Entrevistas
Zack Peng, cofundador e CEO da Seel – Série de entrevistas

Pontos-chaveA Seel resolve mais de 99% dos casos de suporte ao permitir que a IA conclua as…
Ver mais
- A Seel resolve mais de 99% dos casos de suporte ao permitir que a IA conclua as resoluções em vez de desviar os tickets.
- A confiança no suporte por IA depende de uma saída visível para um humano, e não da precisão do bot.
- Os comerciantes devem exigir provas das taxas de resolução de ponta a ponta e da responsabilidade, em vez de demonstrações polidas.
Zack Peng é cofundador e CEO da Seel, onde se dedica aos problemas enfrentados por consumidores e comerciantes após a finalização da compra. Seu trabalho começou com a previsão de devoluções e reembolsos e se expandiu para sistemas de IA que resolvem solicitações de clientes em diferentes etapas do comércio. Ele defende combinar agentes capazes de agir com limites operacionais claros, encaminhamento para atendimento humano e responsabilização pelos resultados recebidos pelos clientes.
Seel oferece serviços pós-compra e agências de IA para o comércio eletrônico, incluindo proteção de compras e entregas, atendimento ao cliente e revenda. Sua plataforma conecta sistemas de comerciantes, informações sobre pedidos e fluxos de trabalho de atendimento para ajudar a resolver problemas dos consumidores, enquanto seu LLM Gateway dá acesso a modelos e oferece roteamento baseado em tarefas. Nesta entrevista, Peng fala sobre a mudança de responder a perguntas para assumir a responsabilidade pelos resultados, os controles necessários para que agentes atuem em diferentes sistemas e como os comerciantes podem avaliar se os serviços de IA são confiáveis.
O que inspirou você a cofundar a Seel, e como a busca por soluções para os problemas enfrentados pelos consumidores após a finalização da compra levou você a criar uma força de trabalho de IA para o comércio eletrônico?
Tudo começou com um marketplace. Conhecemos uma pessoa fundadora que administrava um marketplace e vimos quanto esforço o setor dedicava à previsão de chargebacks, que custam cerca de 0,5% do GMV. As devoluções e os reembolsos representavam de 10% a 20%, e ninguém os previa. Então, criamos um modelo capaz de fazer isso e o usamos para permitir que os consumidores pagassem uma pequena taxa para que itens vendidos como venda final pudessem ser reembolsados. Eu esperava que de 3% a 5% aderissem. A adesão foi de 10% a 20%. Isso nos mostrou que os consumidores estão dispostos a pagar por mais segurança após a finalização da compra, pelo mesmo motivo que as pessoas compram o AppleCare ou uma proteção contra danos para carros alugados.
A força de trabalho de IA surgiu da nossa própria caixa de entrada de atendimento. Mais de 70% dos nossos chamados de suporte não tinham relação com devoluções. Os consumidores queriam saber onde estava o pedido ou se poderiam trocar algum produto. Em vez de encaminhá-los de volta ao comerciante, começamos a resolver esses chamados nós mesmos. Aprendemos que o verdadeiro valor da IA no comércio não está em economizar dinheiro. Está em realizar tarefas instantaneamente e em escala, mesmo nos períodos de pico. Isso inclui contar com sistemas de IA capazes de avaliar e aprovar reembolsos elegíveis antes de receber as remessas devolvidas, além de agentes de IA disponíveis 24 horas por dia, 7 dias por semana, que podem agir para resolver solicitações de clientes.
Você descreve uma evolução dos chatbots que respondem a perguntas para agentes que agem e, depois, para agências de IA que assumem a responsabilidade por um resultado completo. O que muda, em termos técnicos e operacionais, entre essas etapas? Você poderia ilustrar isso com um problema real de um cliente?
A diferença está em quem assume a responsabilidade pelo resultado. Um chatbot responde: “Onde está meu pedido?”. Um agente conclui uma tarefa específica, como abrir uma reclamação. Uma agência assume a responsabilidade pelo resultado: o cliente recebe aquilo pelo que pagou.
Tecnicamente, uma agência atua em diferentes sistemas — incluindo a loja do comerciante, a transportadora e os pagamentos — em vez de operar dentro de um único sistema. Ela acompanha um caso durante vários dias, e não apenas uma conversa, e precisa saber quando o problema foi realmente resolvido. Do ponto de vista operacional, deixa-se de dimensionar a equipe com base no volume de chamados e passa-se a dimensioná-la para lidar com exceções.
Imagine um pacote marcado como entregue, mas que nunca chegou. Um chatbot diz ao consumidor que espere. Um agente abre uma reclamação. As Seel Agencies verificam a leitura da transportadora e o histórico do pedido, decidem se o caso é elegível, fazem o pagamento ou enviam uma substituição, atualizam os registros do comerciante e informam ao consumidor que o problema foi resolvido. Como parceira que assume de ponta a ponta os chamados pós-compra dos comerciantes, testamos primeiro essa infraestrutura de IA nos nossos próprios chamados. Essa abordagem orientada à resolução nos ajudou a alcançar uma taxa de resolução superior a 90%, além de permitir sinalizar e reembolsar imediatamente as solicitações elegíveis.
Imagine um agente de compras que, em nome de alguém, compra o tamanho errado. O que teria de acontecer entre esse agente, o comerciante e a Seel para corrigir o erro, e quem deveria ser responsável pelo resultado?
O consumidor não deveria ter de arbitrar a situação. Independentemente de quem cometeu o erro, a solução é a mesma: uma troca rápida ou um reembolso.
Três coisas tornam isso possível. O pedido precisa registrar quem o fez e com base em quais instruções, para que a decisão do agente possa ser rastreada. Em segundo lugar, a política de devolução do comerciante precisa estar em um formato legível por máquina, para que um agente possa agir de acordo com ela. Em terceiro, alguém precisa assumir a responsabilidade pelo resultado antes que se determine de quem foi a culpa.
É aí que a Seel entra. Nós assumimos a responsabilidade financeira. Se o pedido estava protegido, o consumidor é ressarcido integralmente primeiro, e só depois se determina a quem atribuir a responsabilidade. Se um agente de compras com IA pedir o tamanho errado em nome de alguém, o consumidor deve ter o mesmo caminho para resolver o problema que teria se tivesse feito o pedido por conta própria — desde que a proteção adequada tenha sido incluída na finalização da compra e o problema esteja coberto. Assumimos financeiramente a responsabilidade pelos resultados que cobrimos. O consumidor não deveria ter de arbitrar se o erro foi dele ou do agente.
Sua equipe afirma que a IA acelera 80% do volume de chamados de suporte da Seel. O que “acelerar” significa na prática, quantos casos são resolvidos sem intervenção humana e quais indicadores mostram se os clientes estão realmente recebendo um atendimento melhor?
Isso significa que a IA faz o trabalho que costumava tomar o tempo das pessoas: ler o caso, buscar os dados do pedido e da transportadora, verificar a política do lojista e, na maioria dos casos, concluir a resolução. A IA faz isso em 80% do nosso volume de chamados. No total, resolvemos 99% ou mais dos casos de atendimento, enquanto o setor costuma falar em 60% a 70%.
Mas a taxa de encerramento, por si só, pode ocultar um atendimento ruim, porque um robô que se limita a afastar os clientes parece ótimo no painel. Por isso, acompanhamos métricas como a taxa de reabertura de chamados, a taxa de encaminhamento para um atendente humano e a satisfação dos clientes. A rapidez importa nos momentos que frustram os clientes. Alterar um endereço de entrega geralmente significa uma troca de e-mails entre sistemas separados de pedidos e processamento e envio. Nossos agentes fazem isso em minutos.
O indicador que mais me importa é saber se o cliente volta a comprar. Em nossa rede, 69% dos compradores recorrentes protegeram seu primeiro pedido.
Você se descreveu como “a favor de agentes, mas não do piloto automático”. Quais decisões você reserva deliberadamente às pessoas e como seu sistema reconhece quando um caso aparentemente rotineiro exige discernimento humano?
Piloto automático significa que ninguém está acompanhando. Queremos que os agentes façam a maior parte do trabalho e que as pessoas tomem as decisões quando o discernimento for importante.
Reservamos três tipos de decisão às pessoas: tudo o que define políticas, os casos em que uma decisão errada é difícil e cara de reverter e os casos tão atípicos que a resposta prevista pela regra talvez não seja justa. A IA lida com os casos rotineiros dentro desses limites e não pode ampliar a própria autoridade. Se uma ação não tiver sido autorizada ou um caso exigir aprovação adicional ou tratamento especial, ele será encaminhado diretamente a uma pessoa.
O sistema considera não apenas o tipo de solicitação, mas também o contexto: risco, urgência, frustração do cliente e sensibilidade da política. Os casos de alto risco são encaminhados a pessoas, enquanto os casos sensíveis do ponto de vista das políticas podem exigir verificações adicionais antes de qualquer ação. Esses limites são configurados de acordo com o lojista e o fluxo de trabalho, em vez de serem definidos por um valor em dólares ou uma pontuação de confiança universal. Uma solicitação de processamento acelerado ou de pagamento de valor elevado, por exemplo, pode estar fora da autoridade autônoma da IA.
Suas pesquisas com consumidores indicam que muitos jovens da geração Z ainda querem que uma pessoa participe da resolução de seus problemas. O que você aprendeu sobre como criar um atendimento com IA que conquiste a confiança, sobretudo quando os clientes querem contestar uma decisão ou falar com uma pessoa?
A geração Z é a mais à vontade com a IA e também a que percebe mais rápido quando uma empresa a usa para evitá-la. Em nosso relatório de 2026 sobre os hábitos de compra da geração Z, 49% dos jovens da geração Z disseram que prefeririam resolver um problema com uma pessoa. Ainda assim, querem rapidez: 87% dos consumidores esperam que um problema seja resolvido em dois a três dias.
O que aprendemos é que a confiança vem da possibilidade de falar com uma pessoa, não do robô. Quando os clientes sabem que podem falar com alguém, ficam satisfeitos em deixar a IA cuidar das coisas. Quando a IA se torna uma barreira, a confiança desmorona, mesmo que a resposta esteja correta.
Por isso, projetamos a experiência pensando em três aspectos:
- Rapidez, para que os problemas sejam resolvidos antes que a frustração apareça
- Uma explicação clara e em linguagem simples sempre que a IA disser não
- E encaminhamento para uma pessoa com apenas uma etapa, que possa ver imediatamente todo o histórico, para que o cliente não precise repetir o que já disse.
Quando os agentes podem emitir reembolsos, alterar pedidos ou agir em diferentes sistemas de lojistas, os erros têm consequências financeiras. Como vocês controlam as permissões, evitam ações duplicadas ou não autorizadas e reconstituem o que aconteceu quando algo dá errado?
Cada agente recebe o acesso necessário para sua função, e nada além disso. Limitamos esse acesso aos fluxos de trabalho específicos aprovados pelo lojista. Usamos contas dedicadas ou tokens de API, separados das identidades dos funcionários, para que o lojista possa ajustar, suspender ou revogar o acesso a qualquer momento.
Para ações de maior risco, como reembolsos de alto valor, podemos configurar uma revisão humana ou limites baseados em valores e regras, de acordo com os requisitos do lojista. Dar a um agente acesso a um sistema não deve significar conceder-lhe autonomia irrestrita.
Todas as ações realizadas nos sistemas são registradas, com a data e a hora, o que foi feito e o que desencadeou a ação. Se algo der errado, esse registro nos permite investigar com o lojista, ajudar a reverter a ação e ajustar as regras posteriormente.
Com o 1-Click Resale, os agentes criam anúncios, definem preços e coordenam vendas em vários marketplaces. Como vocês validam as descrições e os preços dos produtos e evitam que um item seja vendido duas vezes quando as atualizações dos marketplaces atrasam?
Nossa agência de revenda faz o trabalho que os vendedores geralmente preferem evitar. Ela analisa a foto enviada pelo cliente para verificar o estado do item, define o preço com base no mercado, cria o anúncio e o remove assim que o item é vendido.
As descrições são elaboradas com base nos dados que já temos. Como o item vem de um pedido feito a um lojista, a agência usa o registro original do produto. O preço inicial é definido com base no valor pelo qual itens semelhantes foram efetivamente vendidos, com ajustes de acordo com o estado do item. O cliente confirma a cotação antes de prosseguirmos, e nossa equipe cuida do anúncio e de quaisquer detalhes que estejam faltando.
O objetivo é facilitar a revenda para que os clientes recuperem o valor de itens que já não querem, mesmo depois do fim do prazo de devolução
Quais desafios operacionais levaram vocês a abrir o LLM Gateway da Seel, e como escolhem os modelos para diferentes tarefas levando em conta confiabilidade, latência e custo? Vocês avaliam os custos por chamada ao modelo ou por resultado do cliente concluído com sucesso?
Primeiro, criamos a ferramenta para uso próprio. Desenvolver a Seel Agencies para executar nossos próprios fluxos de trabalho nos ensinou que operar com IA em grande escala exige disciplina na forma de selecionar modelos. Precisávamos de escala, confiabilidade, acesso aos melhores modelos e custos unitários previsíveis, então criamos a infraestrutura necessária. Os lojistas enfrentavam o mesmo aumento gradual dos custos, modelo por modelo e solicitação por solicitação, por isso disponibilizamos a ferramenta para eles.
Direcionamos as solicitações de acordo com a tarefa. Extrair o número de um pedido de um e-mail não exige o mesmo modelo que resolver um problema complexo, com várias etapas. O LLM Router avalia a complexidade da solicitação e a encaminha para um dos modelos autorizados pelo cliente. Os clientes escolhem entre desempenho, economia ou um equilíbrio entre os dois. Assim, podem decidir quanto querem economizar em tarefas mais simples.
A confiabilidade e a latência ainda precisam ser adequadas à carga de trabalho real. Recomendamos testar a qualidade, o tempo de resposta e o custo antes de tornar o roteamento mais agressivo. Em fluxos de trabalho complexos ou tarefas que exigem consistência rigorosa, os clientes podem manter um modelo específico em vez de usar o roteamento automático.
O LLM Router cobra pelo uso dos modelos, não por resultado do cliente concluído. Com o roteamento inteligente, a cobrança é feita pela tarifa do modelo efetivamente utilizado. A Seel cobre o custo de avaliar a complexidade da solicitação para tomar essa decisão de roteamento.
Para quem está empreendendo com empresas de IA, o que a Seel ensinou a vocês sobre a diferença entre uma demonstração impressionante e um serviço com o qual os clientes podem contar? Que evidências um lojista deve exigir antes de confiar uma função empresarial inteira a uma agência de IA?
Uma demonstração mostra o sistema funcionando uma vez. Um serviço prova que ele funciona no décimo milésimo caso, às 2h da madrugada, quando a API da transportadora está fora do ar e o consumidor está irritado. O difícil nunca foi o modelo. São os dados ruins, os sistemas que não chegam a um consenso e saber quando a IA não deve agir.
Os lojistas devem pedir evidências, não demonstrações. Que proporção dos casos a agência resolve de ponta a ponta? Quais são os tempos de resolução e as taxas de recompra, além da redução de chamados? Quando a agência erra, quem arca com os custos e com que rapidez? É possível ver exatamente o que ela fez? E quantas pessoas são necessárias para operá-la?
Obrigado pela ótima entrevista. Leitores que queiram saber mais sobre agências de IA, serviços pós-compra e automação para o comércio eletrônico devem visitar a Seel.












