Imagine três mensagens chegando ao atendimento de uma loja: “Meu pedido já saiu?”, “Vocês fazem orçamento para 80 unidades?” e “É a terceira vez que prometem a entrega para amanhã”. As três precisam de resposta. A última pede atenção ao relato de frustração antes de mais uma mensagem automática.
Antes de redigir a resposta, a equipe precisa decidir quem recebe a conversa, qual é a prioridade e até onde a automação pode seguir. Errar nessa etapa pode fazer o cliente repetir tudo ou esperar na fila errada.
Em 1º de outubro de 2026, a Cloudflare apresentou Clef e Clef-flash, modelos de IA voltados a decisões delimitadas. Eles recebem informações e perguntas com alternativas definidas e devolvem resultados estruturados com probabilidades. Entre os usos apresentados pela empresa está a classificação de solicitações de suporte para orientar seu encaminhamento. Fonte: anúncio da Cloudflare
O encaminhamento também faz parte da comunicação
Uma campanha pode levar alguém até a empresa. O atendimento precisa dar continuidade à conversa. Se a mensagem sobre um orçamento cai no fluxo de acompanhamento de pedidos, o trabalho começa com uma correção que o cliente não deveria ter de fazer.
No exemplo da loja, a triagem poderia separar dúvidas de entrega, pedidos comerciais e problemas que exigem avaliação humana. As categorias precisam corresponder ao trabalho da equipe: quem recebe cada caso, de quais informações precisa e o que acontece quando essa pessoa está indisponível.
O assunto, sozinho, não basta. As duas mensagens sobre entrega têm necessidades diferentes: uma pede uma informação; a outra relata promessas descumpridas. Os critérios de encaminhamento precisam considerar o conteúdo da conversa e os registros disponíveis, sem presumir fatos que a empresa não confirmou.
Antes de escolher uma ferramenta, a equipe pode revisar conversas antigas e procurar encaminhamentos que falharam. Casos concretos ajudam a esclarecer o que a empresa considera urgente e por quê.
O que um modelo como Clef pode fazer nessa etapa
Segundo a Cloudflare, um modelo de decisão pode responder a perguntas sobre urgência e equipe responsável. O sistema que recebe esse resultado usa a classificação para encaminhar o chamado ou pedir intervenção humana. Fonte: explicação do funcionamento
Para a loja do exemplo, seria possível testar perguntas como “A mensagem solicita um orçamento?” e “Há relato de um problema que continua sem solução?”. O teste precisa mostrar se essas perguntas distinguem os casos que a equipe realmente atende.
As probabilidades devolvidas pelo modelo não garantem acerto. Uma mensagem curta, irônica ou sem o histórico pode ser interpretada de forma inadequada. A empresa precisa prever o que fazer quando faltarem informações ou o resultado for ambíguo.
O uso dessa classificação no atendimento exige integração técnica com os canais e sistemas da empresa. No WhatsApp, por exemplo, seria necessário desenvolver ou configurar essa conexão. O lançamento de Clef, por si só, não entrega um atendimento pronto nesse canal.
Quando a conversa precisa chegar a uma pessoa
A consequência de um encaminhamento errado ajuda a definir os limites da automação. Uma dúvida simples sobre prazo, com dados atualizados disponíveis, pode seguir um fluxo definido. Uma reclamação recorrente merece revisão que considere as tentativas anteriores de solução.
Há também pedidos que dependem de autorização. Reconhecer uma solicitação de reembolso não autoriza o sistema a concedê-lo. A política da empresa precisa indicar quem pode decidir e quais verificações deve fazer.
Se o cliente pede para falar com uma pessoa, o fluxo deve oferecer esse caminho de forma clara. A transferência precisa preservar as informações já fornecidas, dentro dos acessos permitidos, para que o próximo atendente consiga continuar o trabalho.
A mensagem de transição deve explicar o próximo passo sem inventar prazo ou prometer uma solução ainda não aprovada. “Encaminhei seu caso para análise” só faz sentido depois de o sistema confirmar o encaminhamento.
Como avaliar se a triagem melhorou o atendimento
O primeiro teste pode acontecer sem mudar as filas: a IA sugere um destino, enquanto a equipe mantém a decisão. Depois, as diferenças são examinadas com exemplos concretos.
Acompanhe quantas conversas precisaram de uma nova transferência, quais reclamações passaram despercebidas e quanto tempo levou até alguém com condições de resolver o pedido assumir o caso. A velocidade da primeira resposta, sozinha, pode esconder retrabalho.
Os atendentes podem apontar categorias confusas. Os clientes mostram se a conversa avançou ou se tiveram de insistir. É esse avanço que precisa aparecer antes de a empresa automatizar mais uma etapa.
