Quanto faturamento a qualificação automática descarta como convênio por engano na clínica odontológica?

"Como medir quanto paciente particular a qualificação automática está jogando fora como se fosse convênio?"

Você não tem esse número. E não é desleixo da sua operação.

A régua que qualifica o lead entrega relatório do que aprovou. Do que ela recusou, ela entrega silêncio. O lead descartado não vira agendamento, não vira orçamento, não vira nada que o painel consiga contar.

Então a pergunta certa não é "qual o meu número". É "qual medição produz esse número", já que nenhum sistema vai te dar de graça.

Dá para montar essa medição do zero, com o que você já tem no histórico de conversas.

Neste guia você vai ver:

• Como definir o que conta como particular antes de sair medindo
• Por que o descarte é invisível por estrutura, e não por falha de software
• Quantas conversas descartadas reler e como sortear a amostra
• O protocolo de releitura cega com dois leitores e kappa de Cohen
• Como usar um modelo de linguagem como segundo leitor sem se enganar
• A conta de quatro fatores que transforma taxa de erro em faturamento perdido
• O painel mensal e os erros que invalidam a auditoria inteira

Defina o rótulo antes de medir: o que conta como "particular" na sua clínica

Quase toda auditoria de qualificação morre aqui, antes de começar. Dois leitores relendo a mesma conversa com definições diferentes produzem um número que não significa nada.

O erro mais comum é tratar "tem plano odontológico" como sinônimo de "não é particular". São coisas diferentes.

Segundo os dados gerais do setor da ANS (base SIB/ANS/MS, referência de junho de 2026), o Brasil tem 36.766.931 beneficiários de planos exclusivamente odontológicos, dos quais 27.502.143 estão em planos coletivos empresariais.

Ou seja: carregar um plano é situação comum, e na maior parte das vezes ele chega pelo empregador. Isso é contexto importante, porque o plano que veio junto com o emprego não descreve a disposição do paciente de pagar pelo tratamento que ele de fato quer.

Uma análise da Pesquisa de Orçamentos Familiares (POF) 2008-2009 do IBGE, publicada na Revista de Saúde Pública da USP, encontrou que apenas 2,5% dos domicílios brasileiros relataram gastos com planos exclusivamente odontológicos, com valor per capita anual que somou em média R$5,10. É um dado histórico, de domicílios brasileiros naquela pesquisa, e a leitura que ele permite é modesta: o desembolso da família com o plano odontológico é pequeno e pouco disseminado, o que conversa com a concentração no coletivo empresarial.

Na prática da sua clínica, o paciente com plano paga do bolso o que o plano não cobre: estética, prótese, reabilitação, ortodontia acima do teto. Ele é convênio e particular ao mesmo tempo, dependendo do procedimento.

Por isso o rótulo que você vai auditar não pode ser "tem plano". Tem que ser operacional:

1. Particular: o paciente vai pagar do próprio bolso o tratamento que motivou esse contato.
2. Convênio: o paciente quer que o plano cubra o tratamento que motivou esse contato.
3. Misto: o paciente tem plano e o tratamento que ele quer não é coberto (na sua régua, isso precisa cair em algum dos dois lados, por escrito).

Escreva as três definições em uma folha. Todo leitor da auditoria usa essa folha. Sem isso, você não está medindo erro de máquina, está medindo desacordo de vocabulário.

Lembre: o rótulo é uma decisão de negócio, não um detalhe técnico. Quem define o que é particular na sua clínica é você, antes de qualquer releitura, e não o fornecedor da automação depois.

Por que isso virou problema agora

A triagem deixou de ser humana. O primeiro contato do paciente hoje passa por menu, formulário, fluxo automatizado ou agente de IA antes de qualquer pessoa da sua equipe ler a conversa.

Isso mudou a natureza do erro. A recepcionista que descartava um paciente errado deixava rastro: alguém lembrava, alguém comentava, o paciente ligava de novo e caía com outra pessoa.

A régua automática descarta em silêncio, de madrugada, milhares de vezes, sempre do mesmo jeito. O erro deixou de ser evento e virou taxa.

E taxa não se descobre por percepção. Se descobre por medição.

Por que esse número não aparece sozinho no painel

Aqui está a parte contraintuitiva, e ela não é culpa do seu fornecedor.

Num relatório de 2018 sobre pareamento de registros de pacientes em instituições de saúde dos Estados Unidos, o Pew Charitable Trusts registra que as organizações não conseguem calcular a taxa real de acerto porque não sabem quais registros deveriam ter sido ligados: elas conhecem apenas quantos conseguiram parear.

O paralelo com a sua régua é de estrutura, não de números. A sua automação sabe quantos leads ela aprovou como particular. Ela não sabe quantos deveria ter aprovado, porque os que ela recusou nunca produziram desfecho para conferir.

Isso tem um nome: rótulo seletivo. Você só observa o resultado dos casos que passaram pelo filtro. Os recusados viram um buraco permanente na sua base.

E o buraco se fecha sozinho de um jeito perverso: como o lead descartado nunca agenda, ele confirma a decisão da régua. O sistema parece estar certo porque ninguém testa o contrário.

A única saída é gerar o dado que falta. Alguém precisa reler o que foi recusado e dizer, com critério, o que era.

O erro assimétrico: falso negativo custa faturamento, falso positivo custa agenda

Antes de medir, entenda por que a régua provavelmente já está torta para um lado.

São dois erros possíveis, e eles têm preços diferentes:

Erro	O que aconteceu	O que custa	Quando você descobre
Falso negativo	Paciente particular marcado como convênio e descartado	Faturamento que nunca entrou	Nunca, a menos que você audite
Falso positivo	Paciente de convênio passou como particular	Tempo de agenda e frustração na recepção	No mesmo dia, na cadeira

Repare na última coluna. O falso positivo reclama. O falso negativo vai embora calado.

Esse desequilíbrio de visibilidade empurra toda operação na mesma direção, e não é um comportamento isolado da sua clínica. No mesmo relatório de 2018, o Pew Charitable Trusts observa que as instituições de saúde, no conjunto, calibram para evitar falso positivo e, em consequência, o problema mais comum passa a ser não conseguir ligar o paciente ao próprio registro, que é o falso negativo.

Mesma lógica, outro contexto: quem sente o erro visível aperta o filtro, e o erro invisível cresce.

Lembre: a régua não erra por acaso. Ela erra na direção do erro que ninguém reclama.

Três causas diferentes de descarte (e só uma é erro de leitura)

Antes de reler qualquer conversa, separe o motivo do descarte. Misturar os três produz uma taxa de erro que não aponta para nenhum conserto.

1. O lead declarou convênio. Ele escreveu que tem plano e que quer usar. A régua leu certo. Se esse paciente era particular em potencial, o problema não é de classificação, é de oferta: ninguém mostrou a ele o que o plano não cobre.

2. O lead perguntou preço de convênio. Ele quis saber se você atende o plano dele. Isso é pergunta, não escolha de forma de pagamento. Tratar pergunta como declaração é a fonte mais previsível de falso negativo.

3. A régua inferiu convênio sozinha. Ninguém falou de plano. O sistema deduziu por palavra-chave, por procedimento citado, por perfil, por horário, por origem da campanha. Aqui mora o erro puro de classificação, e é aqui que a auditoria rende mais.

Sua planilha de auditoria precisa dessa coluna. Uma taxa de erro calculada sobre o bolo inteiro de descartes esconde que a causa 3 pode estar errando muito mais que as outras duas juntas.

Recall e precisão: por que o limiar move os dois erros em direções opostas

Agora o vocabulário que faz você conversar de igual para igual com quem opera a régua.

O Google, no Machine Learning Crash Course, define recall (taxa de verdadeiros positivos) como a proporção de todos os positivos reais que foram classificados corretamente como positivos.

Na sua clínica, lendo "particular" como o positivo: recall é a fatia de todos os pacientes particulares reais que a régua conseguiu reconhecer como particulares. O que faltou para completar essa fatia é exatamente o faturamento que você está procurando.

Precisão é a outra pergunta: dos que a régua chamou de particular, quantos eram mesmo.

E aí vem o ponto que decide a calibragem. Ainda no Machine Learning Crash Course, o Google registra que subir o limiar de classificação tende a reduzir falsos positivos e aumentar falsos negativos, e que baixar o limiar produz o efeito inverso. Por isso precisão e recall costumam ter relação inversa.

O que isso significa na prática:

• Toda vez que alguém aperta a régua para "parar de trazer convênio disfarçado", o recall cai.
• Toda vez que alguém afrouxa para "não perder ninguém", a recepção reclama de agenda ocupada com caso que não fecha.
• Não existe ponto em que os dois erros somem. Existe o ponto em que a soma dos custos é a menor.

Escolher esse ponto exige saber quanto custa cada erro na sua clínica. É para isso que serve a conta mais adiante. Sobre o desenho do limiar em si, veja falso negativo na triagem de orçamento com IA.

Quantas conversas descartadas reler: desenhe a amostra antes de olhar

Aqui a regra é simples de enunciar e difícil de obedecer: o tamanho da amostra e o critério de sorteio são decididos antes de você ler a primeira conversa.

Por quê? Porque se você começa a ler e para quando "já deu para ver", o número que sai é o número que você queria encontrar.

O princípio que define o tamanho: quanto mais raro o erro que você espera, mais conversas você precisa reler para que ele apareça o suficiente para ser contado com alguma estabilidade. Se você acha que o erro é pequeno, prepare uma amostra maior, não menor.

O procedimento que funciona:

1. Feche a janela. Escolha um mês inteiro de descartes, não "os últimos dias".
2. Liste todos os descartes daquela janela, com o motivo (as três causas da seção anterior).
3. Sorteie aleatoriamente dentro de cada causa, em vez de sortear no bolo todo. Assim você mede a causa 3 com precisão mesmo que ela seja minoria.
4. Fixe o número antes de ler e releia tudo o que sorteou, inclusive as conversas chatas, curtas e ambíguas.
5. Guarde os que sobraram sem ler. Eles são a sua amostra de checagem para a rodada seguinte.

Um exemplo hipotético do formato, só para fixar a ideia: suponha que a sua régua descartou 400 conversas em um mês, sendo 240 pela causa 1, 100 pela causa 2 e 60 pela causa 3. Você sorteia dentro de cada bloco e relê com o mesmo protocolo. Os números aqui são inventados para ilustrar o desenho, não são referência de mercado.

Protocolo de releitura cega: dois leitores, rótulo binário, kappa de Cohen

Amostra sorteada, agora o protocolo. Ele tem quatro travas, e nenhuma é opcional.

Trava 1: cegueira. O leitor não vê o rótulo que a régua deu, nem o motivo do descarte, nem se o paciente voltou depois. Vê só a conversa. Rótulo visível vira âncora, e o leitor tende a concordar com o que já está escrito.

Trava 2: dois leitores independentes. Cada conversa é lida por duas pessoas que não conversam entre si durante a rodada. Um leitor sozinho mede a opinião dele, não a taxa de erro.

Trava 3: rótulo binário. A saída é particular ou convênio, usando as definições que você escreveu na primeira seção. Nada de escala graduada, nada de "meio particular". Se a conversa não permite decidir, existe uma terceira caixa: indecidível, contada à parte.

Trava 4: kappa de Cohen, não percentual de concordância. Esta é a que mais gente pula.

O percentual simples engana quando uma classe domina. Se quase todo descarte é mesmo convênio, dois leitores que respondem "convênio" no piloto automático vão concordar em quase tudo sem carregar informação nenhuma.

O kappa de Cohen mede a concordância entre os dois leitores descontando a parte que o acaso sozinho já explicaria. O piso da escala corresponde a uma concordância que o acaso produziria; o topo, a acordo perfeito.

Como usar na prática:

• Calcule o kappa antes de olhar a taxa de erro. Se os leitores não concordam, a taxa de erro não significa nada.
• Kappa baixo não é motivo para brigar com os leitores. É sinal de que a sua definição de rótulo está ambígua. Volte à folha das definições e reescreva.
• Só depois de kappa aceitável, resolva as divergências restantes com um terceiro leitor e produza a taxa final.

Lembre: a auditoria mede duas coisas ao mesmo tempo. A taxa de erro da régua e a clareza da sua própria definição de particular. Kappa baixo reprova a segunda antes de você poder confiar na primeira.

Usar um modelo de linguagem como segundo leitor (com os vieses do método)

Reler conversa à mão custa caro e cansa. Um modelo de linguagem lendo as conversas descartadas resolve boa parte do custo, desde que você trate o modelo como leitor, e não como juiz.

O que funciona:

1. Dê ao modelo a mesma folha de definições que os humanos usaram. Sem ela, ele inventa o próprio critério.
2. Esconda o rótulo da régua. Se o modelo vê o que a automação decidiu, ele tende a confirmar.
3. Embaralhe a ordem das conversas entre execuções, porque ordem influencia resultado.
4. Releia a mesma conversa mais de uma vez. Se o modelo muda de opinião sobre a mesma conversa, a instabilidade dele entra na sua margem de erro.
5. Meça o modelo contra um conjunto rotulado por humanos primeiro. O kappa entre modelo e humano é o que autoriza (ou não) usar o modelo em escala.

Os vieses conhecidos que você precisa assumir por escrito no relatório:

• Ancoragem: qualquer pista do rótulo original puxa a resposta.
• Sensibilidade ao enunciado: mudar a redação da instrução muda a taxa medida, então congele a redação durante a rodada.
• Concordância excessiva: modelos tendem a concordar com o que o texto do interlocutor sugere, o que infla "convênio" quando o paciente menciona plano de passagem.
• Instabilidade entre execuções: a mesma entrada pode gerar saídas diferentes.

Assumir isso não desqualifica o método. Qualifica o número. Um resultado de modelo, validado contra humano e com a margem declarada, vale muito mais que uma planilha de percepção. Para o desenho completo dessa checagem, veja como auditar se a IA está classificando certo orçamento de particular e convênio.

A conta de quatro fatores: de taxa de erro para faturamento perdido

Com a taxa medida, a tradução para dinheiro é direta. São quatro fatores:

Faturamento perdido no mês = volume descartado × taxa de erro × conversão × ticket

Na tabela abaixo, a última coluna é um exemplo hipotético: os valores foram inventados só para mostrar a mecânica da conta e não são referência de mercado.

Fator	O que é	Onde você pega	Exemplo hipotético
Volume descartado	Conversas que a régua tirou da fila de particular na janela	Log da régua, mês fechado	400 conversas
Taxa de erro	Fatia dos descartes que, na releitura cega, era particular	Sua auditoria	15%
Conversão	Quanto do lead qualificado vira paciente que comparece e fecha	Seu histórico, por especialidade	10%
Ticket	Valor médio fechado por esse paciente	Seu sistema de gestão	R$ 2.000

Os valores da última coluna são um exemplo hipotético, inventados só para mostrar a mecânica da conta. Neste exemplo: 400 × 0,15 × 0,10 × R$ 2.000 = R$ 12.000 por mês, ou seja, o que a régua devolveria se parasse de errar aquele bloco.

Três cuidados para a conta não mentir:

• Use a sua conversão, não a que você imagina. Se você ainda não mede, precisa de uma referência de ordem de grandeza para começar. Segundo dados internos da Odonto Results (2026), 12% dos leads viram agendamento dentro do WhatsApp (faixa 9% a 15%), sem contar telefone. Base: 21.433 leads. Janela: 25 de março a 25 de agosto de 2026.
• Use o ticket do tratamento que motivou o contato, não o ticket médio da clínica inteira. Um descarte de reabilitação e um descarte de limpeza não valem a mesma coisa.
• Some por causa, não no bolo. Se a causa 3 concentra o erro, a conta dela sozinha já justifica o conserto, e o conserto é mais barato de fazer.

E o número que sai daí é mensal, recorrente. É isso que o diferencia de um prejuízo pontual: ele se repete todo mês enquanto a régua ficar como está.

Quanto custa reler: o outro lado da conta

Toda auditoria tem custo, e ignorá-lo é o que faz a auditoria virar projeto abandonado no segundo mês.

O custo da releitura é simples de estimar e ninguém precisa de benchmark externo para isso: cronometre as primeiras conversas da sua própria amostra e multiplique o tempo médio pelo custo por hora de quem lê. Esse é o número real da sua operação, e é o único que importa na decisão.

Compare com o resultado da seção anterior. A comparação costuma ser desconfortável de tão desequilibrada, porque:

• O custo da auditoria é pontual por rodada e cai quando você automatiza parte da releitura.
• A perda por falso negativo é recorrente e não cai sozinha.

Se a releitura completa da amostra parecer cara, reduza o escopo pela causa (releia só a causa 3, onde mora o erro puro de classificação) em vez de reduzir o rigor do protocolo. Amostra menor com protocolo inteiro ainda produz número. Amostra grande com protocolo frouxo não produz nada.

Estabilidade: quantas rodadas antes de tratar a taxa como real

Uma rodada te dá uma estimativa, não um fato. E a primeira rodada costuma ser a pior de todas, porque é nela que as definições ainda estão sendo acertadas.

O critério para parar de duvidar:

1. Repita o protocolo em janelas seguintes, com o mesmo sorteio e as mesmas definições.
2. Plote a taxa por rodada. Você está olhando para a variação, não para o número de uma rodada isolada.
3. Só trate como real a taxa que se repete na mesma faixa em rodadas consecutivas, com kappa aceitável em todas elas.
4. Não mude a régua no meio. Se alguém ajustar o limiar durante a auditoria, as rodadas deixam de ser comparáveis e você recomeça.

Uma oscilação grande entre rodadas não significa que a medição falhou. Significa que a amostra está pequena para a raridade do erro, ou que a definição de rótulo ainda está solta. Nos dois casos o conserto é no método, não no resultado.

O paralelo que você já usa: recusa não é veredito

Existe um lugar da sua clínica onde ninguém aceita uma recusa automática sem conferir.

É o faturamento de convênio. Quando a operadora glosa um procedimento, sua equipe não arquiva o caso: ela abre a documentação, contesta, e uma parte do dinheiro volta. Ninguém trata a glosa como julgamento final, porque todo mundo sabe que a recusa vem de uma régua que erra. Veja como recuperar glosa e repasse atrasado.

O descarte de lead é exatamente a mesma situação, com um detalhe pior: na glosa, a operadora te avisa que recusou. Na qualificação automática, ninguém avisa nada.

Pensa assim: se você contesta a recusa de quem te deve dinheiro, por que aceita sem conferir a recusa de quem ia te trazer dinheiro?

A auditoria de descarte é a contestação de glosa do seu funil de captação. Mesma postura, outro ponto do processo.

Devolutiva para quem opera: como fazer a auditoria mudar alguma coisa

Medir e guardar o resultado numa planilha não muda taxa nenhuma. A auditoria só vira faturamento quando volta como devolutiva para quem opera a régua e para quem atende.

O que faz a devolutiva funcionar melhor:

• Devolva o caso, não o percentual. "A régua descartou este paciente, e ele estava perguntando preço de clareamento" ensina. "O recall caiu" não ensina.
• Devolva rápido. Devolutiva sobre conversas de três meses atrás vira discussão histórica, não correção.
• Aponte a regra, não a pessoa. O alvo é o critério da régua ou o roteiro do atendimento, porque erro de critério se conserta uma vez e vale para todos os casos seguintes.
• Feche o ciclo. Toda devolutiva termina com uma mudança concreta (uma pergunta a mais no roteiro, um gatilho removido, um limiar ajustado) e com a data da próxima medição.

Calibre a expectativa: o efeito realista de uma rodada de devolutiva é uma melhora modesta e gradual, não um salto. Quem promete virada de chave numa rodada está vendendo, não medindo. O ganho vem da repetição do ciclo.

E tem um efeito colateral que costuma valer tanto quanto o número: quando a recepção vê o caso concreto que a régua jogou fora, ela para de tratar a automação como oráculo e passa a sinalizar o descarte duvidoso na hora, o que alimenta a rodada seguinte com caso real.

O painel mínimo mensal

Quatro linhas. Se o seu relatório tiver mais que isso no começo, ninguém vai olhar.

Indicador	O que responde	Como calcular
Taxa de descarte	Quanto do volume a régua está recusando	Descartes ÷ total de leads da janela
Taxa de erro auditada	Quanto do descarte era particular	Falsos negativos ÷ amostra relida, por causa
Receita recuperável	Quanto isso vale em dinheiro no mês	Volume × taxa de erro × conversão × ticket
Kappa entre leitores	Se a própria medição é confiável	Concordância entre os dois leitores, descontado o acaso

A quarta linha é a que garante as outras três. Sem ela, você tem três números com aparência de rigor e nenhuma garantia de que dois leitores chamariam a mesma conversa pelo mesmo nome.

Acrescente uma quinta linha quando a operação amadurecer: receita de fato recuperada, ou seja, quanto dos descartes reclassificados voltou para a fila, agendou e compareceu. É o que fecha o ciclo entre medir e faturar.

Sete erros que invalidam a medição inteira

Qualquer um destes derruba o resultado, por mais trabalho que a equipe tenha tido:

1. Reler só o que já converteu. Quem converteu não foi descartado. Você estaria auditando exatamente a população errada.
2. Escolher as conversas a dedo. Ler só as longas, só as recentes ou só as que "pareciam estranhas" produz uma taxa que não representa nada.
3. Misturar janelas. Descartes de meses diferentes passaram por réguas possivelmente diferentes. Compare janela com janela.
4. Mexer na régua durante a auditoria. Qualquer ajuste de limiar no meio quebra a comparabilidade e obriga a recomeçar.
5. Deixar o leitor ver o rótulo original. Sem cegueira, você mede concordância com a máquina, não erro da máquina.
6. Usar percentual de concordância no lugar do kappa. Com classe dominante, concordância alta convive com leitura sem informação.
7. Decidir o tamanho da amostra depois de ver o resultado. Parar quando o número ficou bom é o jeito mais rápido de produzir o número que você já esperava.

Se você cometeu um desses, o conserto é rodar de novo. Reaproveitar uma auditoria enviesada é pior que não ter auditoria, porque ela gera decisão de limiar com falsa confiança. E sobre a outra ponta do mesmo problema, quando o paciente omite o plano para passar no filtro, veja como a IA lida com quem tenta furar a triagem.

Seu próximo passo

1. Escreva a folha de definições hoje. Uma página com o que é particular, o que é convênio e o que é indecidível na sua clínica, com exemplos reais de conversa. Sem isso, nenhuma medição seguinte vale.
2. Feche uma janela e sorteie a amostra por causa de descarte. Fixe o tamanho antes de ler a primeira conversa, faça a releitura cega com dois leitores e calcule o kappa antes da taxa de erro.
3. Rode a conta de quatro fatores e leve o número para a reunião de gestão. Volume descartado, taxa de erro auditada, sua conversão e o ticket do tratamento. O resultado mensal é o que autoriza mexer no limiar com critério, e não por palpite.

Quer montar essa medição com quem já acompanha o funil da captação até o paciente na cadeira? Agende uma apresentação.