- IA é ótima para agrupar feedback, resumir e detectar padrões; ruim para “adivinhar contexto” quando falta dado
- O ganho real vem de padronizar categorias (atraso, preço, atendimento, qualidade etc.) e medir recorrência
- Separar ‘resposta pública’ (curta e educada) de ‘ação interna’ (detalhada) evita promessas vazias
- Sem cuidado com privacidade, a análise vira risco (ex.: nomes, telefones, dados de saúde ou financeiros)
1) Defina o objetivo (uma frase) e o período
Exemplos que funcionam: “Entender por que caíram as notas no último trimestre” ou “Descobrir os 3 motivos que mais geram reclamação no pós-venda”. Escolha um recorte (30/60/90 dias) para não misturar ‘problema novo’ com ‘histórico antigo’.
2) Colete e limpe os textos (sem dados sensíveis)
Junte avaliações do Google, mensagens recorrentes do WhatsApp/e-mail, comentários de redes e respostas de pesquisa (NPS/CSAT). Remova nomes, telefones, endereços, placas, números de pedido e qualquer dado pessoal. Se precisar manter referência, troque por identificadores (Cliente_01, Pedido_XX).
3) Crie um “dicionário de categorias” (10 a 20 no máximo)
Sem isso, a IA inventa rótulos diferentes a cada rodada. Categorias comuns: prazo/atraso, atendimento/educação, erro de pedido, qualidade do produto, embalagem, preço/custo-benefício, cobrança, instalação/serviço, política de troca, comunicação/retorno, ambiente/limpeza (loja/clinica), ruído/filas.
4) Peça para a IA classificar e extrair campos
Solicite uma saída em tabela com: categoria, subcategoria, sentimento (positivo/negativo/neutro), gravidade (baixa/média/alta), evidência (trecho do texto), e ‘o que a pessoa queria’ (reembolso, prazo, informação, pedido correto, desculpas, suporte). Se a ferramenta permitir, peça JSON/CSV para colar numa planilha.
5) Priorize com uma regra simples (impacto x recorrência)
Uma priorização prática: (Recorrência) x (Gravidade). A IA pode sugerir, mas quem define os pesos é você. Ex.: atraso recorrente com impacto alto vira prioridade 1, mesmo que existam críticas pontuais mais ‘barulhentas’.
6) Gere ações internas e um plano de teste
Para cada prioridade, peça: hipótese de causa raiz, ação corretiva, dono, prazo e métrica. Ex.: “reduzir reclamações de atraso” pode virar: revisar promessa de prazo no site, ajustar roteirização/agenda, mensagens de status proativas, e limite de demanda por dia.
7) Escreva respostas públicas com padrão (e sem prometer o que não cumpre)
Peça rascunhos de resposta por categoria: curta, educada, com pedido de desculpas quando cabe, e convite para resolver no privado quando envolve dados. Defina regras: sem discutir, sem culpar o cliente, sem inventar fatos, sem pedir dados pessoais em público.
8) Revise e crie um ciclo mensal
A cada mês: reclassifique uma amostra, compare tendências (o que subiu/baixou), e atualize o dicionário de categorias. Se a IA estiver “mudando” demais a classificação, o problema geralmente é prompt inconsistente ou categorias abertas demais.
O que a IA resolve bem (e o que ela estraga se você deixar)
Quando o volume de feedback cresce, a dor não é “ler” — é lembrar, comparar, encontrar padrão e decidir o que atacar primeiro. A IA acelera exatamente isso: agrupamento, resumo e extração de sinais repetidos.
O risco aparece quando você pede para a IA concluir coisas que não estão no texto (ex.: “qual foi o erro do entregador?”) ou quando mistura períodos e canais diferentes. Aí vem a alucinação: explicações bonitas, mas sem evidência.
- Boa em: clusterizar temas, resumir centenas de comentários, sugerir rótulos, criar rascunhos de resposta, apontar frases que indicam urgência (ex.: “nunca mais”, “processo”, “procon”).
- Fraca em: afirmar causa raiz sem dados, interpretar ironia com 100% de precisão, decidir política comercial, e lidar com casos que exigem acesso a sistemas internos.
Modelo de prompt (copiar e colar) para classificar avaliações e reclamações
Abaixo vai um prompt pensado para reduzir variação e evitar que a IA invente categorias. Ajuste as categorias para o seu negócio e cole um lote de avaliações (por exemplo, 30 a 80 por vez).
- PROMPT:
- Você é um analista de Voz do Cliente. Vou colar avaliações/reclamações em português do Brasil. Tarefas:
- 1) Para cada item, classifique usando APENAS estas categorias: [PRAZO_ATRASO, ATENDIMENTO, ERRO_PEDIDO, QUALIDADE, PRECO, COBRANCA, TROCA_DEVOLUCAO, COMUNICACAO, AMBIENTE, OUTROS].
- 2) Crie também uma subcategoria curta (2 a 5 palavras) sem inventar fatos.
- 3) Marque sentimento: positivo/negativo/neutro.
- 4) Marque gravidade: baixa/média/alta (alta quando há risco legal, segurança, discriminação, dano ou forte frustração).
- 5) Extraia evidência: copie um trecho literal (até 20 palavras).
- 6) Responda em formato de tabela com colunas: id, categoria, subcategoria, sentimento, gravidade, evidencia, pedido_do_cliente.
- Regras: não invente contexto, não cite dados pessoais, e se faltar informação use 'nao_informado'. Aqui estão os textos:
Tabela de priorização rápida (o mínimo que funciona)
Você não precisa de uma metodologia complexa para começar. Uma matriz simples já tira 80% do ruído e evita ficar apagando incêndio do comentário mais recente.
| Critério | Como medir na prática | Exemplo de decisão |
|---|---|---|
| Recorrência | Quantidade de comentários no período por categoria | Se 30% das reclamações são de prazo, vira prioridade |
| Gravidade | Alta quando há risco, dano, discriminação, cobrança indevida, ou ameaça de processo | Mesmo pouco frequente, pode entrar no Top 3 |
| Controle do negócio | Dá para mudar em 2-4 semanas? | Se depende 100% de terceiro, priorize mitigação (comunicação/processo) |
| Impacto em receita/retenção | Indícios no texto: cancelamento, devolução, “não volto”, “perdi tempo” | Problemas que derrubam recompra sobem na fila |
Como responder avaliações negativas com IA sem soar robótico
O truque não é “fazer a IA escrever bonito”. É dar limites: tom, tamanho e o que pode ou não pode ser prometido. Eu prefiro respostas curtas e específicas — e uma frase de próxima ação realista.
Estrutura que costuma funcionar: (1) reconhecer, (2) desculpar quando cabe, (3) orientar o próximo passo, (4) fechar com respeito. E pronto.
- Checklist antes de publicar:
- A resposta assume culpa sem investigar? (corte)
- Promete reembolso/troca sem regra? (corte)
- Pede telefone/endereço em público? (troque por canal privado)
- Menciona algo que não está no comentário? (corte)
- Tem tom defensivo? (re-escreva)
Erros comuns que distorcem a análise
Os erros abaixo fazem a IA “parecer burra”, mas na prática o problema é o processo: entrada bagunçada, prompt solto e ausência de categorias fixas.
- Misturar avaliação de produto com avaliação de atendimento sem separar canal/etapa (pré-venda, entrega, pós).
- Analisar tudo de uma vez (mil textos) e aceitar o resumo como se fosse diagnóstico clínico.
- Não guardar evidência (trecho literal) — sem isso, qualquer plano vira opinião.
- Tratar ‘sentimento’ como métrica final: sentimento aponta dor; prioridade depende de recorrência e impacto.
Perguntas frequentes
Dá para usar IA para responder automaticamente avaliações do Google?
A IA consegue medir sentimento com precisão em português (gíria e ironia)?
Posso colar avaliações com nome e telefone do cliente no ChatGPT ou em outra IA?
Qual o melhor formato para eu levar isso para a equipe: relatório ou planilha?
Leia também
Como criar um checklist de revisão com IA (e reduzir erros em entregas sem travar o time)
Aprenda a montar um checklist de revisão com IA para textos, propostas, relatórios e processos: passos, prompts, tabela de critérios e como evitar alucinação e padrão genérico.
Ler →
Como criar FAQ com IA para SEO e AEO (sem cair em respostas inventadas)
Aprenda a planejar perguntas reais, escrever respostas curtas e úteis e usar IA com checagem para montar FAQ que ranqueia no Google e funciona em respostas de IA (AEO). Inclui passos, checklist e exemplos de prompts.
Ler →
Como fazer a IA não alucinar: 6 técnicas de prompt que funcionam
Aprenda a estruturar prompts para a IA parar de inventar respostas. Seis técnicas testadas para reduzir alucinação — com exemplos prontos em português.
Ler →
Como anonimizar dados para usar IA no negócio (sem tropeçar na LGPD)
Passo a passo para anonimizar e pseudonimizar dados antes de enviar para IA: o que remover, como mascarar, checklist de risco e exemplos práticos para usar no dia a dia com mais segurança.
Ler →