> For the complete documentation index, see [llms.txt](https://academy.vambe.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://academy.vambe.ai/analitica-de-datos/analitica-de-datos-pt-br/transferencias-para-humano-entenda-quando-e-por-que-a-ia-passa-uma-conversa-para-um-executivo.md). # Transferências para humano: entenda quando e por que a IA passa uma conversa para um executivo Toda vez que a IA move uma conversa para uma etapa de atendimento humano, ela deixa um sinal: um cliente que pediu para falar com uma pessoa, uma instrução que você mesmo definiu ou uma pergunta que ela não conseguiu responder. Vistas uma a uma, esses encaminhamentos parecem casos isolados. Vistas em conjunto, mostram com precisão em quais momentos a sua operação precisa de cobertura humana e o que falta ao seu assistente para resolver mais por conta própria. A seção **Encaminhamentos para atendimento humano**, dentro de Insights, reúne essas informações em um só lugar: quantos encaminhamentos houve, em quais horários eles se concentram e por qual motivo cada um aconteceu. Neste artigo, você verá como ler cada parte e como transformá-la em decisões concretas sobre os turnos dos seus executivos e o conteúdo da sua Knowledge Base. > 💡 **Para acessar:** no menu à esquerda, vá para **Serviço** e depois para **Insights**. Abra a aba **Métricas** e role até a seção **Encaminhamentos para atendimento humano**. ![](https://163318504-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FR6k5cMG5ynKIqrRSg5Ph%2Fuploads%2FlHeFRFajyxll0dmioznk%2Fderivaciones-seccion.png?alt=media) *** ## Tudo o que você vê corresponde a um funil e a uma semana Insights analisa um funil por vez. No painel à esquerda, você escolhe o **funil** que quer revisar e a **semana** da análise, e toda a seção é recalculada com esses dados. Por isso, antes de tirar conclusões, vale confirmar que você está olhando o funil correto: os encaminhamentos de Customer Support contam uma história diferente da de um funil comercial. *** ## Quantos encaminhamentos houve e de onde eles vêm À direita da seção, você encontrará os dois números que resumem o período. **Encaminhamentos** é o total de conversas que passaram para atendimento humano na semana. **Tickets com atividade** é o volume total de tickets que tiveram movimentação nesse mesmo período, e serve como referência para dimensionar o dado: 358 encaminhamentos sobre 553 tickets com atividade não significam o mesmo que 358 sobre 5.000. Ambos os indicadores mostram a variação em relação à semana anterior, para que você veja se a tendência sobe ou desce. À esquerda, os **filtros** separam os encaminhamentos de acordo com a origem: * **IA:** a conversa foi encaminhada por decisão do assistente. * **Workflow:** o encaminhamento foi gerado por um fluxo automatizado que você configurou. * **Outro:** encaminhamentos originados fora dos dois casos anteriores. Cada filtro mostra sua própria contagem e sua variação semanal, então você pode identificar de imediato se a alta de encaminhamentos vem do assistente ou das suas automações. Ao selecionar um filtro, o mapa de calor se ajusta somente a esse grupo. *** ## Em quais horários eles se concentram O mapa de calor cruza os dias da semana com as horas do dia: cada linha é um dia, de segunda a domingo, e cada coluna uma hora, de 0 a 23. A intensidade da cor indica quantos encaminhamentos ocorreram naquele bloco, de acordo com a escala que aparece abaixo do gráfico. Os blocos mais escuros são os seus horários críticos. Ler este mapa leva segundos e responde a uma pergunta muito concreta: em quais momentos chegam clientes que precisam de uma pessoa e não há ninguém disponível para atendê-los? Se você vê concentração às quartas-feiras ao meio-dia, mas sua equipe reforça as segundas-feiras pela manhã, existe uma desalinhamento claro entre a demanda real e o seu planejamento de turnos. *** ## Por que a IA encaminhou cada conversa O botão **Ver encaminhamentos** abre a análise de motivos no PandAI, que agrupa os encaminhamentos do período em categorias e mostra quanto cada uma representa. No exemplo da semana de 17 a 23 de agosto, no funil Customer Support, os 251 encaminhamentos se organizam assim: | Tipo de motivo | Encaminhamentos | % | | ----------------------------------------- | --------------- | ------ | | Cliente pediu para falar com uma pessoa | 108 | 43,0 % | | Encaminhamento definido por uma instrução | 80 | 31,9 % | | A IA não conseguiu resolver o caso | 60 | 23,9 % | | Sem motivo detalhado | 3 | 1,2 % | Cada categoria vem com um exemplo real da conversa que a originou, o que evita ter que adivinhar a que ela se refere. A distinção mais importante está entre as duas primeiras e a terceira: se um cliente pede para falar com uma pessoa ou se uma instrução sua determina o encaminhamento, o assistente está funcionando como deveria. Quando a IA não conseguiu resolver o caso, por outro lado, há uma lacuna real que você pode fechar. ![](https://163318504-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FR6k5cMG5ynKIqrRSg5Ph%2Fuploads%2FM8k23FmeyZXtqMtXu45o%2Fmotivos-derivacion.png?alt=media) > 💡 O detalhe do motivo de cada encaminhamento está disponível para assistentes V3. ### Aprofunde-se em um motivo Abaixo da tabela, você pode escolher um tipo de motivo para analisá-lo em detalhe. O PandAI pega esse grupo e o desdobra em padrões, indicando em cada um **o que falta à IA** para resolver isso e mostrando exemplos textuais dos casos. Ao abrir "A IA não conseguiu resolver o caso" do exemplo anterior, os 60 casos são agrupados em padrões como conexões e sincronização com canais ou serviços externos, processos e documentação do produto, ou agenda, pagamentos e automações operacionais. Junto a cada padrão aparece a informação que o assistente precisava e não tinha: por exemplo, diagnóstico de conexões e permissões com WhatsApp ou Google Sheets, ou acesso a processos administrativos e de faturamento. A análise termina com casos representativos datados, que você pode revisar diretamente na conversa. Quando um motivo agrupa muitos encaminhamentos, o PandAI analisa os mais recentes e informa o tamanho da amostra sobre a qual calculou os percentuais. É um detalhe importante na hora de citar números: os percentuais descrevem essa amostra, não necessariamente o total do período. ![](https://163318504-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FR6k5cMG5ynKIqrRSg5Ph%2Fuploads%2FGRbOMeWuhSuDX8dUawB1%2Fpatrones-ia-no-resolvio.png?alt=media) *** ## O que fazer com estas informações ### Ajustar a cobertura dos seus executivos O mapa de calor diz exatamente onde colocar as horas da sua equipe. Identifique os blocos com maior concentração de encaminhamentos e compare-os com os turnos que você tem hoje: se houver demanda contínua em horários sem cobertura, esses clientes estão esperando mais do que o necessário. Filtrar por origem **IA** ajuda a separar a demanda genuína por atendimento humano do ruído gerado pelas automações. ### Fechar as lacunas do seu assistente Os encaminhamentos agrupados em "A IA não conseguiu resolver o caso" são sua lista de trabalho priorizada. Cada padrão aponta para uma de duas ações: adicionar conteúdo à Knowledge Base quando falta informação, ou ajustar a configuração e as instruções do assistente quando o problema está em como ele responde. Ao revisar isso semana a semana, você verá esse motivo perder peso frente aos demais à medida que o assistente resolve mais casos sozinho. *** ## Em resumo Encaminhamentos para humano transforma um evento cotidiano — uma conversa que muda de etapa — em duas decisões concretas: quando você precisa de pessoas disponíveis e o que seu assistente precisa aprender. O mapa de calor organiza seus turnos com dados reais de demanda, e a análise de motivos entrega, semana a semana, uma lista clara do que falta à IA para resolver mais por conta própria. Revisá-la a cada nova análise semanal é a forma mais direta de melhorar o atendimento sem sobrecarregar sua equipe. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://academy.vambe.ai/analitica-de-datos/analitica-de-datos-pt-br/transferencias-para-humano-entenda-quando-e-por-que-a-ia-passa-uma-conversa-para-um-executivo.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.