Henrique Bastos

Um cliente, dois meses: o agente que respondeu mais de 10 mil mensagens

Um negócio de hospedagem e lazer em Goiás atendia tudo por WhatsApp, na mão. A mediana de primeira resposta era de 45 minutos, um terço das mensagens chegava à noite ou em dia fechado, e não existia número de nada: nem tempo de resposta, nem quantas perguntas se repetiam, nem quanto se perdia em conversa abandonada.

Especifiquei e construí um agente em produção: 84 etapas de fluxo em n8n, Supabase para estado e histórico, Google Calendar para a agenda, transcrição de áudio e a API oficial do WhatsApp. Ele responde dúvida, cotação e política da casa, e escala para a equipe nos casos que pedem decisão humana.

O que mudou, em 62 dias de operação

Partindo de zero atendimento automático: antes do sistema, nenhuma mensagem era respondida sem uma pessoa. A mediana de 19s conta desde o horário da mensagem do cliente e inclui os 10 segundos que o agente espera para juntar mensagens seguidas. Em 9 de cada 10 vezes, até 22s.

O gargalo mudou de lugar, e isso é resultado também

O agente fecha reserva em 4 das 9 unidades. Nas outras cinco ele não consegue, porque a ocupação não é lançada em lugar nenhum, e mais de 145 pessoas pediram exatamente essas unidades. Também dá para ver, semana a semana, onde as conversas morrem.

Nenhuma das duas coisas se conserta com prompt melhor. São decisões da operação, e foi a medição que tornou possível apontar para elas com número. Automatizar a etapa boa de um processo quebrado só faz o gargalo andar de lugar.

Diagnóstico antes de construção

Antes de escolher ferramenta, eu entrevisto quem executa o trabalho, desenho o processo como ele acontece de verdade e classifico cada gargalo por perda de tempo ou risco de erro. Cada um vira um número em reais por ano: horas, custo por hora e volume. Só então comparo com o custo de construir e com o tempo de retorno.

Em boa parte dos casos a recomendação é não automatizar, e resolver com processo, planilha ou uma contratação. Quando compensa, a ordem é ganho rápido primeiro.

EntrevistasMapa de processosOps CanvasCusto em R$/anoMatriz de impactoRoadmap com retorno

Prompt define comportamento, código define o que não pode acontecer

Modelo de linguagem não é garantia. O que sustenta um agente em produção são as travas determinísticas por cima da geração: o que ele não pode afirmar, o que ele não pode fechar sem confirmação, e o que obriga a passar para uma pessoa. O contexto do negócio fica documentado em arquivo, versionado, para que o agente e eu estejamos lendo a mesma verdade.

Onde a IA não deve entrar

Numa esteira de prospecção que construí sobre a base pública de CNPJs da Receita, parte de 1,17 milhão de empresas até uma lista qualificada, com enriquecimento, deduplicação e priorização. A decisão que mais economizou foi tirar o modelo das etapas que não exigem julgamento: o custo por item caiu de 50 a 100 mil tokens para cerca de 18 mil, sem perder qualidade.

O que a IA não pode fazer é decidido antes de ela entrar

Agente que fala com cliente lida com dado pessoal, e isso muda o que pode ser construído. Na prática: o dado pessoal fica mascarado no repositório, o agente só acessa o que precisa para responder, e tudo que ele decide fica registrado, com o histórico de qual versão do fluxo estava no ar em cada momento.

As decisões que afetam o cliente têm revisão humana por construção. O agente não fecha nada fora do que foi autorizado, não confirma disponibilidade que não consegue verificar, e passa para uma pessoa quando o pedido sai do combinado. Isso não é configuração de prompt: são travas em código, testadas antes de subir.

Escolho o modelo pela tarefa, não por preferência, e levo em conta onde o dado é processado e se ele pode ser usado para treinar modelo de terceiro.

Nove produtos SaaS B2B, cinco levados do zero até a operação

Três anos e meio como Product Owner e Product Manager: conta digital e pagamentos, atendimento omnichannel, ERP com PDV, e-learning homologado por DETRAN e ferramentas de presença local com IA.

Oito anos em tecnologia, do suporte à IA

Entrei como analista de suporte júnior em 2018 e cheguei a gerente do setor em dois anos e nove meses. Respondia por um helpdesk de quase 20 agentes em chat, e-mail e telefone, com um supervisor sob minha gestão, atendendo cerca de 600 autoescolas que operavam sob portarias do DETRAN-GO, onde erro de processo tinha consequência regulatória para o cliente.

Foi ali que aprendi a olhar processo de perto: onde o retrabalho nasce, o que o time faz porque sempre fez, e quanto disso custa. Depois vieram produto e, agora, IA aplicada.

Quatro coisas que eu vi quebrar, e o que mudei depois

• Sprint cancelada por falta de valor percebido. Entregamos o que estava no backlog e o cliente não viu diferença. Hoje eu defino qual número deve mudar antes de a sprint começar.
• Critério de aceite vago virando retrabalho. O time entregava o que entendeu, não o que era preciso. Passei a escrever o critério junto com quem vai testar.
• Expectativa desalinhada com o cliente. O combinado estava na cabeça de todo mundo e em lugar nenhum. Virou registro escrito, com o que está fora do escopo dito na mesma frase.
• Volume de bug alto derrubando a planning. A correção comia a capacidade e ninguém contava isso. Passei a reservar capacidade para correção e a medir o que sobra.

O mesmo vale para o trabalho com IA: no projeto mais recente, a primeira meta contratada não foi batida no primeiro mês, e o número saiu no relatório do mesmo jeito, ao lado da série que já estava acima da meta nas semanas seguintes.

Perto de quem executa, com o resultado medido em público

Trabalho remoto, com disponibilidade para estar presencialmente quando o assunto pede ver a operação acontecer. Escrevo sobre o que aprendo, inclusive sobre o que não deu certo, porque é o tipo de conteúdo que me obriga a ter número antes de afirmar.