DISCLAIMER: Perdão minha pessoa amiga leitora, o projeto é real, mas o texto ta escrito por IA e ele ta chatão de ler… Estou reescrevendo meus projetos com minhas próprias mões, eu só não posso deixar isso aqui vazio. Continua sendo um ótimo case, só tá meio chato de ler.

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.