Chatwoot com IA: como classificar e analisar conversas

Todo mundo que liga a IA do Chatwoot pensa primeiro em responder o cliente mais rápido. A pergunta que chega depois, quando a fila cresce, é outra: por que essa gente toda está escrevendo? O Captain ajuda bastante na primeira. Na segunda, o Chatwoot deixa quase tudo na mão do time.

O que o Chatwoot já oferece com IA #

A IA do Chatwoot se chama Captain. Pela introdução do Captain, o Assistant conversa com o cliente usando a base de conhecimento e conversas anteriores, e o Copilot ajuda o agente a redigir e traduzir respostas e a buscar informação nas ferramentas conectadas. Completam o pacote o FAQs, que aponta perguntas ainda ausentes da base, e o Memories, que guarda detalhes do cliente entre conversas.

O Chatwoot também sugere labels. As sugestões aparecem como chips ao lado das labels da conversa, e o agente aceita ou descarta. Repare: ele só sugere labels que já existem na conta (PR #15964). Aplicar label sozinho, pelo Assistant, ainda aparece como “em breve” na lição sobre ações de IA.

Na hora de planejar, duas coisas pesam. O Captain funciona por créditos: a página sobre créditos de IA fala em 300 por mês no plano Startup, 500 no Business e 800 no Enterprise, com um crédito por mensagem. E quem roda o Chatwoot na própria infraestrutura precisa ativar o Captain à parte, com a edição Enterprise e uma chave de API própria.

Quase tudo isso acontece dentro de uma conversa aberta, para ajudar quem está atendendo agora. Nada ali olha para o mês inteiro de conversas.

Labels e relatórios: onde a análise mora hoje #

Quem classifica conversa no Chatwoot é a label, posta pelo agente, sugerida pela IA ou aplicada por uma regra de automação do tipo “se a mensagem contém tal palavra, adicione tal label”. Os relatórios têm uma visão por label, com as métricas do relatório de conversas agrupadas por ela, e desde agosto de 2026, segundo o changelog, dá para clicar num ponto do gráfico e abrir as conversas por trás dele.

Para a operação, isso atende. A dificuldade começa quando a diretoria quer saber por que as pessoas estão procurando a empresa.

O que falta para entender os motivos de contato #

O relatório de labels depende inteiro de as labels estarem certas. Os problemas são os de qualquer helpdesk (tratamos disso em por que as tags do helpdesk não bastam). No Chatwoot eles aparecem de três jeitos.

O primeiro é que a lista vem pronta. A sugestão da IA só escolhe labels existentes, e a automação por palavra-chave só pega o que alguém previu. Um assunto novo, como o cupom que parou de funcionar depois de uma mudança no checkout e rendeu dezenas de conversas numa tarde, não tem label. Cai em “outros” ou fica sem nada, e o relatório não mostra que algo mudou.

O segundo é que label é larga demais. “Financeiro” junta boleto que não chegou, estorno atrasado e dúvida de nota fiscal. O relatório diz que financeiro cresceu. Não diz qual dos três.

O terceiro é a regra por palavra, que erra sem fazer barulho. “Cancelar” aparece em quem quer cancelar o plano e em quem quer cancelar um pedido que saiu em dobro, e a regra marca os dois como cancelamento. Quem já tentou auditar isso sabe como termina: alguém exporta um lote de conversas com a label “cancelamento” numa sexta, lê umas quarenta e descobre que boa parte era outra coisa.

Dá para melhorar sem ferramenta nova. Revise a lista de labels a cada trimestre. Troque “outros” por uma label “revisar”, que alguém abre toda semana. E use o gráfico clicável para ler umas vinte conversas da label que mais cresceu no mês. Isso funciona enquanto alguém do time tem tempo de parar para ler.

Comparar os motivos de contato de um mês com os do outro pede um critério que não mude a cada agente nem a cada regra nova. Como medir isso está no post sobre motivos de contato.

Como o Echo se conecta ao Chatwoot #

O Módulo Echo, da plataforma Kairos, cuida dessa segunda pergunta. O Chatwoot é uma das fontes: você conecta a sua instância, escolhe quanto do histórico quer trazer e a importação passa a rodar sozinha, em horário agendado. O Echo só lê conversas finalizadas. Ele não fala com o cliente nem mexe em conversa aberta, então o Captain continua fazendo o que já faz.

O Echo propõe tópicos tirados do conteúdo das próprias conversas. Cada proposta vem com volume e conversas de exemplo, e só entra quando alguém do time aprova. As conversas de referência aprovadas fixam o critério, então o número de março continua comparável com o de julho. Se o time decidir reajustar um tópico, o novo critério vale para as conversas que chegarem dali em diante. O passado não é reescrito.

O que não se encaixa em nenhum tópico aprovado alimenta propostas de tópicos novos, e um grupo rejeitado não volta como novidade. O cupom quebrado, se não couber em nenhum tópico, vira parte de uma proposta com volume e exemplos, esperando alguém avaliar.

Cada conversa também ganha um resumo e respostas fechadas sobre resolução, experiência e conduta, que somam uma nota de 0 a 100 (perguntas que não se aplicam saem da conta). A nota serve para escolher o que investigar. A satisfação que o Echo infere fica fora dela e nunca é somada ao CSAT respondido pelo cliente; a diferença está em análise de sentimento no atendimento.

Muita operação hospeda o Chatwoot em casa por causa dos dados. Antes da análise, o Echo troca identificadores como CPF, e-mail, telefone e chave PIX por marcadores, e se a anonimização falha a conversa não segue. Nomes de pessoas, empresas e lugares continuam no texto, porque dão contexto. Os detalhes estão em privacidade no Echo.

Se o relatório de labels já não responde o que a diretoria pergunta, a página do módulo mostra como funciona.