A IA da Airbnb já resolve cerca de metade dos pedidos de apoio. A lição está nos que recusa
By Surya Pratap
12 de outubro de 2026
9 min read
AI & Technology
12 de outubro de 2026
9 min read
Metade, aos poucosHover to exploreA maioria dos lançamentos de apoio ao cliente com IA é anunciada com um único número: a percentagem de pedidos que o bot «trata». A Airbnb tem agora um dos mais altos — cerca de metade — e divulga-o todos os trimestres há ano e meio. Esse histórico é mais útil do que o título, porque mostra como o número cresceu e o que a empresa decidiu não automatizar pelo caminho.
Os números vêm dos resultados trimestrais da Airbnb, tal como noticiados pela CX Dive (segundo trimestre de 2025) e pela CX Dive e pela PYMNTS (segundo trimestre de 2026), e da entrevista do CTO Ahmad Al-Dahle ao Latent Space, publicada a 2 de outubro de 2026 e muito comentada esta semana. São todos números da própria Airbnb; nenhum foi auditado de forma independente. A leitura a partir da secção 4 é minha.
O agente de apoio com IA da Airbnb não chegou a «metade» num único lançamento. Segundo os dados da empresa:
São cerca de dezoito meses entre uma implementação numa só língua e num só país e metade de uma operação de apoio global. O apoio por voz está previsto para mais tarde em 2026.
Brian Chesky explicou a ordem de prioridades em 2025. A Airbnb começou pelo apoio ao cliente, e não pela pesquisa, porque «o apoio ao cliente é o problema mais difícil, porque há muito em jogo e é preciso responder depressa» — sendo o risco de alucinações a outra razão que apontou.
Al-Dahle, que entrou na Airbnb como CTO em janeiro de 2026, vindo da equipa de IA generativa da Meta, resumiu o processo numa frase: «construir um modelo, construir o agente e começar a gerar uma bateria de dados sintéticos antes de alguma vez passar para produção».
Ou seja, o agente é confrontado com um grande conjunto de casos de apoio inventados mas realistas — e avaliado com eles — antes de um hóspede real chegar a falar com ele. A avaliação também usa amostras de pedidos reais de produção do caso de apoio.
Isto é diferente dos «utilizadores sintéticos» que algumas startups usam em investigação. Os utilizadores sintéticos são modelos de IA a quem se pede que sejam os seus clientes, e substituem mal a opinião de pessoas reais. Os casos de teste sintéticos são entradas escritas para pôr o agente à prova, avaliadas face à resposta certa. Os primeiros substituem a evidência. Os segundos são uma forma de a recolher antes do lançamento.
A frase mais importante da entrevista não é sobre a metade que o agente trata. É sobre o resto: «somos deliberados quanto aos pedidos que ainda decidimos não resolver».
O exemplo dado são as questões de segurança. Vão para agentes humanos, independentemente do que o modelo conseguisse fazer com elas.
A taxa de resolução de um agente de apoio depende tanto da lista de pedidos em que não pode tocar como da qualidade do modelo.
Isso muda a forma de ler o número do título. «Metade dos pedidos» não significa que o agente foi experimentado em tudo e acertou metade das vezes. Significa que a Airbnb escolheu um conjunto de pedidos que estava disposta a automatizar, tornou o agente bom nesses pedidos e tem vindo a alargar o conjunto à medida que ganha confiança. O «ainda» daquela frase não está lá por acaso.
Não precisa de 13 modelos nem de 50 línguas para usar o mesmo método. Precisa de quatro coisas.
Escreva primeiro a lista de exclusões. Antes de construir o que quer que seja, liste os tipos de pedido que o agente nunca fechará sozinho: segurança, ameaças legais, reembolsos acima de um valor definido, segurança da conta, tudo o que envolva um utilizador vulnerável. Encaminhe-os para uma pessoa por regra, e não com base no juízo do próprio modelo sobre se consegue dar conta do recado.
Crie uma bateria de testes antes do lançamento. Pegue em algumas centenas de pedidos reais antigos, acrescente variações sintéticas — zangadas, vagas, em várias línguas, com erros, a tentar enganar o bot — e registe o resultado certo para cada uma. O nosso guia para criar um conjunto de avaliação de um MVP de IA explica como. Corra-a a cada alteração de prompt ou de modelo.
Comece por pouco e alargue. A Airbnb começou com uma língua num país. Pode começar com uma categoria de pedidos — estado da encomenda, reposição da palavra-passe, alterações de reserva — e só acrescentar a seguinte quando a primeira se aguentar em produção.
Meça o custo por cliente, e não só a deflexão. A Airbnb divulga o custo de apoio por reserva ao lado da taxa de resolução. Um bot que «resolve» pedidos que voltam no dia seguinte, ou que levam os clientes a desistir, pode aumentar o seu custo real enquanto o painel parece ótimo.
Defina «resolvido» antes de contar
Decida por escrito o que conta como resolução: o cliente confirmou que o problema ficou resolvido, ou não voltou a contactar sobre o mesmo assunto durante um número definido de dias. Conte os pedidos reabertos contra o agente. Sem isto, «tratado pela IA» passa discretamente a significar «o cliente desistiu».
Que metade dos pedidos foi totalmente resolvida. A Airbnb não divulgou como define «resolvido», e os números são da própria empresa. O «cerca de metade» do CTO e o «quase 45%» dos resultados do segundo trimestre podem também medir coisas ligeiramente diferentes.
Que os clientes estão mais satisfeitos. A Airbnb não divulgou, a par destes números, índices de satisfação dos pedidos tratados pela IA. Um custo por reserva mais baixo é bom para a Airbnb; não prova que a experiência melhorou.
Que a descida de 16% nos custos se deve toda à IA. O custo de apoio por reserva depende também do volume de reservas, das equipas e dos contratos. O agente de IA é o fator óbvio, mas o número divulgado não o isola.
Que uma startup vai ver a mesma curva. A Airbnb tinha anos de conversas anteriores para ajustar os modelos, uma grande equipa de engenharia e orçamento para modelos próprios. Uma empresa pequena com alguns milhares de pedidos vai começar mais abaixo, e é natural que assim seja.
O agente de apoio com IA da Airbnb passou de uma redução de 15% nos contactos humanos nos EUA em 2025 para cerca de metade dos pedidos a nível mundial em 2026, e o custo de apoio por reserva caiu cerca de 16% no último ano. Chegou lá por etapas — uma língua, depois muitas —, testando cada agente com casos sintéticos antes do lançamento e deixando com pessoas a segurança e outros pedidos de alto risco.
A percentagem do título é a parte menos transferível. O método é o que pode copiar: decidir o que o agente nunca deve fechar, testá-lo com centenas de casos realistas antes de os clientes o verem, começar por uma categoria e medir o custo e os pedidos que voltam, e não só a deflexão.
Antes de construir um agente de apoio, escreva duas listas: os tipos de pedido que vai aceitar primeiro e os que nunca vai tratar sozinho. Depois, crie o conjunto de testes para a primeira lista.
Fontes: CX Dive, sobre os resultados da Airbnb do segundo trimestre de 2025 — a implementação de abril de 2025 para metade dos utilizadores dos EUA, a redução de 15% nos contactos que precisavam de um agente humano, os 13 modelos ajustados com dezenas de milhares de conversas e a citação de Brian Chesky sobre o apoio ao cliente. CX Dive, sobre os resultados do segundo trimestre de 2026 — quase 45% dos problemas resolvidos sem uma pessoa, mais de 50 línguas, a descida de cerca de 16% no custo de apoio por reserva e o apoio por voz previsto. PYMNTS, 20 de agosto de 2026 — o valor de cerca de um terço no fim de 2025. O valor de 40% no primeiro trimestre de 2026 é o noticiado pela CX Dive. Latent Space, entrevista com o CTO Ahmad Al-Dahle, 2 de outubro de 2026 — «cerca de metade» dos pedidos, a bateria de testes sintéticos, a avaliação com amostras de pedidos de produção e a escolha deliberada dos pedidos a não automatizar, incluindo as questões de segurança. A leitura das secções 4 e 5 é minha.
IdeaToMVP Academy
4-week live cohort for founders. Learn to ship AI agents, scope MVPs, and automate your business — taught by the same team that writes these guides.
