1. Propósito e Escopo
Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Agente de IA de Personalização de Ofertas de Benefícios, que analisa o perfil dos clientes para recomendar pacotes de benefícios personalizados. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.
O objetivo principal é aumentar a adesão e satisfação dos clientes através de recomendações de pacotes de benefícios que atendam às necessidades e preferências individuais de cada cliente.
2. Contexto e Problema
Cenário Atual
Atualmente, as empresas enfrentam desafios significativos para personalizar pacotes de benefícios que realmente atendam às necessidades individuais de seus clientes. Os pacotes padronizados muitas vezes resultam em baixa adesão, pois não conseguem capturar as preferências e necessidades específicas de cada cliente.
Problemas Identificados
- Baixa adesão: Pacotes de benefícios padronizados não atendem às necessidades individuais dos clientes, resultando em baixa adesão.
- Dificuldade em identificar preferências: Identificar as preferências e necessidades específicas de cada cliente é um desafio contínuo.
- Necessidade de aumentar a satisfação: Ofertas personalizadas são necessárias para aumentar a satisfação e fidelização dos clientes.
3. Impactos Esperados
A implementação deste agente de IA visa alcançar os seguintes resultados:
- Aumentar a adesão aos pacotes de benefícios em pelo menos 50%.
- Melhorar a satisfação do cliente através de ofertas mais alinhadas às suas necessidades.
- Fidelizar clientes ao oferecer soluções personalizadas que se ajustem às suas expectativas e preferências.
4. Visão Geral da Solução
O agente de IA para personalização de ofertas de benefícios analisa dados do perfil do cliente, identifica suas necessidades e preferências, e recomenda pacotes de benefícios personalizados. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na personalização de ofertas de benefícios.
A solução consiste em um fluxo de automação composto por 3 agentes de IA. O processo inicia com a análise do perfil do cliente e termina com a avaliação da eficácia das recomendações emitidas.
A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.
| Agentes | Função Principal |
|---|---|
Agente de Análise de Perfil do Cliente (RF 1)
| Analisar dados do perfil do cliente para identificar necessidades, preferências e sinais de elegibilidade para benefícios. |
Agente de Recomendação de Benefícios (RF 2)
| Gerar recomendações de pacotes de benefícios personalizados maximizando aderência esperada e satisfação do cliente. |
Agente de Monitoramento de Eficácia (RF 3)
| Avaliar a eficácia das recomendações emitidas, mensurar adesão e satisfação e produzir ajustes objetivos de estratégia. |
5. Protótipos
Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.
6. Requisitos Funcionais
RF 1. Agente de Análise de Perfil do Cliente
1.1 Tarefa do Agente
Analisar dados do perfil do cliente para identificar necessidades, preferências, restrições e sinais de elegibilidade para benefícios.
1.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON de perfil do cliente contendo informações demográficas, de emprego, histórico de benefícios e preferências explícitas.
# 2. Objetivo
Analisar os dados para identificar necessidades, preferências, restrições e sinais de elegibilidade para benefícios.
# 3. Regras que você deve seguir para gerar sua resposta
- Padronização de dados: mapear faixa_etaria em {18-24,25-34,35-44,45-54,55-64,65+}; bucket_renda em {baixa:<2SM, media:2-6SM, alta:>6SM}; cluster_localidade por UF e porte de município; composicao_familiar por dependentes_qtd em {sem_dependentes, 1-2, 3+}.
- Inferência por regras determinísticas (registrar origem.regra em cada inferência):
• dependentes_qtd>=1 -> necessidades_inferidas inclui {saude_familiar, odontologia_familiar} com confianca>=0.7.
• faixa_etaria 55-64 ou 65+ -> incluir {checkup_preventivo, telemedicina} com confianca 0.6-0.8.
• bucket_renda=baixa -> flag alta_sensibilidade_preco=true; priorizar benefícios com coparticipação baixa.
• setor in {indústria, logística} -> {assistencia_acidentes, seguro_incapacidade}.
• regime_trabalho remoto/híbrido -> {bem-estar_digital, apoio_ergonomia, saúde_mental}.
• histórico.beneficios_utilizados tem alta frequência em um tipo -> aumentar confianca desse tipo em +0.15 (máx 0.95).
• recusas repetidas por preço -> reforçar alta_sensibilidade_preco e adicionar restricao {teto_preco} se informado.
- Elegibilidade preliminar: se elegibilidades_conhecidas contiverem códigos, replicar em elegibilidades_sugeridas com confianca 0.9; se histórico indicar uso prévio bem-sucedido, sugerir elegibilidade 0.7; se tickets relataram problemas contratuais, mover para inelegibilidades_sugeridas com motivo.
- Necessidade imediata: se houve interação de suporte ou pesquisa com termos urgentes nos últimos 30 dias, flags.necessidade_imediata=true.
- Lacunas de dado: qualquer campo null ou inconsistência (ex: CEP inválido) deve ser listado em lacunas_de_dado com impacto {alto,se médio, baixo} conforme sua influência na recomendação (ex: renda é alto, CEP é médio).
- Confianca_global_0a1: média ponderada das confidências das necessidades (peso 0.5), completude_dados (1 - %campos_críticos_faltantes, peso 0.3), consistência_historico (peso 0.2). 1.3 Configurações do Agente
1.3.1 Especificação do Input
- Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de um JSON de perfil do cliente via API. Na fase de testes, os dados serão enviados diretamente por upload do JSON na interface da Prototipe AI, para acelerar o processo de validação.
- Tipo do input: O input inicial para o fluxo é um JSON de perfil do cliente.
- Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato JSON.
- Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 10.000 caracteres.
1.3.2 Especificação do Output
- Formato de output: O output deve ser um JSON estruturado com inferências e normalizações sobre o perfil do cliente.
-
Exemplo de Estrutura de Output:
{ "id_cliente": "12345", "perfil_normalizado": { "faixa_etaria": "25-34", "bucket_renda": "media", "cluster_localidade": "SP-capital", "composicao_familiar": "1-2" }, "necessidades_inferidas": [ {"codigo": "saude_familiar", "descricao": "Cobertura de saúde para família", "origem": {"regra": "dependentes_qtd", "fonte": "dados_clientes"}, "confianca_0a1": 0.8} ], "preferências_normalizadas": { "prioridades_ordenadas": ["saude", "educacao"], "canais_preferidos": ["email", "sms"] }, "restricoes_identificadas": [], "elegibilidades_sugeridas": [ {"beneficio_codigo": "B001", "motivo": "Histórico positivo", "confianca_0a1": 0.9} ], "inelegibilidades_sugeridas": [], "lacunas_de_dado": [ {"campo_faltante": "CEP", "impacto": "médio"} ], "flags": { "alto_risco_churn": false, "alta_sensibilidade_preco": true, "necessidade_imediata": false }, "confianca_global_0a1": 0.85 } - Número de caracteres esperado: O JSON final deve ser claro e direto, com um tamanho estimado em 5.000 caracteres.
1.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.6
1.3.4 Ferramentas do Agente
- Documentos: Não consulta documentos externos.
- Calculadora: Não utiliza.
- Busca Online: Não utiliza.
- Sistemas Externos: Não se conecta a sistemas externos.
1.3.5 Memória
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Recomendação de Benefícios (RF 2).
1.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, esse agente aciona o Agente de Recomendação de Benefícios (RF 2).
RF 2. Agente de Recomendação de Benefícios
2.1 Tarefa do Agente
Gerar recomendações de pacotes de benefícios personalizados maximizando aderência esperada e satisfação do cliente, respeitando elegibilidade e restrições.
2.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais Você está recebendo um JSON com o output do Agente de Análise de Perfil do Cliente e um catálogo de pacotes de benefícios disponíveis. # 2. Objetivo Gerar recomendações de pacotes de benefícios personalizados maximizando aderência esperada e satisfação do cliente. # 3. Regras que você deve seguir para gerar sua resposta - Pré-checagem de elegibilidade: um pacote só pode ser elegivel=true se satisfizer todas as regras explícitas de requisitos (idade dentro do intervalo, setor permitido, dependentes dentro do range, UF em provedores_disponiveis). Se falhar, mover motivo para motivos_inelegibilidade e elegivel=false. - Mapeamento necessidade-cobertura: para cada necessidade_inferida, procurar coberturas que atendam por equivalência semântica explícita (ex: 'saude_familiar' -> coberturas com família/dependentes). Marcar cobertura_atinge_total=true se a cobertura for completa; caso contrário, sugerir add_on compatível. - Função de scoring (normalizar 0-100): • Relevância de cobertura (peso 0.45): proporção de necessidades com cobertura_atinge_total (total=100) e parcial (50). • Ajuste de preço (peso 0.25): status ok=100; limite=70; fora=20, baseado em bucket_renda e teto_preco em restricoes_identificadas. • Elegibilidade e disponibilidade (peso 0.15): elegivel=true e UF coberta=100; se UF não coberta, 0. • Desempenho histórico (peso 0.10): taxa_adesao_media normalizada + satisfacao_media normalizada. • Preferências_explícitas (peso 0.05): bônus se prioridades_explícitas forem contempladas (até +5 pontos). - Probabilidade de adesão: mapear score_total: >=85 -> 0.8-0.95; 70-84 -> 0.6-0.79; 55-69 -> 0.45-0.59; <55 -> 0.2-0.44. Ajustar -0.1 se alta_sensibilidade_preco e status=fora. - Seleção final: retornar top 3 elegíveis com maior score_total. Se menos de 3 elegíveis, completar alternativas com os melhores inelegíveis marcados como tais e com recomendações de como sanar inelegibilidade (ex: atualizar documentação, alterar UF). - Conflitos e restrições: se qualquer restricao_identificada conflitar com condições do pacote (ex: restrição de deslocamento e rede exclusiva em outra cidade), registrar em conflitos_detectados e reduzir relevância em 20 pontos. - Racional: sintetizar em até 3 frases a razão da recomendação, citando 1) necessidades cobertas, 2) adequação de preço, 3) desempenho histórico. - Parâmetros (pesos) devem ser retornados em parametros_utilizados para rastreabilidade.
2.3 Configurações do Agente
2.3.1 Especificação do Input
- Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 1).
- Tipo do input: Este agente deve ser apto a receber como input um JSON com o output do Agente de Análise de Perfil do Cliente e um catálogo de pacotes de benefícios disponíveis.
- Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato JSON.
- Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 20.000 caracteres.
2.3.2 Especificação do Output
- Formato de output: O output deve ser um JSON de recomendação de pacotes de benefícios personalizados.
-
Exemplo de Estrutura de Output:
{ "id_cliente": "12345", "recomendacoes": [ { "codigo_pacote": "P001", "nome": "Pacote Saúde Completo", "score_total_0a100": 92, "prob_adesao_0a1": 0.85, "adequacao_preco": {"status": "ok", "motivo": "Dentro do orçamento"}, "elegivel": true, "motivos_inelegibilidade": [], "correspondencia_necessidades": [ {"necessidade_codigo": "saude_familiar", "cobertura_relacionada": "Cobertura Familiar Completa", "cobertura_atinge_total": true} ], "ajustes_sugeridos_add_ons": [], "racional_resumido": "Recomendação cobre todas as necessidades identificadas com preço adequado.", "faixa_preco_sugerida": "R$ 200 - R$ 300", "canal_sugestao": "email" } ], "top_n": 3, "alternativas": [], "restricoes_respeitadas": true, "conflitos_detectados": [], "parametros_utilizados": {"pesos": {"cobertura": 0.45, "preco": 0.25, "elegibilidade": 0.15, "historico": 0.10, "preferencias": 0.05}} } - Número de caracteres esperado: O JSON final deve ser claro e direto, com um tamanho estimado em 8.000 caracteres.
2.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.6
2.3.4 Ferramentas do Agente
- Documentos: Não consulta documentos externos.
- Calculadora: Não utiliza.
- Busca Online: Não utiliza.
- Sistemas Externos: Não se conecta a sistemas externos.
2.3.5 Memória
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Monitoramento de Eficácia (RF 3).
2.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, esse agente aciona o Agente de Monitoramento de Eficácia (RF 3).
RF 3. Agente de Monitoramento de Eficácia
3.1 Tarefa do Agente
Avaliar a eficácia das recomendações emitidas, mensurar adesão e satisfação e produzir ajustes objetivos de estratégia.
3.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON contendo recomendações emitidas, resultados de adesão e satisfação, e janelas de avaliação.
# 2. Objetivo
Avaliar a eficácia das recomendações emitidas e produzir ajustes de estratégia conforme necessário.
# 3. Regras que você deve seguir para gerar sua resposta
- Cálculo de conversão: conversao_30d=1 se aceitou=true e data_adesao - data_recomendacao <= dias_conversao, senão 0. tempo_medio_conversao_dias apenas se aceitou=true.
- NPS/CSAT: usar valores fornecidos se dentro da janela definida; se ausente, marcar como null e adicionar alerta de dados insuficientes.
- Lift vs média: comparar prob_adesao_0a1 média das recomendacoes_emitidas com taxa real de adesão na amostra do período (se fornecida em contexto); se não houver baseline, omitir lift e registrar em log_aprendizado sinal="falta_baseline".
- Diagnóstico de preço: se motivo_recusa contiver termos de preço ou se aceitou=false e status_preco anterior era 'fora/limite', registrar alerta em adequacao_precos.
- Qualidade de match: se feedback_textual mencionar coberturas faltantes, marcar coberturas_insuficientes=true e sugerir adicionar add-ons relevantes nos ajustes.
- Ajustes de pesos: se conversao_30d<0.3 e nps_pos<0, sugerir aumentar peso de desempenho histórico em +0.05 e reduzir relevância em -0.05; se preço for principal motivo de recusa, aumentar peso de ajuste de preço em +0.1 (limite superior 0.35). Retornar pesos_sugeridos com limites 0-1 e soma=1.
- Próxima ação: se aceitou=false e prob_adesao_0a1>=0.7, proxima_acao={tipo:"follow_up_com_oferta_melhor_preco", prazo_dias:7, criterio_disparo:"não conversão em 7 dias"}; se aceitou=true, proxima_acao={tipo:"onboarding_beneficios"...}.
- Rastreabilidade: toda recomendacao de ajuste deve referenciar um sinal em log_aprendizado com impacto qualitativo {alto,medio,baixo}. 3.3 Configurações do Agente
3.3.1 Especificação do Input
- Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 2).
- Tipo do input: Este agente deve ser apto a receber como input um JSON contendo recomendações emitidas, resultados de adesão e satisfação, e janelas de avaliação.
- Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato JSON.
- Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 15.000 caracteres.
3.3.2 Especificação do Output
- Formato de output: O output deve ser um JSON relatório com métricas de eficácia e recomendações de ajustes de estratégia.
-
Exemplo de Estrutura de Output:
{ "id_cliente": "12345", "metricas": { "conversao_30d": 0.8, "tempo_medio_conversao_dias": 10, "nps_pos": 50, "csat_pos": 4.2, "lift_vs_media": {"adesao": 0.05, "satisfacao": 0.02} }, "diagnostico": { "adequacao_precos": {"alertas": ["Preço limite atingido"]}, "qualidade_match": {"coberturas_insuficientes": false}, "canais": {"canal_efetivo_sugerido": "email"} }, "recomendacao_ajustes": { "pesos_sugeridos": {"cobertura": 0.40, "preco": 0.35, "elegibilidade": 0.15, "historico": 0.05, "preferencias": 0.05}, "regras_a_refinar": [], "mensagens_personalizadas_sugeridas": [] }, "log_aprendizado": {"itens": [{"sinal": "falta_baseline", "valor": null, "impacto": "medio"}]}, "proxima_acao": {"tipo": "follow_up_com_oferta_melhor_preco", "prazo_dias": 7, "criterio_disparo": "não conversão em 7 dias"} } - Número de caracteres esperado: O JSON final deve ser claro e direto, com um tamanho estimado em 5.000 caracteres.
3.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.6
3.3.4 Ferramentas do Agente
- Documentos: Não consulta documentos externos.
- Calculadora: Não utiliza.
- Busca Online: Não utiliza.
- Sistemas Externos: Não se conecta a sistemas externos.
3.3.5 Memória
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.
3.3.6 Regras de Orquestração e Transição
A execução deste agente finaliza o fluxo.