DCODER

Tag: inteligência artificial

  • Sua empresa aparece quando alguém pergunta à IA? Como medir isso todo mês

    Não existe hoje um painel confiável que mostre se a sua empresa é citada pelos assistentes de IA. O que existe é um teste manual de dez minutos por mês: perguntar a quatro modelos o que um cliente perguntaria, anotar se você aparece, e guardar a resposta. Em três meses isso vira série histórica. É pouco, e é mais do que quase todo mundo tem.

    A pergunta que abre este texto tem uma resposta desconfortável para quem vende marketing: ninguém sabe direito. As ferramentas que prometem medir “presença em IA” cobrem uma fatia pequena do que existe, e a maior parte delas não diz qual fatia é.

    Por que os painéis prontos não bastam ainda

    Os produtos de analytics que começaram a oferecer essa medição têm três limitações que raramente aparecem em destaque na tela.

    Cobrem poucos modelos. Um painel que só enxerga um assistente não diz nada sobre os outros quatro que o seu cliente usa.

    A base é minúscula. Quando o número de citações no período é 1 ou 2, qualquer percentual em cima disso é ruído com aparência de dado. “50% de participação” sobre uma base de duas citações não significa metade de nada.

    As funções boas custam caro. A parte que mostraria o tráfego de robôs costuma exigir integração com CDN em plano corporativo. Para uma empresa média, o custo dessa medição fica maior que o do problema.

    O teste manual, passo a passo

    Reserve dez minutos no primeiro dia útil de cada mês. O procedimento é sempre igual — e a repetição é o que faz o dado valer.

    1. Escreva cinco perguntas de cliente

    Não perguntas sobre a sua empresa. Perguntas que alguém faria antes de conhecer a sua empresa:

    • “Quem faz [seu serviço] em [sua cidade]?”
    • “Qual empresa contratar para [problema que você resolve]?”
    • “Quanto custa [seu serviço] no Brasil?”
    • “[Seu serviço]: o que avaliar antes de contratar?”
    • Uma pergunta específica do seu nicho, com o vocabulário do cliente.

    Congele essas cinco. Mudar a pergunta todo mês destrói a comparação.

    2. Pergunte aos quatro, em janela anônima

    Use os quatro assistentes mais usados pelo seu público. Sempre em sessão nova e sem estar logado, porque histórico e memória contaminam a resposta — se o modelo já sabe quem você é, ele te cita, e você comemora um resultado que não existe.

    3. Anote três coisas, e só três

    CampoO que registrar
    Apareceu?Sim ou não. Sem meio-termo.
    Em que posiçãoPrimeira menção, no meio, ou de passagem no fim.
    Quem apareceu no seu lugarOs nomes citados. Esta é a coluna mais útil de todas.

    Vinte linhas por mês: quatro modelos vezes cinco perguntas. Uma planilha resolve.

    4. Guarde a resposta inteira

    Copie o texto completo em um arquivo com a data. Daqui a seis meses você vai querer comparar o que mudou na redação, não só o sim ou não.

    O que fazer com o resultado

    Se você não aparece e seus concorrentes sim: vá ler o que eles publicaram. Na maioria dos casos a diferença não é orçamento, é que eles têm uma página que responde aquela pergunta inteira e você não.

    Se ninguém aparece: é a melhor notícia possível. Significa que o modelo não encontrou fonte boa para a pergunta, e a primeira empresa que publicar uma passa a ocupar aquele espaço.

    Se você aparece com informação errada: corrija na fonte. Modelo cita o que está escrito em algum lugar da internet — inclusive dado antigo do seu próprio site, de um diretório de empresas ou de uma notícia de cinco anos atrás.

    O padrão que costuma aparecer

    Uma observação que se repete em quase todo site medido: o que a IA cita é utilidade, não vitrine. A página citada raramente é a home ou a página de serviços. Costuma ser um guia, uma calculadora, uma ferramenta gratuita, uma explicação completa de um assunto específico.

    A conclusão prática é direta. Se o objetivo é ser citado, a próxima página a construir não é mais uma descrevendo o que a empresa faz. É uma que resolva sozinha o problema de quem chegou.

    O erro que este método evita

    Sem linha de base, qualquer mudança vira história. A empresa publica um arquivo novo, o telefone toca na semana seguinte, e alguém conclui que uma coisa causou a outra. Três meses de planilha custam meia hora no total e transformam essa conversa em uma comparação.

    A DCODER trata presença em IA como qualquer outra entrega: linha de base antes, medição depois. Converse com o estúdio em dcoder.io.

  • llms.txt: o arquivo que faz a IA encontrar a sua empresa

    O llms.txt é um arquivo de texto na raiz do site que descreve, em linguagem direta, o que a empresa faz, para quem, onde e o que ela não faz. Leva uma tarde para escrever, não substitui o robots.txt nem o sitemap.xml, e ainda não é padrão adotado oficialmente por nenhum dos grandes modelos. Mesmo assim vale publicar, e este texto explica por quê.

    A pergunta que importa mudou. Durante vinte anos a pergunta foi “meu site aparece na primeira página do Google?”. Hoje uma parte grande da busca não devolve uma página de links, devolve uma resposta pronta. E numa resposta não existe primeiro lugar. Existe quem foi citado e quem não foi.

    O problema que o arquivo tenta resolver

    Um site institucional moderno é hostil para leitura automática. O texto que interessa está espalhado entre animações, menus, banners e scripts. Uma página de serviço costuma ter mais marcação do que conteúdo. Quando um modelo de linguagem lê isso, ele precisa adivinhar o que é essencial.

    O llms.txt é a resposta óbvia: um arquivo em texto puro, em Markdown, onde a empresa escreve por conta própria o resumo que quer que seja lido. A proposta é de Jeremy Howard, de setembro de 2024, e a analogia é com o robots.txt — mesmo lugar, mesma simplicidade, propósito diferente.

    Onde fica e como se chama

    Na raiz do domínio, exatamente assim:

    • https://suaempresa.com.br/llms.txt — o resumo curto, com links para o que importa.
    • https://suaempresa.com.br/llms-full.txt — a versão longa, com o conteúdo inteiro em texto.

    Os dois são opcionais e independentes. Comece pelo primeiro.

    O que escrever dentro

    A estrutura mínima que funciona tem cinco partes, nesta ordem:

    1. Quem é a empresa, em duas linhas. Nome, o que faz, onde fica.
    2. O que ela vende, uma linha por item, em substantivos que um cliente usaria.
    3. Para quem. Porte, setor, região. Ser específico ajuda mais do que abrir o leque.
    4. O que ela não faz. Esta é a parte que quase todo mundo pula, e é a mais útil — evita que o modelo cite você para a pergunta errada.
    5. Links para as páginas que valem a citação, cada um com uma frase dizendo o que tem lá.

    Um esqueleto, curto de propósito:

    # Nome da empresa

> Uma frase dizendo o que a empresa faz e para quem.

## Serviços
- Serviço A: uma linha explicando.
- Serviço B: uma linha explicando.

## Atende
Empresas de X a Y funcionários, no setor Z, em toda a região W.

## Não atende
- Trabalho que a empresa recusa, e por quê.

## Páginas
- [Título da página](https://exemplo.com/pagina): o que o leitor encontra ali.

    As três regras de escrita

    Escreva fatos, não adjetivos. “Somos inovadores e apaixonados por tecnologia” não é informação. “Integramos ERP com sistemas próprios, em projetos de 3 a 9 meses” é.

    Coloque a informação junta. Um bloco que responde a pergunta inteira vale mais que dez frases bonitas espalhadas. O texto que é citado é o que pode ser recortado sem perder sentido.

    Inclua o que é verificável. Cidade, prazo típico, tecnologias, faixa de investimento se você publica preço. Dado concreto ancora a citação.

    O que o arquivo não faz

    Aqui vale ser honesto, porque a maior parte do que se escreve sobre o assunto exagera.

    Não é fator de ranqueamento. O Google não confirmou uso do arquivo, e os principais fornecedores de modelo também não anunciaram suporte formal. Publicar não garante citação nenhuma.

    Não substitui nada. O robots.txt continua sendo quem autoriza ou bloqueia rastreadores. O sitemap.xml continua sendo quem lista as páginas. O llms.txt é complemento editorial, não substituto técnico.

    Não protege conteúdo. Se você não quer que um rastreador de IA leia o site, isso se resolve no robots.txt e nas regras do servidor, não aqui.

    Então por que fazer

    Por três razões práticas, mesmo sem garantia.

    A primeira é o custo. Uma tarde de trabalho, uma vez, e o arquivo fica no ar. Quase nenhuma decisão de marketing tem essa relação entre esforço e possibilidade de retorno.

    A segunda é o efeito colateral. Escrever o que a empresa não faz obriga a decidir o que ela faz. Boa parte do valor aparece antes de o arquivo subir, na conversa interna que ele força.

    A terceira é a janela. Entre as empresas de médio porte no Brasil, quase nenhuma tem esse arquivo publicado. Não é vantagem que dura para sempre, é vantagem de quem chega primeiro — e some quando virar item de checklist de agência.

    Como saber se adiantou

    Não dá para saber olhando o arquivo. A medição possível é indireta e manual: uma vez por mês, pergunte a quatro modelos diferentes o que um cliente perguntaria, e anote se a sua empresa aparece. Sem isso, qualquer afirmação sobre resultado é chute.

    A DCODER publica llms.txt e llms-full.txt no próprio site e mede a citação à mão, porque a ferramenta confiável ainda não existe. Converse com o estúdio em dcoder.io.

  • LGPD e agentes de IA no atendimento: o que garantir antes de ligar o bot

    A empresa que contrata o atendimento continua sendo a controladora dos dados. O fornecedor da automação é operador. Antes de ligar o bot, é preciso ter aviso de privacidade atualizado, contrato com termo de processamento, controle sobre onde os dados ficam e um caminho claro para exclusão a pedido do titular.

    Quando o atendimento passa a ser feito por um agente conversacional, nada muda na estrutura de responsabilidade da LGPD. E é justamente por isso que muita gente erra. A tentação é achar que “é a IA que está atendendo”. Perante a lei, é a sua empresa.

    Quem é o quê nessa relação

    A empresa que atende os clientes decide por que e como os dados são tratados, então ela é a controladora. Quem construiu e mantém a automação trata os dados em nome dela, então é a operadora. O fornecedor do modelo de linguagem entra como suboperador, e isso precisa estar declarado em algum lugar.

    A consequência prática aparece rápido. Se um cliente pedir exclusão dos dados ou reclamar do tratamento, quem responde é a empresa contratante. Ela precisa ter como cumprir o pedido, o que significa ter acesso e controle sobre a base, sem depender da boa vontade de um fornecedor.

    A base legal costuma ser mais simples do que parece

    Quando o cliente inicia a conversa pedindo um atendimento, o tratamento dos dados necessários para responder se apoia na execução de contrato ou em procedimentos preliminares a ele. Você não precisa pedir consentimento formal para responder a quem perguntou o preço de um serviço.

    O cuidado está nos usos adicionais. Usar aquele contato para disparo de marketing depois, enriquecer cadastro, ou treinar modelo com o conteúdo das conversas. Esses usos têm base legal própria e alguns exigem consentimento específico. É aqui que se cria problema, não no atendimento em si.

    Dado sensível pede atenção redobrada

    Clínica é o caso mais evidente. Uma mensagem como “preciso remarcar minha sessão de fisioterapia” contém dado de saúde, que tem proteção reforçada. Isso não impede a automação, mas exige alguns cuidados:

    • Coletar o mínimo necessário. O agente não precisa perguntar diagnóstico para marcar horário.
    • Restringir quem enxerga a conversa dentro da empresa, com contas individuais e registro de acesso.
    • Definir por quanto tempo o histórico fica guardado e apagar quando o prazo vence, automaticamente.

    O que precisa estar no contrato com o fornecedor

    Peça e confira:

    1. Termo de processamento de dados, deixando explícito que a contratante é controladora e o fornecedor é operador, com a finalidade descrita.
    2. Lista de suboperadores. Qual provedor de modelo de linguagem, qual hospedagem, qual provedor de mensageria.
    3. Onde os dados ficam e o que acontece com eles no encerramento do contrato, incluindo exportação e prazo de eliminação.
    4. Compromisso de não usar os dados para treinar modelos. Os provedores corporativos oferecem essa garantia nos planos de API. Confirme que ela está sendo usada.
    5. Procedimento de incidente. Quem avisa quem, em quanto tempo, e quem comunica a autoridade e os titulares se for o caso.

    O aviso ao cliente é simples e obrigatório

    São duas coisas. A pessoa precisa saber que está falando com um sistema automatizado e precisa ter um caminho para falar com um humano. Uma linha na primeira mensagem resolve o primeiro ponto. Um “atendente” que realmente funcione resolve o segundo.

    Além disso, o aviso de privacidade da empresa precisa mencionar o atendimento automatizado por WhatsApp, quais dados são tratados e por quanto tempo. É atualização de meia página, e é o que costuma estar faltando.

    Checagem antes de ligar

    • Aviso de privacidade atualizado e acessível.
    • Contrato com termo de processamento assinado.
    • Acesso ao painel com conta individual por pessoa, sem senha compartilhada.
    • Prazo de retenção definido e rotina de exclusão funcionando.
    • Caminho testado para atender pedido de exclusão de um titular.
    • Backup com restauração testada, porque perder dados de clientes também é incidente.
    • Transbordo para humano funcionando e visível.

    Automatizar bem melhora a conformidade

    Vale dizer o outro lado dessa história. O cenário anterior, com conversas no celular pessoal de cada funcionário, sem registro, sem controle de acesso, sem prazo de retenção e saindo da empresa junto com quem pede demissão, é bem pior do ponto de vista de proteção de dados.

    Um atendimento centralizado, com contas individuais, registro de acesso, retenção definida e exclusão automatizada, é mais fácil de auditar e de defender. Automação feita direito é ganho de conformidade, não risco novo.

    A DCODER implanta atendimento com IA com contrato formal, termo de processamento de dados e infraestrutura sob controle do cliente. Fale com o estúdio em dcoder.io.

  • Se a IA escreve o código, por que o software ainda custa caro?

    A IA barateou a escrita do código, que nunca foi a parte cara. O custo de um sistema está na decisão de arquitetura, na integração com o que a empresa já usa, na revisão do que foi produzido e em alguém responder quando cai numa sexta à noite. Nada disso ficou mais barato — e a parte da revisão ficou mais cara.

    A pergunta é justa e merece resposta direta, não defesa de categoria. Um cliente que vê uma tela funcionando aparecer em vinte minutos tem toda razão de perguntar por que o orçamento não caiu na mesma proporção.

    O que de fato ficou mais barato

    Bastante coisa, e não adianta fingir o contrário.

    • Protótipo. Uma tela navegável para validar uma ideia com o cliente saiu de dias para horas.
    • Código repetitivo. Formulário, tela de cadastro, conversão de formato, teste básico.
    • Tradução entre tecnologias. Ler um sistema numa linguagem e reescrever em outra.
    • Documentação e explicação de código alheio. Entrar num sistema legado ficou visivelmente mais rápido.

    Isso é real. Em projetos onde essas atividades pesam muito, o prazo caiu de verdade — e o orçamento deve refletir isso.

    O que não ficou

    Decidir como o sistema é construído

    O modelo responde muito bem à pergunta que você fez. Ele não sabe que era a pergunta errada. A escolha entre um sistema único e vários serviços, entre banco relacional e outro formato, entre integrar agora ou depois — essas decisões dependem de saber quantas pessoas vão usar em três anos, que sistema a empresa vai trocar no ano que vem, e quem vai manter isso quando você sair.

    Errar aqui não aparece na entrega. Aparece dezoito meses depois, quando cada mudança pequena custa três semanas.

    Integrar com o que já existe

    É onde o tempo vai, em quase todo projeto de empresa. O ERP com documentação de 2011 e um campo que significa três coisas diferentes. A base com quinze anos de dado inconsistente. O sistema do fornecedor que aceita cinco chamadas por minuto. A regra de negócio que ninguém escreveu e só uma pessoa sabe.

    Nada disso está na internet, então o modelo não aprendeu. Alguém precisa sentar, perguntar, testar e descobrir.

    Revisar o que foi gerado

    Esta é a parte que ficou mais cara, e é o ponto menos comentado.

    Código gerado por modelo funciona na demonstração e falha no caso de borda, no volume, na concorrência entre usuários. E vem com uma característica difícil: erro escrito com confiança e boa aparência. Revisar código plausível e errado dá mais trabalho que revisar código obviamente ruim.

    Há evidência experimental incômoda sobre isso. Um estudo da METR, em 2025, mediu desenvolvedores experientes trabalhando em bases de código que já conheciam, com e sem assistente de IA. Eles ficaram mais lentos com a ferramenta — e, ao serem perguntados, achavam que tinham ficado mais rápidos. A percepção de velocidade não é medida de velocidade.

    Responder quando quebra

    Um sistema que roda a folha de pagamento, emite nota ou controla acesso precisa de alguém que atenda quando para. Isso é disponibilidade de gente, e gente custa o mesmo que custava.

    Onde o custo se concentra hoje

    Em um projeto típico de sistema sob medida para empresa, a distribuição aproximada ficou assim:

    AtividadePesoEfeito da IA
    Entender o problema e decidir a arquiteturaAltoPraticamente nenhum
    Integrar com sistemas existentesAltoPequeno
    Escrever o códigoMédioGrande
    Revisar, testar e corrigirAltoAumentou
    Colocar no ar e manterMédioPequeno

    A conta que sai disso: se metade do esforço nunca foi digitação, cortar a digitação pela metade não corta o projeto pela metade.

    O que mudou no orçamento, então

    Três coisas, e vale exigi-las de qualquer fornecedor:

    Prazo menor para a mesma coisa. Se um fornecedor cobra hoje o mesmo prazo de 2022 para um sistema comparável, a pergunta é legítima.

    Protótipo antes do contrato. Ficou barato o suficiente para ser feito antes de fechar escopo. Quem não oferece está guardando margem.

    Cobrança por problema resolvido, não por hora. Quando a ferramenta muda a velocidade de quem executa, cobrar por hora passa a punir quem é rápido. O preço deveria vir do valor entregue.

    A frase que resume

    Gerar código ficou barato. Provar que o sistema funciona, não. E é a segunda coisa que a empresa está comprando quando o software controla dinheiro, prazo ou dado de cliente.

    A DCODER orça por problema resolvido e mostra o protótipo antes de fechar escopo. Converse com o estúdio em dcoder.io.

  • Grupo de controle: como provar que a IA deu resultado

    Um grupo de controle é uma parte da operação que segue sem a IA, de propósito, durante toda a janela de medição. No fim, comparam-se os dois lados. A diferença que sobra é o efeito real da ferramenta — e não o efeito do mês cheio, do funcionário novo ou da campanha que rodou junto.

    É a única técnica barata que separa causa de coincidência. E é a que quase ninguém usa, porque parece complicada e não é.

    O problema que ela resolve

    A cena se repete. A empresa liga um assistente de IA no atendimento em março. Em abril, o tempo de resposta caiu 20%. Todo mundo comemora e o projeto é aprovado.

    Só que em março também entraram dois atendentes novos, o carnaval acabou, e o time passou por um treinamento de produto. Qual parte dos 20% foi a IA? Ninguém sabe. E quando o diretor financeiro perguntar isso na revisão de orçamento, a resposta vai ser um silêncio caro.

    O grupo de controle responde a essa pergunta com um número em vez de uma opinião.

    Como montar, em cinco passos

    1. Escolha o que vai ser medido, antes de ligar

    Uma métrica principal, no máximo duas de apoio. Escolhida antes, escrita, e não trocada depois. Trocar a métrica no meio porque a primeira não melhorou é o erro mais comum e o mais difícil de perceber.

    Métrica boa é a que já é coletada hoje, sem trabalho extra: tempo até a primeira resposta, casos resolvidos por pessoa por dia, taxa de retrabalho, prazo de fechamento.

    2. Divida em dois grupos parecidos

    Metade com a ferramenta, metade sem. O corte precisa ser aleatório ou, no mínimo, equilibrado. Não vale dar a IA para o time que já era melhor — é o jeito mais rápido de gerar um resultado bonito e falso.

    Se a operação for pequena demais para dividir pessoas, divida por turno, por dia da semana ou por fila de atendimento.

    3. Registre a linha de base

    Quatro semanas de dado dos dois grupos antes de ligar qualquer coisa. Sem isso, não existe comparação — existe impressão.

    4. Deixe rodar sem mexer

    De seis a doze semanas, dependendo do volume. Durante a janela, não mude a ferramenta, não troque as pessoas de grupo, não ajuste a métrica. Toda alteração no meio joga fora o que já foi coletado.

    5. Compare a diferença das diferenças

    Não compare só o grupo com IA antes e depois. Compare quanto cada grupo mudou:

    AntesDepoisVariação
    Grupo com IA100130+30%
    Grupo sem IA100112+12%
    Efeito da IA+18 pontos

    Os 12% do grupo sem IA são a sazonalidade, o treinamento e tudo o mais que aconteceu no período. Sem o grupo de controle, a empresa teria anunciado 30%. Os números da tabela são ilustrativos, mas a forma da conta é essa.

    As três objeções, respondidas

    “É injusto deixar metade sem a ferramenta.” É temporário, e o ganho é que a outra metade recebe uma ferramenta que se sabe que funciona. Se não funcionar, você poupou a empresa de estender um problema para todo mundo.

    “Nossa operação é pequena demais.” Divida por dia ou por turno. Com dez pessoas ainda dá para fazer, e o resultado é menos preciso mas continua sendo mais honesto que nenhum.

    “Não temos tempo.” O tempo é gasto de qualquer jeito, mais tarde, discutindo se valeu a pena. A diferença é que sem grupo de controle essa discussão nunca termina.

    Por que isso importa mais do que parece

    A literatura sobre ganho de produtividade com IA é menos unânime do que o marketing sugere. Um estudo do MIT com atendimento ao cliente encontrou ganho médio expressivo, concentrado nos profissionais menos experientes. Um experimento da Harvard Business School com consultores da BCG mostrou ganho grande em tarefas dentro da fronteira de capacidade do modelo e perda de acerto em tarefas fora dela. E um experimento da METR, em 2025, encontrou desenvolvedores experientes ficando mais lentos com IA em bases de código que já conheciam — enquanto acreditavam estar mais rápidos.

    A conclusão não é que IA não funciona. É que o efeito depende da tarefa, da pessoa e do contexto — e que a percepção de quem usa não é medida confiável. Só o dado do seu caso responde pelo seu caso.

    O que se ganha além do número

    Um resultado medido sobrevive à troca de diretor, ao corte de orçamento e à pergunta difícil na reunião de conselho. “Melhorou” morre na primeira revisão de custos. “Melhorou 18 pontos contra o grupo de controle, entre março e maio” não.

    A DCODER implanta IA com linha de base, grupo de controle e janela de medição definidos em contrato. Converse com o estúdio em dcoder.io.

  • Por que o piloto de IA não vira produção

    A maior parte dos pilotos de IA em empresa não morre por falha técnica. Morre porque ninguém decidiu, antes de começar, o que seria medido e o que contaria como sucesso. Sem essa decisão, o piloto roda, impressiona, e depois não sobrevive à primeira pergunta sobre retorno.

    O relatório do projeto NANDA, do MIT, publicado em 2025, colocou número nisso: apontou que 95% dos projetos de IA generativa em empresas não produziram retorno mensurável, apesar de dezenas de bilhões de dólares investidos. O levantamento se apoia em 52 entrevistas com executivos, respostas de 153 líderes e a análise de 300 implantações públicas — vale ler o número como ordem de grandeza, não como medida exata. E o diagnóstico interessa mais que a cifra: a falha quase nunca está no modelo.

    Os cinco motivos, em ordem de frequência

    1. Ninguém definiu o que seria medido

    O piloto começa com “vamos testar IA no atendimento”. Não com “queremos reduzir o tempo até a primeira resposta de 4 horas para 1 hora, medido na fila X, entre março e maio”.

    A diferença aparece na reunião de orçamento. A primeira versão só permite responder “melhorou bastante”. A segunda permite responder com um número que alguém pode conferir.

    2. O piloto foi feito num canto que não representa a operação

    Escolhe-se a área mais receptiva, com as pessoas mais interessadas e os casos mais limpos. Funciona muito bem. E aí não escala, porque o resto da empresa tem dado sujo, processo diferente e gente que não pediu isso.

    Piloto bom é feito no lugar chato, com o dado real.

    3. O dado não estava pronto, e ninguém quis dizer

    Esta é a causa mais cara. O modelo funciona; a informação que ele precisa está em quatro sistemas que não conversam, em planilha na máquina de alguém, ou num campo de texto livre preenchido de dez jeitos diferentes.

    O piloto disfarça isso com uma base pequena e curada à mão. A produção não disfarça.

    4. Não existia caminho de produção desde o começo

    Piloto rodou numa ferramenta que não passa pela segurança da empresa, sem controle de acesso, sem registro, sem plano de suporte. Aprovar significa recomeçar. E recomeçar exige uma segunda aprovação que ninguém quer pedir.

    5. O ganho ficou com a ferramenta, não com o processo

    A equipe economiza vinte minutos por dia e usa esses vinte minutos para fazer mais do mesmo. O ganho é real e invisível: não aparece em custo, não aparece em receita, não aparece em nada que a diretoria acompanhe.

    Ganho que não muda um número que alguém já olhava não sobrevive a corte de orçamento.

    As quatro decisões do dia um

    Todas cabem em uma página, e a página precisa existir antes da primeira linha de código.

    DecisãoFormato da resposta
    O que medimosUma métrica que a empresa já coleta hoje.
    Qual é a linha de baseO valor dessa métrica nas últimas quatro semanas.
    O que conta como sucessoUm número e uma data, escritos antes.
    O que acontece se não derDesligamos, ajustamos ou continuamos? Decidido agora, não depois.

    A quarta é a que ninguém escreve, e é a que mais protege. Um piloto sem critério de encerramento vira um custo permanente que ninguém tem coragem de matar.

    O piloto que funciona parece pequeno demais

    O padrão que o próprio relatório do MIT aponta é revelador: os projetos que dão retorno são operacionais e sem glamour. Automação de retaguarda, triagem, classificação, tarefa repetitiva de alto volume. Os que falham são os de vitrine.

    Traduzindo para a prática: um piloto de seis semanas, numa tarefa chata, com uma métrica que o financeiro já acompanha, vale mais que um projeto de seis meses com nome de programa e slide de abertura.

    Como saber se o seu piloto vai morrer

    Três perguntas. Se alguma não tiver resposta em uma frase, ele vai morrer:

    1. Qual número vai mudar, e quanto ele vale hoje?
    2. Quem, com nome, vai olhar esse número na semana que vem?
    3. Se ele não mudar até a data marcada, o que fazemos?

    Responder às três custa uma hora de reunião. Não responder custa o projeto inteiro.

    A DCODER começa todo projeto de IA pelas quatro decisões do dia um, escritas em contrato. Converse com o estúdio em dcoder.io.

  • Atendimento no WhatsApp com IA: quanto custa, o que muda e em quanto tempo se paga

    A implantação de um agente de IA no WhatsApp começa em R$ 14.000 de setup, com mensalidade a partir de R$ 1.490, e entra em produção em cerca de 14 dias. Para uma operação que perde venda por demora na resposta, o retorno costuma aparecer entre o terceiro e o quinto mês.

    A diferença entre o chatbot que todo mundo detesta e um agente que resolve a conversa não está no WhatsApp. Está no que existe atrás dele.

    Bot de menu e agente conversacional não são a mesma coisa

    O bot de menu é uma árvore. Digite 1 para orçamento, 2 para suporte. Funciona enquanto o cliente escreve exatamente o que a árvore espera. Como ninguém escreve assim, e as pessoas mandam coisas como “oi, ainda tem horário pra quinta de manhã?”, a conversa trava e o cliente pede atendente na terceira mensagem.

    O agente conversacional interpreta a intenção, consulta a agenda real, responde com o horário disponível e marca. Ele não adivinha nada: lê a mensagem, classifica o que a pessoa quer, busca a informação nos sistemas da empresa e responde com dado verdadeiro.

    A distinção prática é simples. O bot de menu informa. O agente executa: marca, remarca, registra ocorrência, abre chamado, confirma presença.

    Antes de falar em custo, vale medir a perda

    Uma operação com 300 atendimentos por mês e ticket médio de R$ 250 movimenta R$ 75 mil. Se 25% desses contatos se perdem por demora na resposta, número que se confirma com frequência em operações que só atendem em horário comercial, são cerca de R$ 18 mil escapando todo mês.

    Não é preciso recuperar tudo. Recuperar cinco pontos percentuais já significa R$ 3.750 por mês. Em operações de ticket mais alto, e é onde a conta fica realmente interessante, esse mesmo percentual vale bem mais.

    Do outro lado, uma pessoa dedicada ao atendimento custa entre R$ 4 mil e R$ 6 mil por mês com encargos, atende em horário comercial e tira férias. O setup completo do agente equivale a menos de três meses desse salário. A mensalidade fica em torno de 30% dele, e não tira férias.

    O que compõe o investimento

    ItemValor
    Setup, pagamento único, 50% no início e 50% na entregaa partir de R$ 14.000
    Mensalidade: hospedagem, API, custos de IA, ajustes e suportea partir de R$ 1.490
    Prazo de implantaçãocerca de 14 dias

    O setup inclui a configuração do WhatsApp Business, a construção do fluxo sob medida, o treinamento da IA com o tom de voz da empresa, a integração com agenda, CRM ou ERP, o painel web de acompanhamento, a confirmação automática de compromissos e o treinamento da equipe.

    O valor sobe para a faixa de R$ 25 mil a R$ 60 mil quando entram múltiplas unidades, integrações fora do comum, equipes maiores para treinar ou exigência de marca própria. Operações com volume muito baixo, abaixo de 150 atendimentos por mês, normalmente não fecham a conta, e nesses casos costumo dizer isso na primeira conversa.

    O que costuma mudar na operação

    • Resposta em segundos, a qualquer hora. A maior parte das mensagens fora do horário comercial é sobre disponibilidade e preço, perguntas que o agente responde sozinho.
    • Menos falta em compromissos. Confirmação automática na véspera com opção de remarcar em uma mensagem. Quem não vem, avisa, e o horário é reaproveitado.
    • Recepção liberada. Quem estava respondendo “qual o valor da consulta?” trinta vezes por dia passa a cuidar de quem está na frente.
    • Histórico organizado. Toda conversa registrada, pesquisável, com relatório do que mais se pergunta.

    O que não muda, e é importante dizer

    A IA não substitui a equipe. Ela resolve a maior parte das conversas repetitivas e encaminha o resto para uma pessoa, com o contexto já organizado. Caso delicado, negociação e exceção continuam humanos. A diferença é que o humano chega neles descansado.

    E o agente não inventa informação. Ele responde a partir da base de conhecimento e dos sistemas da empresa. Quando não sabe, diz que não sabe e chama alguém. Isso é configuração, não sorte.

    Dois casos em produção

    Condomínio residencial. Atendimento com IA classificando as mensagens em seis categorias: informação, reclamação, manutenção, agendamento, solicitação e pedido de atendimento humano. Painel com triagem por prazo de resposta e possibilidade de a equipe assumir a conversa a qualquer momento. Mais de dois anos em produção contínua.

    Construtora com frota. Seis fluxos modulares no WhatsApp, incluindo controle de abastecimento com foto e quilometragem, processo seletivo com mais de quinze etapas e desligamento com checklist. Mais de 200 mensagens por dia, integração com o SharePoint da empresa, mais de oito meses no ar.

    Como saber se faz sentido para a sua empresa

    Faz sentido se o WhatsApp é o principal canal de contato, se as mesmas cinco perguntas se repetem todo dia, se existe agenda a ser preenchida e se alguém da equipe já respondeu cliente à noite ou no fim de semana.

    Não faz sentido se o volume é baixo, se cada atendimento é realmente único ou se o processo ainda não está definido. Nesse último caso, automatizar a confusão só a torna mais rápida.

    A DCODER implanta agentes de IA no WhatsApp sob medida, integrados aos sistemas que a empresa já usa, com demonstração funcionando na segunda semana. Agende uma conversa em dcoder.io.

  • Conjunto-ouro: como testar um agente de IA antes de colocar na frente do cliente

    Um conjunto-ouro é uma lista de perguntas reais com a resposta certa já definida por quem entende do assunto. Você roda o agente contra essa lista, conta os acertos, e passa a ter um número. Cem perguntas resolvem a maior parte dos casos, e montar leva menos de um dia de trabalho.

    Sem ele, a avaliação de um agente é alguém da equipe conversando por dez minutos e dizendo “ficou bom”. Isso não é teste: é demonstração, e demonstração sempre funciona.

    Por que testar assim, e não usando

    Um modelo de linguagem não é determinístico. A mesma pergunta pode receber respostas diferentes, e uma sessão de conversa livre só mostra o que o testador lembrou de perguntar — quase sempre as perguntas fáceis, e quase sempre com a redação certa.

    O conjunto-ouro inverte isso: fixa as perguntas, fixa o gabarito, e transforma a avaliação em contagem. Aí dá para comparar versões, comparar fornecedores, e saber se a mudança de ontem melhorou ou piorou.

    Como montar as cem perguntas

    De onde tirar

    Do histórico real, sempre. Atendimento tem conversa arquivada; suporte tem chamado; comercial tem e-mail. Perguntas inventadas em reunião testam o sistema contra a imaginação da equipe, e a imaginação da equipe é otimista.

    A distribuição que funciona

    TipoQuantasPor quê
    Perguntas comuns, redação normal40O grosso do uso real.
    Mesmas perguntas, redação ruim20Com erro de digitação, gíria, abreviação, áudio transcrito.
    Casos de borda20Exceção, situação rara, cliente com contrato diferente.
    Fora de escopo10O agente precisa saber dizer que não sabe.
    Armadilhas10Pergunta com premissa falsa, pedido de desconto não autorizado, dado sensível.

    As trinta últimas linhas são as que importam. Todo agente acerta as quarenta primeiras. Nenhum projeto quebra por causa delas.

    Quem define o gabarito

    A pessoa que hoje responde essas perguntas na empresa, não quem está construindo o sistema. E o gabarito precisa dizer duas coisas: qual é a resposta certa, e o que não pode aparecer na resposta.

    Como pontuar

    Três colunas por pergunta, avaliadas por uma pessoa:

    • Certo — a informação está correta e completa.
    • Incompleto — está certo, mas falta algo que o cliente precisaria.
    • Errado — informação incorreta, ou inventada.

    E uma quarta coluna, separada de todas: perigoso. Marca a resposta que expôs dado que não devia, prometeu o que a empresa não cumpre, ou deu orientação que gera risco jurídico.

    Esta última não entra em percentual. Uma resposta perigosa é motivo para não subir, mesmo com 97% de acerto no resto.

    Que nota é boa

    Depende inteiramente do que acontece com o erro:

    • Agente que apenas sugere, e um humano envia: a barra é mais baixa, porque existe revisão.
    • Agente que responde direto ao cliente: a barra sobe, e o transbordo para humano precisa funcionar bem.
    • Agente que toma ação — cancela, aprova, agenda, cobra: a barra é alta e a resposta perigosa tem tolerância zero.

    Definir esse limiar antes de rodar o teste é metade do valor do exercício. Definir depois é escolher a régua que dá o resultado desejado.

    O que fazer depois de rodar

    1. Leia os erros um por um. Eles costumam se agrupar em dois ou três padrões, e cada padrão tem uma correção só.
    2. Corrija a fonte, não a resposta. Se o agente errou porque a informação interna está desatualizada, o problema não é o modelo.
    3. Rode de novo o conjunto inteiro. Correção costuma consertar uma coisa e quebrar outra; só o teste completo mostra.
    4. Guarde o resultado com data e versão. É o que permite dizer, daqui a seis meses, se o sistema melhorou ou piorou.

    Depois de subir

    O conjunto-ouro não morre na entrada em produção. Rode de novo a cada mudança de modelo, de instrução ou de base de conhecimento — e uma vez por mês mesmo sem mudança, porque o mundo muda em volta: preço novo, produto descontinuado, regra que passou a valer.

    E acrescente ao conjunto toda pergunta real que o agente errou em produção. Em um ano, o conjunto vira o ativo mais valioso do projeto: a memória de tudo que já deu errado.

    A DCODER entrega agente com conjunto-ouro montado a partir do histórico do cliente, e com o resultado registrado por versão. Converse com o estúdio em dcoder.io.

  • Inventário de IA: como descobrir o que a sua equipe já usa

    Antes de decidir qualquer coisa sobre IA, a empresa precisa da lista do que já está sendo usado. Não a lista do que foi contratado — a do que as pessoas abrem todo dia. Nas empresas onde esse levantamento é feito, a lista real costuma ser duas a três vezes maior que a lista oficial.

    É um trabalho de duas semanas, custa uma planilha, e é o único passo que não dá para pular. Política escrita sem inventário regula um uso imaginário.

    Por que a lista oficial está sempre errada

    Ferramenta de IA entra na empresa por baixo. Alguém do comercial começou a usar um assistente para escrever proposta. O time de suporte descobriu um tradutor. Um desenvolvedor assinou uma ferramenta de código no cartão pessoal e pede reembolso como “software”. Nada disso passa por compras, e nada disso aparece no inventário de TI.

    O resultado é uma empresa que acha que tem duas ferramentas e tem onze. E as nove que ninguém sabe são justamente as que ninguém configurou.

    A regra que faz o levantamento funcionar

    Uma só, e ela precisa ser dita em voz alta antes de começar: este levantamento não pune ninguém.

    Se a equipe suspeitar que responder honestamente vai gerar bronca ou proibição, o inventário volta limpo e inútil. A frase que funciona é simples: queremos saber o que ajuda, para contratar direito e liberar com segurança. E depois é preciso cumprir isso.

    As quatro fontes, em ordem de esforço

    1. O financeiro (uma hora)

    Puxe os últimos seis meses de cartão corporativo e de reembolso, e procure por assinaturas mensais em dólar de valor baixo. É a fonte mais rápida e a mais reveladora, porque pega o que foi pago sem passar por compras.

    2. Uma pergunta por escrito (três dias)

    Um formulário de quatro perguntas, para todo mundo:

    • Que ferramenta de IA você usou no último mês?
    • Para qual tarefa?
    • Quanto tempo isso economiza por semana, no seu chute?
    • É conta da empresa ou sua?

    A terceira pergunta parece ingênua e é a mais valiosa: ela mostra onde a equipe percebe ganho, que quase nunca é onde a diretoria imagina.

    3. Os sistemas que já têm IA embutida (meio dia)

    Esta é a categoria que todo mundo esquece. O CRM que sugere resposta, o ERP que classifica lançamento, a ferramenta de recrutamento que ordena currículo, o antivírus que decide o que é ameaça, a plataforma de atendimento que resume conversa. A empresa não “adotou IA” nesses casos — ela veio na atualização.

    É também a categoria com mais risco regulatório, porque triagem de currículo e análise de crédito costumam entrar nas listas de alto risco das leis que estão chegando.

    4. Os agentes e automações próprios (meio dia)

    Fluxos de automação, robôs de atendimento, scripts que alguém montou e que hoje ninguém sabe manter. Pergunte quem construiu e quem mantém. Quando as duas respostas são a mesma pessoa e ela é uma só, você achou um risco de continuidade.

    As sete colunas da planilha

    ColunaPara que serve
    FerramentaNome e endereço.
    Quem usaÁrea e número aproximado de pessoas.
    Para quêA tarefa, em uma frase.
    Que dado entraPúblico, interno, pessoal ou sensível. A coluna que decide tudo.
    ContaDa empresa ou pessoal.
    Decide sozinha?Se a saída vira ação sem revisão humana.
    Quem respondeUm nome. Não uma área.

    As duas últimas colunas são as que transformam a planilha em decisão. Onde a resposta for “decide sozinha, e ninguém revisa”, você tem uma prioridade, não um item de lista.

    Como ordenar o resultado

    Não trate tudo igual. Ordene por dois eixos: que dado entra, e se a saída vira ação automática.

    • Dado pessoal ou sensível + decisão automática: resolver primeiro, sem exceção.
    • Dado pessoal + revisão humana: segundo. Precisa de contrato e prazo de retenção.
    • Dado interno + revisão humana: terceiro. Costuma bastar conta corporativa.
    • Dado público: deixe rodar e siga em frente.

    Nas empresas que fizemos esse levantamento, a primeira faixa costuma ter dois ou três itens. É uma tarde de trabalho resolver, depois que eles têm nome.

    O que fazer no dia seguinte

    Inventário que fica na gaveta é tempo perdido. Três coisas saem dele, direto:

    1. A política de uma página, escrita com base no uso real e não no imaginado.
    2. A consolidação de contas: as pessoais viram corporativas, e o custo total aparece pela primeira vez.
    3. A data da próxima revisão. A lista envelhece em seis meses. Marque no calendário antes de fechar a planilha.

    A DCODER faz esse levantamento como primeira etapa de qualquer trabalho de IA em empresa — antes de propor ferramenta, sistema ou automação. Converse com o estúdio em dcoder.io.

  • Política de uso de IA em uma página: o que precisa estar escrito

    Uma política de uso de IA que funciona cabe em uma página e responde a quatro perguntas: o que pode ser colado numa ferramenta de IA, o que nunca pode, quem responde pelo resultado, e o que fazer quando sai errado. Documento maior que isso não é lido, e política não lida não protege ninguém.

    A maior parte das empresas está no pior dos mundos: a equipe já usa IA todos os dias, e não existe nada escrito. Não é caso de proibir — proibição empurra o uso para o celular pessoal, onde ninguém vê. É caso de escrever a regra que já deveria existir.

    Por que uma página, e não vinte

    Política longa é escrita para o auditor e ignorada pela equipe. O objetivo aqui é outro: que alguém no segundo dia de casa leia em três minutos e saiba o que fazer. Se precisar de mais de uma página, o que sobra vira anexo.

    As quatro seções

    1. O que pode entrar

    Liste o que é liberado, por nome. Ambiguidade gera consulta ao gestor, e consulta ao gestor gera atalho.

    • Texto público da empresa: material de marketing, conteúdo do site, descrição de produto.
    • Documento interno sem dado pessoal e sem número financeiro: procedimento, manual, roteiro de treinamento.
    • Código de projeto próprio, quando o contrato com o cliente permite.
    • Rascunho, resumo de reunião e tradução que a pessoa vai revisar antes de usar.

    2. O que nunca entra

    Esta é a seção que a empresa precisa acertar, e é curta de propósito:

    • Dado pessoal de cliente — nome com CPF, endereço, telefone, e-mail, histórico de compra.
    • Dado sensível — saúde, biometria, dado de criança, origem racial, convicção religiosa ou política.
    • Credencial — senha, chave de API, token, certificado, string de conexão.
    • Informação sob acordo de confidencialidade, incluindo código e documento de cliente.
    • Número financeiro não divulgado — faturamento, margem, folha, proposta em negociação.

    E uma frase que evita metade das dúvidas: na dúvida sobre um dado, ele não entra.

    3. Quem responde pelo resultado

    Este é o ponto que mais falta nas políticas que circulam por aí. A regra é uma linha, e não admite exceção:

    Quem envia responde pelo que sai. O modelo não assina, não responde a processo e não é citado em auditoria. Se um texto gerado por IA vai para um cliente, quem apertou o botão respondeu por ele.

    Do que decorre uma lista curta do que exige revisão humana antes de sair:

    • Qualquer texto enviado a cliente, fornecedor ou órgão público.
    • Qualquer número que embase uma decisão.
    • Qualquer código que vá para produção.
    • Qualquer conteúdo publicado com o nome da empresa.

    4. O que fazer quando erra

    Modelos erram, e erram com confiança. A política precisa dizer o que acontece depois, sem transformar o episódio em caça às bruxas — senão o próximo erro é escondido.

    • Quem percebeu avisa o responsável pela área no mesmo dia.
    • O erro é anotado em um registro simples: o que aconteceu, o que causou, o que mudou.
    • Se saiu dado que não podia sair, o caso vira incidente e segue o procedimento de segurança que já existe.
    • A política é revista quando o mesmo tipo de erro aparece duas vezes.

    Três linhas que vale acrescentar

    Ferramentas autorizadas. Nomeie as que a empresa contratou e diga que outras precisam de aprovação. Sem lista, cada um usa a que achou primeiro.

    Conta corporativa, não pessoal. Contas de trabalho costumam ter configuração diferente de retenção e de uso do conteúdo para treino. É a diferença mais barata que existe entre risco alto e risco baixo.

    Avisar quando o cliente fala com um sistema. Se a empresa atende por agente automatizado, a pessoa precisa saber disso e ter um caminho para falar com um humano. Além de boa prática, virou obrigação legal em vários mercados.

    O que não colocar

    Não coloque lista de modelos permitidos por versão — envelhece em semanas. Não coloque promessa de percentual de produtividade. Não copie política de outra empresa sem adaptar: a lista do que nunca entra depende do que a sua empresa trata.

    Como colocar no ar

    1. Escreva a versão 1 em uma hora, com o que você já sabe. Ela não precisa ser boa, precisa existir.
    2. Mostre para duas pessoas que usam IA todo dia e pergunte o que a política proíbe que elas já fazem. A resposta é o mapa do problema real.
    3. Publique num lugar único, com data e responsável no rodapé.
    4. Marque a revisão daqui a seis meses no calendário. Sem data marcada, não acontece.

    Uma política de uma página, escrita e conhecida, protege mais do que um manual de trinta que ninguém abriu.

    A DCODER organiza o uso de IA dentro de empresas: inventário, regra escrita, fonte única e medição de uso. Converse com o estúdio em dcoder.io.