Sim, com certeza. Porém, a implementação, manutenção e monitoramento de mensagens terão custos adicionais. Além disso, as mensagens também tem custos detalhados pela Meta. Você pode consultar mais detalhes AQUI.

Sim. O modelo Agente Multicanal permite que você integre vários canais de atendimento para ser gerenciado por um ou mais agentes. Você pode escolher usar um integrador de sua preferência ou o nosso integrador que utilizamos para fazer este trabalho.

Os valores finais dependem da demanda de cada projeto. Por esse motivo criamos esta página, para separara as características do Agente Simples, Agente RAG e Agente Multicanal. Cada um desses modelos é voltado para demandas específicas. O que vai definir o valor final é complexidade do agentes, quantidade de interações mensais e a necessidade de integrações ou automações inteligentes.

Após o briefing e o plano de implementação, o agente de atendimento pode estar atendendo em até 7 dias. É importante lembrar que existe um período de ajustamento de comportamento do agente que pode durar até 45 dias dependendo da complexidade do agente.

O ajustamento do agente é o processo de refino de comportamento do agente. O ajustamento envolve a identificação de oportunidade de melhorias no agente por parte da empresa e por nossa parte. Neste período ocorrem alterações de prompt, inclusão ou exclusão de memória RAG e testagem de modelos de IA LLM e SLM.

De forma simples, RAG é a tecnologia que dá ao seu agente de IA uma "memória" e uma "biblioteca" exclusivas da sua empresa.

Imagine um assistente superinteligente (a IA Generativa) que, antes de responder a qualquer pergunta, consulta uma base de dados específica – como seu catálogo de produtos, políticas de devolução ou manuais internos.

Em resumo, o RAG garante que:

As respostas sejam precisas: O agente usa apenas as informações da sua empresa, evitando "achismos" ou dados genéricos da internet.

A informação esteja sempre atualizada: Se você mudar um preço ou uma política, a "biblioteca" do agente é atualizada e ele passa a dar a nova informação imediatamente.

A confiança aumente: Seus clientes recebem respostas confiáveis e consistentes, baseadas em fatos, diretamente no WhatsApp.

Exitem muitas possibilidades nas quais um atendente pode realizar sua tarefa sem nenhuma informação RAG. Por exemplo, um case da Elev Flow queria apenas que o agente realizasse o atendimento inicial dos seus leads e o preparassem para que um atendente humano assumisse a conversa. Para isso nós implementamos as informações principais apenas no prompt do agente, isto foi necessário para que o agente funcionasse perfeitamente sem um RAG.

Pense nos modelos LLM e SLM como os diferentes tipos de "cérebros" ou "motores" que podemos colocar no seu agente de IA. A escolha do motor certo define a performance, a velocidade e o custo do seu atendimento.

LLM (Large Language Model - Modelo de Linguagem Grande)

• O que é: São os "cérebros" de altíssima potência, como o famoso GPT-4 (o motor por trás do ChatGPT). Eles foram treinados com uma quantidade gigantesca de informações da internet e são capazes de conversar sobre praticamente qualquer assunto com uma fluidez impressionante.
• Analogia: É como ter um especialista sênior, um polímata que sabe de tudo um pouco, capaz de lidar com conversas complexas e abertas.

SLM (Small Language Model - Modelo de Linguagem Pequeno)

• O que é: São "cérebros" especialistas, versões menores e mais focadas. Em vez de saberem sobre tudo, eles são treinados para serem experts em tarefas específicas, como responder perguntas sobre produtos, agendar um serviço ou qualificar um lead.
• Analogia: É como ter um funcionário treinado especificamente para uma função. Ele executa sua tarefa de forma extremamente rápida, precisa e com um custo menor.

NÃO. No valor mensal cobrado já estão contemplados todos os custos com implementação, manutenção, tokens de IA, infraestrutura e manutenção do agente.