Parloa cria agentes com quem os clientes querem conversar

No início da Parloa, o cofundador Stefan Ostwald passou um dia em uma central de atendimento de uma seguradora, onde sua equipe desenvolvia as primeiras experiências de voz. Sentado ao lado dos atendentes, ele ouviu as mesmas conversas se repetirem: redefinições de senha, dúvidas sobre apólices e alterações de rotina. Ele percebeu que grande parte daquele trabalho poderia ser automatizada.

Após essa experiência, a Parloa⁠(abre em uma nova janela), sediada em Berlim, começou a criar agentes de voz baseados em regras para automatizar interações de alto volume com clientes.

Com o surgimento do ChatGPT, a empresa evoluiu e criou o que hoje é sua Plataforma de Gerenciamento de Agentes de IA (AMP), baseada em uma nova geração de modelos, incluindo o GPT‑5.4.

A AMP permite que empresas projetem, implantem e gerenciem interações de atendimento ao cliente em escala. Em vez de mapear intenções e fluxos rígidos, as equipes definem comportamentos em linguagem natural, conectam sistemas internos e fazem iterações rápidas com simulações e avaliações integradas.

A Parloa executa essas interações de ponta a ponta, cuidando desde o simples encaminhamento até solicitações complexas com várias etapas. O foco é a consistência em produção, onde desempenho, latência e casos extremos são essenciais. Para isso, a Parloa testa continuamente os modelos em cenários reais de clientes antes de implantá-los.

A Plataforma de Gerenciamento de Agentes (AMP) da Parloa foi projetada para que usuários empresariais e especialistas no assunto possam criar agentes de IA sem escrever código.

"Com a AMP, especialistas no assunto de diferentes unidades de negócios podem criar os agentes e conectar as APIs de maneira muito mais ágil e simples", afirma O’Reilly.

Em linhas gerais, a AMP permite que as marcas gerenciem todo o ciclo de vida do agente de IA. Para isso, ela oferece às equipes não técnicas uma forma mais simples de definir como um agente deve se comportar antes de entrar em operação. Em vez de escrever código ou mapear árvores rígidas de intenção, os especialistas definem em linguagem natural o papel, as instruções, as ferramentas e os limites do agente. Essa configuração serve de base para os prompts enviados ao modelo e para o comportamento do sistema em produção.

Depois de definido, o agente é testado antes da implantação. A Parloa simula conversas com clientes usando modelos como o GPT‑5.4: um modelo atua como a pessoa que liga e outro executa o agente configurado. As equipes podem inspecionar essas interações diretamente, testar mudanças em cenários realistas e fazer ajustes antes da entrada em operação.

Os mesmos modelos são usados para avaliar essas conversas por meio de uma combinação de verificações determinísticas e pontuação com LLM como juiz. Isso mostra se o agente seguiu as instruções, usou as ferramentas corretamente e concluiu a tarefa como esperado.

Durante uma conversa ao vivo, a camada de orquestração da AMP envia a um modelo da OpenAI um prompt com a configuração do agente e o contexto da conversa para gerar uma resposta, recuperar informações via RAG ou acionar ferramentas que interagem com os sistemas de backend do cliente. A Parloa atualiza continuamente essa camada com a geração mais recente de modelos à medida que eles demonstram ganhos claros de desempenho no mundo real.

Após a conversa, fluxos de trabalho separados, viabilizados pela OpenAI, resumem a interação, classificam a intenção do cliente e avaliam o desempenho com base em regras definidas.

À medida que os agentes ficaram mais complexos, tornou-se mais difícil manter um único prompt monolítico. Pequenas alterações poderiam gerar efeitos colaterais indesejados. Para resolver isso, a Parloa adotou uma abordagem modular. Tarefas como autenticação, alterações de reservas ou atualizações de contas podem ser separadas em subagentes distintos, o que melhora o cumprimento das instruções e facilita a evolução dos sistemas ao longo do tempo.

Ao mesmo tempo, a plataforma incorpora controles determinísticos nos pontos em que a confiabilidade é mais importante. As empresas podem definir cadeias estruturadas de APIs e lógica baseada em eventos para garantir que etapas críticas ocorram na ordem correta, equilibrando flexibilidade de conversa e execução previsível.

A Parloa usa modelos como GPT‑4.1, GPT‑5‑mini e outros para simular interações realistas com clientes antes que um agente entre em operação. Depois, avalia essas interações combinando LLM como juiz e regras determinísticas. Assim, as equipes podem testar casos extremos, fazer iterações rápidas e validar o desempenho antes de expor os clientes a falhas.

A Parloa trabalha principalmente com grandes empresas, para as quais a consistência é tão importante quanto a capacidade.

"Quando um novo modelo é lançado, executamos nosso conjunto de benchmarks nele", afirma Matthäus Deutsch, cientista aplicado sênior. "Para nós, é muito importante que as coisas funcionem não apenas em benchmarks teóricos, mas em casos reais de uso."

Em vez de depender de benchmarks abstratos, a Parloa replica agentes reais de produção e os submete a pipelines de simulação e avaliação. Esses testes medem a confiabilidade no cumprimento das instruções, a consistência das chamadas de API, a latência e o desempenho geral em condições realistas.

Essas avaliações determinam quais modelos estão prontos para produção. Somente os modelos que apresentam desempenho confiável em cenários reais de clientes são implantados.

"Clientes empresariais enfrentam um custo real de migração", afirma Deutsch. "Quando um sistema já funciona em produção, eles o mantêm estável e só fazem a troca quando os benefícios são claros."

Como resultado, os sistemas se comportam de maneira previsível em produção, mesmo em grande escala. Entre milhões de interações com clientes, a maioria das conversas é resolvida sem atrito. Mesmo quando as chamadas são encaminhadas a atendentes humanos, o escalonamento raramente ocorre por uma falha. Em uma implantação, uma empresa global de viagens reduziu em 80% as solicitações por um atendente humano.

Essa mentalidade de priorizar a avaliação tornou-se um diferencial central, permitindo que a Parloa avance rapidamente sem comprometer a confiabilidade em produção.

A voz impõe restrições diferentes das encontradas no chat baseado em texto. Cada interação passa por um pipeline de baixa latência: conversão de fala em texto, raciocínio do modelo e conversão de texto em fala.

Esse pipeline torna a latência um fator crítico. Mesmo pequenos atrasos na camada do modelo se acumulam e geram pausas perceptíveis para quem liga, influenciando a seleção e a otimização dos modelos.

A Parloa trabalha em estreita colaboração com a OpenAI para otimizar o desempenho em casos de uso em tempo real, com foco em latência, qualidade das respostas e cumprimento das instruções. A equipe avalia continuamente e submete novas versões dos modelos a testes de estresse em ambientes semelhantes aos de produção antes de usá-las em interações reais com clientes.

A Parloa avalia separadamente cada componente da arquitetura de voz:

• Os sistemas de conversão de fala em texto são testados quanto à taxa de erro de palavras, especialmente em dados sensíveis, como números de apólices ou identificadores de contas.
• Os modelos de conversão de texto em fala são avaliados por meio de testes cegos de audição para verificar o quanto a voz soa natural para usuários reais. Esses resultados são então comparados com interações reais de clientes para garantir um desempenho consistente em ambientes de produção.
• Os modelos de fala para fala estão sendo avaliados quanto à prontidão para produção, com foco em latência, precisão e custo.

Desde o início, esses sistemas foram desenvolvidos para implantação global. Os benchmarks abrangem vários idiomas, com clientes atuando em diferentes regiões do mundo. Esse rigor multilíngue reflete tanto as raízes europeias da Parloa quanto as expectativas dos clientes empresariais, que exigem desempenho consistente em diversos mercados, não apenas em um idioma ou uma região.

Hoje, os agentes da Parloa atendem a milhões de conversas em setores como varejo, viagens e seguros, dando suporte a casos de uso que vão da automação do atendimento a fluxos que geram receita, como televendas.

A Parloa vê o atendimento ao cliente evoluindo para uma experiência totalmente multimodal.

Uma conversa pode começar por telefone, continuar no chat e incluir links ou elementos interativos ao longo do caminho. Em vez de tratar cada etapa como um fluxo separado, a AMP foi projetada para lidar com tudo como uma única interação. Com o tempo, os agentes de IA podem se tornar tão importantes para as jornadas dos clientes quanto sites e aplicativos móveis.

À medida que as empresas automatizam uma parcela crescente das interações com clientes, a Parloa se concentra em tornar os agentes de IA confiáveis, flexíveis e seguros o bastante para operar em escala global.