Distribuição de seguros·WhatsApp

Como uma corretora de seguros escalou o topo do funil sem escalar o custo

Topo de funil automatizado de ponta a ponta, leads entregues prontos para fechar e um custo por conversa que cai conforme o volume cresce.

18%
das conversas terminam em cotação e handoff
14s
de espera típica, 95% abaixo de 1 minuto
9,6%
dos leads frios reativados por follow-up
100%
das mensagens verificadas antes do envio
Corretora de seguros líder no BrasilMai 20268 min de leitura
TL;DR

Um assistente que assume o topo do funil de ponta a ponta no WhatsApp: encontra a oportunidade, qualifica, cota e entrega o lead pronto para o vendedor fechar. Em produção 24/7 desde maio de 2026.

Resultados

  • 18% das conversas terminam em cotação pronta e handoff
  • 14s de espera típica; 95% das respostas em menos de 1 minuto, mesmo no pico
  • 9,6% dos leads frios reativados por follow-up; 18,7% dos follow-ups reengajam o cliente
  • 100% das mensagens verificadas e corrigidas antes do envio
  • Na mesma operação e no mesmo período, o assistente respondeu mais (32% vs 29% das oportunidades) e cotou mais (12% vs 10%) que o time humano

O que mudou

  • Vendedores recebem só leads já qualificados e cotados, sem trabalho manual repetitivo
  • Topo do funil ampliado por outreach ativo (o assistente inicia a conversa)
  • Custo por conversa cai conforme o volume cresce, em vez de subir
  • Operação contínua, sem supervisão manual

A maior corretora de seguros do Brasil precisava transformar oportunidades em leads qualificados e já cotados, de forma contínua e automática, sem aumentar o time na mesma proporção que o volume crescia. Os vendedores gastavam tempo demais em um processo de qualificação repetitivo e manual. O assistente assumiu todo o topo do funil: liberou os vendedores para focar apenas nos leads qualificados, ampliou o topo do funil via outreach ativo e roda a um custo que cai por conversa à medida que o volume sobe, em vez de subir.

Atualizado em 30 de junho de 2026 com os números de uma comparação direta entre o assistente e o time humano, na mesma operação, no mesmo período e fazendo a mesma tarefa. O detalhe está na seção "IA vs. humano".
01 — O desafio

Escalar o topo do funil sem que o custo escale junto

Topo de funil é trabalho que não escala bem. Cada oportunidade nova precisa ser enriquecida, contatada, qualificada e cotada, e cada uma que fica parada esfria e vira receita perdida. O volume cresce o tempo todo; o time, não na mesma velocidade. Os leads chegam às duas da manhã e no domingo; a equipe trabalha em horário comercial.

A saída clássica, contratar na mesma proporção do volume, resolve a capacidade e destrói a unidade econômica: o canal passa a custar mais por lead exatamente quando começa a dar certo.

Terceirizar o topo do funil para uma API cobrada por token parece resolver, mas só troca o problema de lugar, e de um jeito traiçoeiro. Uma conversa não é uma única chamada ao modelo, e sim uma sequência delas: cada resposta é uma chamada e, como cada mensagem precisa ser verificada antes de sair, cada uma dispara ainda o juiz e as checagens, somando mais chamadas; o enriquecimento e o laço de qualificação somam outras. E uma conversa não tem duração fixa: pode se estender indefinidamente, com idas e vindas, follow-ups e reativações. Em uma cobrança por token, portanto, o custo de uma conversa é variável e não tem teto: quanto mais longa ou mais difícil ela for, mais chamadas, mais tokens, mais conta. E a verificação que tornaria o agente confiável é justamente o que mais multiplicaria essa conta. O custo cresce com o sucesso, com a duração da conversa e com o próprio rigor de que você precisa.

Há ainda um agravante. Parte das oportunidades não é sequer viável, algo que um bom vendedor percebe de imediato. Ampliar o topo do funil só compensa se o custo por conversa for baixo. Caso contrário, você paga em tokens para qualificar um lead que o vendedor descartaria de qualquer forma.

O problema real, então, nunca foi "responder mensagens no WhatsApp". Era desacoplar a capacidade do funil do tamanho do time, sem deixar o custo crescer junto com o volume. É um problema de arquitetura, não de chatbot.

02 — A solução

Um processo ativo, não uma caixa de entrada

O assistente que construímos é ativo, não reativo. A cada cinco minutos ele varre a base do cliente, identifica uma oportunidade nova assim que ela aparece, enriquece os dados a partir do CRM e de fontes externas (sem repetir o que já sabe), inicia a conversa no WhatsApp, qualifica o lead, monta a cotação e entrega ao time comercial pronto para fechar.

O percurso é sempre o mesmo: oportunidade, enriquecimento, conversa, cotação e handoff. E a conversa começa pelo assistente, não pelo cliente. Não é uma caixa de entrada esperando mensagem; é um processo que parte para o contato.

Toda decisão técnica respondeu a uma de cinco restrições de projeto:

  • Escala: capacidade e custo que não crescem com o volume.
  • Atrito mínimo: coletar tudo o que é preciso sem fazer uma pergunta a mais.
  • Latência baixa: resposta em segundos, porque uma conversa que trava perde o cliente.
  • Controle de alucinação: nunca inventar placa, CPF ou endereço.
  • Regras de negócio: fluxos distintos para pessoa física e jurídica, entre outras regras cumpridas à risca.

As três primeiras são as que o cliente e a operação sentem de forma mais direta. É nelas que os resultados aparecem.

03 — Escala

Capacidade e custo que não crescem com o volume

Esta é a parte que resolve o problema de verdade, e ela tem dois eixos.

Capacidade. O nosso assistente está sempre ligado. Ele busca novas oportunidades a cada cinco minutos e opera 24 horas por dia, então a capacidade do funil deixa de depender de quantas pessoas estão escaladas ou do horário em que o lead chega. A orquestração que montamos (leitura do CRM, enriquecimento, envio no WhatsApp, o laço de qualificação e verificação, e o handoff) roda exatamente igual para dez ou para dez mil conversas. Aumentar o volume não exige aumentar o time.

Custo. Aqui está a decisão de arquitetura central, e é ela que vira o jogo. O custo da operação é fixo: garantido pela forma como o sistema foi construído, não por um contrato de fornecedor, e não cresce com o volume. Os multiplicadores que fariam uma conta por token explodir simplesmente não pesam aqui. Verificar cada mensagem quantas vezes for necessário, conversas longas, idas e vindas, reativações: nada disso acrescenta um centavo por chamada. O rigor que torna o agente confiável deixa de ser uma despesa recorrente e passa a ser parte do custo fixo.

O efeito aparece já em volumes modestos. Acima de cerca de 2.000 conversas por mês, esse custo fixo já fica abaixo de qualquer API cobrada por token sem cache de prompt. Mesmo no cenário mais favorável às APIs, com cache total, o ponto de virada fica em torno de 11.000 conversas por mês. Passado esse ponto, a próxima conversa praticamente não adiciona custo.

A 10.000 conversas por mês, por exemplo, uma API por token nessa profundidade de conversa custaria entre US1,4mileUS 1,4 mil e US 14 mil por mês (de US0,14aUS 0,14 a US 1,39 por conversa), e essa conta subiria com o volume. A nossa arquitetura não se move. Um canal de aquisição deveria ficar mais barato por conversa à medida que escala, e o nosso fica.

04 — Atrito mínimo

Uma conversa, não um formulário

A parte difícil de qualificar é coletar tudo o que se precisa sem que o cliente sinta que está sendo interrogado. O assistente segue um roteiro de qualificação bem definido, mas conduz esse roteiro como uma conversa, e não como um questionário. A ordem em que as informações aparecem é garantida; a forma de obtê-las continua natural.

Na prática, ele reordena e pula o que o cliente já disse, aceita áudio (o cliente fala como quiser), volta atrás quando a conversa pede e nunca repete uma pergunta já respondida. Em vez de perguntar do zero, ele confirma o que já deduziu:

  • Quilometragem alta nos dados leva a confirmar "você dirige por aplicativo?", sem perguntar a KM.
  • Endereço já enriquecido leva a confirmar o CEP, em vez de pedir de novo.

O resultado é menos perguntas e menos fricção, sem abrir mão da precisão. A conversa não tem cara de formulário.

05 — Velocidade

Respostas em segundos, mesmo verificando cada mensagem

O assistente não apenas responde. Ele verifica cada mensagem antes de enviar. Uma camada determinística confere os dados críticos na fonte, e um segundo modelo, atuando como juiz, revisa tom, regras de negócio e casos de borda. Essa verificação não é zelo excessivo: é o que impede o agente de derivar com o tempo (o chamado drift) e o que garante o cumprimento das regras de negócio a cada mensagem. Por isso o sistema passa mais tempo conferindo do que respondendo, cerca de 8 segundos verificando para cada 3 segundos raciocinando.

Ainda assim, a espera típica é de 14 segundos, no ritmo de um chat comum, e 95% das respostas nunca passaram de um minuto, mesmo nos picos. A maioria dos assistentes é rápida porque não confere nada. Este confere mais do que responde e continua rápido.

06 — Confiabilidade

O dado crítico é verificado, nunca inventado

Em seguros, um dado errado não é um detalhe. O assistente nunca afirma placa, CPF ou endereço a partir do modelo. Esses campos são verificados na fonte antes de entrar na conversa. O controle de alucinação não vem de pedir ao modelo que "tome cuidado"; vem de tirar do modelo a decisão sobre o dado crítico.

07 — Resultados em produção

Números medidos desde maio de 2026

Operação 24/7, sem nenhuma supervisão manual.

18% de conversão em cotação. Quase 1 em cada 5 conversas termina em cotação pronta e handoff para o time. E vale lembrar: essas conversas são iniciadas pelo assistente, não recebidas. É topo de funil que antes ficava parado, convertido sem nenhuma pessoa envolvida.

14 segundos de espera típica. Ritmo de chat comum, e isso enquanto cada mensagem passa por verificação na fonte e pelo juiz. 95% das respostas nunca passaram de um minuto, mesmo nos picos.

Leads recuperados do silêncio. Dos leads que esfriaram, 9,6% voltam à conversa depois de um follow-up. E quase 1 em cada 5 follow-ups (18,7%) reengaja o cliente. São vendas recuperadas sem ninguém perseguindo o lead manualmente.

100% das mensagens verificadas e corrigidas antes do envio. Cada resposta é avaliada pelo juiz antes de sair. A nota média bruta de adequação é de 67,7%, mas esse número mede o rigor do juiz, e não o que chega ao cliente: o juiz é deliberadamente exigente, e toda mensagem que não passa é corrigida antes do envio. O cliente recebe sempre a versão já ajustada.

08 — IA vs. humano

A mesma tarefa, com uma taxa de sucesso maior

Entre 19 e 26 de junho de 2026, o cliente rodou uma comparação direta dentro da própria operação: 31 concessionárias atendidas pelo nosso assistente e todo o restante da base atendido pelo time humano, no mesmo período e com exatamente o mesmo trabalho de topo de funil (oportunidade, contato, qualificação e cotação). Não é IA contra um benchmark de fora: é a mesma etapa do funil, na mesma casa, feita das duas formas ao mesmo tempo. Fazendo a mesma tarefa, o assistente converteu mais em cada etapa que importa.

Contatou mais. O assistente enviou a primeira mensagem em 89% das oportunidades, contra 74% do time humano. Nenhuma oportunidade fica parada esperando alguém ter tempo de puxar a conversa.

Respondeu mais. 32% de todas as oportunidades responderam ao assistente, contra 29% no atendimento humano. E vale o detalhe: o assistente inicia a conversa, não a recebe. Mesmo assim, arranca resposta de uma fatia maior da base, porque contata mais gente e contata na hora.

Cotou mais. 12% de todas as oportunidades chegaram a uma cotação pronta com o assistente, contra 10% no time humano. Olhando só os leads já qualificados e passados adiante, o contraste fica maior ainda: 86% viraram cotação com o assistente, contra 35% no fluxo humano. O assistente é mais seletivo no que qualifica e, quando entrega um lead, ele chega muito mais perto de fechar.

A leitura é direta: na mesma janela, na mesma operação e na mesma tarefa, o assistente respondeu mais e cotou mais que a pessoa. Não é a IA no lugar do vendedor; é a mesma etapa do funil feita com uma taxa de conversão mais alta, sem depender de horário nem da capacidade do time.

09 — Por que funciona

A engenharia está na camada em torno do modelo

Nada disso vem do modelo sozinho. A estrutura de coleta, as checagens determinísticas na fonte, o juiz que valida e corrige cada resposta e a orquestração que conecta CRM, enriquecimento, WhatsApp e handoff: é essa camada que torna um LLM confiável o suficiente para colocar na linha de receita. O modelo é o componente fácil. A engenharia é tudo o que o cerca.

O assistente transforma oportunidades em leads cotados por conta própria, conduz uma conversa de baixo atrito, responde em segundos enquanto verifica e corrige cada mensagem, recupera leads que esfriariam e roda a um custo que cai por conversa à medida que o volume cresce. O trabalho está na camada em torno do modelo, e é o que torna uma IA confiável o suficiente para colocar na linha de receita. É esse tipo de sistema que a Pumpkin constrói: IA em produção, na linha de receita, com a engenharia que a torna confiável.

Quer avaliar um caso parecido na sua operação?

IA em produção, na linha de receita, com a engenharia que a torna confiável.