Agentes de IA no WhatsApp: o que funciona em operação real.

Toda discussão sobre atendimento automatizado no Brasil chega ao mesmo lugar: o WhatsApp. É onde o cliente já está, é onde ele espera resposta rápida, e é onde a maioria das empresas ainda opera com uma fila de pessoas respondendo à mão. Colocar um agente de IA ali parece a decisão óbvia. O que este texto trata é do que separa a decisão óbvia da operação que funciona.

Primeiro: oficial ou não oficial

Existem duas formas de automatizar o WhatsApp, e a escolha define tudo que vem depois. A API oficial (WhatsApp Business Platform, da Meta) exige número verificado, mensagens ativas por modelo aprovado e obedece a regras de janela de conversa. As integrações não oficiais emulam um aparelho e ignoram tudo isso.

A segunda parece mais simples, e é onde muita operação começa. O problema é que ela viola os termos da plataforma e o número pode ser bloqueado sem aviso, com a base de conversas inteira. Para operação de empresa, com histórico que precisa ser mantido e volume que precisa de escala, a única base sólida é a oficial. O resto deste texto assume isso.

Três regras da API oficial que mudam o desenho do agente:

• A janela de 24 horas. Depois que o cliente escreve, a empresa pode responder livremente por 24 horas. Fora dessa janela, só é possível iniciar contato com um modelo de mensagem aprovado pela Meta. Um agente que precisa retomar uma conversa no dia seguinte precisa saber disso.
• Modelos de mensagem. Mensagem ativa (cobrança, confirmação, campanha) passa por aprovação prévia e segue categorias. O agente não improvisa a primeira mensagem; ele escolhe o modelo certo e preenche as variáveis.
• Qualidade do número. A Meta mede a reação dos clientes (bloqueios, denúncias) e limita o volume de quem tem qualidade baixa. Agente que manda mensagem demais ou fora de hora derruba a capacidade da empresa inteira, não só a dele.

Onde o agente rende, e onde não

O WhatsApp não muda a regra geral: o agente rende onde há decisão e consulta a sistema, e não rende onde a resposta é sempre a mesma. O canal só torna a diferença mais visível, porque o cliente escreve como fala.

O desenho que funciona: IA e pessoa na mesma conversa

O erro mais comum é tratar o agente como uma camada antes do atendimento humano, uma triagem que o cliente precisa atravessar. Funciona mal, porque o cliente sente a barreira e a pessoa que recebe a conversa recebe sem contexto.

O desenho que funciona é diferente: a IA e o atendente trabalham na mesma conversa, na mesma caixa. O agente resolve o que consegue. Quando o caso exige uma pessoa, a conversa vai para a fila do departamento certo com o histórico inteiro, e o atendente continua de onde o agente parou. O cliente não percebe a troca, e não repete nada.

Quatro decisões fazem esse desenho funcionar ou falhar:

1. Critério de transferência explícito. O agente precisa saber quando parar: fora de escopo, baixa confiança, pedido de humano, palavra que indica risco. Sem critério, ele insiste e o cliente desiste.
2. Fila por departamento, não fila única. Cobrança, vendas e suporte têm pessoas diferentes. O agente que já entendeu o assunto encaminha para a fila certa, e a espera cai.
3. Contexto que atravessa a fronteira. O atendente vê o que o cliente escreveu, o que o agente consultou e o que já foi respondido. Se ele precisar perguntar de novo, o desenho falhou.
4. Retorno para o agente. Resolvido o ponto que exigia a pessoa, a conversa pode voltar ao agente para o restante. É o que mantém o atendente livre para o próximo caso.

O que quebra em produção

• Agente que não sabe parar. Insiste em resolver o que não é dele, e o cliente pede humano três vezes antes de conseguir. É o defeito mais frequente e o mais fácil de medir: conte quantas vezes a palavra "atendente" aparece antes da transferência.
• Mensagem ativa sem regra. Campanha disparada para quem já está em conversa aberta, cobrança enviada para quem pagou ontem, lembrete fora de hora. Cada uma derruba a qualidade do número.
• Contexto perdido na transferência. O cliente explica tudo ao agente e explica tudo de novo à pessoa. Sinal de que a passagem foi feita por fora da conversa.
• Resposta genérica com cara de específica. O agente diz "seu pedido está a caminho" sem ter consultado o pedido. Pior que não responder, porque o cliente confia e a informação está errada.
• Ninguém olhando depois do go-live. O catálogo mudou, a política mudou, o agente continua respondendo o de antes. Sem alguém revisando amostra semanal, a qualidade cai em silêncio.

As métricas que importam

Volume de conversas atendidas pelo agente é a métrica que todo painel mostra e que menos diz. As que separam atendimento automatizado de atendimento resolvido:

• Resolução sem transferência, por tipo de caso. É o número que mostra o que o agente de fato tira da fila.
• Tempo até a primeira resposta, antes e depois. Em pré-atendimento é o que move conversão.
• Transferências por motivo: fora de escopo, baixa confiança, pedido do cliente, risco. Cada motivo pede uma correção diferente.
• Pedidos de humano antes da transferência. Se a média passa de um, o critério de parada está errado.
• Qualidade do número na Meta. Se cair, todo o resto para de importar.

Como a Runflow faz isso

O Conversation Hub é a implementação deste desenho: agentes atendendo no WhatsApp oficial da Meta, na mesma thread do atendente humano, com fila por departamento e transbordo por contexto. A IA resolve o que consegue e passa para a pessoa quando o caso exige, sem o cliente perceber a troca. Mensagens ativas usam os modelos aprovados da Meta, e o supervisor orquestra os especialistas (vendas, financeiro, suporte) conforme o assunto da conversa.

Por trás, os mesmos conectores da plataforma: o agente que responde sobre o pedido consultou o pedido no ERP, e o que agenda a visita gravou no CRM. Cada execução fica registrada e reproduzível, o que é o que permite revisar a amostra semanal e ajustar antes de a qualidade cair.