IA generativa em atendimento via WhatsApp

Como funciona um agente conversacional baseado em LLM

Diferente de um chatbot tradicional baseado em árvore de decisão (se cliente digitou 1, então mostre menu; se digitou 2, então transfira), um agente conversacional baseado em modelo de linguagem entende a pergunta em linguagem natural e formula resposta com base em três insumos: o histórico da conversa, a base de conhecimento da empresa e as instruções do sistema (papel, escopo, tom, regras).

A arquitetura padrão tem quatro componentes. O provedor oficial (BSP) garante conexão com a API oficial do WhatsApp Business, gerencia números, mensagens-modelo (HSM) e conformidade com regras da Meta. O modelo de linguagem processa cada mensagem do cliente e gera resposta; pode ser proprietário (Claude, ChatGPT, Gemini) ou aberto (Llama, Mistral, modelos brasileiros como Sabiá). A camada de recuperação consulta a base de conhecimento da empresa (catálogo, FAQ, contratos, políticas, dados do cliente quando autorizado) e injeta o contexto relevante no prompt — essa técnica é chamada de geração aumentada por recuperação, ou RAG. Os guarda-corpos filtram entrada e saída: bloqueiam tentativas de extrair informação confidencial, redirecionam tópicos fora do escopo, e acionam o atendente humano quando a confiança da resposta está abaixo de um limite ou quando o tema entra em lista sensível (cobrança, reclamação grave, ameaça).

Onde LLM agrega valor em atendimento via WhatsApp

Quatro casos de uso já se consolidaram com retorno mensurável.

FAQ amplo em linguagem natural. Empresas com centenas de perguntas frequentes (telecom, educação, saúde, varejo amplo) beneficiam-se de agente que entende variações de redação, sinônimos e contexto da conversa, sem obrigar o cliente a navegar em menu. Resolução por LLM nestes casos costuma ficar entre 40% e 70%, conforme qualidade da base.

Triagem e roteamento inteligente. Em vez de menu numérico, o cliente descreve a necessidade e o agente classifica intenção, urgência e tema, encaminhando para fila adequada (vendas, suporte, financeiro) com contexto já organizado. Reduz tempo de espera e a frequência de transferências entre filas.

Suporte a operações longas. Em conversas com várias mensagens (agendamento, configuração de produto, acompanhamento de pedido), o agente mantém contexto da conversa toda, lembra de informações dadas anteriormente e evita pedir novamente, melhorando satisfação.

Capacidade fora do horário comercial. Para volume noturno e de fim de semana, agente resolve as dúvidas que cabem em sua base e registra solicitações que exigem humano para retorno em horário comercial.

Onde LLM não agrega (ou agrega risco)

Quatro cenários em que adotar LLM hoje é arriscado e a alternativa tradicional (humano ou bot estruturado) é melhor.

Negociação financeira. Renegociação de dívida, parcelamento personalizado, desconto especial, fechamento de venda alta — situações em que cada palavra do agente cria obrigação. LLM gera promessa com confiança convincente, e a empresa fica vinculada. Use bot estruturado com regras claras ou atendente humano com poderes definidos.

Compliance crítico. Comunicação obrigatória de seguros, esclarecimento sobre tarifas bancárias, informação médica, orientação jurídica — qualquer área em que erro de comunicação gera responsabilidade regulatória. Bot estruturado com texto auditado por área técnica é mais seguro.

Reclamações graves e crise. Cliente com problema sério, ameaça de processo, exposição em redes sociais — exige atendimento humano qualificado desde o primeiro contato. Detectar o sinal cedo (filtros de saudação e tom) e direcionar para humano é mandatório.

Dados sensíveis sem ambiente adequado. Saúde, financeiro detalhado, dados biométricos — exigem ambiente contratualmente preparado para tratamento de dados sensíveis (LGPD art. 11). Não passe dados sensíveis em LLM público sem contrato enterprise específico.

Guarda-corpos: o que precisa estar em pé antes do LLM atender

Guarda-corpo é qualquer regra técnica ou de instrução que limite o comportamento do LLM. Antes de colocar agente conversacional em produção, cinco guarda-corpos são mínimos.

Escopo definido nas instruções. O agente recebe instrução clara sobre o que pode responder e o que deve recusar. Exemplo: "Você atende dúvidas sobre produtos, prazo de entrega e status de pedido. Para cobrança, renegociação, reclamação ou questão jurídica, encaminhe para humano."

Filtros de entrada. Bloqueio de tentativas conhecidas de manipulação (instruções injetadas pelo cliente para subverter o sistema), de conteúdo ofensivo e de pedidos fora do escopo, com mensagem padronizada de redirecionamento.

Filtros de saída. Verificação da resposta antes do envio: detecção de alucinação (citação a informação não presente na base), de saída fora do tom da marca, de afirmações sobre temas sensíveis (preço com desconto não autorizado, prazo impossível, garantia inexistente).

Acionamento para humano. Critérios objetivos para passar a conversa: confiança baixa da resposta, tema sensível detectado, cliente solicitou humano explicitamente, conversa com mais de N mensagens sem resolução, sentimento negativo persistente. O atendente recebe contexto da conversa, não recomeça do zero.

Registro auditável. Toda conversa fica armazenada com prompt, contexto recuperado, resposta gerada e ações realizadas, por período definido em política de retenção (LGPD exige justificativa para retenção e exclusão).

Alucinação e como reduzir

Alucinação é quando o LLM gera resposta confiante que não corresponde à realidade — preço inventado, prazo inexistente, política que não existe na empresa. É o risco mais frequentemente subestimado em projetos de IA conversacional.

Quatro técnicas reduzem alucinação. Geração aumentada por recuperação (RAG). O agente só responde a partir do contexto recuperado da base; se não encontrar, escala para humano. Reduz alucinação em ordem de grandeza. Instrução de cautela. "Se você não encontrou a informação no contexto fornecido, diga que vai consultar e escale para humano. Não invente." Aparentemente óbvio, faz diferença prática. Validação de saída. Antes de enviar resposta com preço, prazo ou política, verificar se o número/política existe na base. Modelos mais capazes. Modelos enterprise (Claude, ChatGPT, Gemini em plano corporativo) alucinam menos que modelos pequenos rodando localmente.

LGPD em IA conversacional via WhatsApp

A operação de agente conversacional via WhatsApp toca quatro pontos sensíveis da Lei 13.709/18 (LGPD) que exigem atenção da advocacia.

Base legal. Tratamento de dados pessoais para atendimento exige base legal — execução de contrato ou interesse legítimo são as mais comuns, com transparência adequada. Marketing direcionado exige base legal específica e, em muitos casos, consentimento.

Dados sensíveis no prompt. Saúde, biometria, dados de criança e adolescente exigem base legal específica (LGPD art. 11) e ambiente contratualmente preparado. Não envie esses dados para LLM público gratuito.

Transferência internacional. Fornecedores de LLM americanos ou europeus envolvem transferência internacional de dados, exigindo cláusulas contratuais padrão ou outras garantias previstas em lei. Verifique o termo e contrato com cada fornecedor.

Retenção de conversas. Manter histórico de conversa indefinidamente sem justificativa contraria o princípio da minimização. Defina prazo de retenção, política de eliminação e mecanismo para atender direitos do titular (acesso, eliminação, oposição).

A definição de bases legais, cláusulas contratuais e prazos exige advocacia especializada — este texto não substitui análise jurídica caso a caso.

Custo por conversa: ordens de grandeza

O custo por conversa atendida por agente LLM tem três componentes principais.

Custo do BSP. Mensalidade do provedor oficial (R$ 500 a R$ 5.000 por mês conforme volume) mais custo por conversa iniciada pela empresa (mensagem-modelo HSM, com tarifa Meta entre R$ 0,07 e R$ 0,80 conforme tipo).

Custo do LLM. Modelos cobram por tokens processados. Uma conversa média de 5 a 10 mensagens com base de conhecimento moderada custa entre R$ 0,05 e R$ 0,50 com modelos como Claude, ChatGPT-4o ou Gemini em plano corporativo; pode ser menor com modelos abertos hospedados localmente, mas com custo de infraestrutura adicional.

Custo de operação. Equipe que mantém base de conhecimento, audita conversas, ajusta instruções, gerencia escalonamento. Em pequena operação, 4 a 10 horas semanais; em operação grande, time dedicado.

Comparação útil: o custo médio de atendimento humano em WhatsApp gira entre R$ 3 e R$ 12 por conversa simples. Agente LLM bem desenhado fica em R$ 0,15 a R$ 1,50, com qualidade aceitável em casos previstos. A economia paga rapidamente o investimento; a má configuração, porém, gera custo invisível em reputação.

Métricas que importam

Cinco indicadores formam o painel mínimo de uma operação de IA conversacional madura.

Taxa de resolução pelo agente. Percentual de conversas concluídas sem escalonamento para humano, com cliente declarando resolução (pergunta direta ao fim) ou sem reabertura nas 48 horas seguintes.

Satisfação do cliente. Pesquisa pós-atendimento curta (uma pergunta) comparando agente vs. humano. Atenção: não basta CSAT alto se a taxa de resolução é baixa — pode estar medindo "obrigado por ter tentado".

Taxa de escalonamento. Percentual de conversas que passaram para humano. Alta demais (acima de 60%) sugere base de conhecimento incompleta ou escopo mal definido; baixa demais (abaixo de 10%) com satisfação baixa sugere que o agente está "resolvendo" mal.

Custo médio por conversa. Custo total da operação (BSP + LLM + equipe) dividido por conversas atendidas. Comparar com custo histórico de atendimento humano.

Taxa de alucinação detectada. Em auditoria amostral, percentual de respostas com informação incorreta. Meta saudável: abaixo de 2%; acima de 5% exige ajuste imediato.

Erros comuns em IA conversacional no WhatsApp

LLM sem RAG. Agente respondendo só com base no que o modelo "sabe" do treinamento, sem consultar catálogo, preço e política da empresa. Alucinação garantida.

Sem guarda-corpos. Agente que aceita qualquer pergunta, inclusive tentativas de manipulação, e responde sobre temas fora do escopo.

Sem humano de retaguarda. Operação em que o cliente não consegue chegar a humano por nenhum caminho. Frustração e perda de cliente garantidas.

Sem revisão de conversas. Operação que não audita amostras periódicas de conversas. Problemas só aparecem quando explodem em redes sociais.

Promessa de "resolução total". Comunicar internamente que o agente vai resolver 90% das conversas no primeiro mês. Realidade fica entre 30% e 60% em operação madura; expectativa inflada gera ressaca política.

Dados pessoais em LLM público gratuito. Passar nome, e-mail, CPF e histórico de compra em prompt de modelo público sem contrato adequado. Exposição direta de dados pessoais sem base legal e sem contrato.