← Todos os casos
RoboTeaseAtender · Vender

Leads do WhatsApp respondidos em segundos, 24 horas.

Em produção, multi-tenant, rodando conversas reais no WhatsApp. Agente de IA + CRM + monitoramento próprio.

Tela do RoboTease: quadro de leads por etapa
O desafio[01]

Clínicas, imobiliárias e prestadores de TI recebem a maior parte dos leads pelo WhatsApp, mas respondem tarde, perdem venda fora do horário e qualificam tudo na mão. As opções do mercado caem em dois extremos: chatbot de fluxo engessado, que o cliente abandona no segundo menu, ou LLM solto, que conversa bem mas inventa preço e promete o que a empresa não entrega. Faltava um agente que conversasse como gente e decidisse como sistema.

O que construímos[02]

Uma plataforma com três frentes no mesmo produto:

  • Agente de IA no WhatsApp: SDR e Atendente configuráveis por empresa, com qualificação guiada por funil e respostas baseadas na base de conhecimento de cada cliente
  • CRM: Kanban de leads, carteira de contatos com importação CSV, campanhas de e-mail, integrações de entrada (Zapier, Pluga, Make) e Radar de ICP com dados de CNPJ da Receita Federal para prospecção
  • Painel Master: gestão de tenants, chamados, consumo de IA e o Sentinela, monitor de produção próprio

O princípio que guia tudo: o LLM decide o que falar, o backend decide o que fazer. Transição de estado, comparação numérica e decisão de qualificação ficam em código determinístico. Depois de um incidente em produção em que o agente citou um preço errado, criamos uma camada de guardrails com suíte de avaliação automatizada.

Stack & arquitetura[03]

Agente: TypeScript sobre Supabase Edge Functions (Deno), com Groq, Gemini e Claude em failover e orçamento de latência controlado. Prompts montados em runtime a partir de templates parametrizados. Avaliamos e descartamos LangGraph: o mecanismo de failover não cabia em framework.

RAG multi-tenant: pgvector com busca híbrida, embeddings Gemini e reranking. GraphRAG foi avaliado e descartado por excesso de complexidade para o problema.

CRM/Admin: Next.js separado, deploy na Vercel. Backend em Supabase (PostgreSQL + Auth) com RLS em 29 tabelas.

Isolamento entre empresas em camadas: RLS no banco, barreira de tenant no backend com fitness functions e detecção de escrita suspeita no monitoramento.

Observabilidade: Sentinela com 18 detectores de incidente e qualidade, deduplicação, auto-resolução e três níveis de severidade. Regra: avisa, não conserta.

Integrações: uazapi (WhatsApp inbound), Meta Cloud API em número dedicado para outbound, Asaas (pagamentos), DuckDB/Parquet no Cloudflare R2 para o Radar de ICP.

Descobrir o que trava na minha empresa Visitar robotease.com.br ↗