Como Acompanhar NPS e CSAT a Partir de Conversas em Chamadas Usando Agentes de Voz com IA
A sua pesquisa por e-mail pós-chamada tem uma taxa de resposta de 9%, e as respostas que você recebe pendem para os seus clientes mais irritados e mais felizes. A maioria silenciosa, os 80% que se sentem "bem" ou "mais ou menos okay", nunca clicam. Você está tomando decisões de CX com base em uma fatia distorcida de feedback que ignora os clientes mais propensos a sair sem aviso.
Este guia te conduz pela construção de agentes de voz com IA que coletam notas de NPS e CSAT durante conversas telefônicas ao vivo, analisam o sentimento de cada chamada automaticamente e roteiam o feedback para o seu CRM em tempo real. Ao final, você vai ter um sistema de feedback funcionando sobre a Retell AI que captura insight de cliente pontuado e qualitativo de 100% das suas chamadas.
Um sistema de feedback com IA baseado em telefone que captura dados de NPS e CSAT dentro de conversas ao vivo com clientes, depois roteia insights estruturados para a sua stack de análise sem pesquisas de acompanhamento ou QA manual.
Ao final deste tutorial, o seu sistema vai:
Antes de começar, você vai precisar de:
Antes de adicionar a lógica de feedback, você precisa de um agente funcionando que consiga sustentar uma conversa natural. Cadastre-se em retellai.com e crie um novo agente de voz com IA pelo dashboard. Escolha uma voz que se encaixe na sua marca (a plataforma suporta vozes ElevenLabs v3 ultrarrealistas com expressão emocional). Configure uma saudação simples e faça uma chamada de teste pelo simulador de telefone embutido.
Você deve ouvir agora o seu agente atender, falar naturalmente e completar uma interação básica. Isso confirma o seu pipeline de áudio, a latência (espere cerca de 600ms de ponta a ponta) e a qualidade da voz antes de sobrepor a lógica de pesquisa.
As suas perguntas de feedback precisam chegar no momento certo: depois de a tarefa principal estar resolvida mas antes de quem liga desengajar. Use o construtor de arrastar e soltar do framework agêntico para criar um fluxo de conversa que lida primeiro com o pedido central de quem liga, depois transita para um prompt de feedback.
Estruture o fluxo como: saudação, resolução da tarefa, verificação de satisfação, pergunta de NPS, acompanhamento aberto opcional, encerramento. Para o CSAT, faça o agente fazer uma única pergunta de satisfação em uma escala de 1 a 5 depois de resolver o problema de quem liga. Para o NPS, faça a pergunta "qual a probabilidade de você recomendar" em uma escala de 0 a 10. Mantenha as duas perguntas conversacionais: "Antes de te liberar, numa escala de 1 a 5, quão satisfeito você ficou com a ajuda que recebeu hoje?" funciona melhor do que uma linguagem de pesquisa robótica. Armazene as duas notas como variáveis no estado da chamada para extração posterior.
As perguntas explícitas de pesquisa capturam o que os clientes dizem que sentem. A análise pós-chamada captura o que eles de fato sentiram, por meio do tom, ritmo, escolha de palavras e padrões de hesitação. Nas configurações do agente, ative as categorias de análise embutidas: sentimento (positivo, neutro, negativo), status de resolução (resolvido, não resolvido, escalado) e intenção de quem liga. Depois adicione categorias personalizadas específicas para o seu caso de uso de feedback: "nota de satisfação" (extração numérica), "nota de NPS" (extração numérica), "feedback literal" (extração de texto) e "menção de produto" (sinalizador booleano).
A plataforma processa essas categorias após cada chamada e as disponibiliza via API e dashboard. Você deve ver agora dados de análise estruturados aparecendo nos seus registros de chamada em segundos após o fim de cada chamada de teste.
Notas paradas em um dashboard não melhoram a experiência do cliente. Configure endpoints de webhook para empurrar dados de feedback estruturados ao seu CRM e ferramentas de BI após cada chamada. Nas configurações do agente, configure um webhook POST que dispara na conclusão da chamada. O payload deve incluir: número de telefone de quem liga, duração da chamada, nota de NPS, nota de CSAT, classificação de sentimento, status de resolução e o trecho literal da transcrição contendo o feedback qualitativo.
Para equipes usando integração com Make ou integração com n8n, construa um fluxo de trabalho que recebe o webhook, analisa o payload JSON e escreve os dados no registro de contato do seu CRM. Defina o timeout do webhook em 5 segundos, já que as APIs de CRM podem ser lentas nos horários de pico. Você deve ver agora dados de feedback aparecendo no seu CRM em segundos após o fim de uma chamada de teste.
Uma nota de detrator sem acompanhamento é um sinal desperdiçado. Configure o seu fluxo de conversa para que qualquer nota de NPS de 0-6 ou nota de CSAT de 1-2 dispare uma transferência de chamada imediata para um representante de customer success com contexto completo da conversa. Para chamadas fora do horário comercial, faça o webhook disparar um ticket urgente no seu sistema de suporte com os detalhes de quem liga, a nota dele, o motivo literal e uma resposta sugerida com base na categoria do problema.
Defina o limiar de escalonamento com cuidado. Transferir após cada nota baixa sobrecarrega a sua equipe. Comece roteando apenas notas de 0-4 no NPS para representantes ao vivo, e sinalize notas de 5-6 para abordagem no próximo dia útil. Você deve ver agora as chamadas de detratores roteando corretamente para a sua equipe com contexto completo anexado.
Quem liga compartilha um feedback mais honesto quando a conversa parece informada e relevante. Conecte uma base de conhecimento que sincroniza automaticamente das suas páginas de FAQ, documentação de produto e guias de política. Isso dá ao agente contexto suficiente para resolver bem o problema principal de quem liga, o que influencia diretamente a nota de satisfação que ele dá depois.
Envie as suas 50 principais perguntas e respostas de quem liga como um conjunto inicial. O sistema de RAG em streaming garante que o agente puxe de informações atuais durante a chamada. Você deve ver agora o agente respondendo perguntas de produto e serviço com precisão durante as chamadas de teste.
Rode testes de simulação cobrindo: quem liga satisfeito que dá um NPS 9 e CSAT 5, quem liga neutro que dá um NPS 7, quem liga frustrado que dá um NPS 3 e dispara o escalonamento, quem liga que se recusa a responder a pesquisa, e quem liga que fornece feedback aberto detalhado. Para cada cenário, verifique se as notas são capturadas corretamente no registro de chamada, se a análise de sentimento combina com o tom simulado, se os payloads de webhook chegam ao seu CRM com os valores corretos e se os gatilhos de escalonamento disparam nos limiares certos.
Revise cada transcrição de chamada de teste em busca de transições constrangedoras entre a parte do serviço e a parte da pesquisa. O repasse deve parecer uma extensão natural da conversa, não uma troca de modo. Corrija quaisquer transições que pareçam robóticas antes de implantar.
Conecte o seu sistema telefônico via trunking SIP ou atribua um número da Retell para começar a atender chamadas ao vivo. Durante as primeiras duas semanas, revise as transcrições de chamada diariamente, ficando atento à formulação de perguntas de pesquisa que confunde quem liga, a altas taxas de pulo em perguntas específicas, e a divergências entre a análise de sentimento e as notas explícitas. Configure uma revisão semanal usando o dashboard de análise de suporte ao cliente com IA para acompanhar o volume de feedback, as notas médias e as linhas de tendência.
Planeje um período de ajuste de 2 semanas. A maioria das equipes vê taxas de conclusão de pesquisa de 70-80% na primeira semana (em comparação com menos de 10% nas pesquisas por e-mail), melhorando conforme você refina o timing e a formulação das perguntas. Na terceira semana, você deve ter um conjunto de dados estatisticamente significativo que representa toda a sua população de quem liga, não uma fatia autosselecionada.
Pedir feedback antes de o problema de quem liga ser resolvido produz notas imprecisas e maior abandono. Configure o seu agente para confirmar a resolução ("Tem mais alguma coisa em que eu possa ajudar?") antes de transitar para o feedback. Quem liga e se sente ouvido avalia com mais honestidade.
Quem liga e dá um CSAT de 4 mas mostra marcadores de frustração (voz elevada, perguntas repetidas, pausas longas) ao longo da chamada é um risco de churn que uma nota sozinha perderia. Cruze o sentimento pós-chamada com as notas explícitas semanalmente. Sinalize as divergências para revisão manual. É aqui que a detecção de sentimento acústico da plataforma por meio do tom, ritmo e altura adiciona uma camada que as pesquisas tradicionais não conseguem replicar.
Fazer as duas perguntas em sequência cria fadiga de pesquisa. Coloque a pergunta de CSAT imediatamente após a resolução (mede a interação). Coloque a pergunta de NPS no fim da conversa como um encerramento (mede o relacionamento). Espace-as por pelo menos duas rodadas conversacionais.
Não peça a cada um que liga uma resposta literal detalhada. Configure o agente para fazer a pergunta aberta "O que poderíamos melhorar?" em 20-30% das chamadas, de forma aleatória. Isso te dá dados qualitativos suficientes sem fazer cada um que liga se sentir interrogado.
Um prompt que soa como "Numa escala de zero a dez, qual a probabilidade de você recomendar a nossa empresa a um amigo ou colega?" parece um roteiro de 2005. Reescreva-o de forma conversacional: "Uma última pergunta. Se um amigo perguntasse sobre a gente, qual a probabilidade de você nos recomendar? Zero significa de jeito nenhum, dez significa com certeza." Teste várias formulações e compare as taxas de conclusão.
As categorias de sentimento padrão (positivo, neutro, negativo) são um ponto de partida, não uma configuração final. Quem liga negociando um preço pode registrar como "negativo" mesmo sendo um cliente perfeitamente feliz. Calibre os seus limiares de sentimento usando 50-100 chamadas reais antes de confiar nas notas automatizadas para os gatilhos de escalonamento.
Se o seu agente lida mal com a tarefa principal, nenhuma quantidade de otimização de pesquisa vai consertar o seu CSAT. Acompanhe as taxas de resolução ao lado das notas de satisfação. Uma estratégia de automação de central de atendimento que acompanha apenas o feedback sem acompanhar a resolução está medindo o sintoma, não a causa.
O NPS mede a lealdade de longo prazo (você nos recomendaria?). O CSAT mede a satisfação imediata (esta interação foi boa?). Acompanhar ambos no mesmo dashboard sem separar a análise leva a planos de ação confusos. Construa visualizações de tendência separadas e fluxos de escalonamento separados para cada métrica.
Rotear cada nota baixa para um e-mail automatizado de "sentimos muito" destrói a confiança. Os detratores que pontuam 0-4 precisam de um retorno humano dentro de 24 horas com contexto completo da conversa. Automatize o roteamento e a entrega de contexto. Mantenha a conversa de recuperação humana.
A Matic Insurance implantou agentes de voz com IA para a automação de fluxos de trabalho de chamada e manteve um NPS de 90 após a implantação da IA, ao mesmo tempo em que automatizou 50% das tarefas de baixo valor e reduziu o tempo de atendimento de sinistros de 12,4 para 5,8 minutos (uma redução de 53%). A equipe atendeu mais de 8.000 chamadas no 1º trimestre de 2025 com métricas de satisfação consistentes. Leia a história completa.
A Pine Park Health usou agentes de voz com IA para o agendamento de pacientes e viu um aumento de 38% no NPS de agendamento ao mesmo tempo em que preencheu a capacidade de profissionais antes subutilizada. A combinação de resolução de chamada mais rápida e qualidade de serviço consistente impulsionou a melhora da satisfação. Leia a história completa.
A Medical Data Systems lida com 100% das chamadas recebidas com IA, com apenas 30% de taxa de transferência e aproximadamente US$ 280.000 por mês arrecadados. A capacidade de acompanhar o sentimento e a resolução em cada chamada, não em uma amostra, deu à equipe visibilidade sobre a experiência do cliente de serviços financeiros que a QA manual nunca forneceu.
O acompanhamento de NPS e CSAT a partir de conversas de chamada significa coletar notas de satisfação durante ou imediatamente após uma chamada telefônica, em vez de por meio de uma pesquisa de acompanhamento separada. Os agentes de voz com IA fazem as perguntas de avaliação naturalmente dentro da conversa e capturam tanto a nota numérica quanto o contexto qualitativo da interação.
Não. O framework agêntico no-code inclui templates pré-construídos para a coleta de pesquisas. Você pode configurar prompts de feedback, lógica de pontuação e roteamento de webhook inteiramente por uma interface de arrastar e soltar. Equipes com desenvolvedores podem usar a API para uma customização mais profunda, mas não é obrigatório.
A maioria das equipes vai do cadastro a um agente de coleta de feedback ao vivo em 3-5 dias. Configurar o fluxo de pesquisa leva algumas horas. Conectar os webhooks ao seu CRM acrescenta mais um dia. O período de ajuste de 2 semanas após o lançamento é onde você otimiza a formulação das perguntas e os limiares de escalonamento para a sua população específica de quem liga.
A plataforma cobra US$ 0,07 por minuto sem taxas de plataforma. Uma chamada de 3 minutos que resolve um problema e coleta tanto o NPS quanto o CSAT custa cerca de US$ 0,21. Compare isso com um membro de equipe de atendente virtual com IA dedicado a US$ 15-25 por hora fazendo o mesmo trabalho manualmente com uma taxa de resposta de pesquisa de 10%. Toda conta inclui US$ 10 em créditos gratuitos para testar o fluxo de trabalho inteiro.
A análise de sentimento por IA pontua 100% das chamadas de forma consistente, enquanto a QA manual normalmente revisa de 2-5% das chamadas com variabilidade entre avaliadores. A plataforma detecta sinais acústicos (tom, ritmo, altura) e padrões de linguagem contextuais que os revisores humanos muitas vezes perdem em escala. Use as primeiras 50 chamadas para validar o sentimento por IA contra as notas manuais e calibrar os limiares.
Sim. Para chamadas de entrada atendidas por uma URA com IA ou agente de suporte, embuta a pesquisa no fim da interação resolvida. Para campanhas de saída usando chamadas em lote, adicione uma pergunta de CSAT após o objetivo principal da chamada (confirmação de consulta, follow-up ou qualificação de leads). Ambos os tipos de chamada roteiam o feedback pelo mesmo pipeline de análise de chamadas pós-chamada.
O agente aceita a recusa de forma graciosa e encerra a chamada sem pressionar. As taxas de recusa são acompanhadas como uma métrica separada. Altas taxas de recusa (acima de 30%) normalmente indicam timing ou formulação ruim das perguntas, não falta de vontade de quem liga. A análise de sentimento ainda extrai sinais de satisfação do resto da conversa, então você obtém um insight parcial mesmo sem uma nota explícita.
A Retell AI é certificada SOC 2 Type II e oferece conformidade com HIPAA com um BAA em autoatendimento. Para implantações de saúde, a ocultação de PII pode ser configurada para retirar informações pessoalmente identificáveis das transcrições armazenadas enquanto retém as notas de feedback e os dados de sentimento anonimizados.
As pesquisas de URA tradicionais tocam depois de o agente desligar, pegando quem liga já a caminho da saída. As taxas de resposta para chamadas de agendador de compromissos com IA ou interações de suporte normalmente ficam abaixo de 10% via URA. Os agentes de voz com IA coletam feedback durante a conversa, quando quem liga ainda está engajado. As equipes que usam essa abordagem relatam consistentemente taxas de conclusão de 60-80%, capturando a "maioria silenciosa" que as pesquisas tradicionais perdem completamente.
Você agora tem um sistema de agente de voz com IA que coleta NPS e CSAT durante conversas telefônicas ao vivo, analisa o sentimento de 100% das chamadas, roteia feedback estruturado para o seu CRM em tempo real e escala respostas de detratores com contexto completo para acompanhamento humano.
Para expandir a partir daqui, considere implantar o mesmo fluxo de feedback em campanhas de saída de telemarketing com IA, construir modelos preditivos de churn usando os dados de sentimento, ou conectar as tendências de feedback a mudanças de produto e serviço para medir o impacto ao longo do tempo.
Comece a construir grátis com US$ 10 em créditos de uso em retellai.com.
Veja quanto seu negócio poderia economizar ao migrar para agentes de voz com IA.
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Um número de telefone de demonstração do consultório da Retell Clinic
Start building smarter conversations today.
.avif)
.avif)
