Antes de entrar na Digibee, trabalhei como cientista de dados. Construí dezenas de pipelines de dados e conheço de perto as decisões de infraestrutura, o gerenciamento de credenciais e as dores de cabeça de deployment que vêm com esse trabalho.

Clique e saiba mais

Quando assumi a função de Technical Product Marketing Manager na Digibee, queria construir alguma coisa usando a plataforma. Então, criei um fluxo agêntico para analisar as transcrições das nossas chamadas no Gong e extrair inteligência de mercado.

O padrão se mostrou útil. Construí outro. Depois, mais dois.

Esta é a história de como criei um conjunto de agentes focados em extrair informações úteis das transcrições do Gong, o que eles produziram e o que essa experiência me ensinou sobre a criação de fluxos agênticos com a Digibee.

A oportunidade: uma mina de ouro inexplorada no Gong

Nosso time de vendas registra dezenas de chamadas no Gong toda semana. Às vezes, alguns momentos importantes são compartilhados, mas ninguém tem tempo para revisar todas essas conversas.

Essas transcrições guardam uma enorme quantidade de inteligência não estruturada: preocupações dos clientes, expectativas e receios em relação à IA, opiniões espontâneas sobre nossos concorrentes e parceiros. Exatamente o tipo de informação que vem diretamente do mercado, mas que muitas vezes não chega aos materiais usados para definir estratégias.

Conhecendo os pontos fortes dos LLMs e sabendo que o Gong disponibiliza suas transcrições via API, vi uma oportunidade: coletar as transcrições, analisá-las com um LLM e armazenar os resultados em algum lugar útil.

Somos usuários entusiastas do Gong e sabemos que a plataforma oferece suas próprias ferramentas de IA. Nosso time de GTM gosta muito dos resumos de chamadas traduzidos automaticamente, especialmente porque trabalhamos em diferentes idiomas. Mas tive dificuldade para encaixar o tipo de análise que eu queria fazer nas ferramentas disponibilizadas pelo Gong.

O que construí e o que encontrei no Gong

No fim, construí quatro pipelines. Juntos, eles produziram:

• Um registro contínuo de todas as empresas mencionadas por clientes e prospects durante as chamadas, incluindo contexto, um trecho representativo e uma pontuação de sentimento para cada menção.
• Um relatório narrativo de inteligência competitiva, gerado sob demanda, que resume tendências sobre como concorrentes específicos foram mencionados nas conversas ao longo do último ano.
• Um mapa estruturado de como nossos prospects e clientes estão pensando sobre IA: seus projetos, ambições e preocupações.
• Um catálogo das perguntas mais frequentes feitas por prospects em estágios iniciais, servindo como matéria-prima para FAQs, sales enablement e tratamento de objeções.

Nada disso havia sido identificado antes. Essas informações estavam nas transcrições que ninguém tinha tempo de ler.

Como construí: a arquitetura

Defini uma arquitetura simples, em alto nível, antes mesmo de arrastar meu primeiro conector para o Canvas da Digibee.

Cada pipeline segue o mesmo padrão:

Trigger → Coletar → Preparar → Extrair → Avaliar → Armazenar

Um trigger inicia o processo, seja por meio de um agendamento diário à meia-noite ou de uma chamada de API REST. A partir daí, o pipeline passa por cinco etapas.

Coletar

O fluxo começa coletando transcrições em lote de um endpoint do Gong. Esses documentos são bastante simples e identificam cada participante apenas por um ID único.

Depois, cada transcrição segue por seu próprio subprocesso. A primeira etapa coleta os dados dos participantes em outro endpoint do Gong. Meu objetivo era entender as opiniões e experiências de nossos clientes e prospects, não dos meus colegas. Por isso, precisava associar esses IDs aos nomes e às empresas de cada pessoa.

Preparar

Eu tinha os IDs. Tinha os dados dos participantes. Precisava juntar tudo em uma transcrição coerente. O conector JavaScript da Digibee me permitiu fazer isso de forma simples.

Extrair

Usando o Agent Component da Digibee, montei um prompt instruindo o GPT-4o a extrair resumos estruturados.

Não acertei de primeira. Testei diferentes versões das instruções diretamente no Canvas da Digibee. Entre outras mudanças, adicionei uma seção listando diferentes maneiras pelas quais os nomes dos concorrentes poderiam ser transcritos incorretamente, além de instruções para associar essas transcrições incorretas ao nome correto.

Também usei a opção JSON Schema do componente para obrigar a saída a seguir uma estrutura específica. Com isso, cada menção passou a gerar um conjunto consistente de informações, incluindo nome da empresa, resumo do contexto, um trecho relevante e uma pontuação de sentimento de 1 a 5.

Avaliar

Enviei as informações extraídas novamente ao GPT-4 por meio de um segundo Agent Component. Ele avalia a qualidade de cada extração e sinaliza menções fracas ou ambíguas. Como as saídas dos LLMs não são determinísticas, uma camada de avaliação adiciona um controle de qualidade importante antes que os resultados avancem para a próxima etapa.

Armazenar

O pipeline envia os resultados para uma planilha do Google Sheets. Em uma versão para produção, eles seriam direcionados para um banco de dados.

E, como eu queria oferecer uma boa experiência para quem fosse usar essas informações, construí um dashboard no Google Data Studio sobre essa planilha. Assim, meus colegas conseguem filtrar facilmente os dados de interesse e acessar diretamente a chamada original no Gong.

Quanto custa esse fluxo de inteligência do Gong?

Um fluxo baseado em agentes como esse pode parecer caro. As chamadas transcritas pelo Gong podem durar horas. Em média, as pessoas falam cerca de 10 mil palavras por hora. A quantidade de tokens aumenta ainda mais quando consideramos formatação, pontuação e palavras que ocupam múltiplos tokens. Além disso, o fluxo faz duas chamadas para um endpoint da OpenAI.

Deve custar uma fortuna, certo?

Nem um pouco. Meu custo diário com tokens varia de acordo com o número e a duração das chamadas transcritas, e definitivamente aumentou ao longo do tempo, mas o fluxo geralmente custa cerca de US$ 0,50 por dia.

Pela forma como os usuários orquestram fluxos na Digibee, essa aplicação não corre o risco de entrar em uma espiral descontrolada. Nenhum LLM decide quando chamar outro agente ou quando fazer mais perguntas a si mesmo. O fluxo prepara o contexto de forma determinística, pede ao LLM que use sua criatividade apenas onde ela agrega valor e segue em frente.

A única maneira de o custo desse fluxo explodir seria se, de repente, tivéssemos muito mais conversas com clientes e prospects. E eu consideraria isso um bom problema.

Acelerando o impacto: de três dias para três horas

Levei cerca de três dias para construir o primeiro pipeline, conciliando o projeto com outras atividades. Eu estava aprendendo a plataforma, entendendo as particularidades da API do Gong, descobrindo como estruturar prompts para obter resultados consistentes e resolvendo problemas que não havia previsto.

No segundo pipeline, eu já tinha um modelo: copiar o padrão principal, ajustar o prompt, avaliar os resultados e reconfigurar o destino. No quarto, conseguia ir do planejamento ao deployment em duas a três horas.

Isso reflete a filosofia de design da Digibee. A plataforma foi construída em torno do reúso: componentes, padrões e configurações podem ser aproveitados de um projeto para o outro. O que é construído depois se beneficia do que veio antes. O maior esforço fica concentrado no início.

O que a Digibee tornou possível

Quero deixar algo claro: eu poderia ter construído esses pipelines em Python. Pensando apenas em código, tenho confiança de que teria criado um POC funcional do primeiro fluxo mais rapidamente dessa forma.

Tenho menos certeza de que conseguiria construir o segundo, o terceiro e o quarto pipeline mais rapidamente em Python. E a qualidade dos pilotos construídos na Digibee foi muito superior ao que eu provavelmente teria montado no meu IDE.

A Digibee gerencia credenciais de forma tão completa que as chaves usadas para acessar Gong, OpenAI e Google Sheets nunca apareceram em nenhum lugar onde eu pudesse vê-las. Se tivesse desenvolvido esses fluxos em código, essas credenciais provavelmente estariam em variáveis de ambiente ou, pior, inseridas diretamente no script.

O Agent Component simplificou a iteração e o versionamento dos prompts. A possibilidade de arrastar cada componente para um Canvas linear facilitou a composição correta dos elementos determinísticos antes de passar o trabalho para o LLM. Isso também evitou que eu chamasse funções fora de ordem, algo que já fiz antes em grandes projetos de orquestração.

A plataforma também gerencia a infraestrutura de forma praticamente invisível. Em funções anteriores, passei dias conectando Lambdas, instâncias EC2 e triggers do S3 para construir pipelines nos quais eu pudesse confiar em produção. Fazer o deployment do fluxo na infraestrutura de nuvem da Digibee levou menos de um minuto e apenas alguns cliques.

O que eu faria diferente

Cometi alguns erros durante esse projeto. E, para minha vergonha, a maioria deles pode ser atribuída a “erro de usuário”. Se você pretende construir projetos semelhantes na Digibee, vale aprender com os meus erros.

Faça os cursos da Digibee.

Ao analisar as primeiras chamadas com prospects, uma das perguntas recorrentes era se a Digibee oferecia treinamentos. A resposta é definitivamente “sim”. E meu conselho é: faça os cursos online.

Na ansiedade de construir alguma coisa, entrei direto na plataforma sem nenhum treinamento ou preparação. Cheguei até a fechar o tutorial disponível dentro do Canvas. Não faça isso.

A Digibee simplifica muita coisa, mas toda ferramenta poderosa tem uma curva de aprendizado. Investir três ou quatro horas nos tutoriais provavelmente teria me economizado um dia e meio na primeira construção.

Aprenda bracket notation.

Quando apresentei meus projetos internamente, nossos engenheiros perceberam que meu fluxo incluía vários conectores desnecessários. Eu armazenava dados para depois buscá-los novamente. A bracket notation da Digibee permite acessar dados de qualquer conector anterior. Isso teria simplificado meu Canvas.

Tenha cuidado com os LLMs. Eles podem fazer coisas sem sentido.

Em um dos experimentos, algumas transcrições fizeram o conector de extração ultrapassar seu limite máximo de tokens de saída. Com isso, o endpoint do LLM retornou uma breve mensagem de erro em vez do JSON esperado.

O node de avaliação, sem receber a entrada esperada, mas entendendo qual deveria ser o formato da saída, alucinou e inventou trechos de conversas. A Digibee oferece duas soluções para esse problema: ampliar a janela de contexto do LLM e configurar o fluxo para falhar caso a etapa agêntica falhe. Ativei as duas depois de apagar alguns comentários fictícios de Mark Zuckerberg.

Considerações finais

Construí tudo isso como um PMM tentando entender um produto que eu tinha acabado de começar a divulgar. Não estava tentando construir algo impressionante. Estava tentando aprender.

O que eu não esperava era acabar construindo quatro coisas que as pessoas realmente usam:

• Inteligência competitiva que alimenta diferentes times.
• Menções a aplicações que sinalizam integrações de alta prioridade, como SAP.
• Um relatório de sentimento sobre IA que ajuda a orientar nosso posicionamento.
• Um “catálogo de perguntas da primeira chamada” que se tornou fonte de conteúdo para as FAQs do nosso site.

Um alerta: depois que entreguei esses primeiros projetos, os pedidos começaram a chegar. Agora eu também tenho meu próprio backlog de integrações para gerenciar.

Se você está pensando em construir sua primeira integração ou seu primeiro fluxo agêntico na Digibee, ficarei feliz em compartilhar o que aprendi.

‍