Como criar um agente de IA para atendimento no WhatsApp

Um agente de IA para atendimento no WhatsApp tem quatro componentes: um modelo de linguagem (o "cérebro"), uma base de conhecimento sobre o negócio, a conexão com o WhatsApp via API oficial e, opcionalmente, integrações com sistemas externos. O que separa um agente que funciona de um que frustra é a qualidade do trabalho em cada uma dessas camadas.

Este artigo mostra como cada peça funciona — e o que você precisa tomar como decisão antes de contratar ou construir.

Os quatro componentes de um agente de atendimento

1. O modelo de linguagem

O modelo é o que entende o que o cliente escreveu e decide o que responder. Os mais usados em produção são GPT-4o (OpenAI), Claude 3.5 Sonnet (Anthropic) e Gemini 1.5 Pro (Google). Todos têm acesso via API com cobrança por volume de uso.

A escolha do modelo importa — mas menos do que a qualidade do que você passa para ele. Um bom modelo com instruções vagas entrega respostas vagas. Um modelo mediano com instruções precisas entrega respostas precisas.

2. O system prompt (as instruções do agente)

O system prompt é o "manual de funcionamento" que você escreve para o agente. Define:

• Quem o agente é ("Você é a Bia, assistente de atendimento da Clínica Bem-Estar")
• O que pode e não pode responder ("não dê preços sem consultar a tabela; não marque consultas para datas passadas")
• O tom e o estilo ("seja profissional mas próximo; use português informal mas correto")
• Como lidar com situações específicas ("se o cliente reclamar, demonstre empatia antes de propor solução")
• Quando transferir para humano ("se o cliente mencionar cancelamento, transfira imediatamente para a equipe")

O system prompt é a peça mais importante do projeto — e a mais negligenciada. Agentes que "respondem errado" geralmente têm system prompt incompleto ou mal escrito.

3. A base de conhecimento

O modelo de linguagem por si só não sabe nada sobre o seu negócio. Você precisa fornecer esse conhecimento. Dois formatos principais:

Base contextual no prompt: para negócios pequenos com poucas informações, você inclui tudo diretamente no system prompt: lista de serviços, preços, horários, políticas. Simples, mas tem limite de tamanho.

RAG (Retrieval Augmented Generation): para negócios com catálogo grande, muitas políticas ou FAQ extensa, você monta um banco de conhecimento separado. O agente consulta esse banco quando precisa de informação específica — como um funcionário consultando o manual antes de responder. O N8N conecta o agente a esse banco de forma automatizada.

4. Conexão com WhatsApp e integrações

A conexão com o WhatsApp acontece via API oficial (Cloud API do Meta). O agente recebe as mensagens, processa com o modelo e devolve a resposta — tudo em segundos. O N8N ou código personalizado faz essa ponte.

Integrações adicionais (opcionais mas poderosas):

• Agenda: o agente consulta disponibilidade real e agenda em tempo real
• CRM: o agente registra o lead e o histórico da conversa automaticamente
• Estoque: o agente verifica se o produto está disponível antes de confirmar

O processo de construção

Fase 1 — Levantamento (1 a 2 semanas)

• Mapear os fluxos de atendimento: quais são as perguntas mais comuns, quais as exceções
• Definir o que o agente vai fazer e o que vai transferir para humano
• Levantar os sistemas que precisam ser integrados e verificar se têm API
• Definir critério de sucesso: taxa de resolução sem humano, tempo de resposta, satisfação do cliente

Fase 2 — Configuração (1 a 3 semanas)

• Escrever o system prompt inicial
• Montar a base de conhecimento (catálogo, FAQ, políticas)
• Configurar a conexão com a API do WhatsApp
• Desenvolver as integrações necessárias

Fase 3 — Testes (1 a 2 semanas)

• Testar com cenários reais: as 20 perguntas mais comuns que chegam hoje
• Testar os casos de exceção: o que acontece quando o cliente pede algo fora do escopo
• Testar a transferência para humano: quando e como o agente escala
• Ajustar o system prompt com base no que não funcionou

Fase 4 — Piloto em produção (2 a 4 semanas)

• Lançar com volume limitado (parte dos contatos, não todos)
• Monitorar diariamente o histórico de conversas
• Identificar padrões de erro e corrigir
• Escalar para todos os contatos quando a taxa de resolução for satisfatória

O que faz um agente falhar

System prompt incompleto: o agente encontra uma situação não prevista e inventa uma resposta. Solução: cobrir as situações de exceção no prompt e criar uma resposta padrão de transferência para o que está fora do escopo.

Base de conhecimento desatualizada: o agente responde com preço antigo, produto descontinuado ou política que mudou. Solução: processo de atualização regular da base de conhecimento — não pode ficar estático.

Ausência de critério de transferência: o agente tenta resolver tudo, inclusive o que não sabe, e frustra o cliente. Solução: definir explicitamente quando transferir e garantir que a transferência seja rápida e com contexto.

Falta de monitoramento: o agente está errando, mas ninguém percebe porque não lê o histórico. Solução: revisão semanal das conversas, com foco nos casos de transferência e nos casos onde o cliente expressou insatisfação.

O componente que mais subestimo no início e mais me arrependo depois é a fase de testes. Todo agente que entrego para cliente tem pelo menos 150 cenários de teste documentados antes de ir para produção. Parece exagero — mas é o que garante que o primeiro contato real do cliente com o agente não seja um desastre. Agente que lança sem teste adequado perde a confiança do cliente muito antes de ter chance de melhorar.

Próximo passo: definir o escopo certo

Antes de construir um agente, o mapeamento do que ele vai fazer é mais valioso do que qualquer escolha técnica. O artigo como mapear processos mostra como documentar o fluxo de atendimento antes de começar. E para entender o custo completo, quanto custa automatizar o WhatsApp detalha as camadas de investimento.