O agente de IA precisa enviar e-mails. Não apenas encaminhá-los, não resumi-los — realmente compor e enviá-los com base no contexto. Um cliente envia um e-mail sobre um pedido atrasado? O agente deve verificar o status do pedido, redigir uma resposta apropriada e enviá-la (ou colocá-la na fila para minha aprovação).
Construir isso me levou três iterações. A primeira foi constrangedoramente ruim. A segunda foi funcional, mas estranha. A terceira é a que realmente uso.
Iteração 1: O Bot de E-mail Superconfiante
Minha primeira tentativa deu ao agente pleno acesso ao e-mail com instruções simples: “Monitore a caixa de entrada, responda aos e-mails dos clientes com base no contexto.” Funcionalmente, funcionou — leu e-mails, gerou respostas e as enviou.
O problema: enviou uma resposta a uma reclamação de cliente irritado que começava com “Entendo sua frustração.” A cliente não estava frustrada — ela estava levemente irritada com uma pequena discrepância na cobrança. O agente transformou uma questão menor em uma resposta emocional que realmente deixou a cliente frustrada.
Lição: Agentes de IA são ruins em ler o tom emocional em e-mails. Eles defaultam para a interpretação mais dramática e respondem de acordo.
Iteração 2: O Bot de E-mail Excessivamente Cauteloso
Após o primeiro desastre, eu me movi longe demais na outra direção. O agente redigia e-mails, mas nunca os enviava — tudo ia para uma fila de aprovação. Eu precisei revisar e aprovar todas as respostas.
Isso gerou mais trabalho do que fazer manualmente. Em vez de ler o e-mail e escrever uma resposta, eu estava lendo o e-mail, lendo o rascunho do agente, decidindo se o rascunho era apropriado, editando-o 60% das vezes e, então, aprovando-o. O que deveria ser uma economia de tempo tornou-se um passo extra.
Lição: Uma fila de aprovação para cada e-mail derrota o propósito. Você precisa de automação seletiva.
Iteração 3: O Que Realmente Funciona
O sistema atual categoriza os e-mails recebidos e lida com cada categoria de maneira diferente:
Categoria A: Rotineiro e seguro (resposta automática). Confirmações de reuniões, reconhecimentos de recebimento, solicitações de informações simples com respostas claras. O agente responde automaticamente. Essas representam cerca de 40% dos e-mails recebidos e são quase impossíveis de errar.
Categoria B: Padrão, mas sutil (rascunho + aprovação). Perguntas de clientes que exigem verificação de dados, solicitações de acompanhamento, consultas moderadamente complexas. O agente redige uma resposta, anexa o contexto relevante (status do pedido, detalhes da conta) e a coloca na minha fila de aprovação. Eu reviso e envio com um clique. Geralmente, não são necessárias edições. Cerca de 45% dos e-mails.
Categoria C: Sensível (apenas sinalizar). Reclamações, menções legais, disputas financeiras, qualquer coisa de um contato importante. O agente sinaliza essas para minha atenção pessoal e não redige uma resposta. Cerca de 15% dos e-mails.
O Sistema de Classificação
A categorização é baseada em um conjunto de regras nas instruções do agente:
– Contém palavras como “cancelar,” “reembolso,” “advogado,” “decepcionado” → Categoria C
– De uma lista de contatos VIP → Categoria C
– Pergunta simples com uma resposta factual → Categoria A
– Tudo o mais → Categoria B
Essa abordagem baseada em regras é mais confiável do que pedir à IA para “decidir quão importante é este e-mail.” O julgamento da IA sobre a importância dos e-mails é inconsistente. Regras simples são previsíveis e depuráveis.
A Abordagem de Modelos de E-mail
Para respostas automáticas da Categoria A, não deixo o agente escrever de forma livre. Em vez disso, forneço modelos de resposta com variáveis:
“Confirmação de reunião: Olá [nome], confirmado para [data] às [hora]. Vejo você então.”
O agente preenche as variáveis com base no contexto do e-mail. Isso elimina o risco de o agente dizer algo inesperado nas respostas automáticas. Chato? Sim. Confiável? Completamente.
Para os rascunhos da Categoria B, o agente tem mais liberdade, mas segue diretrizes estruturais: reconhecer a pergunta, fornecer as informações relevantes, oferecer próximos passos, fechar profissionalmente. Os rascunhos são consistentemente bons porque a estrutura é restringida, mesmo quando o conteúdo varia.
O Que Aprendi Sobre IA e E-mail
A IA é boa em: Extrair informações de e-mails (datas, nomes, solicitações), procurar dados relevantes (status do pedido, histórico da conta) e gerar respostas estruturalmente sólidas.
A IA é ruim em: Ler sutilezas emocionais, entender relacionamentos e políticas, saber quando incluir alguém em cópia e decidir o nível correto de formalidade para um determinado destinatário.
A divisão ideal: Deixe a IA lidar com o processamento de informações (sobre o que é este e-mail? quais dados são relevantes?) e a redação (escreva uma resposta com esses fatos). Mantenha o humano envolvido para o tom, julgamento e decisões de enviar/não enviar sobre qualquer coisa além da correspondência rotineira.
Os Números
Antes do agente de e-mail: eu passava cerca de 90 minutos por dia no e-mail.
Depois do agente de e-mail: cerca de 35 minutos por dia.
A economia de 55 minutos vem de: respostas automáticas lidando com e-mails rotineiros (20 minutos economizados), processamento mais rápido na revisão de rascunhos em comparação com a redação do zero (25 minutos economizados) e pré-carregamento de contexto para que eu não precise procurar as informações manualmente (10 minutos economizados).
Isso representa 4,5 horas por semana recuperadas. Por $0,20/dia em custos de API, é uma das automações com maior ROI que já construí.
🕒 Published: