Automação de atendimento no WhatsApp: os números de 90 dias em uma distribuidora

Case anonimizado de um projeto entregue pela Cordexo. A empresa é uma distribuidora de bebidas e alimentos que atende bares, restaurantes e mercados de bairro. Três pessoas no comercial, pedido entrando por WhatsApp, sem sistema de atendimento nenhum antes do projeto. Os números abaixo são os que a gente acompanhou desde o dia zero, incluindo os que não melhoraram.

O ponto de partida

Antes de ligar qualquer coisa, medimos 30 dias de operação com as conversas exportadas do próprio WhatsApp.

Volume: 620 mensagens recebidas por dia útil, concentradas entre 8h e 11h (o horário em que o dono de bar faz pedido antes de abrir).

Tempo médio até a primeira resposta: 47 minutos. Na primeira semana de cada mês, quando o volume de pedido dispara, esse número subia para mais de 3 horas.

Mensagens recebidas depois das 18h: 22% do total, e quase nenhuma respondida antes do dia seguinte.

Um detalhe importante: a distribuidora não estava perdendo cliente por causa disso. Estava perdendo tempo. Os três atendentes passavam a manhã inteira respondendo as mesmas quatro perguntas (preço de item, se tem em estoque, onde está a entrega, qual o pedido mínimo) e faziam a parte comercial de verdade, negociação e prospecção, no fim da tarde ou nunca.

Mês 1: supervisionado, resolução zero de propósito

A IA entrou lendo o catálogo, a tabela de preço vigente e o status de entrega, e sugerindo a resposta dentro da ferramenta de atendimento. Nenhuma mensagem saía sem um humano clicar em enviar.

Tempo médio até a primeira resposta: 12 minutos.

Taxa de resolução sem humano: 0%. Isso era o desenho, não uma falha. O mês 1 existe para acumular divergência entre o que a IA sugeriu e o que o atendente enviou de fato. Foram 1.847 sugestões, das quais 214 foram editadas antes de sair. Cada edição virou um ajuste de base: preço de combo que não estava na tabela, regra de frete grátis por bairro que ninguém tinha escrito, apelido regional de produto ("skolzinha" para a lata de 269ml).

Mês 2: soltamos, e piorou antes de melhorar

No começo do mês 2, duas categorias de conversa passaram a rodar sem supervisão: consulta de preço e catálogo, e status de entrega. As duas juntas eram 54% do volume.

Resolução sozinha: 41% das conversas.

E apareceu o problema que ninguém tinha previsto. A IA começou a registrar pedido com unidade ambígua. Cliente manda "manda 2 de heineken" e isso pode ser 2 caixas, 2 fardos ou 2 unidades. O atendente humano sabia pelo histórico daquele cliente. A IA assumiu caixa e errou nove pedidos em duas semanas.

Nenhum desses nove virou prejuízo grande, mas dois geraram troca no dia seguinte, o que na operação de uma distribuidora custa uma viagem. A correção não foi tornar a IA mais esperta: foi proibir o fechamento de pedido sem confirmação explícita da unidade, com uma frase curta ("2 caixas de 12 ou 2 unidades?"). O custo disso é uma mensagem a mais por pedido. Passou a valer a pena no primeiro dia.

Isso virou regra fixa para qualquer projeto nosso que envolva pedido: quando o erro cria custo físico (viagem, troca, devolução), a IA confirma antes, mesmo que fique um pouco mais chata.

Mês 3: os números que estabilizaram

Resolução sem humano: 58% das conversas.

Tempo médio até a primeira resposta: 3 minutos, com as mensagens fora do horário comercial respondidas na hora.

Erro de pedido por unidade ambígua: zero desde a regra de confirmação.

Transferência para humano com motivo classificado: 100%, o que permitiu ver que a maior causa de transferência não era negociação de preço, e sim cliente pedindo item que estava fora de linha.

O número que não mudou

A taxa de conversão de orçamento em pedido saiu de 31% para 33% em 90 dias. Isso está dentro da variação normal do negócio e não dá para atribuir à automação.

Vale dizer isso com clareza porque é onde muita proposta de automação promete o que não entrega. Responder mais rápido não faz o dono do bar comprar mais cerveja do que ele consegue vender. O ganho foi de capacidade e de tempo: os três atendentes voltaram a ter tarde livre, e a distribuidora subiu o número de clientes ativos atendidos sem contratar a quarta pessoa que já estava orçada.

Se o objetivo do projeto fosse aumentar ticket médio, ele teria fracassado. O objetivo era absorver crescimento sem aumentar folha, e isso aconteceu.

O dado que ninguém pediu e virou o mais útil

A IA registrava toda pergunta sobre produto que ela não conseguia responder por falta de estoque. Ninguém pediu esse relatório, ele saiu de graça do log de transferências.

Em 90 dias foram 214 pedidos de itens em falta, e três SKUs concentravam 60% deles. A distribuidora nunca tinha visto esse número porque a informação morria na conversa individual de cada atendente. Virou decisão de compra no mês seguinte.

É um padrão que a gente vê repetir: a automação de atendimento produz, como subproduto, o primeiro registro estruturado da demanda que a empresa tem. Muitas vezes esse subproduto vale mais que a economia de tempo, e quase nunca ele entra na conta de retorno da proposta comercial.

O que dá para levar deste case

Três coisas se repetiram aqui e se repetem em quase todo projeto de porte parecido.

A primeira: o mês supervisionado não é atraso, é a fase que gera a base de conhecimento real. As 214 edições de resposta do mês 1 são o que permitiu chegar em 58% de resolução no mês 3.

A segunda: o erro que aparece na fase autônoma quase nunca é o erro que a empresa temia. Todo mundo tem medo da IA falar besteira com o cliente. O que quebrou aqui foi uma ambiguidade de unidade de medida que nenhum de nós tinha na lista de risco.

A terceira: separe o que a automação melhora do que ela não toca. Tempo de resposta, capacidade de absorção e consistência melhoram. Preço, margem e vontade de comprar do cliente não. Um projeto que promete os dois grupos está vendendo o segundo grupo de graça, e é ali que a frustração aparece no terceiro mês.