Montei um agente de IA para atendimento no WhatsApp que reduziu 90% do tempo de resposta. Mas o caminho foi mais tortuoso do que parece. Aqui está o que realmente aconteceu.
Agente de IA para WhatsApp virou moda. Todo mundo está vendendo isso. A maioria dos cases que você lê online parece fácil demais — configura, treina, vai embora. Na prática, é mais complicado.
Vou contar o que aconteceu de verdade em um projeto que colocamos em produção há seis meses.
O cliente é uma empresa de serviços financeiros de médio porte. Equipe de atendimento com 4 pessoas. WhatsApp era o principal canal — recebia em torno de 200 mensagens por dia. A maior dor: mensagens fora do horário comercial ficavam sem resposta até o dia seguinte. Leads perdidos, clientes insatisfeitos.
A proposta inicial era simples: um agente que respondesse perguntas frequentes fora do horário e qualificasse os leads antes de passar para a equipe.
Configuramos o agente, treinamos com a base de conhecimento da empresa (uns 40 documentos internos, FAQ, tabelas de produtos), integramos ao WhatsApp via Z-API. Botamos no ar.
Na primeira semana, o agente inventou informações. Não é brincadeira: ele “respondeu” perguntas sobre taxas com números que simplesmente não existiam nos documentos. Alucinou, como se diz no jargão.
Tivemos que tirar do ar, rever toda a arquitetura de prompt, adicionar restrições mais duras sobre o que o agente podia ou não afirmar. Também mudamos a forma como a base de conhecimento era recuperada — implementamos RAG (Retrieval-Augmented Generation) ao invés de jogar tudo no contexto de uma vez.
A segunda versão foi muito mais conservadora. O agente só respondia com informações explicitamente presentes na base. Quando não sabia, dizia que iria conectar com a equipe. Simples assim.
Com a segunda versão, o tempo médio de primeira resposta caiu de 4 horas (no modelo antigo, contando fora do horário) para menos de 30 segundos. Essa métrica impressionou — e fez diferença real na conversão.
Leads que chegavam tarde da noite passaram a receber resposta imediata. Quando a equipe chegava de manhã, o agente já tinha qualificado o interesse, coletado dados básicos e, em alguns casos, já marcado reuniões.
A equipe de 4 pessoas passou a usar mais tempo em negociações e fechamentos do que em triagem. Esse foi o resultado mais relevante para o negócio.
A handoff (passagem do atendimento do agente para humano) foi complicada no início. O agente não tinha critério claro para quando escalar. Resultado: às vezes escalava coisa simples, às vezes tentava resolver coisas que não devia.
Definimos gatilhos explícitos: reclamação com palavra-chave específica, solicitação de cancelamento, pergunta sobre valor acima de X. Funcionou bem melhor depois.
Outro ponto: a base de conhecimento precisa de manutenção. Regras mudam, produtos são atualizados. Nas primeiras semanas esquecemos de atualizar o agente com uma mudança de tabela de preços. Ele ficou respondendo com valores antigos por três dias antes de alguém perceber. Hoje temos um processo de atualização quinzenal.
O agente está estável. A métrica de −90% no tempo de resposta se manteve. A equipe gostou — principalmente porque parou de ter que responder as mesmas 10 perguntas repetidas todo dia.
O cliente está pensando em expandir para Instagram. A estrutura já suporta isso; é principalmente configuração.
Começaria com escopo menor. Nossa primeira versão tentou cobrir muita coisa de uma vez. Uma versão com 20 respostas bem calibradas teria sido mais rápida de estabilizar do que 200 respostas imprecisas.
E testaria mais tempo em paralelo antes de tirar a equipe humana do fluxo padrão. O período de monitoramento intensivo nos primeiros 30 dias é fundamental — é quando os erros aparecem e você aprende o comportamento real dos usuários.
Se você está pensando em implementar algo assim, me conta o contexto. Cada operação tem particularidades, e o que funcionou aqui pode precisar de ajuste para o seu caso.
30 minutos para entender o seu desafio e ver se faz sentido trabalharmos juntos.