Papel: Product Designer
Impacto: -73% tempo (178s → 48s) | +4 cotações/dia por usuário | +14pp CSAT (52% → 66%) | 480K análises | 70% retenção
Período: Q2-Q3 2025
Contexto: Objetivo estratégico da empresa era integrar IA em produtos. Identifiquei cotação como oportunidade ideal.

O negócio

A Asksuite é uma plataforma global de inteligência hoteleira, eleita por vários anos consecutivos como o melhor chatbot para hotéis do mundo pelo Hotel Tech Awards. O foco da empresa é aumentar as reservas diretas e a eficiência operacional de hotéis e resorts através de tecnologias conversacionais.

Na hotelaria, o tempo de resposta é crucial. Quando um viajante solicita uma cotação via WhatsApp ou Instagram, a demora de poucos minutos pode significar a perda da venda para um concorrente ou para grandes OTAs (como Booking.com). Além disso, as equipes de reserva gastam cerca de 60% do tempo em tarefas repetitivas, como copiar e colar dados de conversas para sistemas de gestão (PMS).

O desafio

Diante do hype da IA Generativa, nosso desafio não foi apenas 'implementar IA', mas identificar onde ela resolveria uma dor real. Focamos no gargalo mais crítico da operação hoteleira — a cotação de reservas — e criamos uma solução que empodera o agente humano em vez de substituí-lo.

-73% Tempo de Cotação
+40% Volume de Envios
+14 p.p. no CSAT (de 52% para 66%)

Como podemos aplicar a IA para destravar a produtividade do agente equilibrando uma implementação ágil com alto valor percebido?

O Problema: Identificando as Oportunidades

Baseado em entrevistas com usuários e dados de pesquisa de satisfação, identifiquei 3 oportunidades:

1. Apagar/Editar mensagem (SpellChecker)

   ✅ Muito solicitado pelos usuários

   ❌ Viável apenas via integração com Gupshup (fora do escopo)

   ❌ Pouco apelo ao mercado

2. Busca por palavra-chave na conversa

   ✅ Alto valor percebido pelos usuários

   ❌ Complexidade técnica muito alta (segundo tech lead)

3. Auxílio na cotação

   ✅ Funcionalidade crítica usada 10x/dia por usuário ativo

   ✅ Alto valor direto para clientes (aumenta conversão)

   ✅ Equilíbrio entre viabilidade técnica e entrega de valor

   ✅ Solução on-demand (controla custo)

Descartamos funcionalidades periféricas e as de alto risco técnico para atacar o fluxo de cotação que ocorre ~9x ao dia por usuário e era o maior ofensor do CSAT (52%).

Validação do Problema

O CSAT dos usuários que selecionavam problemas relacionados ao tópico "Velocidade nas ações" e subtópico "Cotação" 52,63% (abaixo da meta geral de 77%). E o tempo médio de preenchimento era de:

• 178s para atendimentos onde os viajantes enviavam as todas as informações necessárias em uma/duas mensagens
• +240s para atendimentos onde era necessário caçar as informações ao longo da conversa

Insight: Era possível impactar na redução do tempo necessário para enviar cotações, o que aumentaria:

• Quantidade de cotações por usuário/dia
• Taxa de conversão
• ROI dos hotéis clientes

Jornada atual e oportunidades

Agente abre atendimento → Analisa conversa → Abre app de cotação → Encontra informações na conversa → Preenche formulário → Busca opções → Analisa lista de quartos → Seleciona opções → Envia cotação

Estratégia: Focar em extrair dados + preencher formulário. Isso reduz máximo de interações necessárias.

Solução

Nossa hipótese inicial (V1) a IA extraía os dados e a única opção disponível era a busca das opções.
Os testes de usabilidade nos ajudou a entender que os agentes podiam se sentir inseguros com os dados extraídos, a necessidade de alterar um dado também podia existir.

Na V2 (final) foi disponibilizado a busca de quartos diretamente com os dados extraídos utilizá-los para o preenchimento do formulário.

Rollout beta

Para mitigar os riscos evitamos um lançamento massivo. Desenhamos uma estratégia de Go-to-Market em fases:

1. Fase Beta (High Touch): Liberamos primeiro para clientes próximos (contato via WhatsApp). Isso nos permitiu capturar bugs críticos e lentidão na análise em tempo real.
2. Fase 50% (Data Driven): Implementamos componentes de feedback (Like/Dislike) direto na UI. Se o usuário negativasse, ele podia categorizar o erro (Demorou? Errou?). Isso gerou dados para refinarmos o modelo antes do scale-up.
3. Lançamento Geral: Apenas após a estabilização das métricas de erro nos Betas, liberamos para 100% da base, incluindo clientes internacionais.

Lançamento

A estratégia garantiu uma adoção sem perdas, com uma retenção de 70%. O tempo médio despencou para 48s (antes 178s). Essa agilidade permitiu um aumento de 40% no volume diário de cotações por usuário e, mais importante, o CSAT de cotação subiu de 52% para 66%.

Métricas de Uso

Impacto em Cotações

Antes (28/07 - Q3 início, sem Copilot):

• Média: 10 cotações/usuário/dia
• Volume diário: 7.8K
• Usuários únicos: 624
• Atendimentos: 34K

Depois (29/09 - Q3 fim, com Copilot):

• Média: 14 cotações/usuário/dia (+4 por usuário = +40%)
• Volume diário: 10.8K (+38%)
• Usuários únicos: 680
• Atendimentos: 34K (mantido)

Mais cotações sem aumentar volume de atendimentos = eficiência de agentes.

Impacto em Satisfação

Impacto em Tempo

Custo Operacional

• Custo diário da IA: U$3/dia
• Totalmente on-demand (paga conforme uso)
• ROI: Considerando +4 cotações/dia = aumento de conversão, custo é ínfimo.

Próximos Passos

Problema Identificado: Seleção de Quartos

Nas entrevistas semanais, agentes também relatavam:

• Buscar informações em descrições de quartos
• Entender preferências dos viajantes (sacada, TV, etc)
• Tempo médio: 4 minutos entre busca de opções e envio

Roadmap

Etapas 3-4 do funil (seleção de quartos):

• IA recomenda quartos baseado em preferências mencionadas na conversa
• Reduzir tempo de seleção (atualmente 4 min)
• Aumentar assertividade (melhor chance de fechar negócio)

Isso seria naturalmente a próxima evolução do Copilot.

Conclusão

Copilot de Cotação foi mais que uma feature — foi validação de um processo:

1. Identificar problemas com dados (CSAT 52% em cotação)
2. Avaliar opções estrategicamente (3 hipóteses, 1 viável)
3. Validar em fases (beta → 50% → 100%)
4. Medir impacto real (tempo, volume, satisfação)
5. Estruturar escalabilidade (design system, tokens)

Resultado: Projeto que impactou métrica real (13pp CSAT) com custo baixo (U$3/dia) e aprendizados para futuras features de IA.