---
title: "Como automatizar o controle de qualidade de chamadas"
description: "Automatizar o controle de qualidade de chamadas não é substituir o supervisor, mas transferir o checklist dele para regras de IA que avaliam 100% das conversas. Cinco passos: dos critérios de 'boa chamada' até a calibração com análises manuais."
datePublished: "2026-07-12"
canonical: "https://callscribe.me/pt/guides/automate-call-qa"
---

# Como automatizar o controle de qualidade de chamadas

Automatizar o controle de qualidade de chamadas significa transferir o checklist do supervisor para regras de IA que avaliam não uma amostra de 2-3%, mas cada conversa. A ordem é a seguinte: primeiro, definir o que conta como uma boa chamada; depois, transformar isso em critérios verificáveis; em seguida, rodar a avaliação automática sobre todo o fluxo; levar os resultados para alertas e dashboards; e, por fim, calibrar a marcação com análises manuais. A pessoa não desaparece nesse processo — ela para de ouvir tudo indiscriminadamente e passa a cuidar dos casos controversos e do treinamento. A seguir, os cinco passos dessa transição.

## Passo 1. Defina o que é uma "boa chamada"

A automação não inventa critérios por você — ela os aplica. Por isso, o primeiro passo é totalmente humano: reúna com gestores e os melhores operadores uma lista curta do que deve estar presente numa boa conversa. Em geral, isso inclui rapport estabelecido, necessidade identificada, formulações obrigatórias (se apresentou, mencionou a empresa, explicou as condições), objeções tratadas e o próximo passo definido.

O requisito principal do critério é a verificabilidade. A formulação "o atendente foi educado" não serve: dois supervisores vão avaliar isso de formas diferentes. "O atendente disse seu nome e o da empresa nos primeiros 20 segundos" ou "ao final da chamada há um combinado de próximo contato" servem, porque a marcação resultante é inequívoca. Comece com cinco a sete pontos desses, que realmente influenciam o resultado, em vez de um questionário perfeito com trinta linhas: um checklist longo você não consegue calibrar e acaba abandonando.

## Passo 2. Transforme o checklist em regras de IA

Com os critérios formulados, converta-os em regras de automação. Cada nova chamada é primeiro reconhecida e separada por interlocutor, e depois passa pelas suas verificações. Parte delas se apoia em métricas que a plataforma calcula sozinha — proporção de silêncio, ritmo de fala, interrupções, tempo de resposta, monólogo mais longo, tom e sentimento; essa é a camada pronta de "dinâmica da conversa", detalhada na página [análise automática de chamadas](/product/call-analytics).

Os pontos de conteúdo do checklist são cobertos por ações de IA. A marcação por sentido (`tagLlm`) aplica um rótulo como "reclamação" ou "objeção de preço" quando isso realmente ocorreu na conversa, e não apenas coincidiu uma palavra. A extração (`extract`) retira do transcrito campos estruturados — se a formulação obrigatória foi dita, se o próximo passo foi definido, qual produto foi discutido. O prompt livre (`llmText`) gera um resumo curto ou uma avaliação conforme sua descrição do critério. As nove ações de automação e a lógica de condições são configuradas dentro do próprio aplicativo; como o reconhecimento e a marcação alimentam essas regras está na página [análise automática de chamadas](/product/call-analytics). Para que a IA entenda suas particularidades — produtos, roteiros, frases obrigatórias —, anexe às regras documentos de referência: eles funcionam como contexto na avaliação.

Um detalhe importante: as novas regras são criadas desativadas. Isso permite testá-las primeiro no arquivo e confirmar que a marcação corresponde ao que você espera, e só então ativá-las no fluxo ao vivo.

## Passo 3. Rode a avaliação automática em 100% das chamadas

Agora ative as regras — e o controle de qualidade deixa de ser por amostragem. Onde antes o supervisor conseguia ouvir alguns por cento das conversas, a avaliação automática passa por todas: tanto nas chamadas novas em tempo real quanto em todo o arquivo, via reprocessamento retroativo. Essa é a diferença fundamental em relação ao QA manual — você mede não os exemplos bem-sucedidos, mas o fluxo inteiro, de forma uniforme.

Comece pelo reprocessamento retroativo nas gravações acumuladas: ele já mostra o panorama base — com que frequência o roteiro é seguido, onde uma etapa específica costuma falhar, quem tem queda constante no levantamento de necessidades. Esses números se tornam o ponto de partida para medir o efeito das mudanças. A cobertura total, por si só, muda a conversa dentro da equipe: não há mais o que discutir no sentido de "e se você pegou uma chamada azarada" — a avaliação é sobre todas.

## Passo 4. Configure alertas e dashboards

A avaliação só é útil quando alguém reage a ela. Por isso, adicione reações às regras. A notificação (`notify`) envia um e-mail ao gestor quando uma chamada viola um ponto crítico — por exemplo, condições obrigatórias não mencionadas, ou cliente claramente insatisfeito. O webhook assinado ou o registro no CRM (`crmPush`) leva o resultado da avaliação para onde a equipe já trabalha, para que a análise não fique isolada em mais uma aba. Assim, uma chamada problemática chega ao responsável no mesmo dia, e não aparece numa revisão uma semana depois.

Em paralelo, monte dashboards com os dados marcados: proporção de chamadas que passaram no checklist, por operador e por etapa; evolução da aderência ao roteiro ao longo do tempo; tendência de sentimento; comparação entre períodos antes e depois de uma mudança no treinamento. Aqui aparece o que não se vê em chamadas isoladas: um tema considerado raro acaba no topo das reclamações; uma etapa específica falha de forma consistente em todo o turno, não em uma pessoa; um pico de negatividade coincide com uma mudança no produto. Isso é exatamente o controle de qualidade total, detalhado no caso de uso [controle de qualidade](/use-cases/quality-control), e, especificamente sobre aderência ao roteiro, no caso [conformidade com o script](/use-cases/script-compliance).

## Passo 5. Calibre a marcação com análises manuais

A automação não elimina a pessoa — ela a libera para o que a máquina não consegue fazer. Periodicamente, reúna um lote de chamadas controversas: aquelas em que a avaliação automática está no limite, em que o operador discorda, em que um alerta crítico se mostrou falso. Compare a avaliação automática com a manual e ajuste as formulações dos critérios até que voltem a ser inequívocas. Um bom critério é aquele em que a pessoa e a regra chegam à mesma avaliação; a divergência quase sempre significa que a formulação está vaga, não que "a IA errou".

Essa calibração é o que mantém o sistema vivo. Roteiros mudam, surgem novos produtos e objeções, o que era importante no início perde relevância — os critérios precisam acompanhar. As melhores conversas, por sua vez, viram referência para treinamento: são fáceis de mostrar a novos operadores como modelo, porque já estão marcadas e foram encontradas por métricas, não manualmente. Assim o ciclo se fecha: as regras avaliam todo o fluxo, as pessoas calibram as regras e aprendem com os melhores exemplos, e a qualidade cresce de forma mensurável a cada período.

## Próximos passos

O controle de qualidade automático também é a base para cenários mais ambiciosos. Assim que você tem critérios claros e marcação total das chamadas, o mesmo fluxo pode ser direcionado para treinar operadores a partir de falhas específicas, para orientações em tempo real e, mais adiante, para preparar dados para a IA de voz. O próximo passo lógico é reunir as chamadas marcadas em dashboards e tendências claras por operador, etapa e período: veja a página [análise avançada](/product/analytics).