Olá, é um prazer inenarrável estar mais uma vez escrevendo este post. A Ringg afirma que seus agentes de IA para atendimento conseguem resolver até 65% das solicitações de clientes sem intervenção humana. O caso chama atenção não apenas pelo percentual, mas pela combinação de voz, chat, WhatsApp e navegador em uma mesma operação. Afinal, o que está por trás desse resultado — e até onde uma plataforma desse tipo consegue substituir fluxos manuais de atendimento?
A empresa, que atua com grandes negócios de consumo na Índia, apresentou sua experiência em uma publicação da OpenAI datada de 24 de setembro de 2026. Segundo o relato, a Ringg usa modelos da OpenAI, uma camada própria de orquestração e integrações com sistemas corporativos para transformar conversas em ações concretas, como consultar apólices, agendar consultas e atualizar registros.
Como os agentes de IA para atendimento transformam conversas em tarefas
Um chatbot que apenas responde perguntas é relativamente simples de imaginar. O desafio começa quando o cliente espera que a conversa termine com algo realmente resolvido. Nesse cenário, os agentes de IA para atendimento precisam interpretar o pedido, consultar informações, chamar ferramentas e manter o contexto durante várias etapas.
Na arquitetura descrita pela Ringg, o sistema reúne a mensagem ou a fala do cliente, as instruções do agente, o histórico da conversa, dados específicos do consumidor, informações da base de conhecimento e as ferramentas disponíveis. A camada de orquestração então encaminha cada tarefa ao modelo e executa ações em CRMs, plataformas de chamados, sistemas de pagamento, agendas e APIs internas.
Se o caso for complexo demais, a conversa pode ser transferida para uma pessoa. A diferença é que o atendente recebe um resumo com o contexto relevante, em vez de obrigar o cliente a repetir toda a história. A Ringg também afirma usar subagentes especializados em qualificação, suporte, verificação, agendamento e escalonamento.
Esse tipo de arquitetura mostra por que a avaliação de agentes de IA precisa considerar mais do que a qualidade de uma resposta isolada. O agente pode escrever uma frase convincente e ainda assim falhar ao consultar o sistema errado, esquecer uma etapa ou não concluir a tarefa solicitada.
O papel dos modelos nos agentes de IA para atendimento
A Ringg afirma que não utiliza um único modelo para todas as situações. O tráfego de voz e chat em tempo real é atendido principalmente pelo GPT-4.1, enquanto o GPT-5.6 Luna é usado quando seu desempenho, latência ou relação entre preço e qualidade se mostram mais adequados à solicitação.
Outros modelos cumprem funções específicas. Segundo a empresa, o GPT-5.6 Terra é empregado na análise pós-atendimento, incluindo resumos e classificação de sentimento. Já o GPT-5.6 Sol apoia avaliações, melhorias de prompts e fluxos em que um modelo atua como avaliador.
A lógica é semelhante à de uma equipe com especialistas diferentes: não faz sentido usar a mesma pessoa para atender uma ligação, revisar um relatório e auditar a qualidade de todo o processo. Para cargas selecionadas, a migração do GPT-4.1 para o GPT-5.6 Luna teria reduzido os custos dos modelos em aproximadamente 90%, mantendo os requisitos de qualidade e latência da Ringg.
A empresa também relata que cria resumos estruturados quando uma conversa longa se aproxima de aproximadamente 80 mil tokens. Assim, o atendimento pode continuar com as informações principais preservadas, sem reenviar repetidamente todo o histórico ao modelo.
Resultados anunciados para os agentes de IA para atendimento
De acordo com a publicação da OpenAI, os agentes da Ringg lidam com mais de 7 milhões de chamadas conectadas por mês e os clientes da plataforma registram CSAT médio de 4,8. A empresa afirma ainda que seus agentes resolvem até 65% das solicitações rotineiras sem participação humana.
Os exemplos apresentados variam conforme o setor. A Policybazaar teria conectado mais de 57 mil solicitações pela plataforma, com 67% das chamadas atendidas sem intervenção humana. O tempo médio de resposta teria caído de 8 a 12 minutos para menos de 60 segundos.
Na plataforma de saúde Practo, a Ringg afirma ter alcançado uma taxa de resolução no primeiro contato de 85%, com respostas em menos de três segundos. O custo operacional teria diminuído 70% em comparação com o fluxo anterior conduzido por pessoas, enquanto mais de mil agendamentos de consultas seriam concluídos por dia.
Já a plataforma de investimentos Groww usa a solução para responder dúvidas sobre ofertas públicas iniciais, futuros e opções. Nesse caso, a empresa relata que 72% das consultas recebidas são resolvidas por autoatendimento, com tempo médio de atendimento de dois minutos.
Esses números são resultados divulgados pela própria Ringg e apresentados pela OpenAI em um estudo de caso. Eles não significam que os agentes terão o mesmo desempenho em qualquer empresa: o resultado depende da qualidade das integrações, dos dados disponíveis, do desenho dos fluxos e do tipo de solicitação recebida.
O próximo passo dos agentes de IA para atendimento
A Ringg também está desenvolvendo agentes capazes de operar no navegador em tarefas como integração de novos usuários, processos de KYC, suporte de tecnologia, atendimento a incidentes e análise de sinistros. A proposta é combinar o que aparece na tela com o contexto da conversa, permitindo que o agente oriente o cliente em processos mais difíceis.
Outro plano envolve preservar o contexto entre canais. Um cliente poderia iniciar uma solicitação por voz, continuar pelo WhatsApp e concluí-la no navegador sem precisar fornecer novamente todos os detalhes. Na prática, isso aproxima o atendimento de uma jornada contínua, em vez de uma sequência de conversas isoladas.
Também há uma camada importante de controle operacional. Antes de colocar mudanças em produção, a Ringg diz testar modelos com conversas históricas e fluxos simulados. Depois, os modelos aprovados são disponibilizados para uma pequena parcela do tráfego, enquanto o sistema monitora latência, disponibilidade dos endpoints e variações regionais de idioma.
Essa cautela é necessária porque uma falha em atendimento não é apenas uma resposta ruim na tela. Ela pode significar uma cobrança incorreta, um agendamento perdido ou uma solicitação que nunca chega a um especialista humano. Por isso, a automação precisa ser medida pela conclusão das tarefas e pela capacidade de escalar casos com segurança — não apenas pelo número de chamadas atendidas.
O que o caso da Ringg revela sobre agentes de IA para atendimento
O caso sugere que os agentes de IA para atendimento estão avançando de sistemas que conversam para sistemas que executam processos. A combinação entre modelos especializados, recuperação de informações, chamadas de ferramentas e transferência contextual para humanos é o que permite sair do atendimento superficial.
Ao mesmo tempo, os números divulgados devem ser lidos como resultados específicos da Ringg e de seus clientes, não como uma promessa geral para qualquer operação. A pergunta mais importante não é quantas conversas um agente consegue iniciar, mas quantas solicitações ele resolve corretamente, com custo controlado e uma rota clara para a intervenção humana.
É justamente aí que está a resposta para o detalhe levantado no início: o desempenho não vem apenas do modelo de linguagem. Ele depende do sistema inteiro — dados, integrações, roteamento, avaliações, monitoramento e desenho do processo. Quando esses elementos trabalham juntos, os agentes de IA para atendimento podem deixar de ser uma camada de respostas automáticas e se tornar uma infraestrutura operacional para empresas.
