10 Soluções de IA para o comercial no saneamento

Comercial

Inteligência artificial vai transformar a área comercial

A transformação digital das empresas de saneamento costuma ser associada à automação de estações, à telemetria, à detecção de vazamentos e ao controle de pressão. Entretanto, uma das áreas com maior potencial para obter resultados rápidos com inteligência artificial é a área comercial.

Isso ocorre porque o setor comercial concentra grandes volumes de dados sobre clientes, imóveis, hidrômetros, leituras, faturamento, arrecadação, débitos, reclamações, ordens de serviço, contratos e equipes de campo. Além disso, muitos desses processos ainda dependem de conferências manuais, planilhas paralelas, pesquisas em documentos e decisões repetitivas.

Portanto, a inteligência artificial pode acelerar atividades que atualmente consomem horas de trabalho. Em vez de substituir profissionais, a tecnologia pode atuar como um copiloto capaz de localizar informações, identificar inconsistências, organizar prioridades e preparar análises para a decisão humana.

O Banco Mundial reconhece que ferramentas digitais, incluindo inteligência artificial, podem otimizar fluxos de trabalho e melhorar a eficiência das empresas de água e saneamento. Contudo, menos de 10% das prestadoras de países de renda baixa e média utilizam tecnologias como inteligência artificial, análise de grandes volumes de dados ou gêmeos digitais. Esse cenário demonstra que ainda existe um amplo espaço para inovação. (⁠World Bank Blogs)

A International Water Association também aponta que a inteligência artificial generativa e os agentes inteligentes podem apoiar empresas de saneamento em desafios relacionados à tomada de decisão, ao atendimento ao cliente, à eficiência e à capacidade de antecipar riscos. (⁠Iwa Network)

No entanto, a implantação não precisa começar com um projeto milionário. Diversas aplicações podem ser desenvolvidas como pilotos de baixo ou médio custo, utilizando os dados já disponíveis na empresa.

Quanto custa implantar IA no comercial do saneamento?

Os valores apresentados ao longo do conteúdo representam estimativas para projetos-piloto realizados no Brasil em 2026. Não correspondem a propostas comerciais de fornecedores.

Os custos podem variar conforme:

  • qualidade e organização dos dados;
  • existência de APIs nos sistemas corporativos;
  • necessidade de integração com sistemas antigos;
  • quantidade de usuários;
  • volume de documentos, imagens ou registros;
  • exigências de segurança da informação;
  • contratação externa ou desenvolvimento interno;
  • necessidade de aplicativo para equipes de campo.

De modo geral, um piloto simples pode custar entre R$ 25 mil e R$ 100 mil. Projetos que envolvem integração com vários sistemas, desenvolvimento de aplicativo ou treinamento de modelos próprios podem variar entre R$ 100 mil e R$ 350 mil.

Além disso, normalmente existe um custo mensal de operação, que pode incluir hospedagem, processamento em nuvem, consumo de modelos de inteligência artificial, suporte e atualização dos dados.

O que deve ser preparado antes da implantação?

Antes da escolha da ferramenta, a empresa deve definir claramente o problema que será resolvido. Projetos iniciados apenas com o objetivo genérico de “usar IA” tendem a perder foco e gerar soluções pouco utilizadas.

Um bom projeto deve começar com perguntas objetivas, como:

  • quantas horas são gastas mensalmente na atividade;
  • qual é o volume de retrabalho;
  • quanto se perde com erros ou atrasos;
  • quais dados estão disponíveis;
  • qual decisão continuará dependendo de validação humana;
  • como o resultado será medido.

Também é importante estabelecer controles de acesso, registros de auditoria e critérios para revisão humana. A Lei Geral de Proteção de Dados regula o tratamento de dados pessoais em meios físicos e digitais. Além disso, decisões automatizadas que afetem interesses de consumidores devem possuir critérios claros e possibilidade de revisão. (⁠Serviços e Informações do Brasil)

Portanto, a inteligência artificial deve recomendar, classificar e priorizar. Entretanto, decisões sensíveis, como aplicação de penalidades, suspensão de serviços, recusa de negociação ou classificação de clientes, não devem ser executadas de forma totalmente automática.

1. Copiloto comercial para consultar dados em linguagem natural

Uma das aplicações mais simples e úteis consiste na criação de um assistente que permita consultar os dados do comercial por meio de perguntas comuns.

Em vez de acessar vários painéis, relatórios e planilhas, o profissional poderia perguntar:

“Quais municípios apresentaram queda de faturamento nos últimos três meses?”

“Quantas religações estão fora do prazo?”

“Quais matrículas foram faturadas pela média por mais de três ciclos?”

“Quais contratadas possuem maior quantidade de serviços pendentes?”

A inteligência artificial interpretaria a pergunta, consultaria os dados autorizados e apresentaria uma resposta acompanhada de tabela, gráfico e explicação.

O Power BI já oferece recursos para interação com modelos de dados por meio de linguagem natural. Entretanto, a própria Microsoft ressalta que os dados e os modelos semânticos precisam ser preparados para que as respostas sejam confiáveis e alinhadas ao contexto do negócio. (⁠Microsoft Learn)

Como implementar

Inicialmente, deve-se escolher um conjunto limitado de dados, como faturamento, arrecadação e ordens de serviço de uma regional.

Em seguida, as tabelas precisam ser padronizadas. Termos como matrícula, ligação, economia, consumo faturado, consumo medido e arrecadação devem possuir definições únicas.

Depois disso, deve-se criar uma camada de consulta entre a inteligência artificial e o banco de dados. Por segurança, o assistente não deve ter acesso irrestrito ao banco de produção. O ideal é utilizar uma base de consulta atualizada periodicamente.

Por fim, um grupo de usuários deve testar perguntas reais e classificar as respostas como corretas, incompletas ou incorretas.

Ferramentas recomendadas

  • Power BI e Microsoft Fabric;
  • SQL Server, Oracle ou PostgreSQL;
  • modelos de linguagem em ambiente corporativo;
  • n8n ou Power Automate para automações;
  • APIs dos sistemas comerciais;
  • Microsoft Teams ou portal interno como interface.

O n8n permite combinar automação de processos com modelos de inteligência artificial e pode ser instalado em ambiente próprio da empresa. (⁠n8n Docs)

Estimativa de custo

  • MVP: R$ 40 mil a R$ 150 mil;
  • operação mensal: R$ 3 mil a R$ 20 mil;
  • prazo médio: dois a quatro meses.

Indicadores de resultado

  • tempo médio para localizar uma informação;
  • número de consultas atendidas;
  • redução de solicitações à equipe de BI;
  • percentual de respostas validadas como corretas;
  • horas mensais economizadas.

2. Auditor inteligente de faturamento

O faturamento envolve milhões de registros, diferentes regras tarifárias, leituras, ocorrências, médias, impedimentos e alterações cadastrais. Consequentemente, a conferência manual de todos os casos é inviável.

O auditor inteligente pode analisar o faturamento antes da emissão das contas e destacar apenas os casos com maior probabilidade de erro.

Entre as situações identificáveis estão:

  • consumo muito acima ou abaixo do histórico;
  • leitura incompatível com ciclos anteriores;
  • imóvel ativo sem faturamento;
  • consumo zero em imóvel com histórico regular;
  • faturamento pela média por vários ciclos;
  • alteração cadastral próxima ao faturamento;
  • categoria tarifária possivelmente incompatível;
  • duplicidade de registros;
  • hidrômetro com comportamento atípico;
  • grande variação após troca de medidor.

A detecção de anomalias pode ser realizada com algoritmos que procuram observações diferentes do comportamento normal. Ferramentas como o scikit-learn oferecem métodos como Isolation Forest, Local Outlier Factor e outros modelos destinados à identificação de registros incomuns. (⁠Scikit-learn)

Como implementar

A primeira etapa consiste em reunir pelo menos 12 a 24 meses de faturamento. Devem ser incluídos consumo, leitura, ocorrência, categoria, número de economias, troca de hidrômetro e histórico de revisão.

Em seguida, devem ser construídas regras comerciais básicas. Por exemplo, um consumo quatro vezes superior à média pode gerar uma sinalização.

Posteriormente, pode-se acrescentar um modelo de aprendizado de máquina. Esse modelo aprende quais combinações aparecem com maior frequência nos casos que resultaram em revisão ou refaturamento.

A inteligência artificial não deve bloquear contas automaticamente no início. O sistema deve produzir uma fila priorizada para análise da equipe.

Ferramentas recomendadas

  • Python;
  • scikit-learn;
  • SQL;
  • Power BI;
  • Azure Machine Learning;
  • MLflow;
  • n8n ou Apache Airflow.

O MLflow pode registrar versões dos modelos, experimentos, parâmetros e resultados, permitindo acompanhar qual modelo estava em operação em cada período. (⁠MLflow AI Platform)

Estimativa de custo

  • MVP: R$ 70 mil a R$ 250 mil;
  • operação mensal: R$ 5 mil a R$ 25 mil;
  • prazo médio: três a seis meses.

Indicadores de resultado

  • valor de faturamento corrigido antes da emissão;
  • redução de refaturamentos;
  • redução de reclamações;
  • quantidade de contas analisadas por funcionário;
  • percentual de alertas realmente relevantes.

3. Validação automática de leitura por fotografia

A leitura por fotografia pode ser muito mais do que uma simples evidência da visita ao imóvel. Com visão computacional, a imagem pode ser analisada automaticamente.

A ferramenta pode reconhecer:

  • números do mostrador;
  • número de identificação do hidrômetro;
  • qualidade da fotografia;
  • visor embaçado;
  • imagem escura;
  • possível violação;
  • hidrômetro inclinado;
  • fotografia repetida;
  • divergência entre leitura digitada e imagem;
  • ausência do hidrômetro na fotografia.

Pesquisas sobre leitura de medidores demonstram que técnicas de visão computacional podem ser aplicadas a equipamentos convencionais, sem que todos os medidores precisem ser imediatamente substituídos por modelos inteligentes. Entretanto, iluminação, ângulo, sujeira e variedade de mostradores afetam o desempenho, razão pela qual o sistema deve permitir validação humana. (⁠arXiv)

Como implementar

Primeiramente, devem ser reunidas fotografias reais dos principais modelos de hidrômetro utilizados pela empresa. As imagens precisam representar situações boas e ruins.

Depois, os números e as áreas relevantes devem ser identificados em uma amostra das fotografias. Esse processo cria a base para o treinamento do modelo.

Na sequência, deve-se integrar o reconhecimento ao aplicativo de leitura. Ao capturar a fotografia, o sistema pode informar imediatamente se a imagem está ilegível ou se a leitura digitada diverge daquela reconhecida.

Por fim, as imagens com baixa confiança devem ser enviadas para uma fila de conferência.

Ferramentas recomendadas

  • Azure Document Intelligence;
  • Azure AI Vision;
  • OpenCV;
  • modelos YOLO;
  • TensorFlow ou PyTorch;
  • Label Studio ou CVAT;
  • aplicativo Android para leitura em campo.

O Azure Document Intelligence utiliza reconhecimento óptico de caracteres e aprendizado de máquina para extrair textos, estruturas e informações de documentos e imagens. Embora tenha sido concebido para documentos, a tecnologia de OCR pode integrar uma solução maior para reconhecimento de mostradores. (⁠Microsoft Learn)

Estimativa de custo

  • MVP: R$ 100 mil a R$ 350 mil;
  • operação mensal: R$ 5 mil a R$ 30 mil;
  • prazo médio: quatro a oito meses.

O valor aumenta quando há muitos modelos de hidrômetros, necessidade de funcionamento sem internet ou desenvolvimento completo de um aplicativo.

Indicadores de resultado

  • redução de leituras incorretas;
  • percentual de fotos aprovadas automaticamente;
  • diminuição de releituras;
  • redução de contas revisadas;
  • tempo de conferência das imagens.

4. Assistente de medição e fiscalização de contratos

A medição de contratos de serviços comerciais exige a verificação de ordens, evidências, prazos, materiais, equipes e itens da planilha contratual.

Quando essas informações estão distribuídas em sistemas, fotografias, e-mails e planilhas, a medição se torna lenta e sujeita a inconsistências.

O assistente de fiscalização pode cruzar automaticamente:

  • ordem de serviço;
  • endereço e coordenada;
  • horário de início e encerramento;
  • equipe executora;
  • fotografias;
  • material utilizado;
  • item contratual;
  • valor unitário;
  • prazo de atendimento;
  • documentos obrigatórios;
  • histórico de alterações.

Assim, a equipe recebe alertas sobre serviços duplicados, ausência de evidência, execução fora da área contratada, incompatibilidade de item ou divergência de quantidade.

Como implementar

Deve-se começar por um único contrato e por poucos serviços de grande volume, como corte, religação, ligação nova ou substituição de hidrômetro.

As exigências do contrato devem ser convertidas em regras digitais. Se determinado serviço exige duas fotografias, coordenada e registro de material, o sistema precisa verificar esses elementos automaticamente.

A etapa seguinte consiste em integrar ordens, planilha contratual e evidências. Um painel pode separar serviços conformes, serviços pendentes e serviços com indícios de inconsistência.

A decisão final sobre glosa ou pagamento deve continuar sob responsabilidade do fiscal ou gestor.

Ferramentas recomendadas

  • n8n ou Power Automate;
  • SQL ou PostgreSQL;
  • Power BI;
  • OCR para leitura de documentos;
  • SharePoint ou armazenamento corporativo;
  • aplicativo de ordens de serviço;
  • modelos de linguagem para interpretar observações.

Estimativa de custo

  • MVP: R$ 50 mil a R$ 180 mil;
  • operação mensal: R$ 3 mil a R$ 15 mil;
  • prazo médio: dois a cinco meses.

Indicadores de resultado

  • tempo necessário para fechar a medição;
  • quantidade de serviços analisados automaticamente;
  • valores evitados por duplicidade ou inconsistência;
  • redução de pendências;
  • percentual de ordens com evidências completas.

5. Negociador inteligente de débitos

A negociação de débitos normalmente depende das regras comerciais, do valor da dívida, da capacidade de pagamento e do histórico do cliente.

Entretanto, muitas companhias oferecem propostas semelhantes para perfis muito diferentes. Como consequência, surgem parcelamentos que não são pagos ou condições pouco atraentes para clientes com maior chance de regularização.

O negociador inteligente pode recomendar a melhor opção permitida pelas normas da empresa. A ferramenta pode considerar:

  • valor total da dívida;
  • idade das faturas;
  • histórico de pagamentos;
  • parcelamentos rompidos;
  • consumo atual;
  • existência de tarifa social;
  • valor mínimo de entrada;
  • quantidade máxima de parcelas;
  • comportamento de clientes com perfil semelhante.

O sistema não deve criar condições fora das regras. A inteligência artificial deve selecionar, entre as opções autorizadas, aquela com maior probabilidade de adesão e pagamento.

Como implementar

Inicialmente, devem ser digitalizadas todas as regras de negociação. Em seguida, o histórico dos acordos deve ser classificado entre pagos, parcialmente pagos e rompidos.

Um modelo estatístico pode calcular a probabilidade de sucesso para cada combinação de entrada e número de parcelas.

No atendimento, o funcionário visualizaria as alternativas recomendadas e a justificativa. Nos canais digitais, o cliente poderia escolher entre opções previamente autorizadas.

Decisões automatizadas que afetem interesses econômicos dos consumidores precisam ser transparentes e sujeitas à revisão. Portanto, não se deve utilizar o perfil do cliente para negar atendimento ou impor condição discriminatória. (⁠Serviços e Informações do Brasil)

Ferramentas recomendadas

  • CRM;
  • Python;
  • XGBoost ou LightGBM;
  • Power BI;
  • n8n;
  • WhatsApp Business;
  • portal de autoatendimento;
  • motor de regras comerciais.

Estimativa de custo

  • MVP: R$ 80 mil a R$ 250 mil;
  • operação mensal: R$ 5 mil a R$ 30 mil;
  • prazo médio: três a seis meses.

Indicadores de resultado

  • taxa de adesão;
  • percentual de acordos pagos;
  • valor recuperado;
  • redução de parcelamentos rompidos;
  • tempo médio de atendimento;
  • custo por real recuperado.

6. Mapa inteligente de perdas comerciais

As perdas comerciais incluem volumes consumidos, mas não corretamente medidos, cadastrados ou faturados. Entre as causas possíveis estão irregularidades, falhas de medição, erros cadastrais, ligações não registradas e imóveis ativos com faturamento inadequado.

Um mapa inteligente pode combinar dados comerciais e geográficos para indicar onde uma fiscalização possui maior chance de gerar resultado.

O modelo pode considerar:

  • consumo incompatível com o tipo de imóvel;
  • queda brusca de consumo;
  • consumo zero;
  • idade do hidrômetro;
  • histórico de irregularidade;
  • corte antigo;
  • religação não registrada;
  • diferença em relação aos imóveis vizinhos;
  • atividade econômica da região;
  • tempo desde a última fiscalização;
  • resultado de inspeções anteriores.

Algoritmos de detecção de anomalias ajudam a encontrar comportamentos fora do padrão, enquanto bancos geográficos permitem analisar proximidade, bairros, rotas e concentração espacial. O PostGIS acrescenta ao PostgreSQL recursos para armazenamento, indexação e consulta de dados geográficos. (⁠Scikit-learn)

Como implementar

O projeto pode começar com uma cidade ou setor de abastecimento. Cada matrícula precisa ser associada a uma coordenada confiável.

Depois, devem ser criadas variáveis comerciais. Por exemplo, diferença entre consumo atual e média histórica, idade do hidrômetro e número de inspeções anteriores.

O modelo atribuiria uma pontuação para cada matrícula. A fiscalização seria direcionada prioritariamente aos imóveis com maior pontuação e maior potencial de recuperação de receita.

O resultado de cada visita deve retornar ao modelo. Dessa forma, a inteligência artificial aprende quais sinais realmente indicam perda comercial naquela realidade.

Ferramentas recomendadas

  • PostgreSQL e PostGIS;
  • QGIS ou ArcGIS;
  • Python;
  • scikit-learn;
  • XGBoost;
  • Power BI;
  • aplicativo de fiscalização;
  • APIs de mapas e geocodificação.

Estimativa de custo

  • MVP: R$ 90 mil a R$ 300 mil;
  • operação mensal: R$ 5 mil a R$ 25 mil;
  • prazo médio: quatro a oito meses.

Indicadores de resultado

  • irregularidades confirmadas por 100 inspeções;
  • valor recuperado por equipe;
  • aumento do faturamento;
  • redução de visitas improdutivas;
  • custo médio de recuperação;
  • prazo de retorno do investimento.

7. Recuperador inteligente de clientes inativos

Cadastros inativos podem esconder imóveis ocupados, ligações cortadas que voltaram a consumir, mudanças de titularidade e unidades que poderiam retornar ao faturamento.

A análise manual de toda a base é difícil. Portanto, um modelo pode indicar quais matrículas apresentam maior probabilidade de recuperação.

Entre os sinais possíveis estão:

  • ordem de serviço recente;
  • solicitação em canal de atendimento;
  • atualização cadastral;
  • imóvel localizado em área ocupada;
  • consumo anterior relevante;
  • corte antigo sem regularização;
  • ligação vizinha ativa;
  • cadastro com endereço semelhante a outro cliente;
  • existência de atividade econômica no endereço;
  • imóvel sem faturamento, mas com movimentações no sistema.

Como implementar

Primeiramente, deve-se definir o que será considerado cliente recuperado. Pode ser uma religação, ativação cadastral, regularização ou retomada de faturamento.

Em seguida, deve-se analisar quais características estavam presentes nos clientes recuperados no passado.

O modelo produziria listas priorizadas por município, bairro e potencial de receita. Cada lista pode indicar a ação recomendada: contato, vistoria, atualização cadastral ou oferta de negociação.

A integração com CRM e ferramentas de automação permite registrar tentativas de contato e resultados.

Ferramentas recomendadas

  • SQL;
  • Python;
  • scikit-learn;
  • CRM;
  • n8n;
  • Power BI;
  • PostGIS;
  • ferramentas de envio de mensagens autorizadas.

Estimativa de custo

  • MVP: R$ 40 mil a R$ 130 mil;
  • operação mensal: R$ 3 mil a R$ 12 mil;
  • prazo médio: dois a quatro meses.

Indicadores de resultado

  • matrículas recuperadas;
  • faturamento reativado;
  • arrecadação obtida;
  • taxa de sucesso por ação;
  • custo por cliente recuperado;
  • tempo entre identificação e regularização.

8. Roteirizador inteligente de ordens de serviço

A distribuição manual de ordens pode gerar deslocamentos excessivos, atrasos e baixa produtividade. Além disso, nem todas as equipes possuem os mesmos veículos, materiais ou habilidades.

Um roteirizador inteligente pode combinar:

  • endereço;
  • prioridade;
  • prazo;
  • duração estimada;
  • tipo de serviço;
  • capacidade da equipe;
  • veículo disponível;
  • material necessário;
  • jornada de trabalho;
  • trânsito;
  • região de atuação;
  • possibilidade de o cliente estar presente;
  • necessidade de retorno à base.

O Google OR-Tools é uma ferramenta aberta de otimização que permite resolver problemas de roteirização com múltiplos veículos, limites de capacidade e janelas de atendimento. (⁠Google for Developers)

Como implementar

A empresa deve começar com uma única unidade e ordens programáveis. Serviços emergenciais podem permanecer fora do primeiro piloto.

Cada tipo de ordem precisa possuir uma duração média. Também devem ser registrados horários, localização das equipes, jornada e restrições.

O roteirizador gera uma programação diária. Durante a execução, cancelamentos ou emergências podem provocar uma nova otimização.

A equipe deve visualizar a rota em aplicativo, enquanto a gestão acompanha produtividade e atrasos.

Ferramentas recomendadas

  • Google OR-Tools;
  • PostgreSQL e PostGIS;
  • APIs de mapas;
  • aplicativo móvel;
  • Power BI;
  • Python;
  • integração com o sistema de ordens.

Estimativa de custo

  • MVP: R$ 60 mil a R$ 220 mil;
  • operação mensal: R$ 4 mil a R$ 25 mil;
  • prazo médio: três a seis meses.

Indicadores de resultado

  • quilômetros por ordem;
  • ordens executadas por equipe;
  • consumo de combustível;
  • percentual dentro do prazo;
  • tempo de deslocamento;
  • horas improdutivas;
  • quantidade de reprogramações.

9. Assistente para normas, contratos e respostas técnicas

Profissionais da área comercial precisam consultar manuais, resoluções, contratos, termos de referência, circulares, procedimentos internos e pareceres jurídicos.

Quando esses documentos estão dispersos, a pesquisa pode levar horas. Além disso, existe o risco de utilização de uma versão desatualizada.

Um assistente documental pode receber perguntas e responder com base exclusivamente nas fontes autorizadas pela companhia.

Entre as perguntas possíveis estão:

“Quem deve fornecer o hidrômetro neste contrato?”

“Qual é o prazo estabelecido para religação?”

“Quais evidências são necessárias para medir o serviço?”

“Qual cláusula trata do reajuste?”

“Quais documentos precisam acompanhar a resposta à contratada?”

A tecnologia conhecida como geração aumentada por recuperação, ou RAG, conecta o modelo de linguagem aos documentos internos. A resposta é produzida com base nos trechos localizados e pode apresentar a fonte, o documento, a página e a cláusula. (⁠Microsoft Learn)

Como implementar

A primeira etapa consiste em selecionar documentos vigentes e eliminar duplicidades.

Em seguida, cada arquivo deve receber informações como título, data, área responsável, vigência e versão.

Os documentos são divididos em trechos e indexados em um mecanismo de busca. Quando surge uma pergunta, o sistema localiza os trechos mais relevantes e os entrega ao modelo de linguagem.

A interface deve mostrar a resposta e a respectiva fonte. Caso não encontre sustentação suficiente, o assistente deve declarar que não possui elementos para responder.

O sistema também pode preparar minutas de ofícios, notificações, notas técnicas e respostas a auditorias. Entretanto, a aprovação deve permanecer com o profissional responsável.

Ferramentas recomendadas

  • Azure AI Search;
  • PostgreSQL com extensão vetorial;
  • modelos de linguagem corporativos;
  • SharePoint;
  • n8n;
  • OCR;
  • portal interno ou Microsoft Teams.

Estimativa de custo

  • MVP: R$ 25 mil a R$ 100 mil;
  • operação mensal: R$ 2 mil a R$ 12 mil;
  • prazo médio: um a três meses.

Essa aplicação normalmente apresenta uma das melhores relações entre custo e produtividade.

Indicadores de resultado

  • tempo de pesquisa;
  • quantidade de consultas;
  • percentual de respostas com fonte;
  • redução de documentos devolvidos;
  • horas economizadas na elaboração de respostas;
  • satisfação dos usuários.

10. Radar de reclamações e problemas emergentes

As reclamações dos clientes podem funcionar como sensores da operação. Entretanto, quando os protocolos são analisados apenas de forma individual, padrões importantes permanecem escondidos.

A inteligência artificial pode ler protocolos, e-mails, mensagens e transcrições de atendimento para identificar:

  • assunto principal;
  • sentimento;
  • urgência;
  • localidade;
  • serviço relacionado;
  • possível causa;
  • reincidência;
  • aumento anormal de reclamações;
  • relação com determinada equipe ou rota;
  • risco de crise.

Um estudo aplicado a uma empresa de água dos Países Baixos demonstrou que técnicas de processamento de linguagem natural podem apoiar a classificação, interpretação e encaminhamento de reclamações de consumidores. (⁠MDPI)

Como implementar

Primeiramente, devem ser reunidos protocolos de um período recente. Os registros precisam ser associados a categorias confiáveis.

Depois, a inteligência artificial pode classificar novos textos e comparar o volume atual com o histórico.

O radar deve gerar alertas quando houver aumento significativo de um tema em determinada região. Por exemplo, dezenas de reclamações sobre consumo elevado em uma rota podem indicar problema de leitura. Da mesma forma, reclamações sobre baixa pressão podem apontar uma ocorrência operacional.

A ferramenta também pode gerar resumos diários para gestores.

Ferramentas recomendadas

  • modelos de linguagem;
  • modelos BERT para português;
  • ferramentas de transcrição de áudio;
  • n8n;
  • Power BI;
  • CRM;
  • banco de dados geográfico;
  • Microsoft Teams ou e-mail para alertas.

Estimativa de custo

  • MVP: R$ 50 mil a R$ 180 mil;
  • operação mensal: R$ 3 mil a R$ 18 mil;
  • prazo médio: dois a cinco meses.

Indicadores de resultado

  • precisão da classificação;
  • tempo de encaminhamento;
  • reclamações reincidentes;
  • tempo para detectar um problema;
  • redução de protocolos tratados incorretamente;
  • quantidade de alertas confirmados.

Qual solução deve ser implantada primeiro?

A prioridade depende do problema mais relevante de cada empresa. Entretanto, a facilidade de implantação e a disponibilidade dos dados permitem organizar as iniciativas em três grupos.

Implantação rápida

As soluções com menor complexidade são:

  1. assistente para normas e contratos;
  2. recuperador de clientes inativos;
  3. radar de reclamações;
  4. assistente de medição de contratos.

Essas aplicações podem começar com bases pequenas e normalmente não exigem a substituição dos sistemas comerciais.

Retorno financeiro direto

As soluções com maior potencial de geração ou proteção de receita são:

  1. auditor inteligente de faturamento;
  2. mapa de perdas comerciais;
  3. negociador de débitos;
  4. recuperador de clientes inativos.

Entretanto, o retorno depende da capacidade da empresa de executar as ações recomendadas. Um mapa de perdas não gera resultado quando não existe equipe disponível para fiscalização.

Maior complexidade tecnológica

As iniciativas mais complexas são:

  1. validação de leitura por imagem;
  2. roteirização dinâmica;
  3. copiloto conectado a vários sistemas corporativos.

Esses projetos exigem maior integração, testes de campo e acompanhamento técnico.

Um roteiro de 90 dias para iniciar

Uma empresa pode iniciar a adoção de inteligência artificial no comercial sem criar imediatamente uma grande estrutura.

Primeiros 30 dias

Deve-se escolher um problema, definir o responsável e estabelecer um indicador principal.

Também devem ser identificadas as bases necessárias, a qualidade dos dados e as restrições de acesso.

Entre 31 e 60 dias

Deve-se construir um protótipo com um município, regional, contrato ou processo.

Nessa etapa, o objetivo não é criar uma solução perfeita. O objetivo é verificar se a ferramenta consegue produzir uma informação útil e confiável.

Entre 61 e 90 dias

O protótipo deve ser testado com usuários reais. Erros e dúvidas precisam ser registrados.

Ao final, deve-se comparar o processo anterior com o processo apoiado pela inteligência artificial. Somente após essa avaliação deve ocorrer a ampliação.

Governança deve acompanhar a inovação

A implantação responsável exige mais do que precisão técnica. Devem ser avaliados segurança, privacidade, possibilidade de erro, explicabilidade e impactos sobre clientes e trabalhadores.

O modelo de gestão de riscos do NIST organiza a governança da inteligência artificial em quatro funções: governar, mapear, medir e gerenciar. Dessa forma, o risco deve ser acompanhado durante todo o ciclo de vida, e não apenas no momento da contratação. (⁠NIST)

Na prática, cada projeto deve possuir:

  • área responsável;
  • objetivo documentado;
  • base de dados autorizada;
  • registro das versões;
  • critérios de validação;
  • limites de atuação da inteligência artificial;
  • canal para revisão humana;
  • monitoramento de erros;
  • política de atualização;
  • plano de continuidade.

Também é necessário monitorar mudanças no comportamento dos dados. Um modelo treinado com resultados de determinado período pode perder eficiência após alterações tarifárias, troca de sistema, mudança de contrato ou modificação dos procedimentos comerciais. O monitoramento deve verificar desempenho, qualidade dos dados e possíveis desvios ao longo do tempo. (⁠Microsoft Learn)

IA no comercial deve começar pelo problema, não pela tecnologia

A inteligência artificial oferece oportunidades reais para reduzir retrabalho, proteger receita e melhorar a qualidade das decisões na área comercial do saneamento.

Entretanto, o maior ganho não está na simples contratação de uma plataforma. O resultado aparece quando a solução é aplicada a um processo específico, possui dados confiáveis e é incorporada à rotina das equipes.

Por isso, projetos menores e bem medidos tendem a ser mais eficientes do que grandes iniciativas sem objetivo definido.

Um assistente documental pode economizar horas de pesquisa. Um auditor de faturamento pode evitar milhares de contas incorretas. Um mapa de perdas pode direcionar fiscalizações para imóveis com maior potencial de retorno. Um roteirizador pode reduzir deslocamentos e melhorar prazos.

Consequentemente, a área comercial pode se transformar em uma das principais portas de entrada da inteligência artificial nas empresas de saneamento.

A tecnologia não elimina a necessidade de conhecimento comercial. Pelo contrário, depende diretamente dele. Regras tarifárias, procedimentos de faturamento, contratos, cadastro, relacionamento com clientes e experiência de campo precisam ser traduzidos em critérios que a inteligência artificial consiga utilizar.

Assim, a combinação entre tecnologia e conhecimento técnico permite criar uma área comercial mais rápida, preventiva, integrada e orientada por dados.

Fontes

Mais lidas