Agente de IA no WhatsApp: base, tom e passagem para humano

Um cliente escreve no WhatsApp às 22h perguntando onde está o pedido. Em segundos recebe o status, o código de rastreio e o prazo. Outro escreve para contestar uma cobrança e recebe quatro respostas genéricas antes de desistir. A diferença entre os dois casos raramente é o modelo de IA. É o desenho do atendimento: o que a IA sabe, como fala e quando passa a conversa para uma pessoa.

Este guia mostra como montar um agente de IA de atendimento no WhatsApp com critério. Cobre escopo, base de conhecimento, tom de voz, guardrails, integrações, regras de passagem para humano, exigências do WhatsApp Business Platform e da LGPD (Lei Geral de Proteção de Dados), métricas com fórmulas e um plano de piloto.

Agente de IA de atendimento x chatbot de fluxo

Um chatbot de fluxo segue uma árvore de decisão: o cliente escolhe uma opção, o sistema devolve uma resposta pré-escrita. Funciona bem para perguntas previsíveis, mas quebra quando o cliente escreve fora do roteiro.

Um agente de IA usa um modelo de linguagem para entender a mensagem em texto livre, buscar informação em uma base de conhecimento e, quando configurado, consultar sistemas (pedido, estoque) para montar a resposta. Ele decide o próximo passo dentro de regras que você define.

A tabela compara os dois modelos nos pontos que mais pesam na decisão. A conclusão prática: o agente cobre mais variação de linguagem, mas exige mais governança.

Na prática, os dois convivem. Um fluxo simples faz a triagem inicial e o agente responde o que está em texto livre. Para uma visão mais ampla de onde a IA cabe em cada área, veja o guia prático de IA no marketing por área.

O que automatizar e o que manter com pessoas

Comece pelo que é frequente, repetitivo e verificável em fonte oficial da empresa. Deixe com pessoas o que envolve exceção, emoção ou risco jurídico.

A regra de decisão: se o erro custa pouco e a resposta existe em um documento, automatize. Se o erro custa dinheiro, reputação ou direito do cliente, o agente coleta o contexto e transfere.

Passo a passo para montar o agente

1. Defina casos de uso e metas

Levante as 20 perguntas mais frequentes do último trimestre a partir das conversas reais. Agrupe por tema e estime o volume de cada um. Escolha de três a cinco casos para o piloto e fixe uma meta mensurável para cada, por exemplo contenção de 50% em status de pedido.

2. Prepare a base de conhecimento (RAG)

A técnica mais usada para ancorar o agente na realidade da empresa é o RAG (Retrieval-Augmented Generation, geração aumentada por recuperação). O artigo original de Lewis e colegas sobre RAG combina um modelo de linguagem com um índice de documentos pesquisado a cada pergunta. O objetivo é que a resposta venha de fontes recuperáveis, não só da memória do modelo.

Na prática, a qualidade da base pesa mais do que a escolha do modelo. Recomendações da Analytikos:

• FAQ reescrita como pergunta e resposta, uma ideia por item, com a linguagem que o cliente usa.
• Políticas completas: troca, devolução, garantia, frete, prazos, Pix, cancelamento, com exceções explícitas.
• Catálogo estruturado: atributos, tabela de medidas, compatibilidades, em vez de texto de campanha.
• Um dono por documento e data de revisão interna. Política vencida é a principal fonte de resposta errada.
• Rotina de atualização: toda mudança de política, preço ou prazo altera o documento no mesmo dia, antes de ser comunicada ao cliente.
• Lacunas viram tarefa: perguntas que o agente não soube responder alimentam a próxima versão da base.

Dois documentos que se contradizem produzem respostas que se contradizem.

3. Defina tom de voz e persona

Escreva uma página de persona: nome, forma de tratamento, tamanho máximo das mensagens, uso de emoji, como pedir desculpa e o que nunca dizer. No WhatsApp, prefira mensagens curtas e uma pergunta por vez.

Inclua cinco exemplos de resposta boa e três de resposta ruim no prompt. Exemplos orientam o modelo com mais precisão do que adjetivos como “cordial” ou “profissional”.

4. Configure guardrails e anti-alucinação

A documentação da Anthropic sobre como reduzir alucinações recomenda permitir que o modelo diga que não sabe, ancorar respostas em citações dos documentos fornecidos e restringir o uso de conhecimento externo. A própria documentação ressalta que essas técnicas reduzem, mas não eliminam o problema.

Traduzindo para atendimento:

• Responder apenas com base nos trechos recuperados. Sem trecho relevante, dizer que vai verificar e transferir.
• Nunca prometer reembolso, desconto, prazo ou exceção que não esteja na política.
• Não opinar sobre temas jurídicos, médicos ou financeiros.
• Não pedir nem repetir dados sensíveis sem necessidade (senha, cartão completo, documentos).
• Registrar a fonte usada em cada resposta, para auditoria.

O risco é real. No caso Moffatt v. Air Canada, o tribunal canadense responsabilizou a companhia por informação errada dada pelo chatbot do site e rejeitou a tese de que o robô seria uma entidade separada. É uma decisão do Canadá, não vincula o Brasil, mas ilustra o raciocínio: a empresa responde pelo que o agente diz.

5. Integre pedido, estoque e pagamento

Status de pedido e estoque mudam a toda hora e não cabem em documento. Conecte o agente por API somente leitura à plataforma de e-commerce, ao ERP e ao gateway. Ele consulta, não adivinha.

• Identificação do cliente: confirme número do pedido mais um dado (CPF parcial ou e-mail) antes de exibir informações pessoais.
• Permissões mínimas: leitura para consulta; ações como cancelamento ou troca de endereço só com confirmação explícita e, no início, com aprovação humana.
• Falha de integração: se a API não responder, o agente informa a limitação e transfere, em vez de inventar um status.

6. Regras de passagem para humano

A passagem (handoff) é a parte que define a experiência. A política do WhatsApp Business exige, nas regras da própria Meta, que a automação venha com caminhos de escalonamento claros, como transferência para atendente humano no chat, telefone, e-mail ou formulário. Gatilhos recomendados pela Analytikos:

O contexto transferido evita que o cliente repita tudo. O atendente deve receber, na tela da conversa: resumo em duas linhas, motivo do handoff, dados já coletados (nome, pedido, e-mail), ações já tentadas e histórico completo. O Decreto 11.034/2022 vai na mesma direção ao vedar, no art. 10, que se peça ao consumidor repetir a demanda já registrada no primeiro contato (veja a seção de LGPD e Procon adiante).

Imagem: Analytikos

7. Horário e fila

Defina o que o agente faz fora do expediente: registrar o pedido de contato, informar o horário de retorno e abrir a conversa na fila do dia seguinte com prioridade por tempo de espera. Dentro do expediente, configure fila por assunto, limite de conversas simultâneas por atendente e um aviso de tempo estimado.

Regras do WhatsApp Business Platform que afetam o agente

Quatro regras moldam o desenho. Todas valem independentemente de a resposta vir de uma pessoa ou de uma IA.

• Opt-in: segundo as políticas do WhatsApp Business, a empresa só pode contatar quem forneceu o número e deu permissão. A empresa escolhe o método e responde pelo cumprimento da lei aplicável.
• Janela de 24 horas: conforme a documentação da Cloud API, o relógio começa quando o cliente escreve e é reiniciado a cada nova mensagem dele. Dentro da janela, mensagens livres (de serviço) não exigem aprovação prévia.
• Templates fora da janela: depois das 24 horas, só mensagens de template aprovadas. Segundo as diretrizes de templates, cada um é classificado como marketing, utilidade ou autenticação, passa por revisão automática e recebe nota de qualidade. Templates com feedback negativo recorrente podem ser pausados.
• Escalonamento humano: a mesma política permite automação na janela de 24 horas, mas exige caminhos claros para falar com uma pessoa.

Implicação de desenho: se o handoff ocorrer perto do fim da janela, o atendente pode não conseguir responder em texto livre. Priorize conversas com a janela prestes a expirar e tenha um template de utilidade pronto para retomar o contato.

Sobre IA especificamente: a Meta alterou os termos da plataforma para barrar assistentes de IA de uso geral, conforme reportou a TechCrunch. Segundo essa fonte, a restrição vale quando a IA é a funcionalidade principal do serviço, e empresas que usam IA para atender os próprios clientes não são o alvo. Como a redação final dos termos pode mudar, confirme com seu provedor oficial (BSP) antes de lançar. Esta leitura não é parecer jurídico.

LGPD, Procon e transparência

A Lei 13.709/2018 (LGPD) não trata o agente de IA como categoria própria, mas seus princípios se aplicam a cada conversa. Pontos práticos, com a ressalva de que não substituem orientação jurídica:

• Transparência (art. 6, VI): informe, já na primeira mensagem, que o cliente fala com uma IA e como chegar a uma pessoa. Essa é uma recomendação alinhada ao princípio, não uma frase exigida pela lei.
• Finalidade e necessidade (art. 6, I e III): colete só o que o atendimento precisa. Não peça CPF para responder horário de loja.
• Base legal (art. 7): atendimento de pedido em andamento costuma se apoiar em execução de contrato (inciso V); outros usos podem exigir consentimento ou legítimo interesse (incisos I e IX). Defina com o jurídico e registre.
• Dados sensíveis (art. 11): saúde, biometria e similares exigem tratamento mais restrito. Configure o agente para não coletá-los e transferir quando aparecerem.
• Decisões automatizadas (art. 20): o titular pode pedir revisão por pessoa de decisões tomadas apenas por tratamento automatizado que afetem seus interesses, inclusive de perfil de consumo. Mantenha esse caminho aberto.
• Retenção e fornecedores: defina por quanto tempo guarda conversas e confira se o provedor do modelo trata os dados sob contrato adequado.

A ANPD (Autoridade Nacional de Proteção de Dados) mantém canais para titulares, encarregado e comunicação de incidentes no portal oficial. Se um incidente envolver conversas do agente, o fluxo de comunicação segue as regras da autoridade.

Sobre o SAC, o Decreto 11.034/2022 vale para serviços regulados pelo Poder Executivo federal (telecom, bancos, energia, planos de saúde, por exemplo), e não para todo e-commerce. Ele exige atendimento telefônico com humano por ao menos oito horas diárias (art. 5, I) e proíbe condicionar o primeiro acesso ao atendente a dados prévios (art. 4, §4). O texto não traz regras específicas para atendimento por mensagem. Mesmo fora do escopo, é uma boa referência de boas práticas, e o Código de Defesa do Consumidor continua valendo para todos.

Métricas: fórmulas e exemplo numérico

Meça cinco indicadores, sempre por tema de conversa. A média geral esconde onde o agente funciona e onde falha.

Contenção sem resolução é armadilha: o cliente abandona a conversa e o número parece bom. Por isso a resolução exige ausência de retorno no mesmo assunto.

Exemplo hipotético (números inventados para ilustrar a conta, não são dados de mercado): uma loja recebe 10.000 conversas por mês.

• Encerradas sem humano: 6.500. Contenção = 6.500 ÷ 10.000 = 65%.
• Dessas, 5.525 sem retorno em 7 dias. Resolução = 5.525 ÷ 10.000 = 55,25%. Taxa de resolução dentro das contidas = 5.525 ÷ 6.500 = 85%.
• Handoff: 3.500 ÷ 10.000 = 35%.
• CSAT: 180 notas 4 ou 5 em 240 respostas = 180 ÷ 240 = 75%.
• Custo antes: 10.000 × R$ 6,00 = R$ 60.000. Custo depois: 3.500 × R$ 6,00 + R$ 4.000 de plataforma e modelo = R$ 21.000 + R$ 4.000 = R$ 25.000. Por atendimento: 25.000 ÷ 10.000 = R$ 2,50.

Conclusão: o custo cai de R$ 6,00 para R$ 2,50, mas só 55,25% foi resolvido de fato. Os 9,75 pontos percentuais de diferença (65% − 55,25%) são o trabalho de melhoria da base.

Plano de piloto e avaliação

Recomendação da Analytikos para um piloto de quatro a seis semanas:

1. Semana 1: monte a base, a persona e os guardrails para três a cinco casos de uso. Defina metas e o conjunto de teste.
2. Semana 2: teste interno. A equipe tenta quebrar o agente com o conjunto de perguntas. Corrija a base, não só o prompt.
3. Semanas 3 e 4: lance para uma fatia (10% a 20% do tráfego ou um horário) com revisão humana diária de uma amostra das conversas.
4. Semanas 5 e 6: amplie se as metas forem atingidas. Congele critérios de parada: se houver resposta incorreta em tema de risco, volte ao handoff total daquele tema.

O conjunto de teste deve ter ao menos 100 perguntas, com resposta esperada validada pela operação. Reaplique a cada mudança de base ou de prompt.

Critério de aprovação sugerido: 90% ou mais de acerto nas frequentes, 100% de transferência nos temas de risco e nenhuma promessa fora da política. Para aprofundar a implantação de IA em toda a operação, leia como implementar IA na empresa.

Erros comuns ao montar o agente

Base de conhecimento e configuração

Exemplo hipotético: se 3% das 10.000 conversas (300) citam um prazo de troca vencido e metade delas gera reclamação, são 150 reclamações evitáveis por mês, vindas de um único documento.

Interpretação de resultados

Ação e operação

Checklist antes de colocar no ar

• Casos de uso e metas definidos por tema.
• Base de conhecimento com dono e data de revisão por documento.
• Persona escrita, com exemplos bons e ruins.
• Guardrails testados: sem trecho relevante, o agente transfere.
• Integrações em modo leitura, com tratamento de falha.
• Gatilhos de handoff e pacote de contexto configurados.
• Fila, horário e template de retomada definidos.
• Opt-in registrado e templates aprovados.
• Aviso de IA na primeira mensagem e caminho para humano em qualquer ponto.
• Base legal, retenção e fornecedores validados com o jurídico.
• Conjunto de 100 perguntas aprovado.
• Painel com contenção, resolução, handoff, CSAT, primeira resposta e custo.

Conteúdos Relacionados

• Como implementar IA na empresa
• IA no marketing: o guia prático por área