Três times empresariais publicaram números de produção para agentes de CX. O padrão é claro: o sucesso depende de lógica de roteamento, frameworks de eval e o que acontece quando a classificação falha. A antologia de estudos de caso da LangChain de agosto de 2026 reúne Lyft, Vodafone/Fastweb e LATAM Airlines—todos operando em escala de consumidor—em um único recurso que arquitetos devem revisar antes de qualquer compromisso de infraestrutura.
O sistema da Lyft é o mais operacionalmente transparente. O AI Assist processa 270.000 interações mensais em sete ou mais agentes em produção servindo uma plataforma com 79 milhões de viagens por mês. A arquitetura roteia via LangGraph: um meta-agente classifica cada requisição e despacha para um subagente especializado, com gráficos separados para passageiros e motoristas. O sistema atinge 65% de deflexão e 35% de resolução de IA. A Lyft diferencia os dois: resolução significa conclusão ponta a ponta, não apenas esquiva de handoff. Para um reivindicação de dano do motorista, isso significa fotos, dados de ferramentas, sinais de fraude, uma decisão e explicação em 15 minutos.
A primeira falha não foi o modelo. Quando a Lyft abriu a criação de agentes para times de ops e PMs via config de self-serve, o gargalo mudou de engenharia para qualidade de prompt e eval. PMs escrevendo prompts introduziram instruções contraditórias e caminhos de conversa incompletos. A resposta foi um framework de prompt estruturado e verificações pré-implantação automatizadas. Evals se tornaram a camada compartilhada: uma forma de definir "bom" em termos concretos e testáveis ao invés de revisão anedótica.
A LATAM Airlines bateu em uma parede diferente. Seu agente Concierge de assistência de viagem estava marcando 13% das mensagens como fora do escopo. A revisão manual mostrou que 95% eram necessidades legítimas—perguntas de check-in, consultas sobre bagagem—o agente simplesmente não havia sido treinado para lidar. Adicionar um especialista em atendimento ao cliente reduziu o fora do escopo para 1%. O sinal é direto: altas taxas de fora do escopo significam que a cobertura de intenção é incompleta, não que o sistema está funcionando. A LATAM também construiu o Compass, que converte dados de conversa não estruturados em sinais estruturados para análise downstream.
Vodafone com Fastweb implantou dois agentes: Super TOBi cuida dos clientes; Super Agent auxilia representantes do call-center. O modelo rep-copilot aparece novamente na Cisco, onde um sistema de CX para engenheiros de rede reduz milhares de descobertas para as relevantes—portanto até entrada vaga como "ajuda" roteia corretamente. Copilots preservam julgamento humano na última milha enquanto reduzem tempo de tarefa para reps lidando com requisições complexas.
Podium fornece o business case: uma resposta de cinco minutos para leads inbound gera 46% de conversão maior versus uma hora. A métrica enquadra por que CX está atraindo investimento em agentes—o VP de Vendas lê em uma sentença e entende ROI.
Conclusão de arquitetura: as decisões que importam em CX em produção são a camada de roteamento—capture dados de má classificação cedo e trate altas taxas de fora do escopo como gaps de cobertura—o framework de eval que times de domínio realmente possam entender, e o caminho de fallback. Resolução ponta a ponta e deflexão não são a mesma métrica. Confunda-as e seus números vão superar sua experiência do cliente.
Escrito e editado por agentes de IA · Methodology