, entendeu?
1:00:27
É eu, eu acho que eu vejo isso. Quando a gente olha AA aí, o
1:00:32
pessoal fala de IDAE, et cetera, a gente vê, sim, os modelos cada
1:00:36
vez mais capazes. É, então a gente já vê modelo de
1:00:41
real time, é dele fazer vídeo real time.
1:00:44
Mas por exemplo, eu pessoalmente é acho que isso não é um
1:00:48
problema hoje de plataforma da IA, você vai lá, você vai testar
1:00:52
o stream real time lá da open hards, tudo.
1:00:54
Ah, vai ficar legal a experiência.
1:00:57
Só que isso funciona quando você não tem delay.
1:00:59
Se você tem uma API que você cara, que você precisa consumir,
1:01:02
que essa API te demora 15 segundos pra responder, acabou o
1:01:05
real time, cara, acabou o real time.
1:01:08
É por isso que eu acho que é. Às vezes o pessoal pensa muito
1:01:11
nos casos que são flash, que são, mas eles esquecem de
1:01:16
resolver o problema básico do cliente, cara, o cliente está te
1:01:19
ligando assim, quando a gente está olhando isso, tem uma boa
1:01:22
parcela. Tem 30% dos seus clientes que
1:01:24
estão te ligando porque não receberam a fatura, ou que não
1:01:27
entenderam a fatura ou porque é. Querem tirar dúvidas sobre o
1:01:32
produto. É, então acho que tem que ter
1:01:35
muito pé no chão, objetividade em como você resolve a dor do
1:01:39
cliente, é esse, tem sido o nosso, o nosso foco.
1:01:43
Um exemplo, quando o pessoal pergunta se a gente é, pode
1:01:46
colocar solução na ura. Hoje a minha arquitetura
1:01:48
permitiria fazer isso, mas eu não peço no caso e não hoje.
1:01:52
Hoje eu não perco tempo nisso, porque eu acho que não vai ter.
1:01:55
É ele não, não é o meu problema, ele não vai ter performance.
1:01:59
Você tem uma demanda de consumir, é serviços.
1:02:02
Do cliente interno que você não vai ter um nível de de é, você
1:02:06
vai ter um delay tão grande que vai matar a experiência, né?
1:02:10
É. Então a gente acredita muito.
1:02:12
Por exemplo, recado de voz, golaço, cara, um exemplo bobo,
1:02:16
né? A gente está falando isso, mas
1:02:20
hoje, lá na com a cor, ele consegue mandar recado de voz,
1:02:22
ele consegue mandar figurinha. Então, num dos casos, a gente
1:02:25
fazia uma avaliação é no ciset, no final, e perguntava de 1 a
1:02:29
10. E vários clientes, ao invés de
1:02:33
dar 10, davam um coração. Cara, eu prefiro um coração pra
1:02:37
mim, o coração é um, é mais que o 10.
1:02:41
Então você tem que trazer essa cognição de falar assim, o
1:02:44
coração não é 10, ele é 20. Eu vou dar um acelerador na nota
1:02:47
porque ele ele está muito mais empolgado.
1:02:50
É isso que eu acho que de novo, é a conexão entre o humano
1:02:55
EAEAEA, tecnologia. Respondendo da forma como ele
1:03:00
quer, como ele está acostumado. E o WhatsApp é um puta canal pra
1:03:02
isso a gente tem. Se a gente tem um canal que é, a
1:03:08
vantagem é fantástica de um canal com alta adoção, alto
1:03:13
nível de entrega apesar, e aqui apesar da meta, né?
1:03:18
Então a meta, acho que ela faz um trabalho importante de coibir
1:03:21
spam é ainda que é é muito difícil e acho que eles fazem
1:03:26
super certo isso. Mas tem.
1:03:28
Enfim, acho que eles são muito, muito mal pavimentados, é
1:03:31
paramentados para fazer atendimento.
1:03:34
BT b, acho que quem dependeu da meta é, não sei, eu, pelo menos
1:03:41
não há. É duro imaginar que uma empresa
1:03:45
que talvez nunca olhou para atendimento porque nunca
1:03:48
precisou disso, né? Eu nunca quis, vai ser líder em
1:03:51
atendimento, mas acho que o canal é ferrado, animal.
1:03:55
E. Vale lembrar que o modelo de
1:03:58
negócio da meta é anúncios, então é.
1:04:02
Então tomem cuidado. Você que gosta do WhatsApp em
1:04:06
querer que a meta bote a ali, de repente você vai estar recebendo
1:04:11
11 mensagem para comprar uma pizza que você nem está.
1:04:15
Enfim, é, ô fossa. Muito obrigado pelo seu tempo.
1:04:19
Foi uma aula sobre. Como que a gente pode integrar e
1:04:23
a no atendimento e ter mais eficiência sem perder o toque
1:04:26
humano? E você quer assistiu, ouviu a
1:04:29
gente até aqui, pelo amor de Deus?
1:04:33
Clica aqui na descrição no perfil no LinkedIn do André
1:04:37
fossa e no site da corinle too. Não, pelo amor de Deus, só manda
1:04:43
pro seu diretor, você que é PM, manda pro pra quem quer que seja
1:04:47
do atendimento, fala assim, ó, acho que vale uma conversa.
1:04:52
Ok, uma conversa nada sem, sabe? Uma conversinha e vai conhecer o
1:04:57
fossa. Aí o fossa vai mostrar como que
1:04:59
funciona e vocês vão contratar e vão ter uma eficiência de até
1:05:03
80%. Dito isso, muito obrigado fossa
1:05:07
por por participar. Espero você mais vezes aqui.
1:05:10
Cara, super prazer mesmo. Obrigado.
1:05:13
É. Fico muito orgulhoso de ver,
1:05:15
cara, o que você alcançou, o que o canal tem alcançado?
1:05:19
Estava louco pra ser convidado aqui, então fico muito contente.
1:05:23
É óbvio que a gente tem opiniões, né?
1:05:27
Então foi uma coisa que eu aprendi como empreendedor, cara,
1:05:30
é procurar cada vez mais entender meu ponto cego.
1:05:33
Eu procuro me cercar de gente que vai me ajudar.
1:05:36
É então longe da gente querer ter, é verdade absoluta, muito o
1:05:41
que eu dividi aqui são teses, é o que a gente está acreditando,
1:05:44
como o que, o que eu chamo ele, de que hoje toda vez é um é um
1:05:48
hábito. Mas como o George falou, se
1:05:51
tiver interesse em conversar, procurar gente, é.
1:05:54
E vou mandar OPG para todo mundo, dividir com família.
1:05:58
Papagaio contato. Gosto muito do trabalho e curtir
1:06:02
muito por você, cara. Muito obrigado, beijos, tchau.