Um provedor de internet com 60 mil tickets por mês e R$43 mil de investimento mensal em tráfego pago — sem nenhuma atribuição de vendas. Em 90 dias, reduzimos o CPL em 30%, aumentamos a conversão em 43%, e identificamos uma economia mensal entre R$200 mil e R$300 mil. Esta é a história sem filtro.
O cenário: muito volume, zero visibilidade
O cliente é um ISP (provedor de internet) de grande porte no Brasil, com operação de atendimento que processa mais de 60 mil tickets por mês via WhatsApp. O time comercial investe R$43 mil mensais em Meta Ads com campanhas CTWA (Click-to-WhatsApp) para aquisição de novos assinantes.
O problema não era falta de leads. Era falta de tudo que vem depois.
Quando analisamos a operação pela primeira vez, encontramos o cenário clássico — e alarmante:
- Zero atribuição: nenhuma venda era rastreada de volta à campanha que gerou o lead. O time de marketing sabia quantos cliques cada anúncio gerava, mas não quantas vendas.
- TMR acima de 8 minutos: leads de tráfego pago — que custavam R$40+ cada — esperavam em média 8 minutos na fila antes do primeiro contato humano.
- Qualificação manual: operadores gastavam os primeiros 3-4 minutos de cada conversa fazendo perguntas básicas (endereço, tipo de plano desejado) que poderiam ser automatizadas.
- Campanhas cegas: como não havia dados de conversão por campanha, o time de mídia otimizava por CTR. Campanhas com CTR alto mas conversão baixa recebiam mais orçamento. Campanhas com CTR moderado mas boa conversão eram cortadas.
O investimento de R$43 mil/mês em mídia existia em um vácuo de dados. Era gasto, não investimento — porque investimento pressupõe mensuração de retorno.
Fase 1: fechar o loop de atribuição (Semanas 1-3)
A primeira intervenção não foi IA, não foi automação, não foi otimização de anúncio. Foi instrumentação.
Configuramos a extração de parâmetros CTWA em cada conversa iniciada por anúncio. Quando um lead clicava em uma campanha e chegava no WhatsApp, o sistema automaticamente capturava: campaign_id, adset_id, ad_id, e o referral body do anúncio. Esses dados ficavam vinculados à conversa e acompanhavam o lead até o fechamento (ou perda).
Em paralelo, implementamos o Conversion API (CAPI) do Meta. Cada venda fechada no WhatsApp disparava um evento de conversão de volta para o Meta, com valor e campaign_id associados.
O resultado nas primeiras semanas foi revelador — não pela otimização, mas pela visibilidade. Pela primeira vez, o time de marketing podia ver: "a campanha X gerou 200 leads e 34 vendas. A campanha Y gerou 350 leads e 12 vendas." Campanha Y tinha mais cliques, mais leads, CTR melhor. Campanha X convertia 3 vezes mais.
A realocação de orçamento foi imediata e óbvia. Sem mudar nada na operação de atendimento, só com a informação certa, o CPL de leads que efetivamente convertiam caiu nos primeiros 30 dias.
Fase 2: IA de qualificação geográfica (Semanas 3-6)
O ISP tem cobertura em áreas específicas. Cerca de 25% dos leads de tráfego pago chegavam de regiões sem cobertura — gente que clicava no anúncio, iniciava conversa, ocupava operador, e só depois de 5 minutos descobria que o serviço não estava disponível na sua região.
Implementamos IA de qualificação nos primeiros 15 segundos da conversa. O fluxo era direto:
- Lead chega pelo anúncio → IA responde em menos de 5 segundos
- IA pergunta o endereço (CEP ou bairro)
- Sistema verifica cobertura em tempo real
- Se coberto: IA qualifica interesse (plano, velocidade) e transfere para operador com contexto completo
- Se não coberto: IA informa com empatia, oferece cadastro para quando a cobertura chegar, e encerra
O impacto foi duplo: leads sem cobertura pararam de consumir tempo de operador (economia direta), e leads com cobertura passaram a chegar ao operador já qualificados (economia indireta + aumento de conversão).
O TMR para leads qualificados caiu de 8 minutos para menos de 30 segundos no primeiro contato (IA) e menos de 2 minutos para o handoff humano. A queda de 8 minutos para menos de 2 minutos, para leads de tráfego pago que custam R$40 cada, é a diferença entre converter e perder.
Fase 3: Mentor para o time comercial (Semanas 6-12)
Com atribuição funcionando e qualificação automatizada, o gargalo migrou para onde sempre esteve: o atendimento humano.
Operadores tinham performance muito desigual. Os melhores convertiam 28% dos leads qualificados. A média ficava em 14%. Os piores, abaixo de 8%. Mesmos leads, mesmas campanhas, mesma fila — resultado radicalmente diferente.
Implementamos o Mentor: uma IA de coaching em tempo real que acompanha a conversa do operador e sugere abordagens. Não é um script rígido — é um copiloto que detecta sinais na conversa (objeções, hesitação, comparação com concorrente) e sugere ao operador a melhor próxima ação.
Dados da indústria indicam que times com AI coaching atingem taxas de conversão até 80% superiores em relação a times sem suporte. No caso desse ISP, a taxa média de conversão subiu de 14% para 20% em 60 dias — um aumento de 43%. Os operadores que mais se beneficiaram foram justamente os de performance mediana, que tinham o conhecimento técnico mas faltava a sensibilidade comercial que o Mentor complementou.
Os números consolidados em 90 dias
Após 90 dias de operação com as três fases implementadas:
| Métrica | Antes | Depois | Variação |
|---|---|---|---|
| CPL (lead qualificado) | R$43 | R$30 | -30% |
| TMR (primeiro contato) | 8 min | <30s (IA) + <2 min (humano) | -97% |
| Taxa de conversão | 14% | 20% | +43% |
| Leads sem cobertura atendidos por humano | 25% do total | <2% | -92% |
| Atribuição campanha→venda | 0% | 100% | — |
A economia mensal estimada, somando redução de CPL, eliminação de atendimento desperdiçado em leads sem cobertura, e aumento de conversão sobre a mesma base de leads, ficou entre R$200 mil e R$300 mil.
O número mais impactante não está na tabela: é o fato de que, pela primeira vez em anos de operação, o diretor comercial sabia exatamente quais campanhas geravam vendas e quais geravam vaidade.
O que não funcionou (e o que aprendemos)
Transparência obriga: nem tudo foi linear.
Na primeira semana do Mentor, dois operadores seniores resistiram abertamente. Sentiam que a IA estava "vigiando" seu trabalho. A solução foi reposicionar: o Mentor não avalia o operador, ele enriquece a conversa. Quando os operadores viram que as sugestões eram boas e que suas métricas melhoravam, a resistência cedeu. Um deles se tornou o maior defensor interno da ferramenta.
A IA de qualificação geográfica teve falso-positivos nas primeiras duas semanas — bairros com nomes ambíguos que existem em mais de uma cidade. Refinamos a base de cobertura e adicionamos confirmação por CEP. Parece trivial, mas um lead descartado por erro de geolocalização é um lead pago que você jogou fora.
O CAPI teve desafios de deduplificação: o mesmo evento de venda sendo enviado duas vezes inflava os números no Meta Ads. Implementamos idempotência por transaction_id — cada venda tem um identificador único, e o CAPI ignora duplicatas.
O que fazer amanhã
- Audite sua atribuição atual. Se você investe em CTWA e não sabe quantas vendas cada campanha gera, comece por aí. A visibilidade sozinha já muda a alocação de orçamento.
- Meça quanto custa cada lead sem cobertura ou sem perfil. Multiplique pelo número de leads desqualificados por mês. Esse é o budget de IA de qualificação que se paga sozinho.
- Compare conversão entre seus operadores. Se a variação entre o melhor e o pior é maior que 2x, treinamento sozinho não resolve — você precisa de coaching em tempo real.
- Implemente resposta automática em menos de 30 segundos. Para leads de tráfego pago, cada segundo conta. A IA não substitui o humano — ela compra tempo para o humano chegar preparado.
- Defina um baseline antes de mudar qualquer coisa. O erro mais comum é implementar tudo junto e não saber o que causou o resultado. Instrumente primeiro, otimize depois.