O Droz Bot é um SaaS de chatbot B2B. Empresas constroem fluxos de atendimento automatizado — chatbots tradicionais, baseados em regras, ou chatbots com IA, capazes de responder com mais contexto e precisão. O objetivo era aumentar a adoção de funcionalidades com IA.

O problema é que as funcionalidades existiam, os clientes as testavam, viam algum resultado, e não adotavam.

Comecei pelo suporte e CS para detectar padrões atitudinais dos clientes, depois fui conversar diretamente com àqueles que já usavam IA no produto. Descobri que não reclamavam da tecnologia, mas de não conseguir explicá-la internamente.

Um deles resumiu: “Com os dados que tenho hoje, não sei responder ao meu diretor se aplicar IA no chatbot foi ou não uma boa decisão.”

Os relatórios existentes exibiam métricas importantes, mas não as corretas para a operação levar a conversa para o gerente.

O objetivo era que um operador pudesse levar o dashboard para uma reunião com um gerente ou diretor e sair com aprovação.

Cada atendimento passou a ser avaliado em três dimensões: precisão, esforço do cliente e satisfação, e dados de resolução. Esses indicadores permitiam comparar diretamente chatbots com e sem IA.

O processo envolveu etapas que raramente aparecem numa descrição de design: engenharia de prompt para garantir que as análises fossem consistentes e úteis, prototipação (feita com IA) com dados reais para testar se os resultados faziam sentido antes de qualquer desenvolvimento, e validação com PM, engenharia e com os próprios clientes.

A prototipação com dados reais foi decisiva. Trabalhar com números fictícios traria dificuldades na validação com os clientes. Trazer a solução para o contexto real do dia a dia era importante para que os clientes pudessem analisar adequadamente cada um dos indicadores.

A entrega final foi um dashboard que combinava dados já existentes no produto com as novas análises geradas por IA. Dois públicos distintos podiam encontrar o que precisavam no mesmo lugar: operadores, com informações para otimizar fluxos; e gestores, com os argumentos para justificar o investimento.

O crescimento na adoção foi medido pelo acompanhamento dos chatbots ativos com funcionalidades de IA. A melhora na confiança no produto foi capturada por survey interno com clientes que já utilizavam essas funcionalidades.

O aprendizado mais importante desse projeto não foi técnico. À medida que produtos incorporam IA, é natural assumir que a tecnologia fala por si. O que esse projeto mostrou é que adoção tem um pré-requisito menos óbvio: o valor precisa ser visível para quem toma a decisão de aderir, não apenas para quem usa o produto no dia a dia.