Agente conversacional RAG proativo para atendimento de clientes Long Tail

Contexto

Eu já tenho experiência, por isso não queria um case acadêmico, fui atrás de um desafio real.

Escrevi um e-mail para os sócios da ADV Tecnologia.

Pedi para me cederem a oportunidade de fazer um case real lá, com pessoas, necessidades, dores e prioridades reais.

Descoberta

Comecei pelo time de Suporte.
Acompanhando a rotina, os atendimentos e o uso do sistema.
Não identifiquei oportunidades claras naquele momento.

Segui então para o time de Sucesso do Cliente.
Conversando com a equipe, surgiram algumas questões que poderiam ser exploradas no case:

• Os clientes D (menor ticket / Long Tail) não recebem acompanhamento ativo da equipe de CS.
• A pesquisa de NPS é feita manualmente, desde a seleção dos clientes até o envio, e tinha baixa adesão.

Inicialmente, eu e uma colaboradora CS, pensamos em automatizar o envio da pesquisa NPS.
Em conversa com o gestor, entendemos que essa não era uma prioridade.
O foco maior, seriam os clientes D.

Essa categoria com atendimento reativo gera dois efeitos principais:

• A empresa não consegue identificar insatisfação dos clientes antes do churn.
• Oportunidades de crescimento (upgrade de módulos) não são identificadas.

Problema

Os clientes da categoria D são importantes para a empresa.
Porém, devido ao ticket médio, não é viável manter um atendimento proativo da equipe de Sucesso do Cliente, o que reduz a proximidade e o acompanhamento desses clientes.

Com isso, a empresa perde visibilidade sobre:

• Satisfação: não identifica insatisfação antes do cancelamento (churn).
• Uso do produto: não enxerga se o cliente está extraindo todo potencial do sistema.
• Oportunidades de crescimento: perde chances de oferecer upgrade em momentos de interesse do cliente.

Como manter esses clientes próximos da empresa, sem aumentar o custo operacional?

Direção da solução

A ideia inicial era automatizar o envio de mensagens simples.
Mas mensagens genéricas não geram valor.

A partir disso, direcionei a ação para:

• Contato esporádico proativo: criar vínculo do cliente com a marca.
• Percepção de valor: dicas de uso do sistema, apresentar outros módulos.
• Espaço para interação: permite esclarecer dúvidas, identificar interesse ou insatisfação.

O caminho escolhido foi um agente conversacional com IA.

Decisões de produto

Canal

O WhatsApp foi escolhido por já ser o principal canal de comunicação utilizado pela empresa.
Isso elimina a necessidade de mudança de comportamento, tanto interna quanto do cliente.

Papel do agente

O agente foi pensado como:

• Educador: mostrar funcionalidades e boas práticas.
• Ponto de contato contínuo: manter a marca presente.
• Termômetro: forma de captar sinais de insatisfação ou interesse.

Limites do agente

• Responde apenas com base de conhecimento RAG.
• Não fala sobre valores (preços).

Integração com o time

• Sinais de insatisfação (detratores): gera um alerta direcionado para a equipe de Sucesso do Cliente.
• Sinais de interesse (upgrade): gera um alerta direcionado para a equipe de Vendas.

Base de conhecimento (RAG)

Utilizei o conteúdo já existente da empresa (Canal do YouTube) para construir uma base estruturada, permitindo que o agente respondesse dúvidas de forma autônoma sem gerar carga para o time.

Estruturação da base de conhecimento a partir do conteúdo existente

O que foi construído

• Base de conhecimento: RAG estruturada a partir dos vídeos do canal da empresa.
• Agente conversacional: conectado ao WhatsApp para interação com os clientes.
• Painel gerencial: Kanban para acompanhamento, histórico e envio das mensagens.

Exemplo de interação com o agente utilizando a base de conhecimento

O painel permite:

• Visualizar mensagens:: histórico das conversas entre o agente e os clientes.
• Classificação: clientes inativos, em atendimento, insatisfeitos ou com potencial de upgrade.
• Atuação manual: o time pode enviar mensagem manual pelo painel, interagindo na conversa.

Painel Kanban para acompanhamento das interações e identificação de oportunidades

Os testes mostraram:

• Boa capacidade de resposta do agente com base no conhecimento alimentado.
• Potencial de uso pela equipe interna, como apoio ao fluxo do sistema.

O agente foi testado com pessoas internas e externas à empresa.

O projeto não foi implantado   =[

Limitações e próximos passos

Alguns pontos ficaram como evolução do projeto:

• Alimentar o agente com mais conteúdos, não apenas os do canal do YouTube.
• Integração com o ERP para segmentação real de clientes e módulos.
• Definição de estratégia de envio (conteúdo e frequência).
• Identificação automática de “temperatura” da conversa.
• Automações para acionamento do time.

Aprendizados

Esse projeto reforçou pontos importantes no meu perfil:

• Proatividade: busquei um problema real em vez de criar um cenário fictício.
• Adaptabilidade: mudei o foco do projeto após ouvir o negócio.
• Pensamento de produto: priorizei valor para o usuário e para o negócio.
• Visão de serviço: equilibrei automação com atuação humana.
• Aprendizado rápido / hands-on: construí um fluxo completo com IA, mesmo sem background técnico.

Hipótese

A proposta permitiria:

• Aumentar a percepção de valor do produto.
• Manter relacionamento com clientes sem atendimento ativo.
• Identificar sinais de churn antes do cancelamento.
• Gerar oportunidades de upgrade.
• Escalar parte do trabalho do CS sem aumento de custo.

Agradeço a leitura   =]
Fico à disposição para conversar e
aprofundar as decisões do projeto