Como a Klyro mede atendimento, performance e SLA
Em vez de tratar a Inteligência Artificial apenas como uma automação auxiliar, a plataforma considera humanos e agentes de IA como atores capazes de participar do atendimento e assumir responsabilidade por uma conversa.
Como a Klyro mede atendimento, performance e SLA
A Klyro foi concebida para um cenário em que agentes humanos e Agentes de IA fazem parte da mesma operação de atendimento.
Em vez de tratar a Inteligência Artificial apenas como uma automação auxiliar, a plataforma considera humanos e agentes de IA como atores capazes de participar do atendimento e assumir responsabilidade por uma conversa.
Essa abordagem muda a maneira como métricas de atendimento precisam ser calculadas.
Não basta saber quanto tempo uma conversa demorou para ser respondida ou encerrada. É necessário compreender quem estava responsável em cada momento, quem efetivamente respondeu, quanto tempo o cliente esperou e se as metas de atendimento foram cumpridas.
1. A conversa como uma jornada contínua
Na Klyro, uma conversa é uma jornada que pode passar por diferentes responsáveis ao longo do tempo.
Por exemplo:
Cliente → Agente de IA → João → Agente de IA → Maria → Conclusão
Tudo isso continua sendo a mesma conversa.
Não é necessário criar uma nova conversa toda vez que a responsabilidade muda.
Uma conversa pode, portanto, ser atribuída diversas vezes durante sua existência, inclusive retornando para um ator que já havia participado anteriormente.
Por exemplo:
IA → João → IA → Maria → João → Conclusão
Cada mudança representa um novo período de responsabilidade dentro da mesma jornada.
2. Existe apenas um responsável operacional por vez
Um dos princípios da arquitetura da Klyro é que uma conversa deve possuir um único responsável operacional em determinado momento.
Esse responsável pode ser:
um agente humano; ou
um Agente de IA.
Não queremos que um humano e uma IA sejam considerados simultaneamente responsáveis pelo mesmo atendimento.
Isso não significa que apenas uma pessoa ou IA possa participar da conversa ao longo de sua existência.
Vários atores podem participar, responder, receber transferências ou assumir o atendimento em momentos diferentes.
A diferença fundamental é entre participar de uma conversa e estar responsável por ela naquele momento.
3. IA e humanos são tratados como atores
Esse é um dos conceitos centrais da Klyro.
Para fins de métricas, não queremos construir dois sistemas:
Métricas de humanos
e
Métricas de Inteligência Artificial
A plataforma utiliza o mesmo conceito para ambos.
Um agente humano é um ator.
Um Agente de IA também é um ator.
Consequentemente, ambos podem possuir métricas como:
tempo de resposta;
tempo de atendimento;
quantidade de atendimentos;
quantidade de respostas;
cumprimento de SLA;
violações de SLA;
transferências;
resoluções.
Depois, a plataforma pode simplesmente comparar os tipos de atores.
Isso permite responder perguntas como:
Qual é o tempo de resposta dos Agentes de IA comparado aos humanos?
Qual percentual de SLA os humanos estão cumprindo?
Qual percentual os Agentes de IA estão cumprindo?
Qual agente humano possui melhor tempo de resposta?
Qual Agente de IA apresenta melhor desempenho?
A estrutura de medição permanece a mesma.
4. Responsabilidade não é a mesma coisa que resposta
Existe uma diferença importante entre estar responsável pela conversa e responder ao cliente.
Imagine:
10:00 — Cliente envia uma mensagem
10:00 — IA assume o atendimento
10:00:08 — IA responde
10:04 — João assume
10:04:35 — João responde
A plataforma precisa entender todos esses acontecimentos separadamente.
A IA ficou responsável por determinado período.
João ficou responsável por outro.
A IA respondeu em oito segundos.
João respondeu 35 segundos depois de assumir.
Essa separação permite métricas muito mais confiáveis.
5. Primeira Resposta
A primeira métrica fundamental é o Tempo de Primeira Resposta.
Ela responde:
Quanto tempo o cliente esperou até receber a primeira resposta?
Imagine:
Cliente: 10:00:00
Agente de IA: 10:00:08
O Tempo de Primeira Resposta foi:
8 segundos.
A Klyro também registra qual ator realizou essa resposta.
Isso permite posteriormente analisar se a primeira resposta foi realizada por humano ou IA.
6. Primeira Resposta Humana
Em operações que utilizam Inteligência Artificial, apenas medir a primeira resposta pode esconder uma informação importante.
Imagine:
10:00 — Cliente envia mensagem
10:00:08 — IA responde
10:04:10 — Humano responde
Temos duas informações relevantes:
Primeira resposta geral: 8 segundos
Primeira resposta humana: 4 minutos e 10 segundos
Essa distinção permite avaliar simultaneamente a experiência percebida pelo cliente e a velocidade da operação humana.
É uma abordagem semelhante à utilizada por plataformas como a Crisp, que diferencia resposta geral de resposta humana.
7. Primeira Resposta após assumir o atendimento
Existe ainda uma terceira perspectiva extremamente importante.
Imagine:
10:00 — Cliente entra em contato
10:04 — João assume a conversa
10:04:35 — João responde
Não seria justo avaliar João dizendo que ele demorou 4 minutos e 35 segundos para responder.
Ele sequer era responsável pela conversa durante os primeiros quatro minutos.
Para medir a performance de João:
João assumiu: 10:04:00
João respondeu: 10:04:35
Portanto:
Tempo de resposta após assumir = 35 segundos.
Essa métrica pode ser aplicada exatamente da mesma maneira a um Agente de IA.
Isso permite comparar humanos e IA utilizando a mesma metodologia.
8. Próximas Respostas
A qualidade de um atendimento não pode ser avaliada apenas pela primeira resposta.
Considere uma conversa longa:
Cliente → resposta em 20 segundos
Cliente → resposta em 40 segundos
Cliente → resposta em 2 minutos
Cliente → resposta em 35 segundos
Cada nova interação do cliente pode iniciar um novo período de espera por uma resposta.
A Klyro poderá medir essas ocorrências individualmente.
Isso permite descobrir situações em que uma equipe possui excelente primeira resposta, mas se torna lenta durante o restante do atendimento.
Esse conceito é semelhante ao Next Reply Time utilizado pelo Zendesk.
9. Tempo de espera do cliente
Outra métrica fundamental é:
Quanto tempo o cliente passou esperando pela Klyro, pelos agentes humanos ou pelos Agentes de IA?
Por exemplo:
Cliente envia mensagem
↓
aguarda 2 minutos e 40 segundos
↓
responsável responde
Nesse ciclo:
Tempo de espera do cliente = 2 minutos e 40 segundos
Essa métrica pode acontecer diversas vezes durante a mesma conversa.
Consequentemente, podemos descobrir não apenas quanto demoramos para iniciar um atendimento, mas quanto tempo o cliente efetivamente passou esperando durante toda sua jornada.
10. Tempo sob responsabilidade de um ator
Também queremos saber quanto tempo cada ator permaneceu responsável pelo atendimento.
Exemplo:
IA: 10:00 → 10:04 = 4 minutos
João: 10:04 → 10:18 = 14 minutos
IA: 10:18 → 10:21 = 3 minutos
Maria: 10:21 → 10:40 = 19 minutos
Isso permite calcular o tempo de atendimento de cada ator.
Se João assumir a mesma conversa novamente posteriormente, esse novo período também será contabilizado.
Por exemplo:
João: 14 minutos
Maria: 19 minutos
João novamente: 8 minutos
Tempo total de João naquela conversa:
22 minutos.
Esse conceito é particularmente importante para medir produtividade humana sem atribuir ao funcionário períodos em que a conversa estava em uma fila ou sendo atendida por uma IA.
11. Fila não é tempo do agente
Essa separação é fundamental.
Imagine:
10:00 — Cliente solicita atendimento humano
10:05 — João assume
10:06 — João responde
O cliente esperou:
6 minutos até a resposta humana.
Mas João demorou:
1 minuto para responder depois de assumir.
Portanto, temos problemas potencialmente diferentes:
5 minutos de espera operacional/fila
1 minuto de resposta do agente
Misturar os dois faria parecer que João demorou seis minutos para responder, quando na realidade cinco minutos pertenciam ao processo de distribuição da conversa.
Essa separação permite que gestores identifiquem corretamente se o problema está na capacidade da equipe, no dimensionamento das filas ou na performance individual.
12. Tempo de resolução da conversa
Também mediremos quanto tempo uma conversa levou para ser resolvida.
Porém, existe uma diferença entre:
Tempo de resolução da conversa
e
Tempo de trabalho de cada ator.
Imagine:
IA: 30 minutos
João: 5 minutos
Maria: 2 minutos e resolve
A conversa levou aproximadamente:
37 minutos para ser resolvida.
Mas não seria correto afirmar:
Maria levou 37 minutos para resolver o atendimento.
Maria trabalhou apenas durante uma parcela daquele período.
Portanto, a Klyro separa:
Tempo total de resolução da conversa
de
Tempo sob responsabilidade de cada ator.
Também podemos registrar qual ator realizou a resolução final.
13. Reabertura de conversas
Uma conversa concluída pode ser reaberta.
Nesse caso, não queremos simplesmente apagar ou substituir as métricas anteriores.
Imagine:
Primeiro ciclo
Cliente → IA → João → concluído
Segundo ciclo
Cliente reabre → IA → Maria → concluído
Temos uma única conversa, mas dois ciclos de atendimento.
Cada ciclo pode possuir suas próprias:
respostas;
esperas;
atribuições;
metas;
violações;
resolução.
Isso evita que uma reabertura destrua ou distorça os resultados do atendimento anterior.
14. O conceito de instâncias de SLA
Esse é provavelmente o conceito mais importante do novo modelo.
O SLA não será simplesmente um número armazenado na conversa.
Cada meta relevante pode gerar uma instância de SLA.
Uma instância representa um relógio real de atendimento.
Por exemplo:
O cliente enviou uma mensagem às 10:00.
A política determina:
Deve receber uma resposta em até 2 minutos.
A plataforma cria conceitualmente um relógio:
Início: 10:00
Limite: 10:02
Se João responder:
10:01:20
Resultado:
SLA cumprido.
Se responder:
10:03:15
Resultado:
SLA violado.
Isso permite saber não apenas o tempo médio, mas exatamente quantas metas foram cumpridas ou violadas.
15. Uma conversa pode possuir várias instâncias de SLA
Uma conversa não possui necessariamente apenas um SLA.
Imagine:
Cliente envia mensagem → SLA de primeira resposta
Depois:
Cliente envia outra mensagem → SLA da próxima resposta
Depois:
Cliente envia novamente → novo SLA de resposta
E eventualmente:
Conversa precisa ser resolvida → SLA de resolução
Portanto, uma única conversa pode produzir diversas instâncias.
Isso é muito mais representativo do atendimento real do que simplesmente armazenar:
Tempo médio da conversa = X.
16. Horário comercial
A Klyro também precisa distinguir duas formas de calcular SLA:
Tempo corrido
O relógio continua funcionando 24 horas por dia.
Horário comercial
O relógio funciona somente dentro do horário configurado pela empresa.
Por exemplo:
Uma mensagem chega às 17:55.
O atendimento funciona até 18:00 e retorna às 08:00.
Com SLA de 30 minutos, apenas cinco minutos seriam consumidos naquele dia.
Os outros 25 minutos continuariam a contar a partir das 08:00 do próximo período válido.
Feriados também poderão fazer parte desse calendário.
Esse modelo é comum em plataformas corporativas de atendimento, como Zendesk e Crisp.
17. Pausas de SLA
Nem todo período de uma conversa necessariamente deve consumir SLA.
Um exemplo clássico é:
Estamos aguardando uma informação do cliente.
Se o atendente perguntou:
“Pode nos enviar o número do pedido?”
e agora depende exclusivamente do cliente, determinadas métricas podem ser pausadas.
Quando o cliente responder, um novo período de responsabilidade pode começar.
As regras exatas dependem da métrica e da política configurada.
O importante é que pausa não significa apagar o histórico.
O relógio mantém o tempo já consumido e continua posteriormente quando necessário.
18. Departamentos não possuem performance própria
Na Klyro, métricas de performance pertencem aos atores.
Um departamento não responde uma mensagem.
Um departamento não envia uma resposta.
Um departamento não assume efetivamente uma conversa como um agente.
Quem executa essas ações são os atores.
Por isso:
Humano → possui métricas
Agente de IA → possui métricas
Departamento → não é proprietário da métrica
Isso não impede análises por departamento.
Por exemplo, podemos mostrar:
Financeiro
SLA cumprido: 96%
P50 de resposta: 42 segundos
P95 de resposta: 3 minutos
Mas esses resultados representam uma agregação das instâncias e dos atores que atuaram naquele contexto.
O departamento funciona como dimensão de análise, não como responsável pela performance.
19. Canal também é uma dimensão
A mesma lógica vale para canais.
Podemos comparar:
Chat
Mas o canal não é o responsável pelo SLA.
Ele serve como dimensão para responder perguntas como:
Nosso atendimento no WhatsApp está mais rápido que no Instagram?
Agentes de IA apresentam maior ganho de performance em quais canais?
Em qual canal temos maior taxa de violação?
20. Média não será suficiente
Um dos problemas de dashboards tradicionais é depender excessivamente de médias.
Imagine nove atendimentos respondidos em aproximadamente 30 segundos e um atendimento que demorou 30 minutos.
A média será fortemente afetada por essa exceção.
Por isso, além da média, a Klyro utilizará principalmente percentis.
P50
Representa aproximadamente a mediana.
Metade dos casos ficou abaixo daquele tempo.
P90
90% dos casos ficaram abaixo daquele tempo.
P95
95% dos casos ficaram abaixo daquele tempo.
Isso oferece uma leitura muito mais realista da operação.
21. Taxa de cumprimento de SLA
Uma das principais métricas dos dashboards será:
SLA dentro da meta
Por exemplo:
1.000 instâncias avaliadas
940 cumpridas
60 violadas
Resultado:
94% dentro do SLA
6% de violação
Isso é muito mais informativo do que dizer simplesmente:
Tempo médio de resposta: 1 minuto e 42 segundos.
Podemos ainda mostrar:
P50: 38 segundos
P90: 1m48s
P95: 2m32s
SLA cumprido: 94%
SLA violado: 6%
Instâncias analisadas: 1.000
Assim o gestor entende tanto a distribuição dos tempos quanto o cumprimento efetivo da meta.
22. Métricas por ator
Cada ator poderá ter uma visão de performance.
Por exemplo:
João — Agente Humano
Primeira resposta após assumir: P50 38s
Próximas respostas: P50 52s
SLA cumprido: 94%
Atendimentos: 320
Resoluções: 247
Tempo de atendimento: P50 8m20s
Agente Financeiro — IA
Primeira resposta após assumir: P50 4s
Próximas respostas: P50 6s
SLA cumprido: 99,2%
Atendimentos: 1.420
Resoluções: 1.018
Tempo de atendimento: P50 2m10s
A estrutura utilizada para calcular os dois casos é a mesma.
É isso que permitirá comparações consistentes entre humanos e Inteligência Artificial.
23. IA não deve artificialmente melhorar métricas humanas
Essa separação também evita um problema comum em plataformas com automação.
Imagine:
10:00 — Cliente entra em contato
10:00:01 — automação responde “Olá! Recebemos sua mensagem.”
10:05 — humano responde de verdade
Se considerássemos apenas a primeira mensagem enviada pelo sistema, pareceria que a equipe possui:
Tempo de primeira resposta = 1 segundo.
Mas isso esconderia que o cliente esperou cinco minutos pelo atendimento humano.
Por isso a Klyro mantém diferentes perspectivas sobre a mesma jornada.
Podemos saber:
quanto o cliente esperou por qualquer resposta;
quanto esperou por uma resposta humana;
quanto o humano demorou depois de assumir;
quanto tempo ficou em fila.
Nenhuma dessas informações precisa esconder a outra.
24. Automação, workflow e IA também são conceitos diferentes
Uma mensagem automática de confirmação não deve necessariamente possuir o mesmo significado de uma resposta de um Agente de IA.
Por exemplo:
“Recebemos sua mensagem. Em breve você será atendido.”
é diferente de:
“Localizei seu pedido 98372. Ele saiu para entrega hoje às 14:32 e a previsão é chegar amanhã.”
A segunda resposta representa efetivamente um atendimento realizado por um Agente de IA.
Por isso a plataforma precisa conhecer a origem da resposta, permitindo que diferentes políticas decidam quais tipos de resposta satisfazem determinada meta.
25. O que queremos conseguir medir
Com esse modelo, a Klyro poderá responder perguntas muito mais sofisticadas do que simplesmente “qual nosso tempo médio de atendimento?”.
Por exemplo:
Quanto tempo nossos clientes realmente esperam?
Quanto desse tempo ocorre na fila?
Quanto ocorre depois que um humano assume?
Quanto ocorre depois que uma IA assume?
Qual ator possui melhor performance?
Humanos ou IA estão cumprindo mais SLA?
A IA está realmente reduzindo o tempo de espera?
Depois que a IA transfere para um humano, quanto tempo o humano demora para responder?
Quantas vezes uma conversa troca de responsável?
Reatribuições excessivas estão aumentando o tempo de resolução?
Qual é nosso P95 de resposta?
Qual percentual das interações realmente respeita nossa meta?
Em quais canais temos mais violações?
Quais equipes apresentam gargalos?
Qual é o impacto real da IA sobre a experiência do cliente?
26. Princípio geral da arquitetura de métricas
Podemos resumir todo o modelo da Klyro em quatro perguntas:
1. Quem estava responsável?
Humano ou Agente de IA.
2. O que aconteceu?
Mensagem, resposta, transferência, espera, conclusão, reabertura ou outro evento relevante.
3. Quanto tempo levou?
Tempo de resposta, espera, atendimento ou resolução.
4. A meta foi cumprida?
Dentro ou fora do SLA.
Essas quatro informações permitem reconstruir e analisar toda a jornada.
27. Filosofia da Klyro
O objetivo não é simplesmente criar mais gráficos.
Queremos que as métricas representem o que realmente aconteceu com o cliente.
Uma média baixa pode esconder clientes que esperaram muito.
Uma resposta automática pode esconder uma demora humana.
Uma fila demorada pode injustamente prejudicar a métrica de um agente.
Uma conversa transferida várias vezes pode esconder problemas de roteamento.
Uma IA extremamente rápida pode responder rapidamente, mas não necessariamente resolver o problema.
Por isso, velocidade, responsabilidade, espera, resolução e cumprimento de SLA precisam ser analisados como dimensões relacionadas, mas distintas.
28. O resultado
A Klyro passa a enxergar o atendimento como uma sequência de responsabilidades, interações e metas mensuráveis.
A conversa representa a jornada do cliente.
Os atores representam quem efetivamente participa e assume responsabilidade.
Os períodos de responsabilidade mostram quem estava cuidando do atendimento em cada momento.
As mensagens mostram quem realmente respondeu.
As métricas transformam esses acontecimentos em tempos e indicadores.
As instâncias de SLA determinam se cada meta foi cumprida ou violada.
E o Analytics transforma tudo isso em informações como:
P50, P90 e P95
Taxa dentro do SLA
Taxa de violação
Tempo de resposta
Tempo de espera
Tempo sob responsabilidade
Tempo de resolução
Quantidade de atendimentos
Resoluções
Transferências
Performance por ator
Comparação entre humanos e IA
Análises por canal, departamento e período
O resultado é uma arquitetura preparada para um atendimento verdadeiramente híbrido, no qual humanos e Inteligência Artificial trabalham dentro da mesma jornada e são avaliados de forma consistente, transparente e comparável.