Nesse guia, mergulho no universo do Design Conversacional para entender como projetar interações naturais entre pessoas e sistemas. O foco do estudo foi a transição dos chatbots baseados em regras para a era da Inteligência Artificial Generativa (LLMs).
Aqui você vai observar a minha jornada prática aplicando metodologias de Persona, UX Writing, Engenharia de Prompt e Arquitetura de Fluxos. O objetivo central foi criar assistentes virtuais que não apenas respondam, mas que resolvam problemas com clareza, empatia e eficiência, seguindo o princípio de que "escrever é projetar comportamento.
Nesse desafio proposto, escolhi o chatbot da empresa Light, sua assistente virtual se chama Lia. Durante as interações com o bot, foi identificado que o tipo de tecnologia seria um bot baseado em regras (rule-based), respostas fixas.
Mas, o que isso significa?
Chatbot baseado em regras é um bot que segue um roteiro fixo. Ele responde só ao que foi programado, usando palavras-chave, menus ou fluxos definidos.
Se o usuário sai do script, o bot não entende. É direto, previsível e sem interpretação de linguagem. Abaixo eu faço uma analise sobre o bot e proponho melhorias que podem melhorar a experiência da usabilidade do bot.
Conforme a analise feita acima, a integração com a IA e se preocupar com a experiência do usuário, transformaria a Lia de um mero "menu de opções interativo" em uma assistente inteligente. Capaz de solucionar problemas e fornecer suporte com muito mais fluidez e contexto.
No design conversacional, a tecnologia é apenas o meio; o sucesso da interação depende de entender profundamente 'quem fala' e 'para quem se fala'. Neste estudo documentei a aplicação prática dos fundamentos de Modelagem de Personas e Cenários, onde o foco foi alinhar as expectativas do usuário com a identidade da marca.
A partir de dados e contextos reais, desenvolvi:
• Persona do Usuário: Para mapear dores, motivações e limitações técnicas.
• Persona do Bot: Para garantir consistência de voz, tom e diretrizes de comportamento em falhas.
• Cenários de Uso: Para estruturar a jornada conversacional (situação + intenção + resolução).
• Curadoria Inicial: Para assegurar que a base de conhecimento ofereça respostas precisas e úteis
Um chatbot eficiente não é aquele que apenas processa dados, mas aquele que se faz entender. Neste projeto, explorei o poder da Linguagem Natural para corrigir uma experiência de atendimento financeiro que sofria com inconsistências de tom e falta de clareza. Ao analisar o histórico de interações da marca, identifiquei um assistente que oscilava entre o burocrático (voz passiva e termos bancários complexos) e o inadequadamente informal (uso de gírias em momentos de falha).
O desafio foi redesenhar esses turnos conversacionais aplicando:
• Diagnóstico de Logs: Mapeamento de fricções e quebras de tom.
• Reescrita Conversacional: Aplicação dos pilares de clareza, brevidade e empatia para humanizar a resposta
• Design de Prompt: Criação de instruções sistêmicas (System Prompts) para garantir que a IA mantenha a consistência da persona e respeite regras de negócio
Abaixo, detalho o processo de transformação de mensagens confusas em diálogos úteis e empáticos.
O desafio atual do design conversacional não é apenas criar caminhos felizes, mas gerenciar o comportamento da Inteligência Artificial dentro de regras de negócio estritas. Este projeto explora a criação de fluxos para a EnerViva, onde a segurança da informação e a empatia no atendimento (como em casos de falta de energia) são inegociáveis.
O trabalho consistiu em desenhar a Arquitetura da Conversa, mapeando gatilhos, intenções e validações essenciais. Para garantir a consistência do assistente virtual 'Lumi', apliquei conceitos de:
• System Prompts Contextuais:: Instruções de alto nível que definem a persona e os limites éticos do bot antes mesmo da interação começar.
• Prompts por Etapa: Segmentação das instruções conforme a fase da jornada (Triagem vs. Resolução), garantindo maior precisão.
• LogsFluxos de Exceção: Planejamento de rotas de fallback e transbordo para assegurar que o usuário nunca fique sem resposta, mesmo quando a tecnologia falha.
Nesse estudo, fui desafiada aplicar na prática os conceitos de Integrações e Governança de Bases de Conhecimento, utilizando tecnologias como GPT ou Gemini para criar assistentes fundamentados em documentos reais. O exercício consistiu em alimentar uma base de conhecimento com arquivos corporativos (como políticas internas e FAQs) e configurar um System Prompt robusto para guiar o comportamento do agente.
Nesta documentação, detalho como utilizei a técnica de RAG (Retrieval-Augmented Generation) para garantir que as respostas fossem contextualizadas e seguras, além de apresentar os ciclos de testes e iterações realizados para refinar as instruções e evitar alucinações do modelo.
A atividade demonstrou a importância da Curadoria e Governança. Simplesmente "jogar" o arquivo na IA sem um System Prompt adequado faria o bot responder sobre regras de abastecimento de vans para clientes residenciais, o que seria uma falha de segurança e experiência. A definição clara de papéis e restrições no prompt garantiu que a Lumi atendesse ao seu propósito de suporte ao consumidor ignorando dados sensíveis internos presentes na mesma base.
esta atividade, coloquei em prática o conceito de KnowledgeOps e a gestão da experiência em tempo real, analisando logs reais de uma concessionária de energia para identificar rupturas na jornada do usuário. O desafio consistiu em transformar mensagens de erro sistêmico (como ''Erro ao carregar dados'') em estratégias de Fallback empáticas e funcionais.
Abaixo, apresento o redesenho do fluxo híbrido, onde defini regras claras para a transferência humana (Handoff), garantindo que o atendente receba o contexto completo da interação. Além disso, estruturei um Plano de Curadoria Contínua, estabelecendo métricas de acompanhamento e responsabilidades baseadas na matriz RACI para assegurar a evolução constante do bot.
// C A S E 7
Nesta etapa final do projeto, assumi o desafio de estruturar a monitoria de performance da AureliaPay, uma fintech voltada para microempreendedores que buscam agilidade e pouca burocracia. O objetivo não foi apenas listar métricas, mas selecionar indicadores que refletissem a dor real do usuário: a complexidade da linguagem bancária.
Abaixo, apresento o painel de métricas desenhado para o assistente 'Auri'. O diagnóstico dos dados revelou um cenário crítico: embora o bot tivesse alta Precisão Técnica (92%), o Esforço do Cliente (CES) estava excessivamente alto (4.1/5.0). Essa análise guiou as propostas de melhoria, demonstrando que o problema não era falta de informação, mas sim a barreira do jargão técnico, exigindo uma intervenção imediata de UX Writing e redefinição de fluxos.
