Última atualização: 6 de agosto de 2026
O tempo médio de atendimento é a métrica que os líderes de suporte mais citam e menos entendem. É fácil de extrair, fácil de colocar num gráfico e fácil de transformar em arma — e é exatamente por isso que tantos times conseguiram derrubá-la enquanto a satisfação do cliente desabava em silêncio.
O número em si não é o problema. O TMA é um sinal legítimo sobre atrito de processo, lacunas de ferramentas e qualidade do conhecimento. O problema é tratá-lo como meta de desempenho individual em vez de diagnóstico da operação. Este guia cobre o que o TMA realmente mede, como é um benchmark realista para cada tipo de contato e quais alavancas encurtam o atendimento removendo trabalho em vez de apressar pessoas.
O tempo médio de atendimento é a duração total média de uma interação, do momento em que o agente a assume até o momento em que ele termina tudo o que aquela interação exige. É nessa última parte que a maioria dos times erra a definição.
O TMA é a soma de três componentes dividida pelo número de interações atendidas:
TMA = (Tempo de conversa + Tempo em espera + Trabalho pós-atendimento) ÷ Número de interações
O trabalho pós-atendimento — a tabulação, as notas no CRM, a marcação do ticket, o e-mail interno de escalonamento — é o componente que os times mais deixam de fora e costuma ser o que mais cresce. Se o seu TMA parece suspeitamente estável enquanto os agentes dizem estar afogados, verifique se esse trabalho está sendo contado.
O TMA mede o esforço do lado do agente, não a experiência do lado do cliente. Ele exclui o tempo de fila, o tempo em autoatendimento antes de chegar a um agente e qualquer atraso entre a primeira tentativa do cliente e a resolução final. Um cliente que esperou onze minutos na fila e depois teve uma ligação ágil de quatro minutos contribui com um TMA ótimo e uma experiência péssima.
Por isso o TMA nunca deve andar sozinho. Combine-o com a resolução no primeiro contato, que mostra se a interação de fato encerrou o problema, e com o customer effort score, que mostra quanto aquela interação custou ao cliente.
Os benchmarks publicados colocam o padrão da indústria de call centers entre aproximadamente sete e dez minutos, dependendo da metodologia, segundo a análise de KPIs de call center do SQM Group. As agregações multissetoriais dos dados de benchmark de TMA da Kayako ficam numa faixa parecida, com ampla variação por setor.
Esses números são praticamente inúteis aplicados no nível geral. Um TMA combinado sobre uma fila mista faz a média entre uma redefinição de senha de dois minutos e uma disputa de cobrança de vinte minutos, e produz um valor que não descreve nenhuma das duas.
| Tipo de interação | Faixa típica de TMA | O que determina o tempo |
|---|---|---|
| Consultas de status e pedidos | Menos de 3 minutos | Velocidade de consulta nos sistemas |
| Alterações de conta e cadastro | 3 a 6 minutos | Verificação e digitação de dados |
| Cobrança e disputas | 8 a 15 minutos | Julgamento de política e aprovações |
| Suporte técnico | Mais de 10 minutos | Diagnóstico e escalonamento |
Ponto-chave: Segmente o TMA por motivo de contato antes de definir qualquer meta. Uma meta única no nível geral sempre vai empurrar os agentes a apressar o trabalho complexo, que é justamente onde apressar sai mais caro, porque é o único lugar onde dá para cortar segundos relevantes.
Quando o TMA vira meta individual, os agentes otimizam para a meta. Essa otimização tem um formato previsível: ligações mais curtas, mais transferências, mais encerramentos prematuros e mais clientes ligando de novo amanhã pelo mesmo motivo. O tempo de atendimento cai. O volume de contatos sobe. O custo total aumenta.
A falha é aritmética. Dois contatos de cinco minutos para resolver um problema geram um TMA melhor do que um de nove minutos que resolve — e um resultado pior para todo mundo. Se você não acompanha a taxa de recontato junto com o TMA, não consegue distinguir as duas situações.
Os clientes percebem, e estão menos tolerantes do que antes. A pesquisa CX Trends 2026 da Zendesk, baseada em mais de 11.000 respostas no mundo todo, encontrou que 88% dos clientes esperam tempos de resposta mais rápidos do que um ano atrás, e que 74% se frustram quando precisam repetir informações que já deram. Uma estratégia de transferir muito para baixar o tempo de atendimento colide com as duas expectativas ao mesmo tempo.
Nunca mexa no TMA sem olhar a resolução no primeiro contato e a taxa de recontato na mesma visão. Uma melhoria real mostra o TMA caindo enquanto a RPC se mantém ou sobe. Uma melhoria falsa mostra o TMA caindo junto com a RPC. A mesma lógica vale para automação: a taxa de contenção só significa alguma coisa se as conversas contidas foram de fato resolvidas em vez de abandonadas.
Toda redução duradoura de TMA vem do mesmo lugar: remover trabalho da interação em vez de comprimi-la. Estas são as alavancas que fazem isso, mais ou menos em ordem de retorno sobre o esforço.
Uma parte considerável de cada interação é gasta descobrindo quem é o cliente, o que ele comprou e o que aconteceu da última vez. Nada disso exige julgamento. Trazer o cadastro da conta, os pedidos recentes, os tickets anteriores e os casos abertos no momento em que a interação abre remove um bloco de tempo de conversa sem tocar na qualidade. E tem o melhor efeito colateral possível: ataca diretamente a frustração de ter que se repetir, que é o que derruba as notas de satisfação.
O trabalho pós-atendimento é puro overhead do ponto de vista do cliente e costuma ser o maior bloco recuperável da fórmula do TMA. Resumos gerados automaticamente, códigos de tabulação preenchidos e e-mails de follow-up já redigidos entregam ao agente algo para aprovar em vez de algo para escrever.
Buscar na base de conhecimento move o problema em vez de resolvê-lo: o agente ainda precisa ler, interpretar e traduzir. Uma recuperação que devolve uma resposta já redigida e ancorada nos seus próprios documentos de política elimina a etapa de tradução por completo. Pesquisas sobre implantações de IA generativa em suporte mostram que o efeito é maior nos agentes menos experientes, encurtando a distância para os veteranos — um estudo amplamente citado mediu um aumento médio de produtividade de 14%, concentrado no pessoal mais novo.
O tempo de atendimento mais rápido é o que não acontece. Status de pedido, prazos de entrega, redefinição de senha, segunda via de nota e alteração de agendamento são solicitações determinísticas que se resolvem inteiramente num canal automatizado. A análise da McKinsey sobre IA generativa em operações de atendimento sugere que a tecnologia poderia reduzir em até 50% os contatos atendidos por humanos em setores como bancos, telecomunicações e utilities. Repare no que isso faz com o TMA reportado: ao tirar os contatos curtos e simples, a média do que sobra sobe. É um bom resultado que parece ruim no painel, e é por isso que segmentar importa.
Se a sua restrição é volume de tickets e não duração, a mecânica está detalhada no nosso guia sobre custo por resolução, que reformula a questão inteira em termos de economia unitária.
Os agentes colocam clientes em espera por um conjunto pequeno e conhecido de motivos: procurar alguma coisa, aguardar aprovação de um supervisor ou consultar outra área. Cada um é um defeito de processo com uma correção específica — busca melhor, alçadas de aprovação delegadas, um canal compartilhado com a outra equipe. Atacar o tempo de espera como número só ensina o agente a manter o cliente na linha num silêncio constrangedor.
A maioria das regras de roteamento pergunta quem está livre. Um roteamento melhor pergunta quem é mais rápido neste problema específico. Casar o motivo do contato com a força comprovada do agente encurta a interação e melhora o resultado ao mesmo tempo, e faz com que o eventual handoff de IA para humano caia em alguém preparado para encerrar na primeira tentativa.
É nessa camada que a Eva, da Darwin AI, costuma justificar seu lugar: ela resolve de ponta a ponta os contatos repetitivos e determinísticos no canal que o cliente preferir, monta o contexto completo dos que precisam de uma pessoa e redige a tabulação, de modo que ao agente resta revisar em vez de reconstruir.
Faça a avaliação como um antes e depois sobre uma coorte segmentada, não sobre uma média geral. Para cada motivo de contato, acompanhe quatro números juntos no mesmo período:
Uma melhoria real derruba o TMA enquanto os outros três se mantêm ou melhoram. Qualquer outra coisa é deslocamento. O trabalho de campo da McKinsey sobre IA generativa em atendimento documentou uma implantação com cerca de 5.000 agentes que produziu um aumento de 14% em casos resolvidos por hora junto com uma redução de 9% no tempo de atendimento — e o detalhe útil é que os dois números se moveram na direção certa ao mesmo tempo, que é o padrão que você procura.
Publique uma faixa aceitável por motivo de contato em vez de um teto. Uma faixa sinaliza que interações excepcionalmente curtas são tão suspeitas quanto as excepcionalmente longas, o que é verdade e é algo que um teto individual nunca comunica.
Reduza o tempo de atendimento removendo trabalho, não apressando a conversa.
Os trabalhadores de IA da Darwin resolvem contatos rotineiros de ponta a ponta e entregam ao agente contexto completo e uma tabulação já redigida em todo o resto.
Veja como a Eva trabalha →Não existe um número único bom. Os benchmarks multissetoriais publicados geralmente ficam entre sete e dez minutos para voz, segundo o SQM Group, mas esse valor mistura tipos de contato que não têm nada em comum. Uma meta útil é definida por motivo de contato e expressa como faixa: menos de três minutos para consultas simples, oito minutos ou mais para disputas de cobrança e diagnóstico técnico.
Sim. A tabulação é capacidade real do agente consumida pela interação, e deixá-la de fora esconde o componente que mais cresce em muitas operações. Se a sua medição atual não a inclui, espere que o TMA suba quando você adicionar — esse salto é uma correção, não uma piora.
Prejudica quando a redução vem de apressar os agentes, e não prejudica quando vem de eliminar etapas. O teste que distingue os dois casos é a resolução no primeiro contato: se a RPC e a taxa de recontato se mantêm enquanto o TMA cai, o trabalho realmente encurtou. Se a RPC cai junto com o TMA, você moveu custo deste contato para o próximo.
Os resultados publicados variam bastante conforme a linha de base e o caso de uso. O trabalho da McKinsey sobre IA generativa em operações de atendimento documentou uma implantação com cerca de 5.000 agentes que teve uma redução de 9% no tempo de atendimento junto com um aumento de 14% em casos resolvidos por hora, e um estudo separado sobre uma grande organização de suporte mediu um ganho médio de produtividade de 14% concentrado nos agentes menos experientes. Trate melhorias de um dígito a dois dígitos baixos como premissa realista de planejamento, em vez dos números de capa dos cases de fornecedores.
Quase certamente porque a automação absorveu os contatos curtos. Quando as consultas de status de dois minutos param de chegar aos agentes, a fila humana passa a ser composta inteiramente por trabalho mais difícil, então a média sobe mesmo com o custo total caindo. Segmente por motivo de contato e compare o que é comparável, e olhe o custo total de resolução em vez de só a duração.