Riachuelo: de 30% para 84% de resolução sem humano. O que os números ensinam sobre a IA que decide antes de responder

Depois da Vivara, foi a vez da Riachuelo abrir os números. Em 30 de setembro, a empresa divulgou que seus agentes de IA no WhatsApp resolvem 84% das demandas sem intervenção humana, principalmente casos de e-commerce, como atraso na entrega. Antes, com chatbots tradicionais, a taxa era de 30%.

O que torna o caso especialmente útil é que, um mês antes, os executivos da Riachuelo e da Midway (a financeira do grupo) tinham detalhado ao IT Forum a conta inteira da transformação, não só a taxa de resolução:

O volume dá a escala: 400 a 450 mil contatos por mês na Midway e mais de 100 mil no e-commerce da Riachuelo. A economia declarada é de R$ 20 milhões por ano, e os custos de tecnologia ligados ao atendimento caíram 26%. A plataforma é da Genesys, que consolidou vários fornecedores entre 2024 e 2025.

A ordem importa: autosserviço primeiro, IA depois

Um detalhe da entrevista passa fácil despercebido: a sequência. A Riachuelo primeiro colocou os canais em uma plataforma só, com autosserviço para o que era simples, e só depois ligou a IA generativa. Os bots de autoatendimento, sozinhos, já retinham 60% das interações.

Isso muda a leitura do “84%”. Ele não é o resultado de um agente de IA genial colocado em cima de uma operação bagunçada. É a soma de três camadas, cada uma resolvendo o que a anterior não resolve:

1. autosserviço para o previsível (“onde está meu pedido”, “segunda via”);
2. IA para o que precisa de conversa e consulta a sistemas (o agente aciona sistemas internos, abre chamados e encaminha a demanda);
3. pessoas para o que sobra, que é mais difícil e chega com o histórico da conversa.

Operações que pulam a primeira camada costumam pagar tokens de LLM para responder o que uma consulta ao sistema responderia.

Onde estão as decisões

Repare que, por trás de quase todos os números da tabela, há uma decisão com resposta numa lista, tomada milhares de vezes por dia:

• Resolver ou transferir? É a decisão que separa os 84% dos 16%. Quando ela é uma regra fixa, erra dos dois lados: transfere o que a IA resolveria e segura o que precisava de gente.
• Qual é o motivo do contato? Sem isso, não existe o “principalmente atraso na entrega”, nem a priorização do que automatizar primeiro.
• Este atendimento está dentro do padrão? É a monitoria de qualidade. A Riachuelo saiu de 3% das interações auditadas para 100%, e esse talvez seja o número mais importante da lista, porque é ele que torna todos os outros confiáveis. Com 3%, o gestor acompanha a operação por amostra; com 100%, acompanha por censo.
• Qual tabulação registrar? Sem tabulação confiável, a métrica de motivo vira obrigação do agente, não dado de gestão (falamos disso em como montar uma lista de tabulações).

Nenhuma dessas decisões precisa de um modelo que escreve. Elas precisam de um modelo que escolhe: lê o atendimento e devolve a opção, com a probabilidade de cada uma, em milissegundos. É o trabalho do L17 Qualifica (tabulação e monitoria, em lista ou em hierarquia) e do L17 Decide (perguntas de sim ou não e escolha entre opções). E como a probabilidade vem junto, o “resolver ou transferir” deixa de ser regra e vira limite de confiança: acima, a IA segue; abaixo, passa para a pessoa.

O que uma operação menor pode copiar

Você não precisa de 450 mil contatos por mês nem de uma migração de plataforma para aproveitar o caso. A ordem que funcionou lá funciona em qualquer escala:

1. Meça o motivo do contato em 100% dos atendimentos, mesmo que ainda não automatize nada. É barato (centavos por mil atendimentos com um modelo de decisão) e é o dado que diz o que automatizar primeiro.
2. Monitore a qualidade por censo, não por amostra. As perguntas da monitoria (“o atendente confirmou a identidade?”, “ofereceu a solução antes de transferir?”) são perguntas de sim ou não. Um modelo de decisão responde todas, em todos os atendimentos.
3. Automatize o previsível com autosserviço, sem IA generativa: segunda via, status do pedido, horário de funcionamento.
4. Só então coloque IA conversacional nos casos que precisam de conversa, com o limite de confiança definindo o que vai para a pessoa.
5. Acompanhe o pico, não a média. Como no caso da Vivara, o ganho de custo fixo aparece no mês mais cheio.

Uma ressalva

Os números são os divulgados pela Riachuelo e pela Midway, em dois momentos (setembro e 30 de setembro de 2026), e não distinguem o quanto veio da consolidação de plataforma, do autosserviço ou da IA. A queda de 2,2 mil para cerca de mil pessoas envolve decisões de negócio que vão além da tecnologia. O que dá para afirmar com segurança é a sequência e a dependência: sem medir motivo e qualidade em 100% dos atendimentos, nenhum dos outros números seria possível de calcular, quanto mais de melhorar.

Fontes

• Money Report: Com IA, Riachuelo resolve 84% das demandas sem intervenção humana (30/09/2026)
• IT Forum: Retenção no atendimento da Riachuelo e da Midway salta de 30% para 84% com IA generativa (03/09/2026)
• Business Wire: Riachuelo Advances Autonomous Customer Experience with Genesys Cloud Agentic Virtual Agent (30/09/2026)

Os números do caso são os informados pela Riachuelo e pela Midway nas matérias acima. A leitura sobre as decisões por trás deles é da Logo17.