A Inteligência Artificial (IA) é frequentemente vista como uma tecnologia revolucionária, capaz de proporcionar eficiência, precisão e abrir novas oportunidades estratégicas. Contudo, ao passo que as empresas se beneficiam das vantagens da IA, surge também um desafio crítico e, por vezes, negligenciado: a equidade algorítmica. Vieses ocultos nesses sistemas podem comprometer não apenas a eficiência das decisões empresariais, mas gerar consequências legais, éticas e sociais significativas. 

A presença de vieses algorítmicos pode ser explicada pela natureza da própria IA, especialmente no aprendizado de máquina (machine learning). Modelos são treinados com dados históricos, e quando esses dados refletem preconceitos ou distorções sociais, os algoritmos naturalmente acabam perpetuando esses vieses. Além dos vieses na informação, o próprio algoritmo pode trazer uma descompensação na ponderação de fatores realizada, ou nos dados usados como proxy, ou seja, dados que substituem as informações originais, mas não são as ideais para aquela análise. 

Um exemplo emblemático desse fenômeno é encontrado no uso de reconhecimento facial, especialmente em contextos sensíveis como segurança pública. Diversas cidades brasileiras adotaram sistemas automatizados com o intuito de aumentar a eficácia das ações policiais, mas análises demonstram que esses algoritmos frequentemente cometem erros significativos, sobretudo ao identificar indivíduos de grupos étnicos específicos, como pessoas negras. Estudos da pesquisadora Joy Buolamwini, do MIT, apontaram que algoritmos comerciais apresentam taxas de erro acima de 30% para mulheres negras, enquanto para homens brancos, a taxa cai drasticamente para menos de 1%.

Legislação brasileira: mais rigidez no futuro

No Brasil, além da Lei Geral de Proteção de Dados (LGPD) também está em tramitação o Marco Legal da IA (PL nº 2338/2023), que estabelece diretrizes gerais para o desenvolvimento e aplicação de IA no país​. 

Embora ainda não aprovado, esse projeto de lei já sinaliza direitos que as empresas deverão respeitar, como: direito à informação prévia (informar quando o usuário está interagindo com um sistema de IA), direito à explicação das decisões automatizadas, direito de contestar decisões algorítmicas e direito à não-discriminação por vieses algorítmicos​. 

Esses pontos exigirão que empresas implementem transparência nos sistemas de IA generativa (por exemplo, deixando claro quando um texto ou resposta foi gerada por máquina) e mecanismos de auditoria para explicar como o modelo chegou a determinada saída.

Governança algorítmica: a solução para os vieses

Para empresas, os vieses algorítmicos vão além da esfera ética, tornam-se problemas estratégicos relevantes. Algoritmos enviesados têm o potencial de distorcer decisões essenciais em processos internos como recrutamento, concessão de crédito e análise de mercado. Por exemplo, um algoritmo de análise de desempenho de filiais que superestime sistematicamente regiões urbanas em detrimento de regiões periféricas (devido a dados incompletos ou preconceitos) pode levar a investimentos mal direcionados. Assim, vieses ocultos minam a eficácia das estratégias data-driven, fazendo com que executivos tomem decisões baseadas em informações parcialmente erradas.

Esses vieses podem ser corrigidos, mas vão depender de uma estrutura de governança algorítmica, com foco na diversidade dos dados utilizados, transparência dos processos e na inclusão de equipes diversificadas e multidisciplinares no desenvolvimento tecnológico. Ao investir em diversidade nas equipes técnicas, por exemplo, empresas conseguem identificar mais rapidamente potenciais fontes de viés, garantindo que perspectivas diferentes sejam consideradas e que falhas sejam detectadas precocemente.

Além disso, o uso de ferramentas de monitoramento contínuo é fundamental. Esses sistemas ajudam a detectar a deriva de vieses algorítmicos em tempo real, possibilitando ajustes rápidos e minimizando o impacto negativo. 

A transparência é outra prática essencial na mitigação de vieses. Algoritmos não devem funcionar como caixas-pretas, mas sim como sistemas claros e explicáveis. Quando empresas optam pela transparência, ganham a confiança de clientes, investidores e reguladores. A transparência facilita auditorias externas, incentivando uma cultura de responsabilidade compartilhada na gestão da IA.

Outras iniciativas incluem a adesão a frameworks e certificações para governança de IA responsável. Isso inclui criar comitês internos de ética em IA, definir políticas corporativas para seu uso, e adotar padrões internacionais. Por exemplo, frameworks como: a ISO/IEC 42001 (gestão de inteligência artificial, a ISO/IEC 27001 (segurança da informação) e ISO/IEC 27701 (privacidade) ajudam a estruturar controles nos processos de dados usados por IA generativa. Outro exemplo é o conjunto de práticas recomendadas pelo NIST (National Institute of Standards and Technology) dos EUA que orienta a gestão de risco algorítmico, cobrindo detecção de viés, verificações de qualidade de dados e monitoramento contínuo de modelos.

Consultorias especializadas desempenham papel estratégico nesse cenário. Com expertise em inteligência artificial responsável, governança algorítmica e compliance regulatório, essas empresas ajudam organizações não apenas a evitar riscos, mas a transformar equidade em vantagem competitiva. A atuação dessas consultorias vai desde avaliações detalhadas de risco, até o desenvolvimento de políticas internas, passando por treinamentos corporativos sobre ética em IA, garantindo que equipes estejam preparadas para identificar e mitigar possíveis preconceitos algorítmicos.

Dessa forma, a mitigação dos vieses algorítmicos não é apenas uma medida preventiva, mas sim uma abordagem estratégica. Empresas que se preocupam com a equidade algorítmica demonstram responsabilidade social, reforçam sua reputação e protegem-se contra sanções legais e crises públicas. Algoritmos imparciais tendem a oferecer insights mais precisos e equilibrados, aumentando a eficácia das decisões empresariais e fortalecendo a posição competitiva das organizações no mercado.

Por Sylvio Sobreira Vieira, CEO & Head Consulting da SVX Consultoria

Estamos em 2025: alguns contact centers já contam com tecnologias avançadas de análise da experiência do cliente (CX, na sigla em inglês) e processos para analisar a Voz do Cliente (VoC) – entretanto, esses dados, que são bastante ricos, são pouco usados para avaliar o desempenho da operação. Ao invés disso, ainda estamos usando métricas tradicionais de garantia de qualidade para essa mensuração.

Tradicionalmente, os contact centers mensuram a garantia de qualidade por meio de métricas como velocidade média de resposta, tempo médio de atendimento, taxa de resolução na primeira chamada, possibilidade de o cliente recomendar o serviço, e a pontuação de esforço do cliente em ser atendido. Dados relevantes podem ser extraídos da análise da CX não têm sido usados para avaliar a qualidade do serviço. Por quê?

Porque mesmo com tantas informações, sem uma solução, visão e estratégia adequados, os contact centers acabam se tornando um “buraco negro” de dados.

Sem o tratamento adequado, os dados permanecem fragmentados em silos, dificultando a visão holística do desempenho e da experiência do cliente.

Dados provenientes de diversos canais, como chamadas telefônicas, e-mails, chats e redes sociais, muitas vezes não são correlacionados de maneira eficaz, resultando em análises superficiais e desconexas. Além disso, a falta de padronização na coleta e no tratamento desses dados pode gerar inconsistências e prejudicar a qualidade das informações utilizadas nas avaliações.

De acordo com a Associação Brasileira de Telesserviços (ABT), o mercado nacional de contact center emprega milhões de pessoas e movimenta cifras consideráveis, especialmente após o crescimento do comércio eletrônico e da digitalização de processos de relacionamento com o consumidor. Nessa realidade complexa, a busca por eficiência já não se limita a reduzir custos de operação, mas a assegurar uma experiência mais satisfatória ao cliente e a coletar insights valiosos para a tomada de decisão estratégica.

Inteligência de Qualidade: como mensurar?

Em junho passado, um relatório analítico da Gartner propôs uma medida de mensuração completamente nova para os contact centers: a Inteligência de Qualidade.

O relatório elaborado pela empresa traz alguns insights interessantes, resultado de uma pesquisa feita pela Gartner com líderes de serviços de suporte e contact center. O primeiro ponto é que apenas 19% dos entrevistados consideram o desempenho do agente como o principal vetor de garantia de qualidade do serviço, enquanto 52% destacam a CX e a VoC como medidas essenciais.

Além disso, os processos de mensuração de qualidade hoje acabam se concentrando na análise dos canais de voz, deixando interações digitais de lado. Para completar esse cenário, ao menos 85% dos líderes contam apenas com avaliações manuais.

Fundamentalmente, a mensuração da Inteligência de Qualidade no contact center reúne três fluxos principais de informação: os dados tradicionais de análise de qualidade; dados de Speech Analytics, que trazem a análise de sentimentos, identifica o tom emocional das conversas, e permite às empresas entenderem melhor as reações dos clientes; e os dados VoC, que representam o feedback fornecido diretamente pelo cliente.

Neste sentido, a Inteligência de Qualidade é uma abordagem inovadora que integra tecnologias avançadas e estratégias holísticas, transformando o vasto volume de dados do contact center em insights acionáveis – e isso ocorre porque essa metodologia analítica não apenas consolida os dados provenientes de diferentes canais de comunicação, mas também aplica análises avançadas para identificar padrões e tendências que podem melhorar significativamente o desempenho do serviço como um todo.

Além disso, a Inteligência de Qualidade possibilita correlacionar dados de diversas fontes, como chamadas telefônicas, e-mails, chats e interações em redes sociais. Ao unificar essas informações, é possível obter uma visão mais completa e precisa da experiência do cliente, permitindo que as empresas adotem ações proativas para resolver problemas e melhorar a satisfação do cliente. Essa unificação é possível pela melhor padronização na coleta e tratamento de dados, com o estabelecimento de critérios uniformes para a captura e análise de informações, eliminando consistências e garantindo que todos os dados sejam considerados nas avaliações.

Como uma plataforma de CX pode contribuir no processo

É possível notar que a abordagem de Inteligência de Qualidade tem raízes em avanços tecnológicos que viabilizam a análise de grandes massas de dados de maneira ágil.

Enquanto no passado era comum avaliar os agentes de atendimento por meio de amostragens modestas de ligações ou interações, hoje há ferramentas que realizam análise de 100% dos contatos, sejam eles por voz, chat, e-mail ou redes sociais.

As plataformas mais atuais de CX oferecem ferramentas robustas para a coleta, integração e análise de dados provenientes de múltiplos canais de comunicação. A utilização de uma plataforma inteligente de gestão da experiência do cliente permite que os contact centers estabeleçam critérios uniformes e otimizem seus processos, resultando em uma experiência do cliente mais coesa e satisfatória.

Em geral, soluções mais robustas de CX contam com as soluções de Speech Analytics já integradas – e análise de discurso e sentimento podem, por exemplo, prever quais clientes têm maior tendência a cancelar um serviço ou qual tipo de agente gera maior satisfação no público que entra em contato. Se um determinado padrão de conversa ou abordagem se mostra mais eficiente, esses insights podem ser aproveitados para treinar toda a equipe, elevando o nível geral de performance.

Assim, a Inteligência de Qualidade não só mensura o que aconteceu, mas indica quais ações podem ser implementadas para resultados melhores. Esse tipo de intervenção é fundamental para gestores que precisam tomar decisões de alto impacto em ambientes competitivos. No cenário brasileiro, em que a rotatividade de profissionais é notoriamente alta, esse tipo de insight fornece subsídios para estratégias de retenção, treinamento e seleção de pessoal mais apuradas.

Com todas essas considerações, é possível concluir que a Inteligência de Qualidade representa uma evolução significativa no modo como se enxerga a performance de contact centers.

A análise não se concentra mais em avaliar apenas métricas de produtividade, mas em compreender fatores emocionais, contextuais e estratégicos presentes no relacionamento entre empresas e clientes. Esse entendimento mais amplo e profundo tem potencial de impactar diretamente os resultados financeiros, a satisfação do consumidor e a imagem institucional.

Apesar do esforço inicial para migrar de um modelo meramente quantitativo para uma avaliação integrada de dados e comportamentos, os benefícios são expressivos e dão suporte a decisões embasadas e assertivas. Dessa forma, a Inteligência de Qualidade tende a se consolidar como uma referência para gestores que veem no atendimento ao cliente um pilar de diferenciação e valor agregado, muito além dos tradicionais indicadores operacionais que outrora guiavam as estratégias do setor.