A versão curta
edição de 2026Principais conclusões
Cada takeaway se vincula à sua linha de dados canônica. Figuras relatadas pertencem ao seu produtor citado; resultados modelados são rotulados como cálculos.
- Estudo de suporte: aumento de problemas resolvidos por hora: 15,2% (Implantação principalmente no outono de 2020 a inverno de 2021; artigo publicado em fevereiro de 2025).Brynjolfsson, Li e Raymond
- Estudo de suporte: redução no tempo médio de tratamento de chat: 8,5% (Implantação principalmente no outono de 2020 a inverno de 2021; artigo publicado em fevereiro de 2025).Brynjolfsson, Li e Raymond
- Estudo de suporte: aumento na participação de chats resolvidos, aproximadamente (não estatisticamente significativo): 1,3 pp (Implantação principalmente no outono de 2020 a inverno de 2021; artigo publicado em fevereiro de 2025).Brynjolfsson, Li e Raymond
- Estudo de suporte: diminuição no NPS do cliente, aproximadamente (não estatisticamente significativo): 0,12 (Implantação principalmente no outono de 2020 a inverno de 2021; artigo publicado em fevereiro de 2025).Brynjolfsson, Li e Raymond
- Estudo de suporte: aumento de problemas resolvidos por hora para agentes menos qualificados e menos experientes: 30% (Implantação principalmente no outono de 2020 a inverno de 2021; artigo publicado em fevereiro de 2025).Brynjolfsson, Li e Raymond
- Pesquisa com consumidores Zendesk: querem que o representante continue a partir da interação anterior: 81% (relatório de 2026 lançado em novembro de 2025; datas de trabalho de campo não divulgadas no lançamento).Zendesk
- Pesquisa com consumidores Zendesk: ficam frustrados por repetir informações: 74% (relatório de 2026 lançado em novembro de 2025; datas de trabalho de campo não divulgadas no lançamento).Zendesk
- Pesquisa com consumidores Zendesk: dizem que a capacidade de resposta e a precisão afetam fortemente as compras: 86% (relatório de 2026 lançado em novembro de 2025; datas de trabalho de campo não divulgadas no lançamento).Zendesk
- Pesquisa com consumidores Zendesk: escolheriam texto, voz e visuais em uma única conversa: 76% (relatório de 2026 lançado em novembro de 2025; datas de trabalho de campo não divulgadas no lançamento).Zendesk
- Pesquisa com consumidores Zendesk: esperam explicações para decisões tomadas por IA: 95% (relatório de 2026 lançado em novembro de 2025; datas de trabalho de campo não divulgadas no lançamento).Zendesk
O que mudou quando os agentes de suporte receberam assistência de IA?
O estudo encontrou maior resolução de produtividade e menor tempo de manuseio. As medidas médias de qualidade não mostraram uma melhoria estatisticamente significativa, portanto, maior produtividade não deve ser renomeada como maior satisfação do cliente.
Role horizontalmente para comparar todas as colunas →
| Resultado medido | Mudança relatada | Interpretação |
|---|---|---|
| Aumento nas questões resolvidas por hora | 15.2%Resultado quase experimental | Estatisticamente significativo |
| Redução no tempo médio de tratamento de chat | 8.5%Resultado quase experimental | Estatisticamente significativo |
| Aumento na participação de chats resolvidos, aproximadamente | 1.3 ppResultado quase experimental | Não estatisticamente significativo |
| Diminuição no NPS do cliente, aproximadamente | 0.12Resultado quase experimental | Não estatisticamente significativo |
| Aumento nas questões resolvidas por hora para agentes menos qualificados e menos experientes | 30%Resultado quase experimental | Resultado de subgrupo; não a média da força de trabalho |
Usa o artigo publicado, não sua versão de trabalho anterior. Mudanças percentuais relativas, mudanças em pontos percentuais e pontos NPS são unidades diferentes. Uma estimativa não significativa não é prova de efeito zero.
Fonte primária: Brynjolfsson, Li e Raymond — 4 de fevereiro de 2025
O que os consumidores esperam do serviço habilitado por IA?
Os consumidores relatam preferências por continuidade, capacidade de resposta, flexibilidade de canal e explicações. Essas são expectativas da pesquisa, não taxas de retenção observadas ou resultados de suporte medidos experimentalmente.
| Resposta do consumidor | Participação do respondente |
|---|---|
| Deseja que o representante continue a partir da interação anterior | 81%Expectativa da pesquisa |
| Ficam frustrados por repetir informações | 74%Expectativa da pesquisa |
| Espere suporte adaptado a interações anteriores | 67%Expectativa da pesquisa |
| Afirmam que a capacidade de resposta e a precisão afetam fortemente as compras | 86%Expectativa da pesquisa |
| Escolheria texto, voz e visuais em uma única conversa | 76%Expectativa da pesquisa |
| Espere explicações para decisões tomadas pela IA | 95%Expectativa da pesquisa |
A contagem combinada de participantes não deve ser usada como denominador para cada pergunta do consumidor.
Fonte primária: Zendesk — 18 de novembro de 2025
O estudo mostra que bots autônomos podem substituir agentes?
Não. Ele avalia sugestões entregues a agentes de suporte humanos, que podem editá-las ou ignorá-las. A resolução autônoma, as políticas de escalonamento e o desempenho do chatbot de ponta a ponta exigem sua própria avaliação.
Não rotule a produtividade do agente assistido como uma taxa de contenção de bot, redução de pessoal ou economia de custos garantida.
Fonte primária: Brynjolfsson, Li e Raymond — 4 de fevereiro de 2025
Quais métricas um scorecard de suporte de IA deve manter separadas?
Acompanhe resoluções concluídas, tempo de manuseio, contatos repetidos, escalonamento e qualidade avaliada pelo cliente de forma independente. Defina o denominador para cada medida e inclua o trabalho realizado após um bot transferir a conversa para uma pessoa.
| Métrica | Definição para uma avaliação local |
|---|---|
| Produtividade de resolução | Resoluções aceitas divididas por horas de pessoal |
| Tempo de manuseio | Tempo de manuseio ativo por conversa, com regras de concorrência declaradas |
| Escalonamento | Conversas transferidas para um humano ou supervisor divididas por conversas elegíveis |
| Qualidade | Revisão independente ou feedback do cliente usando a mesma escala em todas as condições |
Estrutura de medição editorial do Workspace369; essas definições não são descobertas empíricas adicionais.
Como este relatório foi construído
Metodologia e limitações
- A tabela de resultados medidos retém as estimativas preferidas do artigo publicado e suas descobertas de qualidade nula. A tabela da pesquisa contém apenas expectativas do consumidor atribuídas separadamente.
- O artigo público hospedado pelo autor foi verificado diretamente, incluindo as tabelas de resultados principais. Apenas resultados factuais selecionados são resumidos; o artigo e seus gráficos não são redistribuídos.
- A contribuição original é a comparação de tipos de evidência e o framework de medição reutilizável, não um novo experimento de suporte. Nenhuma média interfontes é calculada.
O que esses números não podem lhe dizer
- O estudo operacional diz respeito a uma empresa, um assistente histórico e uma implantação completa não aleatória. A estratégia de identificação é mais forte do que uma simples pesquisa de opinião, mas não garante transferência para outra equipe.
- A pesquisa do consumidor é patrocinada por fornecedores. Preferências declaradas não são decisões de compra observadas, e o ano da edição do relatório não é a data de trabalho de campo.
- Nenhum resultado estabelece como o Workspace369 se sai, prova uma taxa de substituição de agente autônomo ou apoia uma reivindicação genérica de ROI de atendimento ao cliente.
Atualidade e correções
Mantido pela equipe editorial do Workspace369. Revisar trimestralmente e quando um produtor citado lançar um estudo substituto. Próxima revisão editorial: dezembro de 2026. Reter versões de modelos históricos e datas de observação. A data da edição muda apenas quando a evidência ou o conteúdo é revisado substancialmente; não altera o período de observação subjacente.
Primeira edição: . Extração de dados, atribuição de origem e aritmética verificadas para esta edição. Nenhuma revisão por pares independente é reivindicada.
Encontrou um erro ou uma versão primária mais recente? Envie uma correção com a fonte e a estatística afetada. As correções confirmadas devem ser registradas no histórico de revisões antes de republicar.
Fontes primárias e proveniência
Cada célula numérica relatada se vincula diretamente ao seu produtor. Os downloads incluem localizadores exatos de tabelas ou planilhas, períodos de observação, datas de acesso, fórmulas e referências de entrada.
- Brynjolfsson, Li e RaymondGenerative AI at Work, artigo publicado no Quarterly Journal of Economics (2025) ↗Publicado em 4 de fevereiro de 2025. Acessado em 12 de setembro de 2026.Observações factuais selecionadas parafraseadas com atribuição. Nenhum relatório fonte, gráfico, dados de participante ou banco de dados proprietário é redistribuído; os direitos da fonte permanecem com seu produtor.
- ZendeskTendências de CX de 2026: anúncio de pesquisa do editor original ↗Publicado em 18 de novembro de 2025. Acessado em 12 de setembro de 2026.Observações factuais selecionadas parafraseadas com atribuição. Nenhum relatório fonte, gráfico, dados de participante ou banco de dados proprietário é redistribuído; os direitos da fonte permanecem com seu produtor.
Feito para ser verificado, depois citado
Como citar este relatório
Para uma estatística relatada pela fonte, credite a editora original e vincule à linha exata aqui ao usar nossa compilação. Para um resultado modelado, cite Workspace369 e inclua as suposições. O link para esta página não nos torna o produtor original de dados de terceiros.
Workspace369. (2026-09-12). Estatísticas de Desempenho de Atendimento ao Cliente com IA. https://workspace369.com/research/ai-customer-service-performance-statistics/. Fontes primárias e períodos de observação conforme listado no relatório.
Os downloads são conjuntos de dados de referência em inglês, inclusive em páginas traduzidas. Os direitos de origem permanecem com seus produtores. Atribua a compilação e os cálculos do Workspace369; consulte os termos de reutilização de cada fonte.