Gradient Labs vs Lorikeet: qual agente de suporte com IA vence em 2026?

Gradient Labs vs Lorikeet em resumo

Aqui está a versão rápida antes de entrarmos em cada uma. A coluna da direita é a eesel, incluída como ponto de referência de "conectar ao seu helpdesk existente" e não como uma implantação enterprise equivalente.

O que é a Gradient Labs

A Gradient Labs constrói um agente de IA chamado Otto, voltado para exatamente um mercado: serviços financeiros regulados. Não "suporte em geral com um estudo de caso financeiro", mas bancos, neobancos, credores e seguradoras como o produto inteiro. Os fundadores são ex-Monzo: Dimitri Masin liderou a equipe de dados de mais de 100 pessoas, e Neal Lathia construiu a infraestrutura de ML do Monzo. Essa herança aparece em todo o produto.

A proposta é "resolvemos o que os outros repassam": resolução completa, não desvio. Quando um cliente entra em contato, o Otto lembra de conversas passadas e executa ações reais para encerrar o problema, bloquear um cartão perdido ou rastrear um pagamento extraviado, em vez de exibir um artigo de ajuda. Você escreve procedimentos em linguagem simples, e o agente treina com seus SOPs e com as conversas reais dos seus melhores atendentes humanos, não apenas com a base de conhecimento.

O que distingue a Gradient Labs é a profundidade da vertical. Em vez de um chatbot horizontal, ela traz agentes especializados para atendimento ao cliente, disputas, KYB, cobrança, sinistros de seguros e crédito. Um agente de disputas reúne e verifica evidências, decide o resultado, escala para um humano aprovar e depois registra o chargeback junto à bandeira do cartão. É um trabalho difícil e regulado, o tipo de coisa que um bot de helpdesk genérico nunca toca.

Os números que a Gradient publica são fortes, com a ressalva de sempre de que são declarados pelo fornecedor. Ela cita uma taxa de resolução de pico de 80 a 90%, 98% de CSAT em algumas implantações e 32 mi de usuários finais alcançados entre seus clientes. No estudo de caso da OpenAI, diz-se que a maioria das implantações começa "com taxas de resolução acima de 50% no primeiro dia, mesmo em fluxos complexos como disputas". Entre os clientes citados estão a Pockit (70% de resolução) e a SteadyPay (33.000 chamadas de voz com IA por mês).

A empresa captou uma Série A de US$ 26 mi (liderada pela Octopus Ventures e pela CommerzVentures, com a Redpoint em seguida) e relata crescimento de receita de cerca de 10 vezes em relação ao ano anterior. É uma empresa jovem e focada, apostando tudo em uma única vertical.

O que é a Lorikeet

A Lorikeet se descreve como um "AI Customer Concierge para empresas complexas", e seu alvo é um pouco mais amplo: fintechs e healthtechs ambiciosas. Foi fundada em Sydney por Steve Hind (ex-produto na Stripe e na Watershed) e Jamie Hall, ex-líder de pesquisa do Google Brain e autor citado no artigo do LaMDA. Captou cerca de US$ 75 mi em três rodadas em aproximadamente dez meses, com investidores como QED, Blackbird e Square Peg.

Assim como a Gradient, o ponto central da Lorikeet é que ela executa ações. Ela mira explicitamente "os 20% mais difíceis dos tickets, que geram 80% do seu esforço de suporte", aqueles que envolvem consultar dados, fazer algo nos seus sistemas e tomar uma decisão real. Onde vai além é num conceito que chama de Outcomes: em vez de um genérico "fechar" ou "escalar", você define formas nomeadas e significativas de uma conversa terminar, e cada Outcome dispara seu próprio conjunto de ações em ordem fixa e determinística todas as vezes.

A segunda coisa em que a Lorikeet se apoia é um agente de operações separado chamado Coach. O Coach é a contraparte interna do Concierge voltado ao cliente: ele observa conversas, agrupa motivos de contato, identifica uma queda de CSAT ligada a um fluxo específico e então propõe e (com sua aprovação) implementa a correção. Ele pode ser acessado no Slack, no Claude, no ChatGPT ou via MCP.

As provas de clientes da Lorikeet são amplas. A Carmoola passou a resolução de 30% para 60% das conversas de ponta a ponta, a Linktree reduziu o tempo de primeira resposta para cerca de um minuto, e a Eucalyptus, uma healthtech, lidou com o triplo de tickets com CSAT dez pontos acima. Os logos de healthtech mostram que a Lorikeet não é uma aposta exclusivamente financeira como a Gradient.

Uma nota honesta sobre a percepção pública: avaliações independentes de qualquer um dos produtos são escassas. A única reclamação pública verificável que encontrei é uma avaliação de 1 estrela no Trustpilot de um usuário final que encontrou a Lorikeet no onboarding da Airwallex e não conseguiu ser encaminhado a um humano. É um único dado, mas é exatamente o modo de falha que ambas as ferramentas foram feitas para evitar, o que vale lembrar ao ler os números de resolução.

Como cada uma é realmente construída

Esta é a parte que mais me importa, porque é onde mora a diferença real entre "ótima demo" e "segura em produção". Ambas as empresas são incomumente criteriosas aqui, e resolvem o mesmo problema de formas diferentes.

A Gradient Labs executa o agente como uma máquina de estados: um agente central de raciocínio orquestra habilidades especializadas, e os casos se movem entre fluxos sem perder contexto. Por baixo, é multimodelo, roteando para OpenAI, Anthropic e Google conforme o passo exija raciocínio pesado ou execução rápida e determinística. A camada de segurança são mais de 20 barreiras específicas de finanças rodando em cada turno, verificando coisas como detecção de aconselhamento financeiro, sinais de vulnerabilidade, reclamações e tentativas de burlar a verificação. A frase da Chief Scientist Danai Antoniou no estudo de caso da OpenAI resume a filosofia: "É preciso projetar desde a base para zero alucinações."

A resposta da Lorikeet é o que ela chama de "defesa em profundidade", quatro camadas em que cada uma pressupõe que as outras ocasionalmente falharão:

1. Um agente-base feito sob medida para suporte, cujo padrão é "não invente coisas".
2. Simulação bot a bot, em que um LLM faz o papel de cliente contra o agente real e o fluxo real, e os cenários podem ser gerados a partir de tickets reais de produção que falharam.
3. Barreiras em tempo de execução que rodam em uma thread separada, observando cada resposta de saída antes de chegar ao cliente, sem inchar o prompt principal.
4. QA pós-ticket que pontua 100% dos tickets (humanos, de IA ou híbridos) em um painel de semáforo.

O CTO Jamie Hall descreve a camada de execução como "basicamente observar cada frase à medida que sai". A diferença prática: a Gradient embute suas verificações de compliance em um conjunto denso de barreiras por turno ajustado para bancos, enquanto a Lorikeet distribui suas verificações em um ciclo de testes e QA que você pode inspecionar. Ambas são sérias. Nenhuma remove a sua própria responsabilidade regulatória, e a Lorikeet é refrescantemente explícita quanto a isso.

Preços: uma publica, a outra não

Esta é a divisão prática mais clara entre as duas, e ela decide muita coisa.

A Gradient Labs não publica número algum. A página de preços é um formulário de captação de leads. O modelo é descrito em palavras, "preços baseados em resultados sem taxas de plataforma, pague apenas por consultas resolvidas com sucesso", e o CEO Dimitri Masin defende publicamente essa abordagem: "Se não resolvermos o problema e você ainda precisar envolver sua equipe humana, então você não precisa nos pagar." É um modelo justo. Só significa que você não consegue saber quanto vai pagar sem uma conversa comercial, e a tarifa é escalonada pelo nível de resolução que você atinge.

A Lorikeet de fato publica seus planos, o que é raro nesta categoria e merece crédito.

Os créditos são consumidos por ticket resolvido, e a tarifa cai conforme você escala:

Isso dá aproximadamente US$ 1,00 por resolução de chat no Start e cerca de US$ 0,80 no Scale, sem taxa por usuário nem de implantação em nenhum nível. Como a Gradient, a Lorikeet só cobra pelos tickets que realmente resolve, e reembolsa a parte de IA de qualquer ticket que seu próprio QA classifique como ruim.

Nenhuma das duas oferece teste gratuito ou cadastro self-service. Toda porta de entrada é uma demo. Esse é o custo prático que a maioria das equipes subestima: você se compromete com um ciclo de vendas e uma implantação de várias semanas antes de ver o agente tocar em um único ticket real. Para comparação, a eesel começa em US$ 299/mês por 500 créditos (1 crédito por ticket ou chat), sem taxa por usuário e sem taxa de plataforma, e você pode começar com 100 créditos grátis sem falar com ninguém.

Então, qual e para quem?

Colocando lado a lado, a escolha é, na verdade, clara.

Escolha a Gradient Labs se você é um banco, credor ou seguradora e o trabalho que quer automatizar são disputas, KYB, cobrança ou sinistros. Ninguém mais nesta lista curta vai tão fundo nas operações financeiras reguladas, e as mais de 20 barreiras por turno são feitas exatamente para esse perfil de risco. Você troca transparência de preços por essa profundidade.

Escolha a Lorikeet se você abrange fintech e healthtech, quer uma pilha pesada de testes e QA que possa inspecionar e gostaria de ver um número real antes de agendar uma ligação. O modelo de Outcomes e o agente de operações Coach são diferenciais reais, e publicar os preços gera confiança de verdade.

Olhe além das duas se a descrição honesta da sua situação é "temos um helpdesk comum e queremos, em breve, um agente de IA cuidando dos 40 a 60% repetitivos dos tickets". Tanto a Gradient quanto a Lorikeet são implantações enterprise de venda assistida e de várias semanas. É a decisão certa quando um erro é um incidente regulatório. É exagero quando é uma pergunta sobre "cadê meu pedido". É aqui que um colega mais leve se encaixa, e vale ser honesto: as duas ferramentas acima simplesmente não são voltadas para você.

Experimente a eesel para um caminho mais rápido

Se você leu a seção acima e pensou "esse sou eu", aqui vai a proposta, e vou mantê-la concreta. A eesel AI é um colega de suporte que você adiciona ao helpdesk que já usa, Zendesk, Freshdesk, Gorgias ou Front, em minutos em vez de um trimestre. Ela aprende sozinha com seus tickets passados e sua central de ajuda, então começa já conhecendo seu produto em vez de esperar por uma equipe de implantação.

O diferencial que eu destacaria, dado tudo o que foi dito acima sobre demos enganosas, é a simulação: antes de a eesel responder a um único cliente ao vivo, ela reproduz seus tickets passados reais e pontua cada rascunho em relação ao que sua equipe realmente enviou. Você implanta com base em evidências, não em uma promessa. Custa um preço mensal fixo a partir de US$ 299 por 500 créditos, é self-service e traz 100 créditos grátis para testar primeiro com seus próprios dados. Para uma operação financeira regulada, Gradient ou Lorikeet ainda podem ser o encaixe mais profundo, e tudo bem. Para a maioria das equipes de suporte, a eesel entrega o mesmo valor de "resolver, não desviar", no ar esta semana.