Atendimento inteligente
Sistema multiagente com RAG
Arquitetura de agentes especializados com recuperação de conhecimento aplicada a uma operação real de atendimento.
- 40%
- menos tempo de resposta
- 95%
- de precisão mantida
Engenharia de inteligência artificial
IA em produção para
quem responde a regulador.
Projetos end-to-end de inteligência artificial — do diagnóstico ao SLA de operação. O modelo escreve. O código decide. Toda decisão de negócio é determinística, versionada e auditável.
- Decisão determinística
- Nenhuma regra de negócio mora dentro do modelo. Ela mora em código testado.
- Trilha de auditoria
- Toda decisão é reconstruível: entrada, versão de prompt, regra aplicada, saída.
- Gate por fase
- Cada etapa tem critério objetivo de aprovação. Se não bate a métrica, não avança.
- Custo medido
- Custo por sessão instrumentado desde o piloto, com teto e alerta de estouro.
O problema
O piloto encanta. A produção reprova.
A demonstração funciona. O time aplaude. E aí vem a pergunta que trava tudo: como você prova ao auditor que essa decisão foi correta?
Em ambiente regulado, o gargalo da IA nunca foi a qualidade do modelo. É rastreabilidade, reprodutibilidade, controle de dado sensível e capacidade de explicar uma decisão específica meses depois — para o regulador, para a auditoria interna ou para o cliente que reclamou.
Sistema que não passa nesse teste não chega a produção. E quando chega sem passar, vira passivo.
Como resolvemos
O modelo escreve. O código decide.
O LLM faz o que só ele faz bem: entender linguagem ambígua e redigir resposta clara. Tudo que precisa ser justificado — autorizar, calcular, classificar segundo regra, decidir elegibilidade — é código Python determinístico, com teste unitário e histórico no Git.
Reprodutível
A mesma entrada estruturada, processada pela mesma versão da regra, produz a mesma decisão de negócio.
Testável
Regra de negócio é função pura. Cobertura de teste como em qualquer sistema crítico.
Explicável
A resposta ao auditor é uma linha de código e um registro, não uma hipótese sobre o modelo.
Projetos selecionados
Sistemas, plataformas e produção técnica em contexto real.
Uma amostra de experiências que sustentam o método de engenharia aplicado pela Bots.
Estes trabalhos pertencem à trajetória profissional do fundador em outros contextos organizacionais. Organizações e clientes foram preservados; não são cases comerciais da Bots.
- 01
- 02
Indústria e cadeia de suprimentos
Núcleo de uma plataforma corporativa de IA
Responsabilidade técnica pelo núcleo de inteligência artificial de uma plataforma corporativa voltada a uma operação de indústria e cadeia de suprimentos.
Plataforma corporativa
- 03
Produção técnica
AI Open Source Radar
Curadoria recorrente de ferramentas, projetos e movimentos relevantes do ecossistema de inteligência artificial open source.
50 edições publicadas
Serviços
Seis frentes. Uma disciplina de engenharia.
01
Agentes e copilotos em produção
Sistemas multiagente que atendem, triam e executam processos internos — com handoff entre especialistas e regras de negócio fora do modelo.
8 a 16 semanas até produção
02RAG e busca sobre base normativa
Respostas fundamentadas na sua documentação — normativos, contratos, manuais, políticas — sempre com citação da fonte e do trecho.
6 a 12 semanas até produção
03Automação documental
Extração, classificação e conferência de documentos em escala — visão computacional e LLM para ler, código determinístico para decidir.
6 a 14 semanas até produção
04Modelos preditivos e analytics
Previsão, scoring e detecção de anomalia com aprendizado de máquina clássico — quando o problema é número, não texto.
6 a 12 semanas até produção
05Governança e AI assurance
Para IA que já está rodando e precisa sobreviver a uma auditoria — sua ou de terceiro.
4 a 10 semanas
06Squad de IA embarcada
Nosso time dentro do seu contexto, no seu ritual, com transferência de conhecimento como entregável — não como promessa.
Ciclos de 3 meses, renováveis
Método
Cinco fases, cada uma com critério objetivo de aprovação.
Nenhuma fase avança porque o prazo chegou. Avança porque o gate foi batido — e o gate é acordado com você antes de a fase começar.
- 00
Diagnóstico
2 a 3 semanas
Descobrir onde a IA paga a conta e onde ela cria risco — antes de escrever qualquer linha de código.
- 01
Prova de valor
4 a 6 semanas
Provar em ambiente controlado que o caso escolhido funciona — com número, não com demo.
- 02
Piloto controlado
6 a 10 semanas
Colocar usuários reais, com escopo limitado e capacidade de desligar a qualquer momento.
- 03
Produção
8 a 12 semanas
Levar ao volume total com acordo de nível de serviço e operação previsível.
- 04
Operação assistida
Contínuo, opcional
Manter a qualidade enquanto o mundo, os dados e os modelos mudam.
Setores
Onde o erro tem consequência regulatória.
BACEN · CVM · ANPD
Serviços financeiros e crédito
Decisão de crédito, atendimento e prevenção a fraude precisam ser rápidos — e explicáveis quando questionados.
ANS · ANVISA · ANPD
Saúde e operadoras
Dado sensível de paciente, autorização com prazo regulatório e volume documental que não para de crescer.
SUSEP · ANPD
Seguros e previdência
Regulação de sinistro é intensiva em documento, em regra contratual e em prazo.
OAB · ANPD · normas internas
Jurídico e compliance
Volume de contrato e de norma cresce mais rápido que o time — e erro de leitura vira passivo.
Também atuamos fora de ambiente regulado — varejo, indústria, logística, educação e setor público. O padrão de engenharia é o mesmo.
Perguntas
O que a área de risco vai perguntar.
São as mesmas sete perguntas em todo projeto. Respondemos antes de você precisar perguntar.
Vocês treinam modelo com os nossos dados?
Não. Trabalhamos com provedores sob acordo de não retenção e não treinamento, e o contrato do projeto reflete isso. Quando a exigência regulatória ou interna pede mais que um contrato, a arquitetura suporta operar dentro da sua nuvem privada ou com modelo aberto na sua infraestrutura.
Roda dentro da nossa infraestrutura?
Sim. A camada de modelo é desacoplada da aplicação por uma fábrica de provedores — trocar de fornecedor, ou migrar para um modelo aberto rodando na sua VPC, não exige reescrever a lógica de negócio.
Como auditamos uma decisão específica seis meses depois?
Cada sessão fica persistida com o estado a cada passo: o que entrou, qual versão de prompt respondeu, qual regra determinística decidiu e o que saiu. As regras são código versionado — dá para apontar o commit exato que estava em vigor na data do atendimento.
E quando o modelo alucina?
O modelo não toma decisões de negócio vinculantes. Ele interpreta e redige; autorização, cálculo, elegibilidade e roteamento por regra passam por código determinístico. Além disso, todo agente é envolvido por guardrails de entrada e saída, e as respostas com fundamentação documental carregam citação obrigatória da fonte.
De quem é o código no fim do projeto?
Seu. Código, prompts, conjuntos de avaliação e documentação ficam no seu repositório desde o primeiro dia — não no nosso. Contratos de squad já preveem plano de saída desde a assinatura.
Quanto custa?
O diagnóstico tem escopo e preço fechados. As fases seguintes são orçadas depois dele, quando já existe informação para orçar com honestidade. O custo de operação por transação é estimado ainda na prova de valor, antes de qualquer compromisso de produção.
Vocês só fazem IA generativa?
Não. Quando o problema é número — previsão, scoring, detecção de anomalia — aprendizado de máquina clássico costuma ser mais barato, mais rápido e mais explicável. Parte do diagnóstico é justamente dizer quando não usar LLM.
Comece pelo diagnóstico.
Duas a três semanas para saber onde a IA paga a conta na sua operação, onde ela cria risco e por onde começar. Sem compromisso de seguir com a gente depois.