# Treinamento ![](https://s3.us-east-2.amazonaws.com/convert-company-outline/uploads/a37daf54-af67-4e24-bdb6-ebce9f5a1da7/af3c5923-6146-44cb-b9f9-c48185a23092/capa-treinamento.png?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Content-Sha256=UNSIGNED-PAYLOAD&X-Amz-Credential=AKIAWNEQDAE74GWO55AJ%2F20260922%2Fus-east-2%2Fs3%2Faws4_request&X-Amz-Date=20260922T151500Z&X-Amz-Expires=86400&X-Amz-Signature=78d35c36064970da9bc241aed789cb8f9cf299e55aa7859ad534173d656405dd&X-Amz-SignedHeaders=host&x-amz-checksum-mode=ENABLED&x-id=GetObject " =802x233") 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. ![](https://s3.us-east-2.amazonaws.com/convert-company-outline/uploads/a37daf54-af67-4e24-bdb6-ebce9f5a1da7/d6a83bbf-f090-4442-b05c-98bdbdef2b0a/image.png?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Content-Sha256=UNSIGNED-PAYLOAD&X-Amz-Credential=AKIAWNEQDAE74GWO55AJ%2F20260922%2Fus-east-2%2Fs3%2Faws4_request&X-Amz-Date=20260922T151500Z&X-Amz-Expires=86400&X-Amz-Signature=6d7156590fab385dd65e235ee10e788fed7868ddd4576224cffdb56ef7e2ccad&X-Amz-SignedHeaders=host&x-amz-checksum-mode=ENABLED&x-id=GetObject " =1890x1388") **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. :::info **O ciclo também pode ser feito com ajuda de IA** Se você tem acesso a uma ferramenta como Claude ou ChatGPT, pode colar sua descrição atual + 3 saídas reais do atendimento e pedir ajuda para ajustar. O link com o contexto dos guias do módulo já vem pronto no índice principal de Análises com IA. ::: --- # Checklist antes de salvar Antes de sair do modal de refinamento, passe rapidamente por essas perguntas: - [ ] A descrição diz **o que** deve ser extraído e **o que deve ser ignorado**? - [ ] Se o objetivo tem limite natural (3 objeções, até 5 tópicos), o limite está explícito? - [ ] Os 3 exemplos cobrem **ângulos diferentes**, não variações do mesmo caso? - [ ] Os exemplos estão no **tamanho** e **tom** que quero ver de volta? - [ ] Se aplicável, nomeei **produtos, termos ou categorias específicas** do meu negócio? - [ ] Pelo menos um exemplo representa um **caso real bagunçado**, não só o cenário ideal? - [ ] Se for Atendimento Sinalizado, escrevi **condições**, não descrições? 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 --- **Documents** - [Manuais de produtos](https://docs.convert.app.br/s/7287dde1-b04f-4cad-9d2b-72f5c721e7d1/doc/manuais-de-produtos-9Zwzl1ufq8) - [Treinamentos em vídeo](https://docs.convert.app.br/s/7287dde1-b04f-4cad-9d2b-72f5c721e7d1/doc/treinamentos-em-video-RtQVBvFmgW) - [Versões de produtos](https://docs.convert.app.br/s/7287dde1-b04f-4cad-9d2b-72f5c721e7d1/doc/versoes-de-produtos-TH4Y8GFXxO)