Minha empresa tem catálogo grande (dezenas de serviços e preços) — a IA decora tudo ou consulta antes de responder?
Não decora — e não devia. A IA consulta a base de fatos do seu negócio antes de cada resposta e só afirma o que está confirmado ali; um catálogo grande, com dezenas de serviços e preços, não é motivo pra treinar a IA "de memória" e torcer para ela lembrar certo. Se o serviço perguntado não está registrado nessa base, o comportamento certo não é chutar um preço parecido: é perguntar o que falta ou chamar alguém que sabe.
"Decorar" dezenas de itens não é pedir demais de qualquer sistema — até humano erra isso?
Erra, e é por isso que "decorar" nunca foi o plano, nem pra gente. Todo negócio com catálogo grande já viu um funcionário novo, cheio de boa vontade, cravar um preço de cabeça que tinha mudado na semana anterior — não por incompetência, é assim que memória funciona sob pressão. É por isso que existe tabela de preço no balcão, planilha compartilhada, script no sistema: ninguém espera que uma pessoa carregue quarenta itens na cabeça sem checar.
Com IA o raciocínio é o mesmo, só mais estrito: o desenho certo não pede pra ela "aprender" o catálogo uma vez e confiar na memória depois. Ele monta uma base de fatos do negócio — a peça que a plataforma chama de tomada BaseDeConhecimento — e obriga a IA a consultar essa base a cada resposta, não a recitar um treino antigo. O esqueleto é o mesmo pra qualquer negócio; o que muda de catálogo pequeno pra grande é só o tamanho dos dados guardados ali, nunca a obrigação de consultar antes de falar.
Se ela consulta toda vez, como responde rápido sem travar numa busca?
Porque a consulta não é uma busca lenta no meio da conversa — é uma checagem que roda por fora do texto, comparando o que a IA está pra dizer com a lista de fatos que a empresa autorizou. E existe uma regra mecânica por trás disso, que separa "a informação existe no sistema" de "a informação existe pra IA": todo fato que ela precisa afirmar — preço, prazo, o que está incluso num serviço — tem que estar em dois lugares ao mesmo tempo: na lista de fatos que o guardrail confere antes de deixar a frase passar, e no material que entra no texto que gera a resposta. Um preço que existe só na planilha de conferência e nunca chegou no que o modelo lê, na prática, não existe pra ele — o resultado não é erro, é evasiva: "isso eu confirmo com você" em vez do número certo. Catálogo de 3 itens ou de 300, a regra dos dois lugares é a mesma.
Catálogo grande não obriga a virar um menu gigante de opções pro cliente escolher?
Não precisa, e essa é a diferença que mais aparece na prática. Um menu de "digite 1 para o serviço A, 2 para o B..." até funciona com catálogo pequeno, mas vira um labirinto quando são dezenas de itens — o cliente desiste de navegar antes de achar o que quer. Já mostramos por que um agente de IA não trabalha assim: ele não obriga o cliente a percorrer o catálogo inteiro, ele escuta o que a pessoa já disse e consulta na base só o item que interessa àquela conversa. Catálogo grande deixa de ser um problema de navegação e vira só um problema de organização de dados — que é trabalho de configuração, não de o cliente adivinhar em qual "opção" o serviço dele se encaixa.
E se o serviço perguntado simplesmente não estiver cadastrado na base — ela chuta um preço parecido?
Não é esse o comportamento certo, e é aqui que catálogo grande aumenta o risco de verdade: quanto mais itens, maior a chance de um deles estar desatualizado ou faltando na base num dia qualquer. A checagem que audita cada afirmação de fato não julga se o catálogo é grande ou pequeno — ela audita a afirmação, ponto. Se o item não está na lista de fatos autorizados, a resposta certa nunca é aproximar por semelhança ("deve ser parecido com esse outro serviço"); é assumir que falta informação e resolver isso perguntando pro cliente algo que ajude, ou levando a pergunta pra alguém que sabe. Já detalhamos por que uma IA que nunca admite "não sei" é a IA perigosa — com catálogo grande, essa disciplina de admitir a lacuna em vez de aproximar por chute é o que evita o erro mais caro: um preço errado dito com a mesma confiança de um preço certo.
No próprio motor que a Estefani & Co roda hoje, o catálogo real é pequeno — três ofertas (mentoria, consultoria, implementação). Mas a peça que guarda esses fatos, a tomada BaseDeConhecimento, foi desenhada pra não quebrar se o catálogo virasse dezenas ou centenas de itens: antes de considerar a abstração pronta, o design foi pressionado mentalmente contra verticais bem diferentes — uma imobiliária com centenas de imóveis, cada um com preço e bairro próprios, um varejo com catálogo de SKUs — pra checar se a mesma peça aguentava os três formatos só trocando a config e o schema da base, sem trocar o motor. A regra dos "dois lugares" (fato tem que estar na lista que o guardrail confere e também no material que o modelo lê) vale igual pra esse catálogo de três itens: testado na prática, um fato registrado só num lado dos dois e ausente do outro não vira número certo — vira evasiva. É esse desenho, provado no pequeno, que sustenta a promessa de aguentar dezenas de itens sem trocar de mecanismo, só de tamanho de base.
Perguntas frequentes
Minha empresa tem catálogo de mais de 50 serviços com preços diferentes — isso é grande demais pra IA lidar sem erro?
O tamanho não é o que evita erro, é a disciplina de consultar a base a cada resposta em vez de confiar em memória de treino. Catálogo de 5 ou de 50 itens usa o mesmo mecanismo de checagem; o que muda é o trabalho de manter a base atualizada, não o risco de a IA "esquecer".
Se eu atualizar um preço na tabela, a IA já responde certo na mesma hora?
Sim, se a atualização acontecer na base que ela consulta — e não numa planilha separada que ninguém carregou pro sistema. O fato precisa estar registrado onde a IA lê, não só documentado em algum canto da empresa.
E se dois itens do catálogo forem parecidos — a IA não confunde um com o outro?
Pode confundir, se a base estiver mal organizada (nomes ambíguos, descrição incompleta). O problema nesse caso não é a IA, é o cadastro — organizar bem os itens reduz esse erro tanto quanto reduziria pra um funcionário novo lendo a mesma tabela confusa.
Vale a pena treinar a IA com todo o catálogo de uma vez, tipo um curso intensivo?
Não é assim que o mecanismo foi desenhado pra funcionar. "Treinar de uma vez" sugere memória fixa; o certo é a IA consultar a base a cada resposta, o que aguenta catálogo crescendo sem precisar de um "retreino" a cada preço que muda.
Um catálogo gigante encarece muito montar esse tipo de atendimento?
O que pesa é organizar e manter a base de fatos, não o mecanismo de consulta em si — que é o mesmo esqueleto pra catálogo pequeno ou grande. O trabalho cresce com a quantidade de itens a cadastrar, não com uma complexidade técnica nova por item.