blog
- Chatbot tradicional segue roteiro engessado: quebra na primeira pergunta fora do script.
- IA genérica (tipo ChatGPT puro) conversa bem, mas não tem acesso à sua agenda, seus preços, seu histórico: então não agenda nada de verdade.
- IA com sistema acoplado (caso da tecpet) usa tools para acessar sua operação real, agentes especializados em cada tarefa, e orquestração pra decidir quem faz o quê.
- Resultado: IA que conversa como gente, conhece as regras do seu negócio (preço e duração por raça e porte, o profissional certo, o histórico do pet) e usa isso pra vender: agenda, oferece o adicional certo e fecha.
Por que isso importa pra você (mesmo que você não goste de tecnologia)
Você não precisa entender de IA pra ter pet shop. Mas precisa entender o suficiente pra não ser enganada, porque o mercado tá cheio de gente vendendo "IA pra WhatsApp" que na prática é só chatbot velho com nome novo.
Se você adotar uma dessas, três coisas acontecem:
- Cliente acha bot ruim: sente que não é gente, conversa quebra, pessoa vai pro concorrente
- Você precisa intervir o tempo todo: bot empaca, você responde, o "automatizado" virou trabalho
- O investimento não retorna: pagou implementação, paga mensalidade, não tem benefício real
Por isso vale 10 minutos pra entender a diferença. Vamos pelos 4 pilares que separam IA boa de IA ruim em pet shop.
Pilar 1: Tools: as ferramentas que a IA pode usar
Pensa numa recepcionista nova chegando pro primeiro dia de trabalho. Ela é educada, fala bonito, atende bem ao telefone. Mas se ela não tem acesso à agenda, não consegue marcar consulta. Se não tem acesso à tabela de preços, não consegue informar valor. Se não tem acesso ao cadastro de clientes, não reconhece quem já é da casa.
IA é igual. Por mais inteligente que seja, ela só faz o que tem acesso. "Tools" são esses acessos: funções específicas que a IA pode chamar pra agir no mundo real.
As tools que uma IA de pet shop precisa ter
- Consultar agenda: "tem horário quinta às 14h?"
- Criar agendamento: "marca pra mim"
- Buscar cliente / pet: "quem é o tutor da Mel?"
- Consultar tabela de preços: "quanto custa banho de Golden?"
- Consultar pacotes ativos: "ela ainda tem banhos no plano?"
- Disparar mensagem ao tutor: confirmação, lembrete, follow-up
- Escalar pra humano: quando algo foge do padrão
ChatGPT puro não tem essas tools. Você fala com ele "agenda banho pra Mel quinta", e ele responde algo bonito tipo "Claro! Posso ajudar com isso!", mas não agenda literalmente nada, porque não tem acesso à sua agenda.
Pilar 2: Agentes: IAs especializadas em tarefas diferentes
Aqui é onde fica interessante. Imagine que sua recepcionista é boa em atender no geral. Mas quando chega caso clínico difícil, você não quer que ela responda: você quer que passe pro veterinário. Quando chega cobrança, idem, não é papel dela, é do financeiro.
Numa IA bem feita, isso é igual: você tem agentes diferentes pra tarefas diferentes. Cada um sabe seu papel.
Os agentes típicos de uma IA de pet shop
- Triador: recebe a mensagem, identifica o tipo, encaminha
- Agendamento: consulta agenda, oferece horário, confirma
- Vendas / Orçamento: responde preço, oferece adicionais
- Urgência: detecta o caso urgente e escala pra humano na hora
- Follow-up: chama de volta quem sumiu há 15 dias
Pilar 3: Orquestração: quem decide quem faz o quê
Ter vários agentes só funciona se alguém coordena. Senão dá briga: o agente de Vendas começa a responder coisa que era do Agendamento. O de Follow-up tenta decidir se é emergência. Vira bagunça.
A orquestração é o "maestro": uma camada que recebe a mensagem, decide qual agente deve responder, passa o contexto certo, e, quando precisa, chama múltiplos agentes em sequência.
Exemplo real: cliente manda áudio "Oi, preciso desmarcar a Mel de quinta porque ela passou mal e quero saber se vocês atendem emergência". Esse áudio tem 3 intenções:
- Cancelar agendamento
- Reportar problema de saúde
- Pedir informação sobre emergência veterinária
Boa orquestração desmembra isso, aciona o agente certo pra cada parte, e responde uma mensagem coesa. Sem orquestração, a IA escolhe uma intenção e ignora as outras: cliente fica frustrado.
Pilar 4: Sistema como base: onde tudo isso vive
De nada adianta IA boa se ela está conectada num sistema ruim. Esse é o erro de muitas soluções: vendem "IA acoplável ao seu WhatsApp" mas a IA não tem como acessar dados reais: ela responde por cima de uma planilha desatualizada ou de um sistema que não tem o que ela precisa.
IA boa de pet shop precisa do sistema operacional certo embaixo: agenda estruturada, ficha de pet, controle de pacotes, integração com WhatsApp, cadastro confiável.
Quer ver essa arquitetura rodando ao vivo?
Na conta de teste você manda os áudios mais difíceis que recebe e confere se a IA entende, consulta a agenda e responde com a regra certa.
Comparativo prático
| Capacidade | Chatbot tradicional | IA genérica (ChatGPT) | IA com sistema (tecpet) |
|---|---|---|---|
| Conversar como gente | ✗ | ✓ | ✓ |
| Entender áudio | ✗ | ✓ | ✓ |
| Acessar sua agenda real | ⚠ | ✗ | ✓ |
| Reconhecer cliente antigo | ✗ | ✗ | ✓ |
| Agendar de verdade | ⚠ | ✗ | ✓ |
| Oferecer o adicional certo pela raça e histórico | ✗ | ✗ | ✓ |
| Conhecer o mercado pet (não marca tosa em pug) | ✗ | ✗ | ✓ |
| Detectar urgência e escalar na hora | ✗ | ⚠ | ✓ |
| Agendar por voz (cliente manda áudio) | ✗ | ✗ | ✓ |
| Escalar pra humano corretamente | ✗ | ✗ | ✓ |
A última linha é a que mais separa uma coisa da outra, e é a mais fácil de subestimar. Uma IA genérica aceita agendar tosa pra um pug sem piscar, porque pra ela é só uma palavra combinada com outra. Quem conhece o mercado pet sabe que aquilo não existe, e não deixa o erro entrar na agenda. Esse tipo de conhecimento não se configura: ou o modelo entende do setor, ou ele repassa pra você a conta de revisar tudo.
Demo conceitual: o que acontece quando o cliente manda áudio
Vamos rastrear, passo a passo, o que rola por baixo do capô quando um cliente envia uma mensagem em áudio. Você vai entender por que IA boa não é mágica, é engenharia.
▸ Passo 1: Recepção (~1s)
Áudio chega no WhatsApp Business API. Sistema captura e envia pra módulo de
transcrição.
▸ Passo 2: Transcrição (~2s)
Áudio vira texto. A IA entende o português falado do dia a dia, incluindo gírias
e regionalismos.
▸ Passo 3: Triagem (~0,5s)
Agente Triador analisa: qual a intenção? Agendamento, dúvida, reclamação? Identifica
"agendamento" e roteia.
▸ Passo 4: Identificação do cliente (~0,3s)
Agente de Agendamento consulta: quem é esse número? Encontra "Marcos, tutor da Mel
e do Thor". Carrega contexto.
▸ Passo 5: Consulta da agenda (~0,5s)
Tool "consulta_agenda" é chamada. Sistema retorna 2 horários disponíveis no dia
pedido.
▸ Passo 6: Geração da resposta (~1,5s)
Modelo de linguagem compõe resposta personalizada com nome do pet, horários, e tom
da empresa configurado.
▸ Passo 7: Envio (~0,5s)
Resposta volta pro WhatsApp. Cliente recebe em ~6s desde o áudio inicial.
Total: ~6 segundos do áudio até resposta personalizada. Sem você tocar no celular.
Por dentro: function calling, multiagents e fallback handling
Se você é do mundo tech ou trabalha com integrações, aqui vai a versão técnica do que descrevemos acima.
Function calling (a tradução técnica de "tools")
Os modelos de linguagem modernos (GPT, Claude, Gemini) suportam function calling:
um protocolo onde o modelo decide quando chamar uma função externa, com quais parâmetros,
e processa o resultado. É a fundação técnica das tools.
No nosso stack, cada tool é definida como um schema JSON com nome, descrição e parâmetros. O modelo escolhe a tool certa baseado na intenção do usuário e no contexto da conversa. A definição clara da descrição da tool é crítica: descrição vaga gera tool calls erradas.
Multiagent orchestration
Em vez de um único agente gigante tentando dar conta de tudo, separamos em agentes especializados. Cada agente tem seu próprio system prompt, suas próprias tools, e sua própria "personalidade".
A orquestração é feita por um routing agent que classifica a intenção e
delega. Em casos complexos (mensagem multi-intenção), usamos pattern de
parallel sub-agents que respondem em paralelo e um aggregator compõe
a resposta final coesa.
Fallback handling: o que fazer quando dá errado
Toda IA falha em algum momento. A diferença entre IA boa e ruim é como ela lida com falha. No nosso design:
- Confiança baixa na intenção → IA pergunta pra confirmar antes de agir
- Tool retornou erro → IA tenta caminho alternativo ou escala pra humano
- Conversa "sem progresso" há 3 turnos → escala automaticamente
- Palavra-chave de risco (emergência, reclamação, jurídico) → escala imediato
Memória e contexto
Memória da IA é dividida em camadas:
- Curto prazo: janela de conversa ativa (últimas N mensagens)
- Médio prazo: histórico do cliente nos últimos 30/60 dias
- Longo prazo / RAG: base de conhecimento do negócio (preços, regras, políticas)
A combinação dessas três é o que permite a IA conversar como se "lembrasse" do cliente sem custo computacional explosivo. Embedding-based retrieval pra contexto longo, com cache local pra queries repetitivas.
Latência e custo
Latência total alvo: <6s do áudio do cliente até resposta entregue. Conseguimos isso com:
- Modelos especializados pequenos pra triagem (não usar o modelo mais caro pra decidir intenção)
- Streaming de tokens na geração da resposta final
- Tool calls em paralelo quando possível
- Caching de respostas pra perguntas frequentes (preço, horário)
IA que não trava é o mínimo; a que paga a conta é a que vende.
Veja funcionando antes de decidir
A conta de teste já vem montada: agenda cheia, pets cadastrados e a IA conversando. Sete dias pra entender o funcionamento.
