Taxa de resolução do chatbot é a porcentagem de conversas em que o cliente consegue o que precisava sem falar com um atendente e sem voltar depois com a mesma dúvida. É a métrica que mostra se o bot trabalha de verdade ou só empurra fila para a equipe.
O número que trouxe o assunto de volta em outubro de 2026 veio da Riachuelo. Segundo a empresa, 84% dos clientes que usam o autoatendimento no WhatsApp resolvem a demanda sem atendente depois da troca para um agente de IA, contra 30% com os chatbots tradicionais usados antes. Fonte: E-Commerce Brasil, reportagem “IA agêntica resolve demandas de 84% dos clientes da Riachuelo no WhatsApp”, 2026, dados informados pela Riachuelo sem período nem base divulgados.
Este texto não repete o case. Ele explica o que deve contar como resolvido, como medir sem inflar o resultado, por que o salto parece ter vindo da integração com pedidos e rastreio, e quando uma loja pequena deve ou não seguir o mesmo caminho.

- 411 Respondentes da pesquisa: Questionário sobre linguagem, confiança, satisfação e intenção de voltar ao atendimento.
- 0,283 Linguagem ligada à confiança: Coeficiente beta: linguagem melhor aparece associada a mais confiança no chatbot.
- 50,7% Satisfação explicada: Parcela da variação na satisfação explicada por linguagem e confiança juntas.
- 0,287 Satisfação puxa o retorno: Satisfação é o fator mais associado à intenção de voltar a usar.
Fonte: Pavol Lipták, Filip Kalaš (2026), Management & Marketing.
O que a Riachuelo mediu e o que o número não diz?
A Riachuelo informou três resultados: resolução sem atendente de 84% (antes, 30%), satisfação 60% maior e custo de tecnologia 26% menor. São números da própria empresa, sem metodologia pública: não se sabe o período, quantas conversas entraram na conta nem o que foi considerado resolvido. (mesma fonte)
O fornecedor é a Genesys. Pela descrição, o agente resolve sozinho casos como atraso de entrega, abre chamado de suporte quando precisa e transfere a conversa para um atendente com o histórico preservado. Antes de chegar ao cliente, a varejista já usava IA para apoiar os próprios atendentes, e o uso da tecnologia pela equipe interna foi apresentado no Fórum E-Commerce Brasil 2026. (mesma fonte)
Antes de usar o 84% como meta, repare em quatro pontos que a divulgação não esclarece:
- Base: o índice fala de quem usa o autoatendimento. Quem pediu humano logo de cara pode ter ficado fora.
- Definição: conversa encerrada não é o mesmo que problema resolvido.
- Recontato: não há informação sobre clientes que voltaram pelo mesmo assunto.
- Satisfação: não está dito se os 60% são nota de pesquisa, NPS ou outro indicador.
Nada disso torna o resultado falso. Só significa que ele serve como sinal de direção, não como padrão de comparação para a sua loja.
Por que o salto de 30% para 84% veio da integração, e não do modelo?
A explicação mais provável para o salto é a integração: o bot de roteiro fixo só responde o que está escrito no fluxo, enquanto o agente da Riachuelo se conecta aos sistemas internos, consulta o pedido e age. A empresa não separa o efeito do modelo de IA do efeito da integração, mas a descrição aponta para os dados.
Pense nas perguntas que dominam o pós-venda de uma loja brasileira: “cadê meu pedido?”, “quero trocar o tamanho”, “paguei no Pix e não confirmou”. Nenhuma delas se resolve com texto bonito. O cliente quer o código de rastreio do pedido dele, a troca aberta ou o status do pagamento. Sem acesso a esses dados, qualquer bot, por mais inteligente, acaba em “vou te transferir”.
Por isso, antes de trocar de fornecedor, vale olhar para os sistemas. O guia de integração de IA na loja virtual mostra por que processo conectado rende mais que ferramenta nova. E a matriz para dividir tarefas entre bot, copiloto e agente ajuda a decidir o que cada um deve fazer. A tabela abaixo resume as três opções.
| Modelo | O que resolve bem | Resolução sem atendente | Limite principal |
|---|---|---|---|
| Chatbot com roteiro fixo | Perguntas frequentes, horários, política de troca | 30% na Riachuelo, segundo a empresa | Não acessa pedido, rastreio nem pagamento |
| Agente de IA integrado aos sistemas | Atraso de entrega, chamados, status do pedido | 84% na Riachuelo, segundo a empresa | Exige integração e custo de implantação |
| Atendente humano | Exceções, cliente irritado, decisões de política | Não se aplica | Custo por conversa e horário limitado |
| Aviso proativo de status | Elimina a pergunta de rastreio antes dela surgir | Não se aplica; reduz conversas | Não resolve trocas nem dúvidas de produto |
Elaboração EcomIA Brasil com base em E-Commerce Brasil, reportagem sobre a Riachuelo, 2026, dados informados pela empresa.
Como medir a taxa de resolução do chatbot de forma honesta?
A forma honesta de medir é dividir as conversas resolvidas sem transbordo e sem recontato em 48 horas pelo total de conversas iniciadas no autoatendimento, incluindo as abandonadas. Assim, o cliente que desistiu ou voltou no dia seguinte pela mesma dúvida não conta como sucesso.
- Conte tudo o que entrou. Toda conversa iniciada no bot vai para o denominador, inclusive quem saiu no meio.
- Defina resolvido por entrega. Resolvido é rastreio enviado, troca aberta, segunda via de boleto ou Pix gerada. “Cliente parou de responder” não é resolução.
- Desconte o recontato. Se o mesmo cliente volta em 48 horas sobre o mesmo pedido, por WhatsApp, e-mail, marketplace ou Reclame Aqui, a primeira conversa não foi resolvida.
- Separe os transbordos. Anote se a passagem para humano foi pedida pelo cliente ou decidida pelo sistema. As duas dizem coisas diferentes.
- Leia uma amostra. Uma pessoa lê umas 50 conversas por mês marcadas como resolvidas e confere se o cliente saiu atendido.
O erro mais comum é esconder o botão de falar com pessoa. A resolução sem atendente sobe no painel, mas é cliente desistindo, não cliente atendido. Se a taxa subir junto com reclamações e recontatos, o número está mentindo.
A pesquisa acadêmica recente vai na mesma linha. Lipták e Kalaš (2026) criticam a avaliação de chatbots reduzida a velocidade e taxa de automação e mostram que a qualidade da linguagem está associada à confiança. Linguagem e confiança juntas explicam 50,7% da variação na satisfação, e a satisfação é o fator mais ligado à intenção de voltar. Fonte: Lipták e Kalaš, “Language as a sales tool: Chatbot language quality in digital service operations”, Management & Marketing, 2026, questionário com 411 respondentes. O limite: é pesquisa de percepção, mostra associação e não causa, e o resumo não informa o país. Na prática, acompanhe uma nota curta de satisfação ao lado da taxa de resolução.
Quando fazer o transbordo para atendente humano?
O transbordo para atendente humano deve acontecer quando o cliente pede ou quando o caso exige uma decisão que o sistema não pode tomar: exceção à política de troca, segundo erro na mesma entrega, cliente irritado ou valor alto. O bom transbordo leva o histórico junto, para ninguém repetir a história.
Um estudo de Zhang, Shen e Li (2026) testou equipes de chatbot e atendente com estilos diferentes. Em dois experimentos com cenários e participantes online (800 e 1.200 pessoas), times com estilos misturados, um objetivo e outro acolhedor, geraram mais satisfação do que times com o mesmo estilo. Fonte: Zhang, Shen e Li, “Communication style synergy in chatbot-human service teams”, Humanities and Social Sciences Communications, 2026, dois experimentos com 800 e 1.200 participantes online.
O estudo também viu que, no pós-venda, começar pelo tom acolhedor aumentou a sensação de colaboração. Quando o cliente pediu a transferência, a empatia pesou mais. Quando o sistema transferiu, pesou mais a colaboração entre bot e humano. O limite é que são cenários simulados, não conversas reais de loja.
Uma tradução prática: deixe o bot objetivo nas consultas de pedido e reserve ao humano o tom acolhedor nos casos difíceis. O guia sobre o que entregar à IA e o que manter humano no atendimento detalha essa divisão.
Vale a pena integrar o bot ao sistema de pedidos numa loja pequena?
Vale quando o volume de conversas de pós-venda é alto o bastante para a economia de atendimento pagar a integração em poucos meses. Com volume baixo, costuma ser melhor eliminar a pergunta, avisando o status do pedido antes que o cliente pergunte, do que pagar para um bot respondê-la.
Exemplo ilustrativo (números hipotéticos, não da Riachuelo): uma loja de moda recebe 1.200 conversas de pós-venda por mês no WhatsApp. Um atendente custa R$ 3.600 por mês com encargos e dá conta de cerca de 900 conversas, ou R$ 4 por conversa.
- Bot de roteiro resolve 25%: 300 conversas. Sobram 900 para a equipe.
- Bot integrado aos pedidos resolve 55%: 660 conversas. Sobram 540.
- Diferença: 360 conversas a R$ 4, ou R$ 1.440 por mês.
- Integração: R$ 5.000 de implantação e R$ 700 a mais por mês. Ganho líquido de R$ 740 por mês; retorno em cerca de 7 meses.
Agora a mesma conta com 300 conversas por mês. A mesma diferença de 30 pontos dá 90 conversas, ou R$ 360. Isso não cobre nem a mensalidade extra. Nesse caso, a decisão melhor é mandar o rastreio automaticamente por WhatsApp ou e-mail a cada mudança de status. A pergunta some, e nenhuma taxa de resolução precisa ser medida para ela.
Plano de 30 dias para medir antes de trocar de ferramenta
Antes de contratar um agente de IA no pós-venda, passe um mês medindo o que você já tem. Com a linha de base certa, a decisão de integrar ou trocar o bot sai de números da sua loja, e não do case de uma grande varejista.
- Semana 1: classifique 200 conversas por motivo (rastreio, troca, pagamento, dúvida de produto) e veja quais dependem de dados do pedido.
- Semana 2: calcule a taxa de resolução honesta do bot atual, com recontato em 48 horas descontado.
- Semana 3: ative avisos proativos de status e veja quanto as perguntas de rastreio caem.
- Semana 4: refaça a conta da seção anterior com o seu volume e o seu custo por conversa.
Se a conta fechar, o guia sobre como escolher agente de IA no WhatsApp entre API oficial, ferramentas “gratuitas” e n8n ajuda na escolha técnica. E vale ler sobre integrar os canais antes de colocar o bot, porque o recontato muitas vezes chega por outro canal.
Fontes deste guia
- Riachuelo, Visualização da Interação
- Genesys, Genesys Cloud agrega conjunto de funcionalidades de IA para supervisores
- Fórum E-Commerce Brasil 2026, IA no e-commerce: como usar em 2026
- Yan Zhang, Mingrui Shen, Xiaoyong Li (2026). Communication style synergy in chatbot-human service teams: dividing warmth and competence to enhance customer satisfaction. Humanities and Social Sciences Communications. DOI
- Pavol Lipták, Filip Kalaš (2026). Language as a sales tool: Chatbot language quality in digital service operations. Management & Marketing. DOI
- Ponto de partida: IA agêntica resolve demandas de 84% dos clientes da Riachuelo no WhatsApp
Como este guia foi feito: a equipe editorial EcomIA Brasil escreveu este texto com apoio de IA a partir das fontes listadas acima; todo número tem a fonte indicada ao lado.
Perguntas frequentes
Qual é uma boa taxa de resolução para o chatbot de uma loja virtual?
Não existe referência pública confiável que sirva para toda loja, porque cada empresa define resolução de um jeito. O melhor parâmetro é a sua própria linha de base, medida com recontato em 48 horas descontado, acompanhada mês a mês.
Taxa de resolução é o mesmo que taxa de contenção?
Não. Contenção mede quantas conversas não chegaram a um humano, mesmo que o cliente tenha desistido. Resolução exige que o problema tenha sido solucionado, sem recontato pelo mesmo assunto logo depois.
Preciso de IA generativa para integrar o bot aos pedidos?
Não necessariamente. Consultar status, mandar rastreio e gerar segunda via de pagamento dependem mais da conexão com a plataforma da loja e o ERP do que do tipo de IA. A IA generativa ajuda a entender perguntas escritas de formas variadas.
Com que frequência devo revisar as conversas do bot?
Uma leitura mensal de cerca de 50 conversas marcadas como resolvidas costuma bastar para uma loja pequena. Em datas de pico, como Black Friday e Natal, vale revisar toda semana, porque atrasos de entrega mudam o tipo de pergunta.

