Análise de respostas abertas (verbatim) com IA na prática

Por Equipe VisionCX · 13 de julho de 2026 · Leitura de ~9 min

A nota de NPS, CSAT ou CES diz o quanto o cliente está satisfeito. As respostas abertas — os comentários que ele escreve com as próprias palavras — dizem por quê. O problema é que ninguém tabula centenas de comentários à mão sem levar dias e perder a paciência. É exatamente esse gargalo que a análise de verbatim com IA desfaz. Neste guia prático você vai entender o que é a análise de respostas abertas, como a inteligência artificial transforma texto solto em decisão e como aplicar isso na realidade de uma PME brasileira, sem precisar de um time de dados.

O que são respostas abertas (verbatim)

Resposta aberta é toda pergunta em que o cliente escreve livremente, em vez de escolher uma opção pronta. "O que faltou para você nos dar nota 10?" ou "Conte por que escolheu essa nota" são exemplos clássicos. O texto que ele digita — com as palavras dele, sem edição — é o que chamamos de verbatim.

Enquanto a parte fechada da pesquisa (a nota de 0 a 10, as estrelas, a escala) gera números fáceis de somar, o verbatim é dado não estruturado: cada resposta tem tamanho diferente, gírias, erros de digitação e ironia. É aí que mora a riqueza — e a dificuldade.

A nota mostra a temperatura. O verbatim mostra a doença. Sem ler os comentários, você trata o sintoma sem nunca descobrir a causa.

Por que as respostas abertas importam tanto

• Explicam a nota. Dois clientes dão 6 no NPS por motivos opostos: um achou o preço alto, o outro reclamou do prazo de entrega. A ação para cada um é diferente.
• Revelam problemas que você nem perguntou. A pergunta fechada só mede o que você já imaginava. O comentário aberto traz o que você não sabia que existia.
• Trazem a linguagem do cliente. As palavras exatas que ele usa servem para marketing, treinamento e até para nomear funcionalidades.
• Ajudam a priorizar. Quando um mesmo tema aparece em uma fatia expressiva dos comentários, ele deixa de ser opinião isolada e vira prioridade óbvia.

Por que a análise manual de verbatim não escala

Imagine receber 400 comentários em um mês. Lidos à mão, isso significa alguém abrindo uma planilha, lendo linha por linha, criando categorias na cabeça e colando cada resposta em uma coluna. Na prática, três coisas acontecem:

1. Demora. O que deveria virar ação nesta semana só fica pronto no mês seguinte — quando o cliente já esfriou e o problema já se repetiu com outros.
2. Fica inconsistente. A pessoa cansa, muda de critério no meio do caminho e classificaria o mesmo comentário de dois jeitos em dias diferentes. Sem consistência, comparar mês a mês perde sentido.
3. Sobra pouco. Na correria, a maioria dos comentários nunca é lida de verdade. O feedback vira arquivo morto.

O resultado é o pior dos mundos: a empresa gasta para coletar o feedback e não usa o que coletou. A IA existe justamente para desatar esse nó — ela lê tudo, mantém o mesmo critério do primeiro ao último comentário e entrega o padrão pronto para você decidir.

Como a IA analisa respostas abertas

Uma boa análise de verbatim com IA não é só "jogar o texto no robô". Ela combina algumas etapas que, juntas, transformam comentário solto em informação confiável:

1. Agrupamento por tema (temas e tópicos)

A IA lê todos os comentários e identifica sobre o que as pessoas estão falando: preço, atendimento, prazo de entrega, qualidade, aplicativo, e assim por diante. Cada comentário pode receber um ou mais temas — um cliente que reclama de "entrega atrasada e atendimento que não respondeu" cai em dois. Em vez de 400 textos avulsos, você passa a enxergar de 8 a 12 assuntos com quantidade e proporção.

Existem duas abordagens: o topic modeling não supervisionado, que descobre os agrupamentos sozinho a partir dos dados, e a classificação por modelos de linguagem (LLMs), que encaixa cada comentário numa lista de temas que você definiu. Na prática, as ferramentas modernas combinam as duas: a IA sugere temas novos que você ainda não tinha mapeado e classifica o restante na sua lista.

2. Análise de sentimento

Além do tema, a IA classifica o tom de cada resposta — positivo, negativo ou neutro. Isso permite cruzar as duas informações: não basta saber que "entrega" foi muito citada; você quer saber se as menções à entrega são elogios ou reclamações. Vale lembrar que sentimento não é o mesmo que a nota: um cliente pode dar 8 e ainda deixar uma crítica pontual no comentário.

3. Subtemas e detalhe

Um tema grande como "atendimento" pode se dividir em subtemas: tempo de espera, cordialidade, resolução no primeiro contato. Esse nível de detalhe aponta exatamente onde agir — não adianta saber que "atendimento" é o problema se você não sabe se é lentidão ou falta de solução.

4. Codebook (a lista de temas do seu negócio)

Você pode deixar a IA descobrir os temas do zero ou fornecer uma lista pronta, alinhada ao seu vocabulário. O codebook garante consistência ao longo do tempo: "frete" será sempre "frete", e você consegue comparar mês a mês sem que a categoria mude de nome sozinha.

5. Human-in-the-loop (o humano no comando)

A IA propõe, mas quem decide é você. É possível criar temas novos, juntar categorias parecidas, corrigir uma classificação errada e reprocessar. A máquina dá escala; a pessoa dá contexto de negócio. Esse ciclo de revisão é o que torna a análise realmente confiável — e o que separa um número em que você confia de um palpite automatizado.

Análise manual x análise com IA

A tabela abaixo resume por que, a partir de um certo volume, a IA deixa de ser luxo e vira o caminho natural:

Repare no último risco: a IA não elimina o humano — ela muda o papel dele. Em vez de tabular, a pessoa revisa, interpreta e decide.

Exemplo prático: uma loja de e-commerce

Pense na Loja Petit, uma PME de moda infantil que envia pesquisa de NPS por WhatsApp após cada compra. Em um mês, 320 clientes responderam com comentário. Veja o ciclo funcionando:

• Coleta: junto da nota, cada cliente escreve um comentário livre — de "amei, chegou antes do prazo" a "o vestido veio com defeito e demorei pra falar com alguém".
• Análise com IA: em poucos minutos, a IA agrupa os 320 comentários em temas. O resultado: Prazo de entrega (34% das menções, 70% negativas), Qualidade do produto (22%, majoritariamente positivas), Atendimento (18%, sentimento misto) e Preço (12%).
• Leitura do padrão: a dona percebe que a nota média não caiu, mas o tema "prazo de entrega" concentra a insatisfação — e quase todas as reclamações citam a mesma transportadora.
• Revisão humana: ela abre o subtema "prazo" e confirma: o problema não é a loja, é uma rota específica de uma transportadora para o Nordeste.
• Ação: troca a transportadora nessa região e envia uma resposta rápida para quem já reclamou, fechando o ciclo com cada cliente.
• Resultado: no mês seguinte, as menções negativas a "prazo" caem pela metade e o NPS sobe.

Sem a IA, aqueles 320 comentários provavelmente nunca seriam lidos por inteiro — e o padrão da transportadora passaria despercebido no meio das notas boas.

Como aplicar na sua PME em 5 passos

1. Pergunte certo. Uma pergunta aberta boa é específica. Em vez de "algum comentário?", prefira "o que faltou para você nos dar nota 10?". Veja como escolher o formato ideal em tipos de perguntas de pesquisa.
2. Colete onde o cliente responde. No Brasil, o WhatsApp costuma ter taxa de resposta bem maior que o e-mail — e mais respostas abertas significam análise mais rica e temas mais confiáveis.
3. Defina seus temas. Liste de 6 a 12 assuntos que importam para o seu negócio (entrega, preço, atendimento, produto...). Esse codebook orienta a IA e mantém a comparação ao longo dos meses.
4. Revise a IA no começo. Nas primeiras rodadas, confira uma amostra das classificações, ajuste temas vagos ou duplicados e valide o sentimento contra a nota. Depois disso, a confiança sobe rápido.
5. Feche o ciclo. Análise sem ação não muda nada. Leve o tema mais crítico para quem pode resolvê-lo e volte ao cliente contando o que mudou — o coração do closed loop.

Erros comuns na análise de verbatim

• Coletar e não analisar. Acumular comentários numa planilha que ninguém abre é jogar dinheiro fora.
• Confiar 100% no robô. Sem revisão humana, temas mal definidos viram decisões erradas. A IA acelera; ela não isenta você de pensar.
• Criar temas demais. Trinta categorias microscópicas confundem mais do que ajudam. Prefira poucos temas claros com subtemas.
• Tirar conclusão de pouca amostra. Um tema citado por três clientes não é tendência. Dê peso à frequência antes de virar prioridade.
• Ignorar o sentimento. Saber que "preço" foi muito citado não diz nada se você não sabe se é elogio ou reclamação.
• Analisar só uma vez. O valor aparece na comparação ao longo do tempo — o que subiu, o que caiu, o que a última mudança resolveu.

Como a VisionCX ajuda

A parte difícil da análise de respostas abertas é justamente escala e velocidade — e é aí que a VisionCX foi pensada para PMEs brasileiras. As pesquisas de NPS, CSAT e CES saem por WhatsApp, o canal em que o cliente realmente responde, o que já garante mais comentários para analisar. Na sequência, a análise com IA em português lê cada verbatim, agrupa por tema, mede o sentimento e mostra os padrões prontos — entendendo gírias, abreviações e a forma como o brasileiro escreve.

Em vez de passar dias em planilha, sua equipe abre o painel, vê que "prazo de entrega" concentra a insatisfação do mês e age. A revisão continua nas suas mãos: você ajusta temas, corrige classificações e reprocessa quando quiser. A análise ainda se conecta ao restante do programa de voz do cliente, ligando cada comentário à nota e ao caso a ser resolvido. O esforço humano fica onde importa: decidir e agir, não tabular.

Quer transformar os comentários que você já recebe em decisões de verdade? Entenda primeiro como funciona o NPS e depois conheça a VisionCX para colocar a análise de verbatim com IA para rodar na sua operação.

Faz parte do tema IA e análise.