O que aprendemos construindo o SalesBot — o assistente de vendas chatbot com tecnologia de IA da HubSpot

Quando entrei pela primeira vez na equipe de marketing conversacional da HubSpot, a maior parte do volume de bate-papo do nosso site era gerenciado por humanos. Tínhamos uma equipe global de mais de cem agentes de vendas ativos – Inbound Success Coaches (ISCs) qualificando leads, agendando reuniões e encaminhando conversas para representantes de vendas. Funcionou, mas não escalou.

Todos os dias, esses ISCs recebiam milhares de mensagens de bate-papo de visitantes que precisavam de informações sobre produtos, tinham dúvidas de suporte ou estavam apenas explorando. Embora adorássemos essas interações, elas muitas vezes tiravam o foco de clientes em potencial altamente intencionados, prontos para se envolver com vendas.

Sabíamos que a IA poderia nos ajudar a trabalhar de maneira mais inteligente, mas não queríamos outro chatbot com script. Queríamos algo que pudesse pensar como um representante de vendas: qualifique, oriente e venda em tempo real.

Foi assim que nasceu o SalesBot: um assistente de bate-papo com tecnologia de IA que agora lida com a maior parte do volume de bate-papo recebido da HubSpot, respondendo milhares de perguntas de bate-papo, qualificando leads, agendando reuniões e até mesmo vendendo diretamente nossos produtos de nível inicial.

Aqui está o que aprendemos ao longo do caminho.

Como construímos o SalesBot e o que aprendemos

1. Comece com deflexão. Em seguida, construa de acordo com a demanda.

Quando lançamos o SalesBot pela primeira vez, nosso objetivo principal era evitar perguntas fáceis de responder e com baixa intenção de vendas (exemplo: “O que é um CRM” ou “Como adiciono um usuário à minha conta”). Queríamos reduzir o ruído e liberar os humanos para se concentrarem em conversas mais complexas.

Treinamos o bot na base de conhecimento, catálogo de produtos, cursos da Academia da HubSpot e muito mais. Agora estamos desviando mais de 80% dos bate-papos em nosso site usando IA e opções de autoatendimento.

Esse sucesso na deflexão deu-nos confiança, mas também revelou o nosso próximo desafio. A deflexão por si só não faz o negócio crescer. Para realmente dimensionar o valor, precisávamos de uma ferramenta que fizesse mais do que resolver – ela tem que vender.

2. Pontue as conversas para preencher a lacuna sob demanda.

Depois que introduzimos a deflexão, notamos uma queda nos leads de intenção média – aqueles que não estavam prontos para agendar uma reunião, mas ainda mostravam sinais de compra. Os humanos são ótimos em detectar esses momentos. Os bots não são… ainda.

Para preencher essa lacuna, construímos um modelo de propensão em tempo real que pontua os chats em uma escala de 0 a 100 com base em uma combinação de dados de CRM, conteúdo de conversa e intenção prevista por IA. Quando um chat ultrapassa um determinado limite, ele é elevado como um lead qualificado.

Esse modelo agora ajuda o SalesBot a identificar oportunidades de alto potencial – mesmo quando um cliente não solicita explicitamente uma demonstração. É um exemplo perfeito de como a IA pode nuance de superfície em escala.

3. Construa para vender, não apenas para apoiar.

Depois de definirmos os fundamentos da deflexão e da pontuação, voltamos nossa atenção para algo mais ousado: transformar o SalesBot em um verdadeiro assistente de vendas.

Nós o treinamos em nossa estrutura de qualificação (GPCT — Metas, Planos, Desafios, Cronograma), permitindo que o bot oriente os clientes em potencial para a próxima etapa certa: seja começar com ferramentas gratuitas, agendar uma reunião com vendas ou comprar um plano Starter diretamente no chat.

Agora, temos uma ferramenta que não apenas responde – ela qualifica, cria intenções e apresenta o argumento de venda como um representante. Essa mudança mudou fundamentalmente a forma como pensamos sobre a geração de demanda conversacional.

4. Escolha qualidade em vez de CSAT.

Rapidamente percebemos que as métricas tradicionais do chatbot, como CSAT (Customer Satisfaction Score), não eram suficientes.

CSAT mede como um cliente sentimentos sobre sua experiência, normalmente perguntando se eles foram detratores, passivos ou promotores após uma interação. Mas apenas uma pequena parcela (menos de 1% dos participantes) responde à pesquisa. E mesmo que um cliente avalie um chat de forma positiva, isso não significa necessariamente que o Salesbot estava proporcionando uma experiência de chat de qualidade.

Por isso, criamos uma rubrica de qualidade personalizada com nossos ISCs de melhor desempenho para definir o que realmente é “bom”. A rubrica mede fatores como profundidade da descoberta, próximas etapas, tom e precisão.

Só neste ano, uma equipe de 13 avaliadores revisou manualmente mais de 3.000 conversas de vendas. Esse ciclo de controle de qualidade humano é crítico. Ele mantém nossa IA baseada no comportamento de vendas do mundo real e nos ajuda a melhorar continuamente o desempenho.

5. Expandir globalmente para aumentar a eficiência.

Antes da IA, ter uma equipe de chat ao vivo em sete idiomas era um dos nossos maiores desafios operacionais. Era caro, inconsistente e difícil de escalar.

Agora podemos lidar com conversas multilíngues em todo o mundo, proporcionando uma experiência consistente, independentemente de onde alguém esteja conversando. Isso não é apenas uma vitória em termos de eficiência – é uma melhoria na experiência do cliente.

A IA nos deu uma verdadeira cobertura global sem sobrecarregar nossa equipe, liberando o crescimento em regiões onde o número de funcionários simplesmente não conseguia acompanhar.

6. Construa a estrutura de equipe certa.

O sucesso não aconteceu por causa de uma pessoa ou equipe – aconteceu porque um grupo de construtores inteligentes e voltados para o cliente se reuniu em Marketing Conversacional e Engenharia de IA de Tecnologia de Marketing.

O Marketing Conversacional era dono da estratégia, da experiência do usuário e da garantia de qualidade, sempre fundamentando as decisões no que entregaria a melhor experiência aos nossos clientes. Nossos parceiros de engenharia de IA em tecnologia de marketing criaram os modelos, os prompts e a infraestrutura que tornaram essas ideias reais e rápidas.

Juntos, formamos um grupo de trabalho unificado com objetivos compartilhados, um backlog comum e um ritmo de experimentação semanal. Essa combinação de profunda empatia com o cliente e excelência técnica nos permite agir como uma equipe de produto – testando, aprendendo e melhorando o SalesBot a cada lançamento.

7. Aborde a automação com uma mentalidade de produto.

O maior desbloqueio em nossa jornada foi adotar uma mentalidade de produto. SalesBot não foi um projeto de automação único. É um produto vivo que evolui a cada iteração.

Nos últimos dois anos, passamos de bots baseados em regras para um sistema de geração aumentada de recuperação (RAG), atualizamos nossos modelos para GPT-4.1 e adicionamos qualificação mais inteligente e recursos de apresentação de produtos.

Essas atualizações dobraram a velocidade de resposta, melhoraram a precisão e aumentaram nossa taxa de conversão de leads qualificados de 3% para 5%.

Não chegamos lá durante a noite. Foram necessárias centenas de iterações e uma cultura que trata a experimentação de IA como uma parte central do movimento de entrada no mercado.

8. Os humanos ainda são importantes.

Mesmo com todo esse progresso, algumas coisas ainda exigem um toque humano. Hoje, o SalesBot não consegue criar cotações personalizadas, lidar com objeções complexas ou replicar empatia em conversas diferenciadas – e tudo bem. Estaremos sempre trabalhando para expandir suas capacidades, mas a supervisão humana sempre será essencial para manter a qualidade.

Nossos agentes e especialistas no assunto desempenham um papel fundamental em nosso sucesso. Eles avaliam os resultados, fornecem feedback e garantem que o sistema continue aprendendo e melhorando. Seu julgamento define o que é “bom” e mantém nosso alto padrão de qualidade à medida que a tecnologia evolui.

O papel da IA ​​é aumentar o alcance e a velocidade – e não substituir a conexão humana. Nossos ISCs agora se concentram em programas de maior valor e casos extremos onde sua experiência realmente brilha. O objetivo não é menos humanos – é um uso mais inteligente e impactante do seu tempo.

9. Dê estrutura ao seu modelo, não apenas mais dados.

Quando construímos o SalesBot pela primeira vez, ele funcionava em um sistema simples baseado em regras – a ação X aciona a resposta Y. Funcionou para a lógica básica, mas não parecia um vendedor. Queríamos algo que parecesse mais próximo de um ISC: coloquial, confiante e útil.

Para chegar lá, experimentamos o ajuste fino. Exportamos milhares de transcrições de bate-papo e pedimos aos ISCs que as anotassem quanto ao tom, precisão e fraseado. Treinar o modelo com base nesses exemplos fez com que parecesse mais natural, mas a precisão diminuiu. Aprendemos da maneira mais difícil que muitos dados humanos não estruturados podem, na verdade, degradar o desempenho do modelo. O modelo começa a lembrar as “bordas” do que vê e a desfocar tudo o que está entre elas.

Então, nós giramos. Em vez de dar o modelo mais dados, demos a ele um melhorar estrutura. Mudamos para uma configuração de geração aumentada de recuperação (RAG), fundamentando a ferramenta no contexto de tempo real e ensinando-a quando extrair fontes de conhecimento, ferramentas e dados de CRM.

O resultado é um bot significativamente mais confiável em conversas de vendas complexas e muito melhor na identificação de intenções.

Como começar a construir um programa de chat de IA

Se você está apenas começando, o maior equívoco é que você pode pular direto para a IA. Na realidade, a IA só tem sucesso quando a base subjacente é sólida. Olhando para trás, para nossa jornada, esses três princípios eram os mais importantes.

1. Construa a base antes de automatizar.

A IA é tão boa quanto o programa humano com o qual aprende. Antes de automatizarmos qualquer coisa, tivemos anos de conversas reais conduzidas por agentes de chat qualificados. Essa base de chat ao vivo nos deu:

• Dados de treinamento de alta qualidade
• Uma definição clara do que é “bom”
• Padrões para identificar o que poderia ser automatizado primeiro

Se você pular esta etapa, sua IA não saberá o que é “bom” – e não saberá quando está errado.

2. Entenda o que seus humanos fazem de bom. Então, ensine a IA.

A IA não consegue replicar as nuances que acompanham a interação humana.

Estude profundamente seus representantes de melhor desempenho e pergunte-se o seguinte:

• Como eles se qualificam?
• Que sinais eles captam?
• Que linguagem constrói confiança?
• Como eles se recuperam quando algo sai do script?

Sua equipe humana é o seu modelo. Tudo o que os grandes humanos fazem – do tom ao timing e à descoberta – torna-se a base para uma IA que pode realmente vender, e não apenas responder a perguntas.

3. Crie uma equipe orientada por experimentos e dados.

A IA não é um projeto do tipo configure e esqueça. É um produto, e a única maneira de dimensionar um programa de chat de IA é construir uma equipe que:

• Experimentos constantemente
• Move-se rapidamente através de iterações
• Mede o que funciona (e o que não funciona)
• Trata as falhas como entradas, não como contratempos

Uma equipe orientada por experimentos transforma a IA de um lançamento único em um mecanismo de melhoria contínua para o crescimento.

O resultado final

A maior lição para mim é esta: A IA não substitui uma excelente estratégia de entrada no mercado – ela a acelera. Suas ferramentas devem refletir como você opera. Para nós, isso é uma mistura de tecnologia, criatividade e empatia com o cliente para continuar evoluindo a forma como vendemos.