Analisamos 1.204 conversas de WhatsApp antes de automatizar: os números que mudaram o projeto

Case anonimizado de um projeto entregue pela Cordexo. A empresa é uma assistência técnica autorizada de eletrodomésticos com duas lojas, quatro pessoas no balcão e uma pessoa dedicada ao WhatsApp. O pedido inicial do dono foi direto: colocar uma IA para responder orçamento, porque na cabeça dele era isso que entupia o canal.

Antes de escrever qualquer linha de automação, a gente pediu duas coisas: a exportação de 30 dias de conversas e dois dias de prazo. O resultado dessa análise mudou o escopo do projeto e fez a primeira entrega não ter IA nenhuma.

Por que a análise vem antes da proposta

Todo dono de PME tem uma teoria sobre o próprio atendimento. A teoria vem da memória, e a memória guarda o que incomoda, não o que mais acontece. Uma discussão feia de prazo fica na cabeça por semanas; quatrocentas mensagens iguais perguntando "chegou?" viram ruído de fundo.

Automatizar em cima da teoria do dono é o jeito mais rápido de gastar dinheiro no lugar errado. A conversa exportada custa zero e resolve a discussão em números.

Como classificamos

O WhatsApp Business exporta o histórico em texto. Foram 1.204 conversas iniciadas por cliente em 30 dias, distribuídas nos dois números da empresa.

O processo teve três etapas:

1. Definir as intenções antes de olhar os dados. Sentamos com o dono e a atendente e listamos as categorias possíveis. Ficaram seis: status de ordem de serviço, orçamento, triagem de escopo (marca ou bairro atendidos), informação fixa (horário, endereço, pagamento), reclamação de prazo, e outros. Definir antes evita a categoria criada para justificar o que apareceu.

2. Classificar em lote. Um modelo de linguagem leu cada conversa e devolveu uma intenção principal por conversa, em CSV. Custo de processamento abaixo de dez reais.

3. Revisar uma amostra por humano. Sorteamos 120 conversas e conferimos a mão. Divergência de 6%, quase toda entre orçamento e triagem de escopo (cliente que pergunta "vocês consertam Brastemp? quanto sai?" na mesma frase). Corrigimos a regra e rodamos de novo.

Sem essa terceira etapa a análise não vale nada. É a mesma lógica que aplicamos em automação de atendimento: enquanto ninguém confere uma amostra, você tem uma opinião com aparência de dado.

O que os números mostraram

Status de ordem de serviço: 41% (496 conversas). "Meu fogão já ficou pronto?", "alguma novidade da peça?", "posso buscar?".

Orçamento: 23% (277 conversas). Era a categoria que o dono achava ser a maioria absoluta.

Triagem de escopo: 14% (168). Cliente perguntando se a loja atende a marca dele ou o bairro dele. Metade dessas conversas terminava em não.

Informação fixa: 11% (132). Horário, endereço, se aceita Pix, se atende sábado.

Reclamação de prazo: 7% (84). Dessas, 71 eram do mesmo tipo de serviço: conserto que depende de peça encomendada.

Outros: 4% (47). Fornecedor, engano, propaganda.

Dois recortes apareceram por cima dessa divisão e valeram mais que ela.

O primeiro: em 61% das conversas de status, a resposta já existia dentro do sistema de ordem de serviço no momento em que o cliente perguntou. O aparelho estava pronto, a peça tinha chegado, o orçamento estava aprovado. Ninguém tinha avisado.

O segundo: 34% dos clientes que mandaram mensagem escreveram de novo dentro de sete dias perguntando exatamente a mesma coisa. O canal estava inflado pela própria demora.

E um terceiro dado, de horário: 38% das mensagens chegavam entre 17h e 22h, com a loja fechada e o WhatsApp mudo até as 8h do dia seguinte.

A primeira entrega não teve IA

Com esses números na mesa, propor um assistente de IA para responder "seu fogão está pronto" seria construir uma resposta cara para um problema de aviso.

A primeira automação foi uma notificação automática disparada pela mudança de status na ordem de serviço. Quando a OS passa para peça recebida, em execução, pronto para retirada ou orçamento aguardando aprovação, o cliente recebe uma mensagem com o número da OS e o próximo passo. Nenhum modelo de linguagem envolvido, só uma integração com o sistema que a empresa já pagava.

Três semanas depois, as conversas de status caíram de 41% para 12% do volume. O volume total de mensagens recebidas caiu 22%, porque a maior parte da repetição era gente cobrando resposta.

Isso derruba uma ideia comum: parte do que parece demanda de atendimento é falta de aviso. Se você automatizar o atendimento antes de arrumar o aviso, vai pagar para responder uma pergunta que não precisava existir.

Onde a IA entrou depois

Com o canal mais limpo, a IA entrou em duas frentes, as duas escolhidas pelo mesmo critério: pergunta que repete, com regra clara e custo de erro baixo.

Triagem de escopo, com a lista de marcas autorizadas e os bairros atendidos. Resposta imediata, inclusive o não, que antes demorava horas e queimava o tempo de alguém para virar não do mesmo jeito.

Orçamento em faixa, não em valor fechado. Para os quinze serviços mais comuns, a IA responde a faixa de preço praticada e explica que o valor final depende do diagnóstico presencial. O valor fechado continua saindo de um técnico.

Sessenta dias depois da virada:

• Tempo médio até a primeira resposta: de 3h11 para 4 minutos
• Conversas resolvidas sem humano: 47%
• Mensagens fora do horário respondidas na hora: 100% das categorias de escopo e informação fixa

O que ficou fora de propósito

Reclamação de prazo continua indo direto para uma pessoa, com uma etiqueta que a IA aplica na entrada. São 7% do volume e concentram todo o risco de perder o cliente. Quem está bravo porque o fogão está parado há três semanas não quer uma resposta educada em quatro segundos.

As 71 reclamações ligadas a espera de peça também viraram outra coisa: um relatório mensal de qual peça mais atrasa e de qual fornecedor. Isso não era escopo do projeto, saiu de graça da classificação e hoje é usado na negociação com os fornecedores.

Como fazer essa análise no seu negócio

O método não depende da Cordexo nem de ferramenta paga:

1. Exportar 30 dias de conversas do WhatsApp Business
2. Listar no máximo seis intenções possíveis, antes de olhar os dados
3. Classificar cada conversa em uma intenção só
4. Marcar quantas dessas respostas já existiam em algum sistema no momento da pergunta
5. Contar quantos clientes voltaram a perguntar a mesma coisa em sete dias
6. Olhar o horário de chegada das mensagens

Se o passo 4 der um número alto, o seu primeiro projeto provavelmente é aviso automático, não atendimento com IA. Se o passo 5 der alto, parte do seu volume é sintoma da demora, e vai encolher sozinho quando a demora encolher.

Dois dias de análise mudaram a ordem de um projeto inteiro nessa assistência técnica. O custo de pular essa etapa não é o projeto dar errado. É ele dar certo resolvendo a pergunta errada.