Ler as conversas que ninguém tinha tempo de ler.
O WhatsApp corporativo virou uma base da empresa, com agentes que classificam conversas e avisam a gestão. Depois, a mesma base mostrou com quem a equipe realmente falava.
- < 6%dos contatos encontrados nas conversas já estavam no CRM.
- 46% → 79%de vínculo entre CRM e WhatsApp com o telefone normalizado.
- Gestão → agentesA gestão define o que os agentes procuram, sem mudar código.
Em resumo
- Problema
- O trabalho comercial acontecia no WhatsApp do celular corporativo, e o histórico ficava no aparelho de cada pessoa, fora da empresa.
- Minha parte
- Arquitetura, stack e colocação em produção, integração com o CRM e diagnóstico da operação.
- Decisão difícil
- Construir em vez de contratar uma plataforma de mercado mais cara, e deixar a gestão definir o que os agentes procuram, sem mudar código. Depois, pausar a triagem para priorizar o orçamento de IA.
- Como validei
- A base mostrou que menos de 6% dos contatos das conversas já estavam no CRM, e normalizar o telefone levou o vínculo de 46% para 79%. Um atraso de entrega chegou à gestão a tempo pelo relatório.
- O que mudou
- As conversas comerciais passaram a ficar na empresa, a gestão ganhou uma leitura diária e a mesma base mostrou ao CRM com quem a equipe realmente falava.
O histórico comercial precisa ficar na empresa.
O trabalho comercial acontecia no WhatsApp do celular corporativo. Conversas e contatos ficavam no aparelho de cada pessoa, e a empresa precisava manter esse histórico consigo.
Uma plataforma de mercado fazia algo parecido, mas custava mais do que construir. Desenhei a arquitetura, escolhi a stack e coloquei em produção em junho de 2026.
Do celular corporativo ao relatório.
Cada WhatsApp Business corporativo é espelhado por webhooks numa API em C# / .NET, que grava conversas e contatos no PostgreSQL. Agentes em Python e LangGraph classificam contatos e conversas a cada poucos minutos, com modelo pequeno e confiança mínima, e preparam relatórios para a gestão. Um painel em Next.js mostra sessões e conversas em tempo real.
A equipe assinou termo de responsabilidade, só o telefone corporativo é espelhado e a leitura das conversas é restrita à administração.
- 01
WhatsApp Business
Conversas do celular corporativo, com termo assinado.
- 02
API C# / .NET
Webhooks gravam conversas e contatos.
- 03
PostgreSQL
Base da empresa com o histórico comercial.
- 04
Agentes Python
Triagem com modelo pequeno e relatórios para a gestão.
A gestão define o que procurar.
Em vez de fixar no código o que os agentes procuram, criei configurações em que a gestão escreve o que observar nas conversas e o que entra no relatório diário.
Com essa leitura, um cliente insatisfeito com um atraso de entrega chegou à gestão a tempo, e o assédio de um cliente a uma vendedora foi identificado.
Das conversas para o CRM.
No lançamento do CRM, a base mostrou com quem a equipe realmente conversava: menos de 6% dos contatos encontrados nas conversas já estavam cadastrados. Um modelo de linguagem extrai empresa e contexto, e código determinístico faz o casamento, nunca o contrário.
Normalizar o telefone levou o vínculo entre CRM e WhatsApp de 46% para 79%. As mesmas conversas viraram referência de tom para o SDR de IA.
Falhas que não fazem barulho.
Uma sessão aparecia como conectada sem receber mensagem alguma. O diagnóstico veio de um campo com um único escritor, que nunca tinha sido gravado. A regra que ficou: monitorar a ausência de escrita, não só a presença.
Na tela de conversas, uma consulta sem limite respondia por mais da metade da saída do banco. Paginação e busca só da conversa afetada corrigiram.
Pausar para priorizar.
Pausei a triagem para abrir espaço no orçamento de IA para a IARA no CRM e para o SDR de IA.
Ela volta com classificação por saída estruturada e modelo de linguagem só como fallback, hoje em avaliação.