Este é o documento mais importante do módulo de Análises com IA. Selecionar objetivos é fácil — basta clicar. Refinar é o que separa análise genérica de insight acionável. Se você leu o catálogo e escolheu seus objetivos, é aqui que a configuração realmente acontece.

Um objetivo sem refinamento roda com o padrão da IA, que é propositalmente amplo pra funcionar em qualquer negócio. O problema é que "funcionar em qualquer negócio" é outro nome pra "não funcionar direito em nenhum". Quem vende franquias não quer o mesmo sentimento de quem vende consultas médicas. Quem analisa leads frios não quer os mesmos insights de quem analisa renovações de contrato. O refinamento é o mecanismo que faz a IA deixar de ser genérica e começar a falar a língua do seu negócio.

A anatomia do refinamento

Quando você clica em Refinar em qualquer objetivo, se abre um modal com dois campos. Eles funcionam juntos — e entender o papel de cada um é o primeiro passo.

Descrição do objetivo O campo de cima. É onde você explica pra IA o que exatamente você quer que ela extraia, em qual escopo, com quais limites. Pense nisso como uma instrução clara pra um atendente novo que vai fazer esse trabalho pela primeira vez: quanto mais preciso, melhor o resultado.

Exemplos de retorno Os três campos abaixo. São saídas de referência — você mostra pra IA como você quer que o resultado dela se pareça na prática. A IA olha esses exemplos e aprende simultaneamente três coisas: o tamanho esperado, o ângulo de análise que você valoriza, e o estilo de escrita que quer ver nos resultados.

Juntos, os dois campos formam o refinamento. A descrição fala o que; os exemplos mostram como. Um sem o outro entrega análise pela metade.

Como a IA lê o refinamento

Saber como a IA interpreta os dois campos ajuda a escrever melhor.

A descrição funciona como regra. Se você escreve "identifique até 3 pontos", a IA vai tentar devolver no máximo 3. Se você escreve "foque em oportunidades perdidas", ela vai filtrar tudo que não se encaixa nisso. Limites e escopo explícitos na descrição são respeitados.

Os exemplos funcionam como molde. A IA observa os 3 exemplos e infere padrões: tamanho das frases, uso de verbos, nível de detalhe, tom. Se seus exemplos têm 5 a 8 palavras, ela vai devolver saídas desse tamanho. Se seus exemplos começam com verbos de ação, ela tende a seguir o mesmo formato.

Os dois se complementam. Descrições vagas com exemplos bons ainda funcionam, porque a IA aprende pelo padrão. Descrições boas com exemplos ruins também entregam algo, mas a saída tende a ser irregular. O melhor cenário é descrição clara + exemplos bem escolhidos — aí o resultado é consistente de atendimento pra atendimento.

Como pensar pra refinar

Antes de sair escrevendo, vale parar e responder mentalmente três perguntas. Essas perguntas mudam tudo na qualidade do refinamento.

1. Qual decisão esse objetivo vai informar?

Um bom refinamento não começa na descrição. Começa no uso. Antes de escrever uma linha, pergunte: o que eu vou fazer com essa informação quando ela aparecer?

Se a resposta for "não sei ainda, só vou ler", o refinamento vai sair genérico. Se for "vou usar pra decidir quem merece follow-up", "quero ver se a equipe está contornando objeções direito", ou "preciso saber quais produtos estão atraindo atenção essa semana", o refinamento já começa melhor — porque a IA vai extrair o que você precisa, e não o que a IA acha que é interessante.

Exemplo prático, usando Insights:

Sem clareza de uso: "Identifique insights relevantes do atendimento."

Com clareza de uso: "Identifique até 3 insights estratégicos que um gestor comercial usaria para decidir priorização de follow-up ou revisão de abordagem da equipe. Ignore observações puramente operacionais."

A segunda versão é melhor porque nomeia o leitor (gestor comercial), nomeia a decisão (follow-up ou revisão de abordagem), e delimita o que não conta (operacional). Tudo isso vira filtro automático na IA.

2. O que eu quero ver vs o que eu não quero ver?

Bons refinamentos são explícitos sobre os dois lados. A maioria das pessoas escreve só o "o que quero ver" e esquece de dizer o que descartar — aí a IA inclui tudo que parece relevante, e o resultado fica barulhento.

Deixar claro o que ignorar funciona muito bem. Exemplos:

• "Ignore saudações e encerramentos."

• "Não inclua observações sobre o tom do atendente, apenas sobre o cliente."

• "Descarte menções em tom de brincadeira ou que claramente não são relevantes para a decisão de compra."

• "Apenas sinalize casos graves — se houver dúvida, não sinalize."

Esse tipo de instrução negativa é uma das mais poderosas no refinamento. Use sem medo.

3. Como eu descreveria isso pra uma pessoa que nunca atendeu nesse departamento?

A IA é, em essência, uma atendente nova. Ela tem repertório geral, mas não sabe nada sobre o seu negócio específico. O jeito certo de escrever a descrição é imaginar que você está explicando pra alguém que acaba de entrar na equipe — sem jargão interno, sem meio-tom.

Se a descrição faz sentido sem contexto adicional, provavelmente vai funcionar bem pra IA também.

Os 6 princípios do refinamento

Os princípios abaixo valem para praticamente qualquer objetivo. Todo refinamento bem feito respeita pelo menos 4 deles. O contraste entre exemplo ruim e bom em cada princípio é mais importante do que a explicação em si — leia os exemplos com atenção.

Princípio 1: Delimite escopo na descrição

A descrição deve dizer exatamente o que conta e, sempre que possível, quantos itens você espera. Sem isso, a IA decide sozinha — e tende a ser generosa demais.

❌ Ruim

Identifique as necessidades do cliente.

✅ Bom

Identifique até 3 necessidades diretamente relacionadas à oferta do nosso departamento comercial. Ignore necessidades tangenciais ou que não dependem de uma ação da nossa equipe.

A segunda versão limita quantidade ("até 3"), delimita escopo ("relacionadas à nossa oferta") e exclui ruído ("ignore tangenciais"). A IA agrada tudo junto.

Princípio 2: Varie o ângulo nos exemplos

Os 3 exemplos não podem mostrar a mesma coisa três vezes. Cada um deve cobrir um tipo diferente de saída que você espera ver. Se os três são do mesmo tipo, a IA acha que aquele é o único tipo válido — e descarta os outros.

❌ Ruim (três exemplos do mesmo ângulo — todos sobre preço)

1. Cliente achou o preço alto.

2. Cliente questionou o valor mensal.

3. Cliente queria desconto.

✅ Bom (três ângulos diferentes: preço, timing, autoridade)

1. Preço acima do orçamento disponível.

2. Já usa outra solução e não quer migrar agora.

3. Precisa de aprovação do diretor antes de seguir.

A segunda versão ensina a IA que objeção pode ser de vários tipos — financeira, temporal, de processo. Aí ela extrai o espectro completo do que aparece nas conversas, não só uma dimensão.

Princípio 3: Seja concreto — nomeie as coisas

Refinamentos genéricos produzem saídas genéricas. Quando você escreve "nosso produto", a IA devolve "o produto". Quando você escreve "Plano Premium", ela devolve "Plano Premium". Nomes próprios, termos do seu negócio e palavras específicas viram alvos diretos.

❌ Ruim

Identifique se o cliente mencionou algum produto da empresa.

✅ Bom

Identifique se o cliente mencionou algum dos nossos produtos: Plano Essencial, Plano Profissional, Plano Corporativo, Módulo de Relatórios Avançados, Integração com ERP. Use obrigatoriamente um desses nomes.

A segunda versão não só orienta a IA a olhar pelos itens certos — ela garante padronização de nome, o que é crítico quando a análise vira KPI agregado. Sem isso, "plano profissional", "Plano Pro" e "Profissional" viram três categorias diferentes no relatório.

Princípio 4: Escreva no tamanho que quer receber

A IA calibra o tamanho da saída pelo tamanho dos exemplos. Se seus exemplos têm 4 palavras, ela devolve resultados de 4 palavras. Se têm parágrafos inteiros, ela devolve parágrafos.

❌ Ruim (quer resultado curto, mas dá exemplo longo)

1. O cliente demonstrou grande interesse pelo produto e fez muitas perguntas sobre funcionalidades específicas, indicando um perfil altamente engajado na conversa, com respostas rápidas e aprofundadas ao longo de todo o atendimento.

✅ Bom (quer resultado curto, dá exemplo curto)

1. Alto engajamento: respostas rápidas e perguntas detalhadas.

Princípio simples: o tamanho do exemplo é a promessa que você faz à IA. Ela cumpre literalmente.

Princípio 5: Pense no atendimento real, não no ideal

Um erro comum é escrever exemplos "de livro-texto" — o caso perfeito, bem comportado, onde tudo acontece como esperado. Mas atendimentos reais são bagunçados. Os exemplos precisam refletir isso, ou a IA só vai reconhecer o cenário bonito e vai errar nos casos normais.

❌ Ruim (três exemplos do cenário ideal)

1. Venda fechada com sucesso.

2. Cliente demonstrou interesse e agendou próxima etapa.

3. Proposta enviada com feedback positivo.

✅ Bom (inclui um caso difícil ou ambíguo)

1. Venda fechada após contorno de objeção de preço.

2. Lead demonstrou interesse mas saiu sem agendar — prosseguir com follow-up.

3. Atendimento encerrado sem resposta final do cliente; desfecho incerto.

A segunda versão ensina a IA a lidar com o cenário perfeito, o parcial e o ambíguo. Esse é o mundo real.

Princípio 6: Para respostas de conjunto fechado, liste e force

Quando o objetivo precisa escolher entre opções definidas (produtos do catálogo, tags específicas, classificações existentes, palavras-chave que importam), listar essas opções na descrição e exigir uso da lista é a diferença entre relatório bagunçado e relatório utilizável.

❌ Ruim

Identifique objeções relacionadas à venda.

✅ Bom

Identifique objeções do cliente, escolhendo exclusivamente entre as seguintes: preço alto, prazo longo, falta de recurso específico, já usa concorrente, aguardando aprovação interna, momento ruim, não entendeu proposta. Se nenhuma se encaixar, retorne vazio.

A segunda versão garante nomes padronizados nos relatórios, evita explosão de categorias, e força a IA a dizer "não encaixa" em vez de inventar uma objeção nova pra preencher espaço.

Esse padrão se aplica bem a: Produtos e Serviços, Palavras-chave, Objeções, Intenção Principal, Perfil do Contato. Em breve esses objetivos vão ter um modo nativo de lista fixa; até lá, essa abordagem resolve.

Atendimento Sinalizado: pense em condições

O Atendimento Sinalizado merece uma seção própria porque ele funciona de um jeito diferente dos outros. Em todos os outros objetivos, você refina dizendo o que a IA deve extrair. No Sinalizado, você refina dizendo quando a IA deve levantar a bandeirinha.

A mudança mental é: você não está descrevendo um formato de saída, está escrevendo uma regra de alerta.

O formato mental

Ao invés de escrever "Identifique situações problemáticas", escreva:

Sinalize o atendimento quando [condição específica].

E pode listar várias condições, separadas por "ou". A IA avalia cada atendimento contra essa lista e sinaliza se qualquer uma bater.

Exemplo ruim

Identifique atendimentos com problemas que merecem atenção do supervisor.

Isso é vago, e a IA vai sinalizar praticamente tudo. A palavra "problema" cobre desde um desentendimento até uma reclamação séria — a bandeirinha perde o sentido.

Exemplo bom

Sinalize o atendimento nas seguintes situações:

• Cliente mencionou intenção de cancelar, trocar de fornecedor ou reduzir plano

• Atendente ofereceu desconto sem tentar contornar a objeção antes

• Cliente fez pergunta técnica relevante e o atendente respondeu "vou verificar" sem follow-up claro

• Atendente prometeu prazo de retorno mas não confirmou data específica

Se nenhuma situação se aplicar, não sinalize.

Essa versão dá à IA critérios específicos e verificáveis. O gestor que abrir a lista de sinalizados vai ver casos reais e acionáveis, não um mar de bandeirinhas sem significado.

Dica: seja conservador

É tentador escrever muitas condições pra "não perder nenhum caso importante". Resista. Bandeirinha demais vira bandeirinha nenhuma — o gestor ignora tudo. Comece com 2 ou 3 condições críticas, deixe rodar uma semana, veja o que está sendo marcado, e ajuste.

Como refinar na prática: o ciclo

Nenhum refinamento é perfeito na primeira tentativa. Quem acerta na primeira ou está sendo sortudo, ou não está olhando os resultados direito. Refinamento bom é resultado de ciclo curto de ajuste.

1. Escreva o primeiro refinamento Use os 6 princípios. Não tente fazer perfeito — faça bom o suficiente para começar.

2. Salve e deixe rodar Aguarde 5 a 10 atendimentos fecharem. Atendimentos antigos não reanalisam, então você precisa de material novo.

3. Abra os resultados e leia com olho crítico Pergunte: o que saiu está útil? Está no tamanho certo? Está cobrindo os casos que eu esperava? Está gerando falso-positivo?

4. Ajuste o que estiver fora

• Saída muito longa → encurte os exemplos

• Saída muito genérica → seja mais específico na descrição

• Casos importantes passando batido → adicione exemplo que cubra aquele ângulo

• Casos irrelevantes aparecendo → adicione instrução explícita de descartar

5. Repita Três ou quatro ciclos desses costumam ser suficientes pra um objetivo ficar calibrado. Depois disso, só mexa quando a operação mudar.

Checklist antes de salvar

Antes de sair do modal de refinamento, passe rapidamente por essas perguntas:

Se você conseguiu responder "sim" pra todas, tá pronto pra salvar. Se alguma ficou em "não", vale ajustar antes — corrigir depois exige esperar nova leva de atendimentos.

Próximos passos

• Biblioteca de refinamentos prontos → refinamentos testados por segmento de atendimento, prontos pra copiar, colar e adaptar