Como Construímos um Assistente de WhatsApp que Qualifica Leads de Seguros

Todo real investido em anúncio de seguro compra uma coisa só: um momento de curiosidade. A pessoa clica, abre o WhatsApp, e naquele instante está pronta para conversar. Três horas depois, não está mais.

Foi esse instante que decidimos proteger. Construímos um assistente virtual que atende no WhatsApp, a qualquer hora, as pessoas que chegam pelos anúncios de uma corretora de seguros. Ele tira dúvidas, coleta os dados de cotação com naturalidade e entrega ao corretor um lead pronto para negociar — quente, contextualizado, sem repetição. O resultado não é um chatbot que substitui gente. É uma equipe comercial que nunca mais perde o primeiro minuto de interesse de um cliente.

Esta é a história de como chegamos lá — da causa raiz do problema até o assistente em produção, atendendo em segundos o que antes esperava horas.

O problema não era o tráfego. Era o que vinha depois dele

A corretora investia todo mês em anúncios no Facebook e no Instagram, e os anúncios funcionavam: as pessoas clicavam e abriam conversa no WhatsApp. O gargalo estava um passo adiante.

Quem clica num anúncio de seguro está curioso naquele momento — não daqui a três horas. Mas o atendimento dependia da disponibilidade da equipe. À noite, nos fins de semana, nos horários de pico, os leads esperavam. Muitos desistiam ou fechavam com o primeiro corretor que respondeu, e nem sempre era o da corretora.

Mesmo quando a resposta chegava rápido, os corretores gastavam boa parte do tempo com as mesmas perguntas iniciais — "quanto custa?", "cobre roubo?", "tem carência?" — e coletando dados básicos de gente que, no fim, não tinha interesse real. O tempo do profissional mais caro da operação ia para a etapa de menor valor. Todo lead pago que não recebe resposta a tempo é mídia queimada.

O anúncio não vende o seguro. Vende três horas de atenção que, sem resposta, evaporam sozinhas.

A solução: um agente que qualifica, não que substitui

Criamos um agente baseado em modelo de linguagem, especializado nos produtos e no jeito de atender da própria corretora. Ele:

• responde em segundos, 24 horas por dia, já sabendo de qual anúncio o cliente veio;
• tira dúvidas sobre os produtos usando somente a documentação oficial, sem inventar coberturas;
• conversa no tom dos melhores atendimentos da própria equipe, aprendido com dois anos de histórico real;
• coleta, de forma natural e sem parecer formulário, os dados necessários para a cotação;
• passa a conversa para um corretor humano — com um resumo pronto — assim que o lead está qualificado ou o assunto exige uma pessoa.

O assistente não substitui o corretor. Ele faz a triagem para que o corretor dedique o próprio tempo a quem já está pronto para comprar. É essa divisão de trabalho, e não a automação por si, que faz o projeto valer a pena.

O caminho até aqui levou cerca de doze semanas, em oito etapas — e vale contar cada uma, porque é nos detalhes que um assistente de verdade se separa de uma demonstração bonita.

Antes de escrever qualquer linha de código, entender como a corretora vendia

Passamos as duas primeiras semanas em campo, não no teclado. Um workshop com um corretor sênior mapeou a jornada do lead: como ele chega, o que costuma perguntar, quais objeções aparecem, por que as vendas se perdem. Foi ali, e não depois, que tomamos as decisões que guiaram todo o resto do projeto:

• Começar pequeno. Escolhemos os produtos com mais verba de mídia para o primeiro lançamento, em vez de tentar cobrir o portfólio inteiro de uma vez.
• Definir o que é um lead qualificado. Para cada produto, listamos os campos indispensáveis para uma cotação — no seguro auto, por exemplo: modelo e ano do veículo, CEP de pernoite, idade do condutor principal, uso do carro. E definimos como classificar o lead em quente, morno ou frio.
• Dar personalidade ao assistente. Um nome, um tom cordial e próximo, regras simples como no máximo um emoji por mensagem e nunca se passar por humano.
• Medir o ponto de partida. Levantamos volume de leads, custo por lead e taxa de conversão da época — sem essa linha de base, não haveria como provar, depois, que o assistente fez diferença.

Em paralelo, iniciamos o processo mais lento de todo o projeto: a verificação do negócio na Meta, pré-requisito para usar a API oficial do WhatsApp.

O maior ativo da corretora não era tecnologia — eram dois anos de conversas

O histórico de atendimento no WhatsApp era o ativo mais valioso que a corretora tinha, e não o tratamos como material de treinamento de modelo. Tratamos como fonte de verdade: o que os clientes realmente perguntam, como os melhores atendentes realmente respondem, e como testar se o assistente aprendeu a fazer o mesmo.

Antes de qualquer análise, anonimizamos todo o histórico — nomes, CPFs, telefones, placas, e-mails, endereços — com uma combinação de regras e um modelo de reconhecimento de entidades. Só a versão anonimizada entrou no ambiente de desenvolvimento.

Com o histórico limpo, separamos a primeira mensagem relevante de cada conversa e agrupamos por significado usando BERTopic, uma técnica que transforma texto em vetores numéricos e aproxima os que têm o mesmo sentido. Surgiu um mapa nítido das intenções reais dos clientes — "cotação de auto", "dúvida sobre carência", "comparação com outra seguradora", "desconfiança da empresa" — cada uma com seu volume, revisado e nomeado por um corretor sênior.

Depois cruzamos as conversas com os registros de venda para descobrir quais terminaram em cotação ou negócio fechado. Dentro de cada intenção, selecionamos os melhores atendimentos, corrigimos o que estava desatualizado e padronizamos o texto — construindo uma biblioteca de exemplos que cobre toda a variedade real de perguntas, não só as mais óbvias. E guardamos centenas de conversas fora dessa biblioteca, intocadas, para servirem de prova: o exame que o assistente teria de passar antes de falar com um cliente de verdade.

Uma base de conhecimento que não deixa o assistente inventar

Em seguros, uma resposta errada sobre cobertura pode virar reclamação — ou problema jurídico. Por isso, desde o início, a regra foi absoluta: o assistente só pode afirmar sobre produtos o que estiver escrito na documentação oficial.

A técnica por trás disso chama-se RAG — Retrieval-Augmented Generation. Antes de responder, o sistema busca os trechos relevantes da documentação e entrega ao modelo, com a instrução de responder só com base neles. Mas o trabalho pesado aqui não foi de modelo de IA — foi de organização:

• inventariamos condições gerais, manuais e materiais comerciais, marcando seguradora, produto e vigência de cada um;
• convertemos os PDFs em texto limpo, preservando as tabelas de coberturas;
• dividimos o conteúdo em trechos por assunto — coberturas, exclusões, carências, assistências — cada um identificado;
• escrevemos, para cada produto, um resumo comercial em linguagem simples, validado pelo corretor sênior, porque ninguém no WhatsApp quer ouvir o texto da apólice.

Tudo indexado num Postgres com pgvector, com busca híbrida — por significado e por palavra-chave, porque termos exatos como "franquia reduzida" ou "carro reserva" precisam ser encontrados sem margem para interpretação. Validamos com cem perguntas de teste e uma meta clara: acertar o trecho certo em pelo menos 90% dos casos.

A infraestrutura por trás da conversa

Quando o cliente manda uma mensagem, ela percorre um caminho curto e cuidadosamente desenhado, rodando em uma arquitetura enxuta, hospedada em nuvem no Brasil.

O canal é a API oficial do WhatsApp Business (Cloud API), com anúncios no formato Click-to-WhatsApp — o clique já informa de qual campanha e de qual anúncio o cliente veio, e gravamos isso em cada lead novo. Um gateway em Python confirma o recebimento na hora, descarta duplicidades, aguarda alguns segundos antes de processar — porque no WhatsApp as pessoas mandam várias mensagens curtas seguidas, e o assistente precisa ler tudo antes de responder — e enfileira tudo em Redis, para que picos de campanha nunca derrubem o sistema.

Muita gente no Brasil prefere mandar áudio, então o gateway transcreve automaticamente. Fotos de documento — CNH, documento do veículo — são lidas por um modelo com visão, e o assistente confirma os dados com o cliente antes de seguir. O Postgres guarda leads, conversas e a base de conhecimento; o Chatwoot, plataforma de atendimento open source, é o painel onde os corretores assumem as conversas; o Langfuse registra cada interação com o modelo, com custo e erro, para depuração contínua. Ambientes de homologação e produção rodam separados, e os modelos de mensagem para retomar contato após 24 horas já foram submetidos e aprovados pela Meta, como as regras do WhatsApp exigem.

O agente qualificador: o coração do projeto

Não fizemos fine-tuning. O resultado bom veio da combinação certa de instruções claras, dados certos e ferramentas bem desenhadas — um modelo de linguagem de uso geral recebe, a cada mensagem, um contexto montado sob medida:

Um punhado de regras simples fez diferença desproporcional na qualidade da conversa: responder primeiro a dúvida do cliente e só depois pedir o próximo dado; uma pergunta por vez; mensagens curtas, como uma pessoa escreve no WhatsApp; nunca informar preço final, prometer aceitação ou garantir cobertura; sempre se apresentar como assistente virtual e pedir concordância antes de coletar dado pessoal.

E o agente não só conversa — ele age. Demos a ele quatro ferramentas: atualizar os dados do lead, solicitar uma cotação quando os campos obrigatórios estão completos, agendar um retorno e transferir para um humano. Antes de qualquer resposta chegar ao cliente, uma camada de verificação confere se ela contém valor, promessa proibida ou dado sensível — se algo passa do limite, a resposta é reescrita ou a conversa segue direto para um corretor.

O modelo não decide sozinho o que pode dizer. Cada resposta passa por uma régua antes de sair — e é essa régua que transforma um bom protótipo em um produto que se pode confiar a um cliente real.

A passagem para o corretor: tratada como parte central do produto

Um lead bem qualificado só vira venda se o corretor assumir rápido, sem pedir de novo o que o cliente já disse. Por isso o handoff não foi tratado como detalhe técnico — foi tratado como o momento mais importante do fluxo.

O agente transfere a conversa quando o lead está pronto para cotação, quando o cliente pede para falar com uma pessoa, e em casos de sinistro, reclamação, cancelamento ou cliente já existente. Também transfere quando percebe irritação ou quando não encontra a resposta na documentação — nunca tenta "se virar" fora do que sabe com certeza.

No momento da transferência, três coisas acontecem ao mesmo tempo: o assistente pausa naquela conversa para não atropelar o corretor; a conversa entra na fila certa do Chatwoot e é atribuída a um corretor disponível; e o corretor recebe um resumo gerado automaticamente, com a necessidade do cliente, os dados já coletados, as objeções levantadas e a temperatura do lead. Combinamos um prazo máximo para um humano assumir leads quentes em horário comercial — se estoura, um alerta dispara e o assistente já avisa o cliente que alguém está a caminho.

Testar de verdade, antes de arriscar um cliente de verdade

O assistente só falou com o primeiro cliente real depois de passar por quatro tipos de teste e bater metas combinadas com a própria corretora — não metas nossas, dela.

Cada falha encontrada virou ajuste no prompt, na base de conhecimento ou nos exemplos — e a bateria inteira rodou de novo. Só depois disso o assistente foi ao ar.

Um lançamento gradual, sempre com o pé no freio

Não ligamos o assistente para todos os clientes de uma vez. O lançamento foi feito em três semanas, sempre comparado lado a lado com o atendimento tradicional: na primeira, 20% dos leads de uma única campanha, com os outros 80% servindo de grupo de controle e revisão diária de cada conversa; na segunda, 50% dos leads dos produtos escolhidos; na terceira, 100%, só depois de confirmar que as metas se mantinham firmes. Durante todo o piloto, um interruptor de segurança podia devolver, em um clique, todos os leads ao atendimento humano.

Fechamos o ciclo com a própria mídia: pela API de Conversões da Meta, enviamos de volta os eventos de "lead qualificado" e "venda", para que os algoritmos de anúncio passassem a otimizar por gente com chance real de comprar — não apenas por clique. A corretora ganhou um painel com tempo de primeira resposta, taxa de qualificação, conversão em venda, taxa de abandono e custo de operação por lead. A métrica que resume o sucesso do projeto, no fim das contas, é uma só: o custo por venda originada de tráfego pago.

Confiança não é detalhe — é o produto

Seguro é, antes de qualquer coisa, um produto de confiança, e desenhamos o assistente para reforçá-la, não para arriscá-la.

Em LGPD, o histórico foi anonimizado antes de qualquer uso; na primeira conversa, o cliente é informado de que fala com um assistente virtual e de como seus dados serão usados, com link para a política de privacidade; definimos prazos de retenção e uma rotina para excluir dados a pedido do titular, e priorizamos provedores de modelo que não usam conversa de cliente para treinar os próprios modelos. Em regulação de seguros, o assistente não fecha contrato, não informa preço final e não garante cobertura — a orientação e a proposta seguem sob responsabilidade do corretor habilitado, e todo atendimento fica registrado na íntegra para qualquer auditoria. Nas políticas do WhatsApp, o assistente é dedicado exclusivamente aos produtos da corretora, como as regras da plataforma exigem, e mensagens fora da janela de 24 horas usam só modelos pré-aprovados pela Meta.

Cada uma dessas decisões foi revisada com o responsável de LGPD e a assessoria jurídica da corretora antes do piloto começar — porque velocidade de resposta só vale alguma coisa se vier acompanhada de responsabilidade.

O que aprendemos — e para onde isso vai

A lição mais importante do projeto cabe numa frase: um bom assistente de atendimento se constrói mais com dados bem organizados e regras claras do que com modelo sofisticado. Não treinamos um modelo próprio. O que fez a diferença foi o conhecimento que a própria corretora já tinha, finalmente bem aproveitado.

Três escolhas foram decisivas, e valem para qualquer projeto parecido: começar pequeno, com poucos produtos e lançamento gradual, medindo tudo contra o atendimento tradicional; tratar o histórico de conversas como ativo estratégico, e não como log descartável; desenhar o assistente para trabalhar com o corretor, nunca no lugar dele.

O assistente segue evoluindo com rotina fixa — revisão semanal das conversas com problema, relatório mensal por campanha, atualização da base sempre que um produto muda. No radar: expandir para os demais produtos da corretora, atender a carteira existente em segunda via, renovação e triagem de sinistro, integrar multicálculo para devolver faixas de preço aprovadas pelo corretor, e levar o mesmo assistente para o Instagram e o chat do site.

O lead que antes esperava horas agora é atendido em segundos. E o corretor passa o dia inteiro conversando só com quem já está pronto para fechar.