O desafio

O email continua a ser um canal crítico na receção de pedidos comerciais em muitas organizações, mas também um dos principais pontos de ineficiência operacional.

Numa empresa que opera no setor da logística integrada e organização de transportes, uma parte significativa destas solicitações chegava sob a forma de emails não estruturados, exigindo análise manual para:

• Identificação da informação relevante;
• Criação de oportunidades no Salesforce;
• Elaboração de propostas comerciais.

Este processo implicava um elevado esforço operacional e limitava a capacidade de escala da equipa, exigindo análise e tratamento manual antes do encaminhamento adequado.

O desafio consistia em automatizar a interpretação destes pedidos e convertê-los em dados estruturados e acionáveis no Salesforce, assegurando simultaneamente rigor e consistência.

A solução

Para responder a este desafio, a worldIT desenvolveu um agente de Inteligência Artificial assente nas capacidades nativas do Salesforce, com recurso ao Prompt Builder.

Foram definidos modelos de prompts especializados, capazes de:

• Interpretar o conteúdo dos emails recebidos;
• Extrair exclusivamente a informação relevante;
• Estruturar os dados para criação automática de oportunidades e propostas.

Numa fase inicial, verificou-se que uma abordagem baseada numa única interação com IA não assegurava níveis consistentes de fiabilidade.

Neste contexto, foi desenhada uma arquitetura mais robusta, baseada em:

• Cadeias de prompts interdependentes, com responsabilidades distintas ao longo do processamento;
• Mecanismos de normalização de dados, garantindo conformidade com os requisitos do Salesforce;
• Exemplos orientadores integrados nos prompts, com o objetivo de reduzir ambiguidade e melhorar a precisão das respostas.

O foco da solução foi assegurar não apenas automação, mas também controlo, consistência e integração eficaz com os processos de negócio existentes.

Estratégia de implementação

A abordagem adotada assentou em quatro princípios fundamentais:

Processamento modular da informação

A interpretação dos pedidos é realizada de forma faseada, sendo cada etapa responsável por uma função específica: análise, extração, normalização e preparação dos dados.

Normalização como pré-requisito operacional

Foram implementados prompts dedicados à normalização, assegurando que formatos, nomenclaturas e estruturas de dados estão alinhados com os requisitos das automações Salesforce.

Orientação contextual do modelo

A inclusão de exemplos nos prompts permitiu orientar o comportamento da IA, reduzindo variabilidade e aumentando a qualidade dos resultados obtidos.

Mecanismos de controlo e tratamento de exceções

Foram desenvolvidas classes Apex e triggers para validação da informação processada.

Nos casos em que a IA não atinge níveis adequados de confiança, os pedidos são automaticamente encaminhados para a equipa de backoffice, garantindo continuidade operacional.

Esta abordagem assegura um equilíbrio entre automação e controlo, mitigando riscos associados à utilização de IA.

Resultados

A implementação desta solução permitiu alcançar ganhos operacionais relevantes:

• Aproximadamente 80% dos casos de referência processados de forma totalmente autónoma;
• Redução significativa do esforço manual associado ao tratamento de pedidos;
• FAceleração na criação de oportunidades comerciais;
• Melhoria dos tempos de resposta ao cliente;
• Maior consistência e qualidade dos dados registados no Salesforce.

Adicionalmente, verificou-se uma libertação efetiva de recursos internos, permitindo às equipas focarem-se em atividades de maior valor acrescentado.

Principais aprendizagens

• Integração com regras de negócio bem definidas;
• Implementação de mecanismos de validação e controlo;
• Definição de fluxos claros para tratamento de exceções.

A solução permitiu estabelecer um modelo eficaz de colaboração entre Inteligência Artificial e intervenção humana, maximizando eficiência sem comprometer a fiabilidade.

Conclusão