IA Copilot para Atendimento 3PL: Como Cortar 40% do Volume de Chamadas com Rastreamento, Alterações e Exceções

Um cliente de 3PL transfronteiriço recebia seiscentas ligações por dia nos dois meses de alta temporada. Ficamos lá três dias etiquetando cada uma. O resultado foi bem interessante: quase metade daquelas chamadas tinha atendentes repetindo praticamente a mesma coisa — 'deixa eu consultar', 'qual é o número do pedido', 'já chegou no centro de distribuição'. Basicamente, pessoas ali funcionando como uma máquina de consulta.

Aqui começou nossa jornada com atendimento de logística com IA. A pergunta inicial não é 'o que a IA consegue fazer', mas sim 'como é que fica o seu volume de chamadas'. Porque o atendimento 3PL é diferente do atendimento de e-commerce comum: expedidores (shipper), destinatários e plataformas todos ligam, fazem perguntas altamente estruturadas, mas caem em vários sistemas — WMS, TMS, APIs de transportadoras, seu próprio repositório de pedidos. A pergunta não é se dá pra cortar volume, mas se esses sistemas conseguem ser conectados e lidos/escritos por um Copilot.

Deixe a IA de lado por enquanto, decomponha as chamadas primeiro

Nosso padrão é sempre fazer duas semanas de auditoria de chamadas antes de implementar: transcrever as gravações, categorizar por tema, categorizar por sentimento, marcar 'essa chamada realmente precisava de um humano?'. Com chamadas 3PL você acaba caindo nessas categorias, e a dificuldade de automação varia bastante:

Quando você abre essa tabela, o objetivo 'cortar 40% das chamadas' deixa de ser um slogan e vira um número que você consegue calcular: só com rastreamento, conseguindo 85% de automação, o volume total cai cerca de 30% logo de cara. Aí você pega a metade das alterações de pedido que são mais estruturadas, e chega aos 40%. Não é estimativa otimista — são números reais que a gente viu cair em dois projetos 3PL que implementamos.

Rastreamento é ponto fácil, mas ponto fácil também erra

Rastreamento é fácil porque é apenas leitura — o Copilot só precisa consultar e explicar bem, não mexe em nenhum dado, risco mínimo. O que fazemos é deixar o Copilot puxar direto de três fontes: repositório de pedidos interno pra número e itens, WMS pro status de saída, API da transportadora pro rastreamento da última milha. Não importa se o usuário entra por LINE, web ou telefone, perguntando 'onde tá meu pedido', a resposta sai como 'chegou em Taoyuan ontem às 18:40, previsão entrega amanhã de manhã, motorista é Black Cat'.

Mas a gente já pisou em uma casca de banana aqui, então vou compartilhar pra vocês evitarem: o rastreamento da transportadora às vezes atrasa na atualização, ou os códigos de status não têm significado consistente (um mesmo 'em entrega' significa coisas bem diferentes de uma transportadora pra outra). Nas primeiras versões deixamos a IA ler os códigos literalmente, resultado foi que o destinatário viu 'entregue' e achou que era, mas o pacote ainda tava no carro, e teve cliente que reclamou ainda mais. Depois a gente adicionou uma camada de regras — quando o timestamp do status passa de um certo limite ou quando as diferentes fontes discordam, o Copilot não tira conclusão por conta própria, muda pra 'o sistema mostra…, deixa eu confirmar com o motorista e ligo de volta', e abre um caso no mesmo momento. Melhor ser conservador do que falar errado com confiança.

Alteração de pedido e exceção: a verdadeira linha de demarcação para automação

Alteração de pedido começa a envolver escrita, e esse é o ponto onde o design realmente precisa ser cuidadoso. Nosso princípio é usar o ponto de saída como sinal de trânsito: se a carga ainda não foi separada, o Copilot atualiza endereço e período de entrega direto no TMS, na hora; assim que entra na separação ou já foi carregada no veículo, qualquer mudança vai pro humano, porque nesse ponto mexer numa coisa puxa várias outras — rota, frete, até devolução. Onde traçar essa linha precisa ser definido com o time de operações, não é decisão só dos engenheiros.

Relatório de exceção é o mais difícil, mas também o que mais vale a pena automatizar. A dificuldade tá em atribuir culpa e lidar com emoção; o valor tá em que, mesmo que a IA não consiga resolver o caso, ela consegue fazer a parte mais demorada — 'abrir o caso' — perguntando e estruturando a informação de dano, número do pedido, itens, forma esperada de resolver, tudo isso num ticket pra ir pra pessoa certa. Quando o atendente pega, já pulou os primeiros cinco minutos de perguntas. A gente mediu: mesmo com só 30–40% de automação desse tipo de chamada, o tempo médio de atendimento (AHT) caiu mais de 20%.

Distribuição homem-máquina, não é eliminar gente

O que realmente decide sucesso ou fracasso após lançamento é a estrutura de escalação, não o quão inteligente a IA é. A gente define três linhas rígidas pra mandar pro humano em cada projeto 3PL: uma é detecção de emoção clara de insatisfação, manda na hora, não deixa a IA insistir; duas é mesma pergunta, IA rodou duas voltas, não resolveu, manda; três é qualquer coisa envolvendo valor, compensação ou contrato, manda direto. Quando escalona, tem que passar todo o histórico da conversa junto, o atendente não precisa perguntar de novo 'qual seu número de pedido' — se essa transição não for boa, a confiança do cliente no sistema inteiro desaba na hora.

Um trimestre depois de lançado, o volume de chamadas daquele cliente caiu cerca de 43%. O time de atendimento não sofreu redução; em vez disso, liberou gente pra fazer acompanhamento proativo de exceções — quando há atraso de entrega, ligam pro expedidor antes que ele reclame, em vez de esperar por uma ligação irritada. Isso é o que a gente quer ver: IA leva as repetitivas, humano faz o que só humano consegue fazer bem.

Voltando àquele papo que a gente sempre diz: demo bonita não vale nada, só o que tá rodando em produção e que as pessoas estão realmente usando é que importa. Por isso na Tenten, quando implementamos atendimento de logística com IA, nunca começamos pelo modelo: começamos estudando seu volume de chamadas, calculando direitinho a proporção automatizável, aí sim integramos ao sistema de produção uma categoria por vez, com engenheiros no local até a taxa de uso realmente crescer. É mais lento, mas é o único jeito que realmente fica.