A Iguá Saneamento passou de 9 para 30 pontos no Net Promoter Score (NPS) entre 2021 e 2026 e adotou uma estratégia de IA no atendimento capaz de analisar 100% dos contatos registrados em seus canais em até uma hora. A combinação de inteligência artificial, análise de dados e revisão de processos coloca em evidência uma questão estratégica para o setor: as companhias de água e esgoto estão aproveitando as informações dos clientes para corrigir as causas dos problemas ou apenas registrando reclamações?
A transformação ocorre em uma atividade frequentemente tratada como suporte, mas que influencia diretamente a arrecadação, a reputação institucional, os custos operacionais e a relação de confiança entre prestadores de serviços e usuários.
Em 7 de outubro de 2026, a Iguá anunciou também a conquista, pelo quarto ano consecutivo, do selo “O Cliente Recomenda”, concedido pela SoluCX durante o Experience Awards 2026. A certificação reconhece empresas que apresentam desempenho superior à média de seus segmentos em pesquisa independente de recomendação.
Mas o aspecto mais relevante não está na premiação. Está no modelo de gestão que transforma milhares de interações com clientes em informações potencialmente úteis para identificar falhas, antecipar problemas e orientar decisões.
A experiência da Iguá, associada a iniciativas de outras empresas brasileiras e internacionais, ajuda a compreender por que a inteligência artificial pode modificar profundamente a forma como o saneamento administra sua relação com os consumidores.
O que mudou no atendimento da Iguá?
Segundo comunicado oficial da companhia, os contatos registrados em seus canais passam por análise automatizada em até uma hora. A ferramenta identifica assuntos recorrentes, situações consideradas urgentes e oportunidades de melhoria.
As informações são posteriormente cruzadas com indicadores de satisfação, pesquisas de NPS e outros dados corporativos.
A empresa informa que milhares de jornadas são avaliadas para reconhecer gargalos, investigar suas causas e subsidiar alterações em procedimentos internos. Os resultados dessas mudanças são acompanhados continuamente pela equipe de Experiência do Cliente.
Trata-se de uma abordagem que ultrapassa a avaliação convencional de atendentes.
Em modelos tradicionais de monitoria, supervisores selecionam uma parcela das interações e verificam critérios como cordialidade, cumprimento de procedimentos, qualidade das informações e encerramento das solicitações.
Esse processo continua importante, mas possui limitações: é trabalhoso, depende de amostragem e nem sempre permite identificar rapidamente tendências que aparecem em diferentes localidades.
A análise automatizada amplia a capacidade de observação.
Em vez de depender exclusivamente de casos selecionados, a companhia passa a trabalhar com uma base muito maior de manifestações, procurando padrões que poderiam permanecer dispersos entre telefonemas, mensagens e protocolos.
Uma distinção importante: a Iguá informa que analisa 100% dos contatos registrados, mas o comunicado não detalha quais tecnologias são utilizadas em cada canal, a taxa de acerto dos algoritmos, o fornecedor da solução ou o investimento realizado. Também não informa quando a cobertura integral começou.
Portanto, não é possível afirmar que todas as ligações sejam necessariamente transcritas por uma ferramenta específica de reconhecimento de voz.
O dado comprovado é a cobertura de análise dos contatos registrados, conforme declarado pela companhia.
NPS de 9 para 30: o que os números realmente mostram?
O Net Promoter Score mede a disposição de um cliente recomendar uma empresa, produto ou serviço.
Na metodologia convencional, os entrevistados respondem a uma pergunta de recomendação, atribuindo notas de zero a dez.
As respostas são classificadas em promotores, com notas 9 e 10; neutros, com notas 7 e 8; e detratores, com notas de 0 a 6.
O NPS corresponde à diferença entre o percentual de promotores e o percentual de detratores. Seu resultado varia de -100 a +100.
Ao passar de 9 para 30, a Iguá registrou um avanço de 21 pontos de NPS em cinco anos.
O comunicado informa que o resultado de 2026 desconsidera a operação de Sergipe, que havia completado um ano de operação. A empresa também reporta um CSAT médio de 8,5 em uma escala de zero a dez.
O CSAT, ou índice de satisfação do cliente, procura medir a satisfação com determinada experiência. Já o NPS avalia a propensão à recomendação.
São indicadores complementares, mas não equivalentes.
Um usuário pode considerar o atendimento cordial e atribuir uma avaliação positiva à interação, mesmo permanecendo insatisfeito com a falta de água ou com uma cobrança que ainda não foi resolvida.
É justamente por isso que cruzar diferentes indicadores oferece uma compreensão mais completa da experiência.
Existe, entretanto, uma cautela metodológica.
O crescimento do NPS e a adoção da inteligência artificial são fatos divulgados pela Iguá, mas os dados publicados não permitem atribuir à IA, isoladamente, os 21 pontos de evolução.
Melhorias operacionais, investimentos, alterações de procedimentos e mudanças na composição das operações também podem influenciar a avaliação dos clientes.
Além disso, o NPS apresentado pela companhia não deve ser automaticamente confundido com a pesquisa independente utilizada pela SoluCX para conceder a certificação. Para comparar os resultados com rigor, seria necessário conhecer as amostras, os períodos e as metodologias de cada levantamento.
Como a IA no atendimento transforma conversas em decisões?
O funcionamento de uma solução de análise de interações pode ser compreendido como uma sequência de atividades.
Primeiro, os registros são coletados dos canais disponíveis. Dependendo da tecnologia, isso pode envolver mensagens escritas, históricos de atendimento, protocolos e transcrições de conversas telefônicas.
Em seguida, ferramentas de processamento de linguagem natural, conhecidas pela sigla NLP, identificam padrões nas informações.
O objetivo é permitir que sistemas computacionais interpretem textos e expressem, de forma estruturada, o assunto tratado pelo cliente.
Em uma companhia de saneamento, a tecnologia pode reconhecer manifestações relacionadas a:
- Falta de água, baixa pressão e intermitência do abastecimento.
- Contas elevadas, divergências de leitura e revisão de consumo.
- Vazamentos, extravasamentos de esgoto e serviços não executados.
- Dificuldades de negociação e regularização de débitos.
- Demora na execução de ligações, religações ou reparos.
- Reclamações recorrentes após encerramento de protocolos.
Uma camada adicional de análise pode identificar sentimentos expressos nas interações, como insatisfação, preocupação e urgência.
Entretanto, identificar sentimento negativo não significa identificar corretamente a causa do problema.
Um cliente insatisfeito com determinada fatura pode estar enfrentando aumento real de consumo, erro de leitura, vazamento interno, mudança tarifária ou dificuldade para compreender a cobrança.
A inteligência artificial consegue auxiliar na identificação e organização dessas possibilidades, mas a confirmação depende de informações comerciais, técnicas e operacionais.
A oportunidade mais valiosa surge quando esses dados deixam de ser apenas relatórios de atendimento e passam a alimentar os processos internos da companhia.
O verdadeiro potencial está em identificar causas, não sintomas
Imagine uma situação hipotética em que diversos clientes de um mesmo bairro começam a reclamar de baixa pressão após serviços de manutenção na rede.
Em um modelo convencional, cada manifestação pode originar um protocolo independente.
Um atendimento gera uma reclamação. Outro gera uma ordem de serviço. Um terceiro solicita vistoria. Cada equipe trabalha sobre sua demanda.
Sem uma visão integrada, a companhia pode demorar para perceber que os registros apresentam uma causa comum.
Com uma solução de análise automatizada, a concentração de reclamações semelhantes em determinada região pode produzir um alerta.
A partir desse sinal, a equipe técnica pode consultar registros de pressão, informações do centro de controle operacional, manobras de rede e ordens de serviço executadas.
Se for confirmada uma falha operacional, a empresa poderá corrigir o problema de forma coordenada, informar os clientes afetados e acompanhar a redução das manifestações.
Nesse cenário, a tecnologia não substitui o técnico, o operador ou o engenheiro.
Ela aumenta a capacidade desses profissionais de localizar problemas que merecem investigação.
O resultado esperado não é simplesmente atender mais rápido. É reduzir a necessidade de novos atendimentos provocados pelo mesmo problema.
Essa diferença é fundamental para empresas que administram milhares ou milhões de ligações de água e esgoto.
Benchmarking brasileiro: o que fazem Sabesp e Cagece?
A experiência da Iguá integra uma transformação mais ampla dos canais de relacionamento no saneamento brasileiro.
Entretanto, as soluções adotadas pelas companhias possuem objetivos diferentes, o que impede comparações diretas de desempenho.
Sabesp: inteligência artificial aplicada à interação com clientes
A Sabesp vem ampliando a utilização de sua assistente virtual Sani.
Em comunicação institucional publicada em 2025, a companhia informou que a ferramenta, baseada em inteligência artificial generativa, realizava aproximadamente 1,5 milhão de atendimentos mensais.
A empresa também destacou a utilização do WhatsApp para pagamentos, emissão de segunda via, registro de vazamentos, alteração de titularidade e reclamações.
Posteriormente, a Sabesp anunciou a ampliação da Sani para o atendimento telefônico, com interpretação da fala natural dos usuários e direcionamento das solicitações.
A comparação com a Iguá revela duas abordagens complementares.
Enquanto a Sani atua diretamente na comunicação e na execução ou orientação de serviços, o caso divulgado pela Iguá enfatiza a análise das interações para identificar oportunidades de melhoria.
Uma tecnologia procura facilitar o contato. A outra procura compreender, em escala, o que acontece durante os contatos registrados.
As duas aplicações podem coexistir.
Para gestores, a principal lição é que automatizar solicitações frequentes não elimina a necessidade de investigar por que elas acontecem.
Cagece: uma experiência anterior de automação
A Companhia de Água e Esgoto do Ceará (Cagece) oferece outro exemplo.
Em comunicado institucional de 2018, a empresa informou que sua assistente virtual Gesse havia alcançado a marca de 100 mil atendimentos.
A solução permitia solicitar segunda via, religação de água, conserto de vazamentos e desobstrução de esgoto.
Na ocasião, a Cagece afirmou que o sistema possuía potencial para atender 80% das demandas, o que representa uma capacidade estimada, e não necessariamente uma taxa comprovada de resolução.
A experiência mostra que a utilização de inteligência artificial nos canais do saneamento antecede a atual expansão dos modelos generativos.
O avanço tecnológico, entretanto, permite novas aplicações.
A evolução do setor tende a ocorrer não apenas pela automação das respostas, mas pela utilização das informações produzidas nessas interações para aperfeiçoar processos comerciais e operacionais.
Holanda: estudo mostra o potencial e os limites da análise automatizada
Uma experiência internacional diretamente relacionada ao caso brasileiro foi estudada por pesquisadores do KWR Water Research Institute, em colaboração com a Delft University of Technology.
Publicado em 2022 na revista científica Water, o estudo investigou o processamento automatizado de reclamações da Waterbedrijf Groningen, empresa de abastecimento de água dos Países Baixos.
Os pesquisadores trabalharam com uma base de 4.730 reclamações, registradas entre fevereiro de 2013 e janeiro de 2021.
A investigação procurou verificar se técnicas de processamento de linguagem natural poderiam identificar o assunto principal das manifestações, interpretar o conteúdo dos textos e reconhecer a intenção dos usuários.
Nos testes de classificação de intenções, o modelo apresentou 82,5% de acurácia, além de precisão de 80,2% e índice F1 de 0,79.
Esses números oferecem uma perspectiva importante.
A tecnologia demonstrou capacidade de organizar automaticamente grande parte das manifestações, mas não acertou todas as classificações.
O estudo também não contemplou plenamente reclamações que envolviam múltiplos assuntos simultaneamente.
Na prática, uma manifestação sobre conta elevada pode conter reclamações adicionais sobre falta de água, atendimento demorado e leitura do hidrômetro.
Esses casos exigem interpretação mais complexa.
Os pesquisadores destacaram a necessidade de manter profissionais experientes no processo, especialmente para situações inesperadas ou que não estejam adequadamente representadas nos dados de treinamento.
A conclusão oferece uma lição diretamente aplicável ao Brasil: analisar todas as manifestações não significa compreendê-las perfeitamente.
A qualidade dos resultados depende da estrutura dos dados, das categorias utilizadas e da validação humana.
Estados Unidos: a análise de sentimentos chega às utilities
Outro exemplo aparece na Anchorage Water and Wastewater Utility (AWWU), empresa municipal de água e esgoto localizada no Alasca, nos Estados Unidos.
A utility precisava preparar seu atendimento para uma demanda relacionada às regras norte-americanas sobre chumbo e cobre em instalações hidráulicas.
Mais de 12 mil clientes seriam comunicados sobre informações relativas às tubulações de seus imóveis.
Para lidar com as consultas, a empresa adotou, com apoio da fornecedora CTG, uma estrutura de contact center baseada no Amazon Connect.
A solução incluiu análise de sentimentos em tempo real, recursos de inteligência artificial, chamadas automatizadas e ferramentas de acompanhamento gerencial.
Segundo o estudo de caso divulgado pela CTG, a operação alcançou indicadores como ausência de chamadas abandonadas, tempo médio de conversação inferior a cinco minutos e tempo médio de resposta inferior a quinze segundos.
Esses resultados são informações apresentadas pela própria fornecedora, sem auditoria independente identificada na publicação.
Ainda assim, a experiência ilustra uma aplicação relevante: utilizar tecnologia para administrar aumentos de demanda relacionados a acontecimentos técnicos e regulatórios.
Para empresas brasileiras, um sistema semelhante pode ser considerado no planejamento de grandes intervenções operacionais, alterações de abastecimento, campanhas de regularização ou eventos que provoquem aumento significativo nas consultas dos clientes.
Utilities de energia também oferecem lições ao saneamento
Em julho de 2026, a consultoria McKinsey publicou uma análise sobre o uso de inteligência artificial agêntica nas operações de atendimento de utilities.
Nesse contexto, IA agêntica corresponde a sistemas capazes de executar etapas de uma tarefa, consultar informações e interagir com diferentes ferramentas, dentro de limites definidos.
O estudo apresenta o caso da E.ON Next, empresa de energia do Reino Unido.
Segundo a publicação, a companhia recebia mais de sete milhões de chamadas de atendimento por ano e utilizou análise de voz com IA para compreender os motivos dos contatos.
A iniciativa apoiou a reorganização das jornadas de atendimento e a implantação de uma assistente de voz destinada inicialmente a questões de faturamento.
A McKinsey informa que a transformação reduziu aproximadamente 50% das chamadas recebidas e elevou a satisfação dos clientes em seis pontos.
A consultoria também analisou mais de 100 mil chamadas reais de cinco utilities e identificou que, naquela amostra, temas de faturamento, pagamentos e solicitações de serviços representavam entre 70% e 85% dos contatos.
Os resultados não devem ser automaticamente transferidos para as companhias brasileiras de água e esgoto, pois as características regulatórias, operacionais e comerciais são diferentes.
A principal contribuição está na metodologia: começar pelas jornadas responsáveis pela maior concentração de contatos e dificuldades.
Para o saneamento, a pergunta relevante não é quantas chamadas uma IA consegue analisar, mas quantas poderiam deixar de acontecer após a correção de seus motivos recorrentes.
Impactos comerciais e financeiros: onde está o retorno?
A implantação de IA no atendimento envolve despesas com tecnologia, integração de sistemas, armazenamento, segurança, capacitação e manutenção.
O retorno econômico precisa ser demonstrado por indicadores verificáveis.
Na Iguá, o comunicado não informa o investimento realizado nem apresenta valores de economia, incremento de arrecadação ou redução de custos associados à iniciativa.
Por isso, qualquer estimativa de retorno financeiro específico da empresa seria especulativa.
Ainda assim, existem oportunidades concretas de geração de valor.
Redução de contatos repetidos. Quando a origem de um problema é corrigida, o cliente deixa de precisar retornar diversas vezes para tratar do mesmo assunto. O benefício potencial inclui menor utilização dos canais e redução do retrabalho.
Melhoria do faturamento. Reclamações recorrentes sobre leitura, consumo e cobrança podem revelar inconsistências cadastrais, falhas de processos ou dificuldades de comunicação. Sua correção pode reduzir contestações e aumentar a confiabilidade das faturas.
Apoio à arrecadação. A identificação de obstáculos frequentes à negociação e ao pagamento pode orientar mudanças nos canais, nos procedimentos e na comunicação com os usuários, respeitando a legislação aplicável.
Eficiência das equipes operacionais. A identificação antecipada de manifestações concentradas em determinada área pode apoiar o diagnóstico de problemas coletivos, evitando deslocamentos repetidos e ordens de serviço desnecessárias.
Redução de conflitos. O tratamento adequado das causas de reclamações pode diminuir a necessidade de escalonamento para ouvidorias, agências reguladoras e órgãos de defesa do consumidor.
Para demonstrar economicamente esses ganhos, é necessário medir o comportamento dos indicadores antes e depois das intervenções, considerando outras mudanças ocorridas no mesmo período.
A redução de chamadas, isoladamente, não comprova melhoria.
Ela também pode ocorrer quando clientes encontram dificuldades de acesso aos canais ou deixam de registrar seus problemas.
Por esse motivo, qualquer avaliação financeira precisa ser acompanhada de indicadores de qualidade e resolução efetiva.
Regulação: os dados do atendimento ganham importância institucional
O acompanhamento estruturado das reclamações também possui relevância regulatória.
A Norma de Referência ANA nº 11/2024, aprovada pela Resolução ANA nº 230/2024, estabelece diretrizes gerais para a prestação dos serviços públicos de abastecimento de água e esgotamento sanitário.
Entre seus dispositivos, o artigo 52 aborda a disponibilidade de sistemas de atendimento aos usuários, com registro e numeração das solicitações e reclamações.
Já o artigo 54 prevê a disponibilização de relatórios à entidade reguladora infranacional, conforme seus normativos, com informações sobre reclamações agrupadas por motivo e sistema, além do percentual de manifestações não atendidas.
A aplicação dessas diretrizes deve observar o processo de adoção das normas de referência e a regulamentação da entidade infranacional competente.
Nesse contexto, a inteligência artificial pode apoiar a padronização de classificações e a elaboração de relatórios, desde que os dados sejam confiáveis e passíveis de verificação.
A experiência internacional demonstra que a satisfação também pode influenciar diretamente o desempenho regulatório.
Na Inglaterra e no País de Gales, a Ofwat utiliza o Customer Measure of Experience (C-MeX) como mecanismo de avaliação da experiência dos usuários das companhias de água.
Para o período regulatório de 2025 a 2030, o modelo associa avaliações de satisfação a incentivos financeiros e reputacionais.
Não se trata de uma regra aplicável ao Brasil, mas de um exemplo de como a qualidade do relacionamento pode integrar sistemas formais de avaliação de prestadores.
A evolução da regulação brasileira poderá ampliar o interesse por dados consistentes sobre a experiência dos usuários, especialmente quando associados a indicadores efetivos da prestação dos serviços.
O maior risco: transformar inteligência artificial em vigilância improdutiva
A utilização de IA no atendimento também apresenta riscos que precisam ser administrados.
O primeiro é tecnológico.
Modelos podem interpretar incorretamente expressões regionais, transcrições imperfeitas, linguagem informal e manifestações que envolvam múltiplos problemas.
Uma classificação equivocada pode distorcer relatórios e direcionar ações para áreas que não representam a verdadeira origem da falha.
Outro risco é organizacional.
Se a ferramenta for utilizada exclusivamente para fiscalizar atendentes, a companhia poderá concentrar esforços no comportamento individual e deixar de investigar problemas estruturais.
Um profissional que recebe repetidamente reclamações sobre interrupções do abastecimento não possui necessariamente responsabilidade sobre as causas operacionais desses episódios.
Avaliações automatizadas de desempenho precisam considerar esse contexto e contar com critérios transparentes de revisão.
Também existem cuidados jurídicos relacionados à Lei Geral de Proteção de Dados Pessoais (LGPD).
Gravações, transcrições e históricos de atendimento podem conter nomes, endereços, informações financeiras e outros dados pessoais.
A LGPD exige finalidade legítima, necessidade, transparência e medidas adequadas de segurança.
A Autoridade Nacional de Proteção de Dados (ANPD) possui orientações sobre a utilização da hipótese legal do legítimo interesse, que exige avaliação das finalidades do tratamento, sua necessidade e os impactos sobre os direitos dos titulares.
Além disso, decisões tomadas exclusivamente por tratamento automatizado de dados pessoais que afetem interesses dos titulares podem atrair a aplicação do artigo 20 da LGPD.
Para gestores de saneamento, a consequência é clara: a contratação de uma plataforma de IA não elimina a responsabilidade da companhia pelo tratamento adequado das informações.
Como aplicar a experiência da Iguá em outras companhias?
A adoção de IA no atendimento não precisa começar com uma transformação simultânea de todos os canais.
Uma implantação consistente pode ser organizada em seis etapas.
1. Identificar os principais motivos de contato. Antes da contratação de novas ferramentas, a companhia deve compreender quais demandas concentram volume, custos, reincidência e insatisfação.
2. Padronizar a classificação dos registros. Termos como falta de água, intermitência, baixa pressão, vazamento e interrupção programada precisam possuir definições consistentes. Categorias imprecisas prejudicam qualquer análise automatizada.
3. Integrar informações comerciais e operacionais. A análise do atendimento deve permitir cruzamentos com cadastro de usuários, faturamento, leituras, ordens de serviço, informações geográficas e ocorrências operacionais, mediante controles de acesso e proteção de dados.
4. Implantar um projeto-piloto com validação humana. O ideal é selecionar jornadas relevantes, avaliar a qualidade das classificações e corrigir erros antes de ampliar a cobertura.
5. Transformar análises em ações com responsáveis definidos. Os problemas identificados precisam ser encaminhados às áreas capazes de solucioná-los, com prazo, acompanhamento e retorno.
6. Medir resultados após as correções. A avaliação deve considerar a redução da reincidência, o cumprimento de prazos, a resolução dos problemas e a percepção dos usuários.
Essa abordagem permite começar com problemas concretos e construir evidências sobre os benefícios antes de realizar investimentos mais amplos.
Quais indicadores devem acompanhar a IA no atendimento?
O NPS é importante, mas insuficiente para avaliar sozinho uma transformação dessa natureza.
Um modelo de gestão mais completo deve acompanhar a taxa de resolução no primeiro contato, o percentual de reincidência por motivo, o tempo de solução, o volume de demandas por canal e o percentual de solicitações concluídas dentro dos prazos previstos.
Também merecem acompanhamento a taxa de acerto das classificações automatizadas, o tempo entre o registro e sua análise, os motivos de escalonamento para ouvidorias e a satisfação após a efetiva resolução.
Para a gestão comercial, indicadores de contas contestadas, reprocessamentos de faturamento, negociações concluídas e retornos relacionados a cobranças podem oferecer informações adicionais.
Já para a operação, a análise das manifestações por localidade, sistema de abastecimento ou setor operacional pode apoiar a identificação de problemas recorrentes.
O indicador decisivo é a redução sustentada de problemas, não apenas a expansão da capacidade tecnológica de analisá-los.
Uma companhia pode atingir cobertura de 100% das interações e continuar apresentando baixa eficiência caso nenhuma área possua responsabilidade por executar as melhorias identificadas.
O que muda para os profissionais de saneamento?
A utilização de inteligência artificial exige uma evolução das competências profissionais.
O atendente passa a trabalhar com ferramentas capazes de oferecer informações e identificar assuntos recorrentes. Sua experiência continua necessária para interpretar situações complexas, acolher manifestações e perceber inconsistências que os modelos não reconhecem.
O analista comercial pode utilizar informações estruturadas para identificar causas de contestação de contas, problemas cadastrais e dificuldades de acesso aos serviços.
O profissional de operação pode receber sinais adicionais sobre áreas com aumento de reclamações, apoiando investigações técnicas e decisões de manutenção.
O gestor precisa interpretar os dados, definir prioridades e organizar a atuação conjunta das áreas.
Os profissionais de tecnologia, por sua vez, assumem responsabilidades relacionadas à integração de sistemas, qualidade dos modelos, segurança e governança das informações.
Esse processo também exige atenção às equipes terceirizadas de atendimento e serviços comerciais.
A análise de interações pode melhorar a identificação de oportunidades de capacitação e aperfeiçoamento de procedimentos, mas deve evitar classificações automáticas descontextualizadas ou avaliações injustas de desempenho.
O conhecimento acumulado pelos profissionais torna-se fundamental para ensinar à tecnologia quais manifestações representam realmente um problema, uma urgência ou uma falha de processo.
O próximo avanço será antecipar problemas antes das reclamações
A experiência da Iguá sugere uma tendência que pode ganhar espaço no saneamento: a transição de uma gestão reativa para uma gestão orientada por sinais antecipados de insatisfação.
Hoje, grande parte dos processos de relacionamento começa depois que o cliente identifica um problema e procura a companhia.
Com a integração entre dados comerciais, sistemas operacionais, medição inteligente e análise de interações, surgem possibilidades de antecipação.
Alterações de consumo podem gerar comunicações preventivas. Informações operacionais podem permitir avisos mais precisos sobre interrupções. Solicitações não concluídas podem ser acompanhadas antes de originar novas reclamações.
A inteligência artificial também pode ajudar a reconhecer situações em que o cliente provavelmente precisará retornar ao atendimento porque a solução registrada ainda não foi efetivamente executada.
Essas possibilidades, entretanto, dependem de integrações confiáveis e de dados atualizados.
Nenhuma ferramenta de linguagem consegue garantir a resolução de uma falta de água se não houver informações técnicas adequadas ou capacidade operacional para corrigir a ocorrência.
Por isso, o avanço tecnológico precisa ser acompanhado de melhorias nos processos e na infraestrutura.
Conclusão: a melhor IA é aquela que ajuda a evitar a próxima reclamação
O crescimento do NPS da Iguá de 9 para 30 pontos, associado à análise automatizada dos contatos registrados, representa uma experiência relevante para a modernização da gestão de clientes no saneamento brasileiro.
Os números divulgados não permitem determinar quanto dessa evolução foi provocado especificamente pela inteligência artificial.
Mesmo assim, o modelo apresentado pela companhia demonstra uma direção estratégica: utilizar os contatos com consumidores como fonte permanente de informações sobre a qualidade dos serviços.
A comparação com Sabesp, Cagece, Waterbedrijf Groningen, Anchorage Water and Wastewater Utility e utilities de energia mostra que a inteligência artificial pode desempenhar funções distintas — atender, interpretar, classificar, monitorar e apoiar decisões.
O diferencial não está simplesmente na escolha da ferramenta mais sofisticada.
Está na capacidade de conectar os dados às equipes responsáveis pelo faturamento, pela operação, pela manutenção, pela tecnologia e pelo relacionamento com os usuários.
Para as empresas, a oportunidade é reduzir retrabalho, aperfeiçoar processos e melhorar a experiência dos consumidores.
Para os profissionais, surge a possibilidade de trabalhar com informações mais completas e tomar decisões baseadas em padrões que antes eram difíceis de perceber.
A principal lição da IA no atendimento é que ouvir todos os clientes só produz valor quando a companhia consegue transformar o que ouviu em melhorias reais.
O futuro da gestão comercial do saneamento não será medido apenas pela quantidade de atendimentos realizados ou analisados.
Será medido, sobretudo, pela capacidade de resolver as causas que fazem os clientes precisarem entrar em contato novamente.
Fontes e referências
Iguá Saneamento
Iguá recebe selo “O Cliente Recomenda”
7 de outubro de 2026.
https://igua.com.br/noticias/igua-recebe-selo-o-cliente-recomenda
SoluCX — Experience Awards 2026
Experience Awards 2026 — Educação, Mobilidade e Serviços Essenciais. Informações oficiais do evento, realizado em 27 de agosto de 2026.
https://www.sympla.com.br/evento/experience-awards-2026-educacao-mobilidade-e-servicos-essenciais/3492426
Bain & Company — Net Promoter System
Measuring Your Net Promoter Score. Metodologia de classificação de promotores, neutros e detratores e cálculo do NPS.
https://prod.netpromotersystem.com/about/measuring-your-net-promoter-score/
Sabesp
Atendimento digital que gera resultados. Comunicação institucional sobre WhatsApp, assistente virtual Sani e atendimento com inteligência artificial. 2025.
Publicação institucional da Sabesp
Cagece — Companhia de Água e Esgoto do Ceará
Gesse, assistente virtual da Cagece, atinge 100 mil atendimentos. 2018.
https://www.cagece.com.br/comunicacao/noticias/gesse-assistente-virtual-da-cagece-atinge-100-mil-atendimentos/
KWR Water Research Institute / Delft University of Technology
Tian, X. e colaboradores. Automated Customer Complaint Processing for Water Utilities Based on Natural Language Processing — Case Study of a Dutch Water Utility. Revista Water, volume 14, artigo 674. 21 de fevereiro de 2022.
https://doi.org/10.3390/w14040674
CTG — Computer Task Group
CTG Enables Anchorage Water & Wastewater Utility’s Contact Center Transformation. Estudo de caso sobre atendimento, análise de sentimentos e automação. Data não informada na publicação consultada.
https://www.ctg.com/case-studies/awwu-contact-center
McKinsey & Company
How Utilities Can Rewire Customer Operations with Agentic AI. 30 de julho de 2026.
https://www.mckinsey.com/industries/electric-power-and-natural-gas/our-insights/how-utilities-can-rewire-customer-operations-with-agentic-ai
Agência Nacional de Águas e Saneamento Básico — ANA
Resolução ANA nº 230/2024 — Norma de Referência nº 11/2024. Condições gerais para prestação dos serviços públicos de abastecimento de água e esgotamento sanitário. 18 de dezembro de 2024.
https://www.gov.br/ana/pt-br/legislacao/resolucoes/resolucoes-regulatorias/2024/230
Ofwat — Water Services Regulation Authority
Measures of Experience 2025–2030. Metodologia regulatória de avaliação da experiência dos usuários dos serviços de água.
https://www.ofwat.gov.uk/regulated-companies/company-obligations/measures-of-experience/measures-of-experience-2025-2030/
Autoridade Nacional de Proteção de Dados — ANPD
Guia Orientativo das Hipóteses Legais de Tratamento de Dados Pessoais — Legítimo Interesse. Publicado em 2024.
https://www.gov.br/anpd/pt-br/centrais-de-conteudo/materiais-educativos-e-publicacoes/guia_orientativo_hipoteses_legais_tratamento_de_dados_pessoais_legitimo_interesse
Brasil — Lei nº 13.709/2018
Lei Geral de Proteção de Dados Pessoais (LGPD). 14 de agosto de 2018.
Texto legal — Senado Federal
