Glossário IA WhatsApp: termos essenciais de automação e o que pedir ao fornecedor

Tese

glossário IA WhatsApp: um dicionário prático que transforma termos técnicos de IA e automação em decisões concretas, perguntas para fornecedores e configurações recomendadas para quem vende pelo WhatsApp.

Glossário IA WhatsApp: 25 termos essenciais e o que eles significam para seu negócio

Intent (intenção)

Definição: A intenção é a classificação da intenção do usuário — por exemplo "quero preço" ou "agendar visita" — detectada na mensagem. Impacto: determina para qual fluxo o lead é direcionado e se precisa de resposta imediata. Exemplo: o agente marca a conversa como intent="pedido_preco" e aciona o bloco de envio de tabela de preços.

Intent classification (classificação de intents)

Definição: O processo automático que mapeia uma mensagem para uma das intents pré-definidas. Impacto: melhora a velocidade e precisão do roteamento de leads; má classificação gera fricção. Exemplo: teste de acurácia 90% significa que 9 em 10 mensagens vão para o fluxo certo.

Fallback

Definição: Resposta padrão acionada quando o sistema não reconhece a intenção do usuário. Impacto: controla perda de leads — um fallback mal desenhado aumenta transferências desnecessárias. Exemplo: após 2 tentativas de reformulação, o fallback envia mensagem simples e, se falhar 3 vezes, aciona handoff.

NLU (Natural Language Understanding)

Definição: Camada que entende intenções e extrai entidades a partir de linguagem natural. Impacto: necessária quando você precisa extrair dados complexos (tamanhos, códigos, prazos). Exemplo: NLU customizada identifica "ref. B123" como SKU e popula o campo pedido.

Entidade / Slot

Definição: Informação extraída da frase do cliente (ex.: quantidade, cor, referência). Impacto: permite preencher pedidos e formular respostas específicas sem perguntar tudo ao cliente. Exemplo: detectar entity:quantidade=50 e seguir com confirmação automática.

Webhook

Definição: Notificação em JSON que seu fornecedor envia ao seu sistema quando um evento ocorre (novo lead, handoff, agendamento). Impacto: é a base da integração com seu CRM; payloads incompletos travam automação. Exemplo: peça ao fornecedor um webhook que envie id_lead, phone, last_messages[3], intent_detected e score.

Webhook callback

Definição: Um retorno do seu sistema ao fornecedor confirmando que recebeu o webhook. Impacto: necessário para garantir processamento e controlar retries. Exemplo: seu endpoint responde 200 OK; se não, o fornecedor tenta novamente.

Webhook payload

Definição: O conteúdo do webhook em JSON com campos e valores. Impacto: define o que seu CRM recebe e como você automatiza ações. Exemplo: {id_lead, phone, last_messages[3], intent_detected, score, tags, timestamp} — solicite esse padrão.

Session

Definição: Período ativo de conversa entre usuário e agente (ex.: 30–60 minutos). Impacto: determina contexto e qual informação permanece disponível para o fluxo. Exemplo: session_expire=45min evita que o bot use contexto antigo em nova interação.

State (estado)

Definição: O ponto atual do lead dentro do fluxo (ex.: qualificação, negociação, agendado). Impacto: permite retomar conversas e acionar regras por estado. Exemplo: state=negociação ativa lembretes automáticos e resumo para vendedor no handoff.

Prompt (system / user)

Definição: Instruções enviadas ao modelo — prompt system define regras; prompt user contém a entrada do cliente. Impacto: um bom prompt system reduz respostas errôneas e inconsistentes. Exemplo: prompt system: "Responda sempre com tom objetivo e peça confirmação de pedido".

Embeddings

Definição: Representação vetorial de textos usada para calcular similaridade entre mensagens e documentos. Impacto: permite buscas semânticas, matching de FAQs e respostas contextuais. Exemplo: usar embeddings para associar pergunta do cliente à resposta de base de conhecimento.

Vetor de similaridade

Definição: Medida numérica da proximidade entre embeddings. Impacto: define se uma resposta de base é adequada; thresholds pobres geram respostas irrelevantes. Exemplo: aceitar respostas com similaridade ≥0.75 para sugestões automáticas.

LLM (Large Language Model)

Definição: Modelo de linguagem grande que gera texto (chatbot avançado). Impacto: aumenta cobertura de linguagem mas exige controle de custo e segurança. Exemplo: LLM usado para esboçar resposta longa quando intent não mapeada, com revisão humana em casos críticos.

Fine-tuning

Definição: Ajuste do modelo com dados específicos da sua operação para melhorar performance. Impacto: reduz erros em linguagem local e termos do seu nicho, mas exige dados e custo. Exemplo: fine-tune com 1.000 exemplos de pedidos atacado para melhorar extração de entidades.

Prompt engineering

Definição: Técnica de formular prompts para obter respostas corretas e seguras do modelo. Impacto: melhora precisão sem alterar modelo; repetível e de baixo custo. Exemplo: incluir no prompt "extrair apenas SKU e quantidade" para evitar respostas ambíguas.

Chain-of-thought

Definição: Técnica que faz o modelo raciocinar em passos intermediários antes da resposta. Impacto: útil para decisões complexas, mas pode aumentar custo de processamento. Exemplo: usar chain-of-thought para validar cálculo de desconto para pedido grande.

Corpus

Definição: Conjunto de textos usados para treinar ou avaliar modelos. Impacto: qualidade do corpus influencia precisão da NLU e do fine-tuning. Exemplo: pedir ao fornecedor amostra do corpus usado para avaliar viés ou cobertura de termos do atacado.

NER (Named Entity Recognition)

Definição: Técnica de NLU que identifica entidades nomeadas (nomes, endereços, códigos). Impacto: necessária quando você precisa extrair campos padronizados automaticamente. Exemplo: detectar "Rua das Flores, 123" e preencher endereço no pedido.

Scoring

Definição: Pontuação que resume urgência/qualidade do lead com base em regras e comportamento. Impacto: usado para priorizar handoffs e follow-ups; thresholds mal calibrados causam perda ou custo excessivo. Exemplo: modelo prático: +40 por "quero", +30 por pedido de preço, +20 por clique em link.

Threshold

Definição: Valor de corte no scoring que define ações (handover, sequência, nurture). Impacto: determina quando a conversa vai para humano e quando fica na automação. Exemplo: ≥70 → handover imediato; 40–69 → sequência prioritária; <40 → nurturing.

Handover / Handoff

Definição: Transferência da conversa do agente automatizado para um atendente humano. Impacto: momento e conteúdo do handoff definem taxa de conversão; faça sempre resumo automático. Exemplo: ao handoff enviar últimas 3 mensagens, intent_detected, score e tags ao vendedor.

Webhook vs API

Definição: Webhook é push (o fornecedor envia eventos); API é pull/consulta (você requisita dados). Impacto: webhooks reduzem latência; APIs permitem auditoria on‑demand. Exemplo: use webhook para novos leads e API para sincronização periódica de histórico.

Rate limit

Definição: Limite de requisições por minuto/hora imposto por plataforma ou fornecedor. Impacto: controla custo e evita bloqueios; parâmetros devem ser acordados para picos. Exemplo: peça limite por minuto e política de throttle para Black Friday.

Webhook retry

Definição: Política que define quantas tentativas e intervalos para reenviar um webhook não entregue. Impacto: garante confiabilidade de integração; sem retry você perde eventos. Exemplo: policy sugerida: 3 tentativas em 1h com backoff exponencial.

Como usar o glossário na contratação: perguntas diretas para fornecedores

Compreensão de intenção e NLU

Defina perguntas e o que esperar como resposta: "Como você treina intents? Qual o SLA de melhoria e como eu adiciono 6 FAQs?" — resposta aceitável: explicação do processo, tempo de inclusão (ex.: 48–72h) e métricas de acurácia esperadas.

Fallback e handoff

Pergunte: "Qual é a lógica de fallback? Em que momento a conversa vai para humano? O que vem no resumo enviado ao vendedor?" — você deve receber descrição clara de gatilhos, resumo (últimas 3 mensagens, score, tags) e testes de falha.

Integrações / webhooks

Pergunte: "Como é o payload do webhook? Qual o retry policy e o tempo de retry? Há garantia de ordenação das mensagens?" — peça o JSON de exemplo e política de retry (3 tentativas em 1h com backoff) e documentação da ordenação.

Métricas e SLA

Pergunte: "Como calculam scoring? Quais thresholds recomendam? Qual é o tempo médio de resposta do agente e o custo por interação estimado?" — exija definição de scoring, thresholds sugeridos e benchmarks de resposta.

Configurações‑padrão recomendadas (cheat‑sheet) para automação WhatsApp

• Fallback: 1–2 tentativas automáticas com mensagem simplificada; após 3 falhas → transferir para humano com resumo (últimas 3 interações, intent_detected, score).
• Scoring e thresholds: exemplo prático — +40 por resposta “quero”, +30 por pedido de preço, +20 por clique; ≥70 → handover imediato; 40–69 → sequência prioritária; <40 → nurturing.
• Webhook padrão recomendado: enviar JSON com {id_lead, phone, last_messages[3], intent_detected, score, tags, timestamp}; retry policy: 3 tentativas em 1h com backoff exponencial; logs acessíveis para auditoria.
• Session / state: timeout de sessão padrão 30–60 minutos; peça política de retenção de estado e limpeza de contexto.
• Rate limit: solicite limites por minuto e política de throttle para picos; defina comportamento esperado no caso de throttle.

Quando exigir NLU customizada vs usar intents simples (decisão prática)

Use intents simples quando seus fluxos são previsíveis: qualificação, agendamento, pedido de preço. Implantação é rápida, custo menor e manutenção simples. Exija NLU customizada quando há alta variação de linguagem, necessidade de extrair múltiplas entidades (tamanhos, referências, prazos) ou quando erro custa venda — por exemplo atacado de moda com múltiplos SKUs e condições de preço. Peça ao fornecedor dataset mínimo (ex.: 500 exemplos por intent) e cadence de retraining (mensal/trimestral).

Próximo passo prático: checklist de 7–30 dias para testar e implementar

Primeira semana (7 dias): defina objetivo (ex.: reduzir perda de leads em 30%), configurar 6 FAQs, criar 3 gatilhos de handoff (score≥70, pedido explícito, agendamento) e testar webhook com payload de exemplo.

Primeiro mês (7–30 dias): rode A/B com cadências de follow-up (4h vs 12h), meça % resposta <4h, taxa de conversão por interação e redução de leads perdidos; ajuste thresholds de scoring conforme resultado.

Checklist técnico exigível do fornecedor: payload webhook exemplo; retry policy (3 tentativas/1h com backoff); SLA de retraining de NLU; resumo automático para handoff (últimas 3 mensagens, score, tags); exportação de logs e integração CRM.