Clind.ai
clind.ai ↗Atendimento com IA que roda em 7 marcas, atendendo cerca de 200 mil pessoas por mês. A maioria sem ninguém entrar.
O que aconteceu aqui
A Clind.ai nasceu dentro da Gocase, um grupo de e-commerce multi-marca onde eu liderava 3 times de engenharia. Começamos pequeno: um bot em n8n respondendo dúvidas de preço no Instagram. Aprendemos o fluxo, mantivemos o que funcionava e reconstruímos o resto em cima do OpenAI Agents SDK para lançar no WhatsApp, onde o cliente não pergunta, reclama. Hoje os agentes atendem cerca de 200 mil pessoas por mês, em 7 marcas, com a maioria resolvida ponta a ponta sem humano.
Sete marcas. As mesmas perguntas, o dia inteiro.
A Gocase é um e-commerce multi-marca: capinhas de celular, acessórios, lifestyle. Cada marca tem sua voz e seus canais: DM do Instagram, WhatsApp, chat no site. Mas 80% das perguntas dos clientes se repetem: status do pedido, política de troca, cadê minha encomenda, tem estoque, posso devolver.
O time de atendimento de primeiro nível queimava horas em perguntas cuja resposta já existia em algum sistema: Shopify, ERP, transportadora. Não queríamos substituir o time. Queríamos liberar essas pessoas do trabalho que não precisava de gente.
Volume + repetição + zero paciência
Duas coisas tornavam isso difícil. Primeiro: escala. Milhares de conversas por dia, picos em lançamentos e Black Friday. Segundo: o que está em jogo. Capinha atrasada irrita. Reembolso errado vira reclamação pública. O sistema tinha que ser rápido e certo ao mesmo tempo.
Não queríamos lançar um chatbot com scripts. Queríamos um agente que de fato consultasse os sistemas, tomasse decisões e soubesse quando sair do caminho e chamar humano. Mas também não queríamos cravar uma arquitetura gigante antes de saber o que funcionava.
Então começamos pequeno.
De um bot em n8n no Instagram a agentes autônomos no WhatsApp
Primeiro: validar o conceito onde era mais fácil
Criamos a primeira versão em n8n e colocamos no DM do Instagram. Por que Instagram? Porque ali o público estava majoritariamente atrás de preço, tamanho, dúvidas simples antes de comprar. Risco menor. Dava pra testar o conceito sem quebrar nada.
A partir desse bot, mapeamos o fluxo do usuário visualmente: quem pergunta o quê, em que ordem, onde a confusão aparece. Construímos subfluxos para cada etapa, e cada subfluxo virou uma ferramenta que o agente podia acionar.
Pausa rápida: o que é uma “ferramenta”?
Ferramenta é uma função que o agente decide quando chamar. “Consultar estoque.” “Buscar status do pedido.” “Ler a política de troca.” O agente lê a mensagem do cliente, decide quais ferramentas precisa, chama, lê a resposta e escreve o retorno. É a diferença entre um chatbot adivinhando e um agente fazendo trabalho real contra sistemas reais.
Segundo: o WhatsApp era outra história
Ir pro WhatsApp era outro público. O cliente no Instagram está comprando. O cliente no WhatsApp já comprou, e está chateado. Entrega atrasada, produto errado, reembolso pendente. Mais em jogo, mais nuance, menos paciência.
O n8n tinha nos levado longe, mas a flexibilidade que aquela conversa exigia não estava ali. A gente precisava de controle total sobre o agente: o que ele vê, o que ele pode fazer, o que ele não pode dizer, quando ele desiste e chama humano.
Terceiro: reconstruir no OpenAI Agents SDK
Reconstruímos tudo em cima do OpenAI Agents SDK. Ele nos deu controle total com o nível certo de abstração. A gente não escrevia cada loop na mão, mas também nada ficava escondido. A partir dali, conectamos 15+ ferramentas (estoque, status de pedido, logística, produtos, política de troca, FAQ interno), guardrails dinâmicos de entrada e saída, e agentes especializados em handoff que decidem caso a caso se humano deve entrar.
A arquitetura do agente: o que de fato roda em produção
Boa parte do que construímos fica por baixo dos panos: retries, observabilidade, roteamento de modelos, memória de conversa, evals a cada release. Abaixo está o que de fato molda a experiência do cliente.
15+ ferramentas
Estoque, status de pedido, logística, produtos, políticas, FAQ interno. O agente lê a mensagem, escolhe a ferramenta certa, executa.
Guardrails de entrada
Filtra prompt injection, conversas fora de escopo e conteúdo abusivo antes de chegar no agente principal.
Guardrails de saída
Valida toda resposta: nada de preço inventado, nada de política que o agente não conhece, nada de promessa que a marca não cumpre.
Agentes de handoff
Agentes especializados cujo único trabalho é decidir: continua, ou chama humano agora? Com o contexto completo passado adiante, o cliente não repete nada.
Multimodal
Texto, áudio e imagem. O cliente pode mandar foto de um produto com defeito e o agente identifica, abre o fluxo certo, resolve.
Construído sobre o OpenAI Agents SDK
Flexibilidade total com a abstração certa. Nada escondido, nada de mágica. Cada decisão do agente é observável e auditável.
Com mais de 200 mil pessoas por mês, não dá pra confiar num prompt estático. O sistema tem que se defender em tempo real. Toda entrada filtrada, toda resposta validada, toda decisão de handoff auditável.
Cerca de 200 mil pessoas por mês. A maioria sem ninguém entrar.
O time de atendimento de primeiro nível, que vivia apagando incêndio em ticket repetitivo, hoje cuida dos 23% que de fato exigem humano: reembolso com caso de borda, escalação, devolução complexa. O trabalho que exige julgamento, não consulta.
Tudo é observável: cada chamada de ferramenta, cada disparo de guardrail, cada handoff. Com essa visibilidade, a gente segue apertando o sistema. Os 77% não são linha de chegada. É onde está hoje, e ainda está subindo.
O atendimento da sua empresa é parecido?
Se o seu time responde as mesmas perguntas o dia todo e a resposta está em algum sistema, esse tipo de agente serve. A gente começa com um canal, um fluxo, volume real. E cresce a partir daí.