Canis conteúdos / noticias
Menu
Falar com a Canis ↗
Notícias

T-Mobile deu mais contexto à IA e as respostas pioraram

Por Vinicius Moreira 6 min de leitura
Ilustração vetorial chapada de uma pilha de documentos entrando por um funil num chip de IA, com um balão de resposta embaralhado na saída.
Ilustração: Canis Marketing. A T-Mobile trocou o volume de documentação por uma tabela de consulta para os agentes.
Tópicos desta notícia (7)
  1. 01O que a T-Mobile tentou — e por que deu errado
  2. 02A solução que funcionou foi uma tabela, não um modelo maior
  3. 03Por que mais contexto piora a resposta (e o que fazer no lugar)
  4. 04O que a PME brasileira deve copiar no atendimento
  5. 05Riscos e limites: um caso não é benchmark
  6. 06Fontes
  7. 07Fechamento

Em outubro de 2026, no Agentic Infrastructure Stack Summit da VentureBeat, o CIO da T-Mobile, Jeff Simon, contou o que aconteceu quando a operadora deu aos agentes de atendimento acesso a toda a documentação de suporte. A ideia era que o modelo viraria o especialista que sabe tudo. Não funcionou.

A T-Mobile opera agentes de atendimento desde 2024. O relato de Simon mostra que o problema não estava no tamanho do modelo, mas na escolha do que colocar dentro dele.

O que a T-Mobile tentou — e por que deu errado

A primeira abordagem foi carregar o acervo inteiro. A documentação de uma empresa do tamanho da T-Mobile tem instruções conflitantes, e o pedido do cliente pode apontar para mais de um processo: quem pede “um aparelho novo” pode querer um telefone em uma linha existente ou uma linha adicional.

Com contexto demais, o modelo é forçado a decidir entre caminhos que a documentação não resolve, e pode escolher o errado com confiança. Simon resumiu: “That didn’t work at all.”

A segunda tentativa foi um grafo de conhecimento. O problema foi o tempo: os agentes precisavam procurar em um grafo grande, e o atendimento não tem folga. Como os clientes perguntam a mesma coisa de muitas formas, o agente podia se perder no caminho, mesmo com orientação. O grafo caiu.

A terceira abordagem é a que ficou: uma tabela de consulta em um banco de chave-valor, que mapeia as formas comuns de pedir algo para o caminho que o agente deve seguir. A equipe atualiza a tabela quando surge uma forma nova. Um agente orquestrador confirma o caminho e envia o pedido só para o agente com o contexto daquele caminho.

Simon diz que a tabela é básica, mas rápida e escalável. A T-Mobile também mantém um modelo menor ao lado do de produção em cada sessão, como juiz: ele sinaliza respostas erradas e clientes irritados para revisão humana. O custo é real, mas a operadora considera que vale.

O caso mais estranho que o juiz encontrou foi música de espera: o modelo a inventava quando pausava para buscar algo ou executar uma ferramenta. Os engenheiros passaram semanas investigando antes de achar a causa. Hoje o prompt diz para não alucinar música de espera.

A solução que funcionou foi uma tabela, não um modelo maior

Na prática, a T-Mobile separou duas decisões que costumam ser misturadas: qual é o caminho do cliente e qual é o contexto daquele caminho. O orquestrador resolve a primeira; o agente especializado recebe só a segunda. A tabela não é um modelo melhor, é roteamento.

Cartão escuro com quatro marcos marcados por check, do acervo inteiro ao juiz por sessão.
Cartão escuro com quatro marcos marcados por check, do acervo inteiro ao juiz por sessão.

Isso explica por que “jogar tudo no contexto” parece boa ideia e termina mal. Documentos acumulam versões, exceções e instruções contraditórias. Quanto mais material, maior a chance de o modelo achar dois caminhos válidos e escolher o errado. O volume não elimina a ambiguidade; esconde.

Por que mais contexto piora a resposta (e o que fazer no lugar)

O relato não é isolado. A pesquisa “Context Rot”, da Chroma, testou 18 modelos e mostrou que o desempenho cai à medida que a entrada cresce. A Anthropic descreve o contexto como recurso finito: o objetivo é o menor conjunto de tokens de alta qualidade para a tarefa, não o maior.

A pesquisa VB Pulse de outubro dá a dimensão: 78% dos 97 respondentes com agentes em produção rastrearam ao menos uma resposta confiante e errada ligada a contexto ausente ou inconsistente em seis meses. Entre os 76 que relataram falha, 42% disseram que o caso mais grave chegou a um cliente, a um relatório oficial ou a uma decisão revertida.

A amostra é autosselecionada e descreve os respondentes, não todas as empresas. Ainda assim, conversa com o relato da T-Mobile e com a Chroma: o problema não é ter informação, é ter informação demais, conflitante ou fora de hora.

Para quem monta um agente, a tradução é operacional: conferir se a base tem uma única versão de cada política, se os documentos antigos foram removidos e se o agente sabe o caminho antes de receber o conteúdo. Contexto curado vale mais do que contexto acumulado.

O que a PME brasileira deve copiar no atendimento

A escala da T-Mobile não se copia, mas o princípio sim. Uma PME que atende por WhatsApp, chat e telefone tem o mesmo problema em miniatura: preços desatualizados, políticas contraditórias e histórico que não passa do bot para o humano.

A pesquisa da Twilio divulgada em novembro mostra por que isso importa no Brasil: sete em cada dez brasileiros se sentem confortáveis com agentes de IA, mas 71% precisam repetir informações e 41% dizem que o humano não recebe o histórico. Outros 37% acham frustrante a IA que responde rápido sem reconhecer a conta ou o contexto. O levantamento ouviu mais de 1.400 consumidores da América Latina entre abril e maio de 2026.

Para uma PME, o caminho é começar pelos pedidos mais frequentes, ter uma fonte única para preços e políticas e garantir que o histórico chegue ao humano. A LGPD exige finalidade e necessidade no tratamento de dados; um agente que carrega tudo do cliente também aumenta o risco de expor o que não devia.

Cartão escuro com quatro decisões marcadas por check sobre como preparar o agente.
Cartão escuro com quatro decisões marcadas por check sobre como preparar o agente.

Medir também muda: além do tempo de resposta, vale olhar a taxa de respostas erradas, as sessões que precisaram de humano e os abandonos. É isso que mostra se o contexto ajuda ou só deixa o agente mais confiante.

Riscos e limites: um caso não é benchmark

O relato é um caso único, contado pelo CIO em um evento. A empresa não divulgou volume, taxa de acerto antes e depois nem o custo do segundo modelo. A avaliação de que a performance está boa é qualitativa, não um benchmark.

Também não vale concluir que todo contexto extra é ruim: em tarefas complexas, mais informação pode ajudar, desde que relevante e sem conflito. O problema da T-Mobile é de curadoria e roteamento, não de tamanho absoluto.

A tabela exige manutenção permanente: cada nova forma de perguntar pode pedir uma linha nova. E um roteamento errado pode frustrar o cliente antes de o agente especializado entrar. O juiz reduz o risco, mas não substitui revisão humana em casos sensíveis.

Fontes

Fechamento

O caso da T-Mobile desloca a pergunta: não é “quanto contexto o modelo aguenta?”, mas “qual contexto este cliente precisa para resolver o que pediu?”. Para a PME brasileira, a lição é começar pequeno, com uma base limpa e um caminho claro, e só ampliar quando a medição mostrar que vale.

Seu agente de atendimento responde bem ou só responde rápido? A Canis desenha agentes de IA com contexto curado, roteamento e métricas de qualidade. Falar com a Canis →

Canis · Diagnóstico

Início da conversa