Aumentando o volume de cotações em 40% com o uso de Inteligência Artificial
Como liderei o design do projeto de automação de cotação manual que reduziu o tempo da cotação manual de diárias em 73% e aumentou o volume de cotações em 40%.
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:
Apagar/Editar mensagem (SpellChecker)
✅ Muito solicitado pelos usuários
❌ Viável apenas via integração com Gupshup (fora do escopo)
❌ Pouco apelo ao mercado
Busca por palavra-chave na conversa
✅ Alto valor percebido pelos usuários
❌ Complexidade técnica muito alta (segundo tech lead)
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

| Oportunidade | IA Consegue? | Viável? | Decisão |
|---|---|---|---|
| Identificar cotação ao abrir conversa | ✅ | ❌ (alto custo, muitos falsos positivos) | Descartado |
| Extrair dados da cotação | ✅ | ✅ | ✅ Selecionado |
| Preencher formulário automaticamente | ✅ | ✅ | ✅ Selecionado |
| Recomendar quartos | ✅ | ❌ (dependia do fornecimento da descrição completa dos quartos pelo cliente) | Descartado |
| Selecionar quartos automaticamente | ✅ | ❌ (dependia de recomendação acima) | Descartado |
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:
- 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.
- 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.
- 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
| Métrica | Valor |
|---|---|
| Análises realizadas | 480K+ |
| Retenção até semana 4 | 70% |
| Usuários únicos | 1.100+ |
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
| Métrica | Antes | Depois | Delta |
|---|---|---|---|
| CSAT Cotação | 52,63% | 66% | +13,37pp |
Impacto em Tempo
| Métrica | Antes | Depois | Delta |
|---|---|---|---|
| Tempo abertura app → busca opções | 178s | 48s | -130s (-73%) |
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:
- Identificar problemas com dados (CSAT 52% em cotação)
- Avaliar opções estrategicamente (3 hipóteses, 1 viável)
- Validar em fases (beta → 50% → 100%)
- Medir impacto real (tempo, volume, satisfação)
- 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.