Como a Mecanizou está construindo um agente de vendas para o mercado de autopeças com IA generativa usando Amazon Bedrock

Por Daniel Abib, arquiteto especialista sênior de soluções na AWS; e Vagner Filho, arquiteto de soluções para Startups na AWS.

A Mecanizou é uma startup brasileira, fundada em São Paulo em 2021, que desenvolve tecnologia para digitalizar a cadeia de reposição de autopeças, conectando oficinas mecânicas, distribuidores e fabricantes. Hoje é o maior canal digital B2B (business-to-business) de distribuição de peças do mercado aftermarket no Brasil.

A empresa nasceu após os cofundadores Ian Faria (CEO) e André Simões (CPO), que já haviam trabalhado juntos nos primórdios da ClickBus, visitarem mais de 70 oficinas para entender a rotina e as dores de um dos elos menos digitalizados da cadeia automotiva: o mecânico. Ian traz na bagagem a criação da ClickBus e passagens por Kavak e iVoy, experiência que o levou a apostar na digitalização da chamada “economia real”.

O setor é enorme e pulverizado: estima-se que, só no Brasil, o segmento de reposição reúna cerca de 200 milhões de códigos de produtos, mais de 120 mil oficinas mecânicas e 40 mil fornecedores, segundo a Mecanizou. Nesse mercado, a empresa construiu uma inteligência de catálogo própria, capaz de identificar exatamente quais peças se aplicam a cada veículo, combinada a um pipeline que processa cerca de 100.000 ofertas por hora, atualizando disponibilidade de estoque e preço em tempo real. Hoje, a plataforma reúne mais de 1 milhão de itens disponíveis, mais de 150 fornecedores conectados e mais de 350 catálogos de fábricas, com operação em São Paulo e Minas Gerais. A entrega vai da cotação à última milha, a peça pode chegar à oficina em torno de uma hora.

Sobre essa camada de dados, a Mecanizou construiu uma infraestrutura que cobre descoberta, cotação, transação, logística, pagamentos e crédito embarcados.

Boa parte da demanda, porém, ainda chega pelo WhatsApp, canal natural para o cliente, mas caro e complexo de escalar manualmente. Foi a partir desse desafio que nasceu o AI.rton, agente de inteligência artificial generativa da Mecanizou construído sobre o Amazon Bedrock.

A cotação foi o primeiro problema escolhido pela empresa. Mas a visão da Mecanizou é mais ampla: transformar o AI.rton em um agente de vendas especializado no aftermarket automotivo, capaz de entender cada cliente e acompanhá-lo ao longo de toda sua jornada desde a intenção de compra à cotação, transação, entrega, pós-venda, crédito e até a recompra.

O desafio: dar escala ao atendimento sem inchar equipe e perder contexto comercial

Atualmente, aproximadamente 75% das compras realizadas na Mecanizou já acontecem de maneira autônoma pela plataforma. Mas uma parcela relevante ainda segue um comportamento histórico do aftermarket brasileiro: o mecânico envia pelo WhatsApp a peça de que precisa e espera alguém interpretar o pedido e montar uma cotação.

No mercado automotivo brasileiro, comprar uma peça ainda é uma tarefa historicamente manual, pulverizada e dependente de conhecimento técnico. O mecânico da esquina e o comprador de uma grande rede frequentemente compartilham o mesmo canal preferido, o WhatsApp, e um fluxo semelhante: descrevem a peça, informam o veículo e aguardam um vendedor montar a cotação.

E cotar uma autopeça não é trivial. O atendente precisa identificar corretamente o veículo e interpretar pedidos que podem chegar por texto, áudio ou imagem. Também precisa compreender nomes regionais, abreviações e ambiguidades técnicas: dianteira ou traseira, lado esquerdo ou direito, disco ou tambor, entre outras.

Com muitas solicitações chegando ao mesmo tempo, escalar esse atendimento tradicionalmente significaria multiplicar o número de pessoas na operação.

“É muita gente pedindo cotação ao mesmo tempo, para um time que a gente quer manter enxuto. Isso não escalaria se não fosse inteligência artificial. Foi para isso que a gente construiu o AI.rton”, explica Giovanni Giannichi, CTO da Mecanizou.

Mas produtividade é apenas parte do problema.

A Mecanizou acredita que o próximo salto de eficiência do setor acontecerá quando sistemas forem capazes não apenas de responder solicitações, mas de compreender continuamente o contexto comercial de cada cliente.

Isso significa aprender quais peças e marcas ele costuma comprar, quais cotações se transformaram em pedidos, quais não converteram, quais fatores influenciaram cada decisão, quando aconteceu sua última compra e como preço, disponibilidade, prazo, crédito e experiência logística influenciam seu comportamento.

“O mercado automotivo ainda é muito baseado em manualidade. A cotação é o primeiro problema que escolhemos resolver, mas não é onde o AI.rton termina. Nossa visão é que ele se torne o agente de vendas da MecanizSou e passe a cuidar do relacionamento e do LTV (Lifetime Value) de cada cliente ao longo de toda a jornada”, afirma Ian Faria, fundador e CEO da Mecanizou.

A solução: o AI.rton, de agente de cotação a agente de vendas

O AI.rton vive dentro do WhatsApp e conduz de forma autônoma uma parte crescente da jornada de compra de autopeças. Toda a solução foi construída sobre o Amazon Bedrock e roda em produção.

Hoje, seu primeiro grande caso de uso é a cotação. O fluxo de uma conversa funciona assim:

• Identificação do veículo. O cliente informa a placa, e o AI.rton aciona a ferramenta própria de identificação de veículos da Mecanizou, reconhecendo modelo, versão e as peças aplicáveis.
• Interpretação e desambiguação da peça. Quando o pedido é ambíguo, o agente faz as perguntas necessárias para garantir a aplicação correta. Ele também consegue interpretar diferentes formas de se referir à mesma peça.
• Montagem da cotação. Com veículo e peças confirmados, o AI.rton cruza catálogo, disponibilidade e preço e monta a cotação, devolvendo ao cliente o caminho para revisar os itens e avançar para a compra.
• Entrada multimodal. Muitos clientes enviam áudio ou imagem em vez de texto. O AI.rton utiliza o Amazon Transcribe para transformar os áudios enviados pelo WhatsApp em entradas para o modelo, além de processar imagens e texto.
• Rastreio e encaminhamento. O agente também consegue consultar pedidos recentes, responder solicitações sobre rastreamento e encaminhar para um humano situações que ainda estejam fora de seu escopo, carregando o contexto da conversa.

O AI.rton chega a lidar com casos complexos de forma autônoma. “A gente teve um cliente que mandou de uma vez só 20 itens, texto sujo, tudo junto. O AI.rton identificou o veículo pela placa, isolou as peças, montou a cotação com o que já era possível e depois voltou para desambiguar o item que faltava”, conta Giovanni.

As conversas não são interações simples de pergunta e resposta. Hoje, elas têm em média cinco a seis interações multitemáticas por conversa, exigindo que o agente preserve contexto ao longo da jornada.

Mas essa arquitetura também cria a fundação para a próxima etapa.

Cada interação passa a ser um sinal que pode ajudar a Mecanizou a compreender melhor o comportamento daquele cliente: o que ele procurou, o que comprou, o que não comprou, quando retornou, quais alternativas foram apresentadas e quais elementos contribuíram ou não para uma conversão. Não somente olhando para o canal WhatsApp, mas também para as buscas feitas por esse cliente via marketplace.

Assim, o AI.rton começa a evoluir de um agente que responde à intenção de compra para um agente capaz de entender e desenvolver o relacionamento comercial ao longo do tempo.

Arquitetura da solução

A arquitetura do AI.rton na AWS foi desenhada para ser Serverless, orientada a eventos e desacoplada.

Tudo começa quando a mensagem chega pelo WhatsApp, integrado à plataforma via Twilio. A partir daí, o processamento é acionado em AWS Lambda, que executa a lógica sob demanda sem servidores para gerenciar, enquanto o Amazon DynamoDB mantém o estado de cada conversa, requisito essencial em um canal no qual o cliente envia informações de forma incremental. Amazon SQS e Amazon SNS ajudam a desacoplar os diferentes componentes e absorver picos de demanda.

Com a mensagem em processamento, entra em cena o cérebro conversacional da solução: o Amazon Bedrock Agents (*em descontinuidade). Por meio de Action Groups, o agente aciona ferramentas e APIs proprietárias da Mecanizou, incluindo identificação de veículo, matching de peças, cotação e consulta de pedidos.

O acesso aos modelos de linguagem é gerenciado pelo Amazon Bedrock. Atualmente, a Mecanizou utiliza em produção o Claude Haiku, da Anthropic. A empresa havia iniciado o desenvolvimento utilizando Claude Sonnet e posteriormente migrou para Haiku ao constatar que, para seu contexto, o modelo mantinha a qualidade necessária com menor custo e melhor desempenho. A mudança pôde ser feita sem uma refatoração relevante da aplicação. Depois da migração, a latência média por turno caiu em torno de 10%, ficando atualmente em torno de 8 segundos.

Para manter o agente dentro de seu escopo, Amazon Bedrock Guardrails é aplicado em 100% dos turnos, combinado a gates determinísticos antes de determinadas ações. A solução também utiliza mecanismos de idempotência para evitar processamento duplicado, tendo eliminado duplicatas no fluxo atual. A taxa de sucesso dos turnos está acima de 99%.

Uma vez compreendida a necessidade do cliente, o agente entrega o pedido ao serviço proprietário de cotação da Mecanizou. É nesse ponto que a IA conversacional encontra a infraestrutura de negócio construída pela empresa: catálogo, matching veículo-peça, preço, disponibilidade e demais serviços transacionais.

O AI.rton foi construído sobre uma arquitetura AWS já utilizada pela Mecanizou em mais de 50 microserviços, permitindo que o agente passe gradualmente a consumir outras capacidades da plataforma.

A infraestrutura é gerenciada como código com o Serverless Framework e o Pulumi, sem configuração manual pelo console, dando reprodutibilidade e agilidade para evoluir a solução.

Para garantir que cada evolução não provoque regressões de qualidade, a equipe mantém um golden set de avaliação contínua. Mudanças precisam superar um gate de 85% de qualidade, enquanto o desempenho atual está em aproximadamente 93%. Além disso, um pipeline automatizado de feedback analisa o comportamento do agente, identifica oportunidades de melhoria e leva os ajustes para validação humana antes da entrada em produção, fechando um ciclo contínuo de aprendizado monitorado por telemetria.

Figura 1 – Arquitetura da Solução

A inteligência de mercado por trás do AI.rton

O AI.rton é a camada que interpreta a necessidade do cliente, mas seu diferencial está também no ativo tecnológico ao qual ele está conectado.

Ao longo dos últimos anos, a Mecanizou construiu uma inteligência proprietária de catálogo e matching veículo-peça. Essa infraestrutura trabalha hoje com mais de 750 mil códigos normalizados de mais de 300 fabricantes, catálogos de mais de 150 fornecedores e mais de 1 milhão de ofertas disponíveis em tempo real. Crawlers capturam catálogos de múltiplas fontes e alimentam um pipeline de dados que processa e cruza cada peça com a base de veículos da empresa, determinando quais produtos se aplicam a cada veículo e versão.

Os dados são consolidados no Amazon Redshift e, para garantir a baixa latência necessária em uma experiência conversacional, uma camada específica popula o Amazon OpenSearch Service, responsável pelo buscador em tempo real.

“A latência é fundamental no WhatsApp. Se a busca fosse direto no Redshift, teríamos alguns segundos de espera e uma experiência ruim. Trazer isso para o OpenSearch nos deu a velocidade que o AI.rton precisa”, explica Giovanni.

Antes do Amazon Bedrock, a Mecanizou combinava diferentes provedores para sua camada de inteligência artificial. “A gente usava um pouco de OpenAI, um pouco de Vertex, um pouco do assistente da Twilio. Matamos tudo isso e trouxemos para dentro do Amazon Bedrock. Hoje está 100% rodando na AWS”, conta Giovanni. A escolha do Amazon Bedrock também deu à equipe liberdade para experimentar diferentes modelos sem precisar reconstruir a aplicação, como ocorreu na migração de Sonnet para Haiku.

De inteligência conversacional a inteligência comercial

A próxima evolução do AI.rton parte de uma premissa: uma venda não termina no checkout e um relacionamento comercial não começa em uma nova cotação.

Cada interação do cliente produz contexto. Uma cotação que não virou venda é um sinal. Uma preferência recorrente por determinada marca é outro. O tempo entre compras, a sensibilidade ao preço, a escolha entre prazo e disponibilidade, uma entrega atrasada, uma devolução e uma nova avaliação de crédito também ajudam a compreender o comportamento daquele cliente.

A visão da Mecanizou é conectar aos poucos esses sinais ao AI.rton. Isso permitirá que o agente deixe de ser apenas reativo e passe a atuar de maneira mais proativa ao longo do ciclo de vida.

• Em vendas, poderá compreender histórico de cotações, compras, marcas, peças e comportamento de conversão.
• Em operações, será capaz de conhecer o SLA prometido e realizado, acompanhar onde está uma peça e avisar proativamente um cliente sobre uma entrega ou eventual atraso.
• Em pós-venda, passará a conduzir processos de troca e devolução mantendo todo o contexto da compra.
• Em crédito e pagamentos, poderá incorporar informações sobre limite, novas avaliações e alternativas disponíveis para permitir que uma intenção de compra se transforme em transação.

E todas essas informações poderão alimentar novamente a próxima interação comercial. A jornada passa a formar um ciclo contínuo:

O AI.rton é a camada de inteligência que de forma contínua conecta esses momentos.

Um AI.rton para cada tipo de cliente

No longo prazo, a Mecanizou resume sua visão em uma ideia: um AI.rton para cada tipo de cliente.

Isso significa oferecer uma experiência em que o agente conheça ao longo do tempo o contexto, histórico e comportamento comercial daquele cliente e utilize esse conhecimento para melhorar cada nova interação.

“Queremos chegar ao ponto em que cada cliente tenha um AI.rton cuidando da sua relação com a Mecanizou. Não um agente de atendimento e sim um agente de vendas, que saiba o que ele compra, como compra, o que fez uma cotação virar pedido, o que fez uma venda ser perdida, como foi sua entrega e quando existe uma nova oportunidade. O objetivo é usar inteligência artificial não apenas para responder mais rápido, mas para construir uma relação melhor e aumentar o LTV desse cliente”, explica Ian.

Esse aprendizado também poderá acontecer em diferentes níveis. Além do contexto individual, o AI.rton terá condições de compreender comportamentos de clusters de clientes, tipos de oficinas, regiões, padrões de compra e particularidades locais, inclusive diferenças de vocabulário e da maneira como uma mesma peça é solicitada em diferentes mercados.

Isso se torna particularmente relevante à medida que a operação da Mecanizou se expande geograficamente. Em 2016, a empresa opera na Grande São Paulo e em Belo Horizonte, com plano de abrir outros 14 pontos de operação. A arquitetura foi desenhada para permitir que a experiência conversacional acompanhe essa expansão sem que o crescimento do volume exija crescimento proporcional da estrutura humana de atendimento.

Resultados

Com o AI.rton em produção sobre o Amazon Bedrock, a Mecanizou já observa resultados relevantes:

• Cerca de 1 mil conversas por dia, volume que cresceu cerca de 20% nas últimas duas semanas;
• Perto de 300 cotações geradas diariamente;
• Cerca de 37% do crescimento do volume de cotações da plataforma vindo do AI.rton;
• Conversas reais multi-turno, com média de cinco a seis interações por conversa;
• Mais de 99% de taxa de sucesso dos turnos;
• Latência média em torno de 8 segundos, em torno de 10% menor após a migração para Claude Haiku;
• Amazon Bedrock Guardrails aplicado em 100% dos turnos, combinado a gates determinísticos;
• Duplicatas eliminadas por meio de mecanismos de idempotência;
• Golden set com gate mínimo de 85%, atualmente operando em aproximadamente 93% de qualidade;
• Fluxo multimodal em produção, suportando texto, áudio e imagem;
• Pipeline contínuo de feedback e avaliação, com validação humana final antes de ajustes entrarem em produção.

“O AI.rton deixou de ser protótipo faz tempo. Ele já entende a conversa, identifica o veículo, monta a cotação e devolve para o cliente sozinho. Agora estamos construindo a próxima camada: fazer com que ele aprenda cada vez mais sobre a jornada e consiga atuar em outros momentos da relação com o cliente”, resume Giovanni.

Próximos passos: do agente de cotação ao agente de vendas

O roadmap do AI.rton está organizado em torno da expansão progressiva de sua atuação ao longo do ciclo de vida do cliente.

• Operações e rastreio proativo. O agente deverá compreender status da entrega, SLA e ocorrências logísticas para informar o cliente proativamente, reduzindo a necessidade de consultas manuais.
• Pós-venda. Devoluções e trocas poderão ser conduzidas de ponta a ponta pelo agente, utilizando as APIs e workflows já existentes na Mecanizou.
• Crédito e fechamento do pedido. A evolução inclui incorporar pagamentos e crédito embarcados à conversa, permitindo que uma parcela cada vez maior da jornada seja concluída sem sair do canal.
• Recomendação e kits. Além de responder ao item solicitado, o AI.rton passará a utilizar contexto técnico e comercial para recomendar o conjunto adequado de peças para determinado serviço.
• Inteligência de relacionamento e LTV. O agente deverá incorporar de forma contínua sinais de comportamento, histórico e conversão para melhorar a experiência e identificar oportunidades de recompra.
• Expansão nacional. A arquitetura deverá acompanhar a expansão da Mecanizou para novas regiões, absorvendo crescimento de volume e particularidades de cada mercado.
• rton como produto e infraestrutura. A dor de cotação, catálogo e atendimento encontrada pela Mecanizou não é exclusiva da empresa. Distribuidores, varejistas e outras plataformas do aftermarket enfrentam desafios semelhantes. A visão é transformar progressivamente o AI.rton em uma infraestrutura multi-tenant e plug-and-play, permitindo que outros participantes do ecossistema conectem inteligência conversacional à tecnologia de matching veículo-peça e aos demais serviços desenvolvidos pela Mecanizou.

Do ponto de vista de arquitetura e custo, a empresa também avalia junto à AWS otimizações que poderão acompanhar esse crescimento, incluindo prompt caching no Amazon Bedrock e Amazon Bedrock AgentCore.

“Construímos o AI.rton inicialmente para resolver um problema nosso: atender melhor e escalar cotação sem escalar pessoas na mesma proporção. Mas percebemos que estávamos construindo algo maior. A cotação é só a porta de entrada. Nossa visão é que o AI.rton seja o agente de vendas do aftermarket: uma inteligência capaz de entender o cliente, conectar toda a jornada e cuidar dessa relação ao longo do tempo. E, no futuro, essa mesma infraestrutura pode estar disponível para outros players do setor”, conclui Ian.

Conclusão

A experiência da Mecanizou mostra como a IA generativa pode ir além da automação de atendimento e se tornar uma camada de inteligência integrada aos sistemas transacionais de uma empresa.

Ao combinar Amazon Bedrock com sua infraestrutura proprietária de catálogo, matching veículo-peça, preço, disponibilidade, logística, pagamentos e crédito, a Mecanizou começou automatizando um dos processos mais complexos do aftermarket: transformar uma solicitação informal recebida pelo WhatsApp em uma cotação tecnicamente correta.

Os resultados iniciais, cerca de 1 mil conversas e 300 cotações por dia, com mais de 99% de sucesso nos turnos, mostram o potencial dessa arquitetura.

Mas a próxima etapa vai além de responder às solicitações. A Mecanizou está evoluindo o AI.rton para um agente de vendas especializado no aftermarket automotivo, capaz de utilizar contexto para acompanhar o cliente ao longo de sua jornada e conectar intenção, cotação, venda, entrega, pós-venda, crédito e recompra.

A ambição de longo prazo é simples de explicar: um AI.rton para cada cliente e, futuramente, uma infraestrutura de inteligência comercial disponível para todo o ecossistema automotivo.

Se sua empresa enfrenta desafios semelhantes na automação de atendimento e vendas em escala ou deseja explorar o potencial da IA generativa com o Amazon Bedrock, entre em contato com seu representante AWS ou visite o site do Amazon Bedrock para saber mais.

Autor

Daniel Abib é Arquiteto de Soluções Sênior e Especialista em Amazon Bedrock na AWS, com mais de 25 anos trabalhando com gerenciamento de projetos, arquiteturas de soluções escaláveis, desenvolvimento de sistemas e CI/CD, microsserviços, arquitetura Serverless & Containers e especialização em Machine Learning. Ele trabalha apoiando Startups, ajudando-os em sua jornada para a nuvem.