Durante anos, a pergunta que travou projetos de inteligência artificial no atendimento foi sempre a mesma: "quanto isso vai custar?". Licenças por assento, consumo de tokens, minutos de conversa — modelos de preço que cobravam pelo uso, não pelo resultado. Em 2026, a Salesforce virou essa lógica de cabeça para baixo. Com o Agentforce Help Agent em disponibilidade geral (GA), a empresa passou a cobrar US$ 2 por caso resolvido — o chamado modelo pay-per-resolution. Você não paga pela IA que trabalha; paga pela IA que entrega.
É uma manchete que todo diretor de operação e de experiência do cliente está discutindo, porque muda o eixo da conversa de "quanto a IA me custa" para "quanto ela me devolve". Mas por trás da promessa sedutora existe uma condição que raramente aparece no anúncio — e que decide se o "pague só quando resolver" será a compra mais inteligente ou a mais cara do seu ano. Este artigo destrincha o que mudou, por que o modelo é atraente, e o pré-requisito silencioso que separa uma resolução real de uma resolução no papel.
O que mudou: Agentforce Help Agent em GA e o preço por resolução (US$ 2)
O Agentforce Help Agent chegou ao GA em julho de 2026 como um agente autônomo de atendimento capaz de resolver casos de suporte de ponta a ponta — não apenas sugerir respostas a um humano, mas conduzir a interação até o desfecho. Junto dele vieram o Customer Service Portal e um IT Service Domain Pack com mais de 50 agentes prontos para rodar em Slack e Microsoft Teams, cobrindo desde reset de senha até triagem de chamados internos.
A novidade que roubou a cena, porém, foi comercial, não técnica. Em vez de cobrar por licença ou por volume de mensagens, a Salesforce ancorou o preço no desfecho: US$ 2 cada vez que o agente resolve um caso sem escalar para um humano. Se o agente não resolve — se transfere, se falha, se o cliente reabre — teoricamente você não paga por aquela "resolução". A promessa é alinhar o custo da tecnologia diretamente ao valor que ela entrega, algo que ecoa uma tendência maior de 2026: o mercado migrando do hype da IA para a cobrança pelo resultado mensurável.
Para um gestor pressionado a justificar cada real de tecnologia, é quase irresistível. A conta parece se pagar sozinha: só há custo quando há benefício. Mas é exatamente aí que vale desacelerar e ler as letras miúdas.
Por que "pague quando resolver" parece imbatível — e onde ele te cobra caro
O apelo do modelo por resolução é psicológico antes de ser financeiro. Ele transfere o risco aparente do comprador para o fornecedor: "se não funcionar, não pago". Elimina a angústia de assinar um contrato caro e ver a ferramenta subutilizada. E, num orçamento, transforma um custo fixo assustador em um custo variável que acompanha o resultado. No papel, é a definição de uma compra sem risco.
O problema é que a palavra que sustenta o modelo inteiro — "resolução" — é muito mais escorregadia do que parece. Quem define que um caso foi resolvido? Normalmente, o próprio sistema: o agente encerrou o ticket, marcou como concluído, o cliente não respondeu em seguida. Do ponto de vista da métrica, resolvido. Do ponto de vista do cliente, talvez não.
Aqui mora a cobrança escondida. Se o agente "resolve" um caso fechando o ticket com uma resposta genérica, e o cliente volta dois dias depois com o mesmo problema, você acabou de pagar por uma resolução que não resolveu — e vai pagar de novo pela próxima tentativa. O modelo que prometia alinhar custo a valor pode, sem a base certa, alinhar custo a volume de tentativas. Quanto pior a qualidade das resoluções, mais casos reabrem, e mais US$ 2 você desembolsa. O pague-por-resultado só é vantajoso quando a resolução é real. E resolução real depende de uma coisa que o preço não entrega: contexto.
A conta escondida: um agente sem dado integrado resolve no papel e falha no cliente
Um agente de IA de atendimento é tão bom quanto os dados que ele enxerga no momento da conversa. Se um cliente pergunta "cadê meu pedido?", o agente só resolve de verdade se tiver acesso, em tempo real, ao status do pedido no sistema de gestão, à posição do estoque, ao rastreamento da transportadora e ao histórico daquele cliente. Sem isso, o melhor que ele pode fazer é dar uma resposta plausível e genérica — que soa como atendimento, mas não é solução.
É a diferença entre um agente que parece resolver e um que resolve. O primeiro tem acesso ao roteiro; o segundo tem acesso ao dado. E a maioria das operações que ligam um agente de IA descobre tarde que a inteligência do modelo nunca foi o gargalo — o gargalo era o encanamento de dados por trás dele. O agente mais avançado do mundo, desconectado do ERP, do pedido, do estoque e do histórico, é um estagiário eloquente sem acesso ao sistema: fala bem, resolve pouco.
No modelo pay-per-resolution, essa fragilidade vira custo direto. Um agente sem dado integrado gera resoluções falsas — tickets fechados que reabrem — e cada reabertura é uma nova cobrança. Pior: gera insatisfação silenciosa, porque o cliente sente que foi "atendido" mas não ajudado. A conta que parecia se pagar sozinha começa a inflar justamente onde ninguém está olhando: na qualidade daquilo que o sistema chama de resolução.
Checklist: o que precisa estar conectado antes de ligar o agente
Antes de assinar qualquer agente cobrado por resultado, vale medir o quanto sua operação está pronta para que "resultado" signifique resolução verdadeira. Na prática, isso se resume a garantir que o agente enxergue quatro camadas de dado em tempo real:
1. O pedido. O agente precisa consultar status, itens, valores e etapas de um pedido específico — não uma versão desatualizada sincronizada à meia-noite. Se o dado de pedido vive só no ERP e o agente vive na plataforma de atendimento, é preciso um fluxo que os conecte na hora da pergunta.
2. O estoque. Perguntas sobre disponibilidade, troca e reenvio só têm resposta útil se o agente vê a posição real de estoque. Um agente que promete reenvio de um item esgotado gerou uma "resolução" que vai virar um problema maior.
3. O histórico do cliente. Sem saber que aquele cliente já reclamou do mesmo problema três vezes, o agente trata cada contato como novo — e repete a solução que já falhou. Histórico unificado é o que separa atendimento de rateio de tickets.
4. As regras de negócio. Política de troca, prazos, exceções por canal, elegibilidade a reembolso. Se essas regras não estão acessíveis e atualizadas para o agente, ele improvisa — e improviso em atendimento é passivo, não resolução.
Se essas quatro camadas não conversam entre si hoje, nenhum modelo de preço as conserta. O agente vai cobrar por resolução; a integração é o que garante que a resolução seja real.
Como a CCX implementa IA para negócios com os sistemas conversando de verdade
É nesse ponto — antes de ligar o agente, não depois — que a CCX Company atua. A promessa do pague-por-resultado só compensa quando o agente enxerga o negócio inteiro, e é isso que a nossa prática de IA para Negócios constrói: agentes conversacionais e automações com LLMs (incluindo RAG e busca semântica) apoiados nos sistemas realmente conectados, não isolados numa camada de conversa.
Na prática, isso significa conectar o agente ao ERP, ao pedido, ao estoque e ao histórico do cliente por meio de integrações enterprise orientadas a eventos — arquitetura event-driven sobre barramentos como Kafka e RabbitMQ, em que cada mudança relevante (um pedido que avança, um estoque que muda, um caso que reabre) fica disponível para o agente no instante em que ele precisa. A integração é o que transforma uma resolução de tela numa resolução de verdade.
Antes de pagar por resolução, garanta que o agente enxerga seu ERP e seu histórico. A CCX faz o diagnóstico de agentes de IA em duas semanas — mapeando o que já está pronto para automação e o que precisa ser integrado antes — para que o seu "pague só quando resolver" seja um bom negócio, e não uma conta de retrabalho. Implementar IA no meu negócio →
FAQ — Perguntas frequentes
O que é o Agentforce Help Agent? É o agente autônomo de atendimento da Salesforce, que entrou em disponibilidade geral em julho de 2026. Ele conduz casos de suporte de ponta a ponta e é oferecido no modelo pay-per-resolution, cobrando cerca de US$ 2 por caso resolvido.
O modelo "pague por resolução" é mais barato? Depende inteiramente da qualidade das resoluções. Se o agente resolve de verdade, alinha custo a valor e tende a compensar. Se gera resoluções falsas que reabrem, você paga múltiplas vezes pelo mesmo problema — e pode ficar mais caro que um modelo por licença.
Por que a integração de dados é pré-requisito para um agente de IA? Porque o agente só resolve o que consegue enxergar. Sem acesso em tempo real ao pedido, estoque, histórico e regras de negócio, ele responde de forma genérica e fecha tickets que não foram realmente solucionados.
Quanto tempo leva para preparar uma operação para agentes de IA? Um diagnóstico inicial de agentes, que mapeia o que está pronto e o que precisa ser integrado, costuma levar cerca de duas semanas. A implementação da integração varia conforme o número e a complexidade dos sistemas envolvidos.