Sobre o cliente
A empresa opera um dos maiores marketplaces do Brasil, oferecendo uma ampla variedade de bens de consumo, com foco principal em softlines, como vestuário, calçados e acessórios. Além de uma forte presença no comércio eletrônico, a companhia expandiu sua atuação no varejo físico por meio da abertura de lojas em locais estratégicos e da implementação de um plano de expansão baseada em franquias. Essa abordagem multicanal posiciona a empresa como um varejista moderno, atendendo seus clientes tanto por plataformas digitais quanto por experiências de compra presenciais.
Desafio
Um dos principais desafios que a empresa era escalar seu atendimento ao cliente à medida que sua base de usuários crescia. Os canais tradicionais de suporte estavam sobrecarregados por altos volumes de perguntas repetitivas (FAQs) e solicitações transacionais (status de pedidos, cancelamentos). O chatbot existente não possuía capacidade de “raciocínio” para lidar com tarefas de múltiplas etapas ou acessar dados em tempo real de forma eficiente, resultando em alta dependência de agentes humanos e aumento do atrito operacional.
Solução
Foi implementada uma arquitetura de IA Agentic cloud-native, baseada no framework AWS Multi-Agent Orchestrator. A solução contempla:
- Sistema Multiagente Especializado: Implantação de diferentes Bedrock LLM Agents, especializados em domínios específicos: recuperação de FAQs, Gerenciamento de Pedidos (transacional) e Saudação/Roteamento Geral.
- Camada Inteligente de Orquestração: Um classificador interpreta a intenção do usuário e direciona a conversa para o agente especializado mais adequado, mantendo o contexto durante toda a sessão.
- Bases de Conhecimento com RAG: Integração com o Amazon Bedrock Knowledge Bases para execução de Retrieval-Augmented Generation (RAG) a partir da extensa documentação de suporte e manuais de políticas da empresa.
- Ferramentas Ação-Orientadas (Function Calling): Agentes equipados com “Tools” capazes de chamar APIs externas de forma segura para obter atualizações transacionais em tempo real diretamente do sistema de gerenciamento de pedidos.
- Modelos Fundamentais Avançados: Utilização do Claude 3 (via Amazon Bedrock) para raciocínio avançado, execução de instruções complexas e processamento de linguagem natural.
Resultados
- Automação Aprimorada: Alta eficácia na resolução de dúvidas relacionadas a FAQs sem intervenção humana, por meio de buscas precisas por relevância documental.
- Melhoria nos Indicadores Operacionais: Redução de 30% no tempo médio de primeira resposta e de 40% no tempo total de resolução dos chamados.
- Crescimento dos Canais Digitais: Aumento significativo na adoção do canal de chat, à medida que os usuários passaram a confiar na precisão da IA e em sua capacidade de lidar com tarefas transacionais.
- Satisfação do Usuário: Crescimento mensurável nos índices de CSAT (Customer Satisfaction), tanto de usuários finais quanto de franqueados/vendedores da plataforma.
Análise de TCO
A análise de TCO demonstrou a transição de um modelo de alto custo fixo (equipe humana e manutenção de bots legados) para um modelo variável, baseado em consumo. Ao utilizar a infraestrutura serverless do Amazon Bedrock, a plataforma passa a ter custos apenas conforme o uso real de tokens durante sessões ativas. O estudo comprovou que escalar o agente de IA para lidar com o dobro do volume resulta em um aumento de custo praticamente irrelevante, quando comparado ao crescimento linear e elevado necessário para expandir equipes humanas ou softwares licenciados legados.
Lições Aprendidas
- Especialização de Agentes em vez de Monólitos: Dividir fluxos de trabalho complexos em múltiplos agentes especializados é significativamente mais eficiente e preciso do que utilizar um único bot monolítico ou um “mega‑prompt”.
- Design Conversacional: O engajamento dos usuários melhora consideravelmente quando a IA mantém um tom útil e humanizado; ajustes iterativos de intenções e enunciados foram essenciais para uma interação natural.
- Prontidão de APIs: O sucesso da automação agentic depende fortemente da disponibilidade e da boa documentação de APIs de backend bem estruturadas, permitindo que os agentes executem ações de forma eficaz.
