O modo de falha que o limite de confiança existe para prevenir

Um agente de IA que sempre responde, não importa o quão segura ela realmente esteja, mais cedo ou mais tarde vai responder a uma disputa de cobrança, uma pergunta de segurança, ou um caso específico de uma conta com um texto confiante e verossímil que acaba estando errado. Essa única resposta ruim custa mais confiança do que uma dúzia de respostas boas constroem — os clientes não fazem a média da experiência, eles lembram da vez em que o "chat" disse algo falso para eles.

Um limite de confiança é o mecanismo que evita isso: o agente de IA estima o quão bem a pergunta do visitante corresponde ao que ele realmente tem como conhecimento fundamentado — seus documentos, seus dados de produto, suas políticas — e só responde diretamente quando essa correspondência supera a barra que o workspace definiu.

O que acontece em vez de um chute ruim

Abaixo do limite, a IA não trava nem se repete — ela transfere para um agente humano, e a transferência leva consigo o resumo completo da conversa: o que o visitante perguntou, o que a IA já tentou, e por que ela parou. O humano não começa do zero; ele retoma uma conversa que já foi triada.

É exatamente para isso que existe o evento de webhook `handoff.requested` — um negócio que quer sua própria lógica de escalonamento (avisar uma pessoa específica, abrir um ticket em outro sistema) pode se conectar exatamente no momento em que a IA decidiu que precisava de um humano, não em um timeout fixo nem em uma correspondência de palavra-chave.

Onde o limite deveria estar, na prática

Não existe um número universal correto — um workspace que responde perguntas gerais de produto pode se dar ao luxo de uma barra mais baixa do que um que lida com casos de cobrança específicos de uma conta, onde uma resposta errada tem consequências financeiras reais. O instinto certo é começar conservador (mais transferências do que estritamente necessário) e só afrouxar o limite à medida que se constrói confiança sobre o que a base de conhecimento da IA realmente cobre bem, e não o contrário.

Alimentar a IA com fontes de conhecimento melhores e mais atuais via RAG costuma ser uma alavanca mais eficaz do que ajustar o próprio limite — um agente de IA com material-fonte genuinamente bom supera naturalmente a barra de confiança em mais perguntas reais, sem que você precise afrouxar a margem de segurança para conseguir isso.

A métrica que realmente importa

A taxa de resolução não é um número de vaidade — na iNTELIGENCIA VIVA é literalmente o que você paga, já que uma resolução é uma conversa que a IA encerrou sem que um humano interviesse. Esse alinhamento é deliberado: significa que o incentivo é a IA ser honestamente boa nas perguntas que ela lida, não maximizar quantas vezes ela responde independentemente da exatidão.