Antes de entrar na Digibee, trabalhei como cientista de dados. Construí dezenas de pipelines de dados e conheço em primeira mão as decisões de infraestrutura, a gestão de credenciais e as dores de cabeça de implantação que vêm junto com esse tipo de trabalho.
Quando assumi o cargo de Technical Product Marketing Manager na Digibee, quis construir algo usando a plataforma. Então, criei um workflow agentico para minerar nossas transcrições de chamadas no Gong em busca de 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 construção de workflows agenticos com a Digibee.
A oportunidade: uma mina de ouro inexplorada no Gong
Nosso time de vendas registra dezenas de chamadas no Gong todas as semanas. Às vezes compartilham momentos de destaque, mas ninguém tem tempo para revisar tudo.
Essas transcrições contêm uma inteligência rica e não estruturada. Preocupações dos clientes. Esperanças e receios em relação à IA. Opiniões espontâneas sobre nossos concorrentes e parceiros. Esse é exatamente o tipo de sinal de campo sobre o qual a maioria dos decks estratégicos é construída sem ter acesso.
Conhecendo os pontos fortes dos LLMs e sabendo que o Gong disponibiliza as transcrições por API, enxerguei a oportunidade: extrair as transcrições, processá-las com um LLM e armazenar os resultados em algum lugar útil.
Como clientes entusiasmados do Gong, sabemos que a plataforma oferece suas próprias ferramentas de IA. Nosso time de GTM adora os resumos automáticos de chamadas traduzidos pelo Gong, especialmente porque trabalhamos em vários idiomas. Mas tive dificuldade em encaixar o tipo de análise que queria fazer nas ferramentas que o Gong disponibilizava.
O que construí e o que encontrei no Gong
Acabei construindo quatro pipelines. Juntos, eles produziram:
- Um catálogo das perguntas mais frequentes feitas por prospects em estágio inicial, servindo como matéria-prima para FAQs, enablement de vendas e tratamento de objeções.
- Um registro contínuo de todas as empresas mencionadas por clientes e prospects durante chamadas, incluindo contexto, um trecho representativo e uma pontuação de sentimento para cada menção.
- Um relatório narrativo de inteligência competitiva, acionado sob demanda, que resume tendências sobre como concorrentes específicos foram mencionados em campo ao longo do último ano.
- Um mapa estruturado de como nossos prospects e clientes estão pensando sobre IA: seus projetos, ambições e preocupações.
Nada disso havia sido identificado anteriormente. Tudo estava escondido em transcrições que ninguém tinha tempo para 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 principal:
Trigger → Coletar → Preparar → Extrair → Avaliar → Armazenar
Um gatilho inicia o processo, seja um agendador diário executado à meia-noite ou uma chamada de API REST. A partir daí, o pipeline segue por cinco fases.
Coletar
O workflow começa extraindo transcrições em lote de um endpoint do Gong. Esses documentos são mínimos e identificam cada participante apenas por um ID único.
Cada transcrição segue então para seu próprio subprocesso. O primeiro passo desse subprocesso coleta os detalhes dos participantes em outro endpoint do Gong. Meu objetivo era entender as opiniões e experiências dos nossos clientes e prospects, não dos meus colegas. Portanto, eu precisava transformar esses IDs em nomes e empresas associadas.
Preparar
Eu tinha os IDs. Eu tinha os dados dos participantes. Precisava unificá-los em uma transcrição coerente. O conector JavaScript da Digibee permitiu fazer isso de forma limpa.
Extrair
Usando o Agent Component da Digibee, montei um prompt instruindo o GPT-4o a extrair resumos estruturados.
Não acertei de primeira. Iterei várias versões das instruções diretamente no canvas da Digibee. Entre outras mudanças, adicionei uma seção listando diferentes formas incorretas de transcrever nomes de concorrentes, junto com instruções para corrigir essas transcrições para o nome correto.
Também utilizei a opção de JSON Schema do componente para obrigar a saída a seguir uma estrutura específica. Isso gerou um dicionário consistente para cada menção, incluindo nome da empresa, resumo do contexto, trecho-chave e uma pontuação de sentimento de 1 a 5.
Avaliar
Enviei as extrações de volta ao GPT-4o por meio de um segundo Agent Component. Ele avalia a qualidade de cada extração, sinalizando menções fracas ou ambíguas. Como as saídas dos LLMs não são determinísticas, uma camada de avaliação adiciona um controle de qualidade relevante antes que os resultados sigam para a próxima etapa.
Armazenar
O pipeline enviava os resultados para uma planilha do Google Sheets. Em uma versão de produção, eles seriam direcionados para um banco de dados.
Depois, como eu queria proporcionar uma boa experiência para os usuários, construí um dashboard no Google Data Studio sobre essa planilha. Assim, meus colegas conseguem filtrar facilmente os dados que desejam analisar e acessar diretamente a chamada original do Gong.
Quanto custa esse workflow de inteligência com Gong?
Esse workflow agentico pode parecer caro. Chamadas transcritas pelo Gong podem durar horas. As pessoas falam, em média, cerca de 10.000 palavras por hora. A contagem de tokens cresce ainda mais quando se consideram formatação, pontuação e palavras que ocupam múltiplos tokens. Além disso, o workflow faz duas chamadas para um endpoint da OpenAI.
Deve custar uma fortuna, certo?
Nem um pouco. Meus custos diários com tokens variam de acordo com a quantidade e duração das chamadas transcritas (e eles certamente cresceram ao longo do tempo), mas, em geral, o workflow custa cerca de US$ 0,50 por dia.
Devido à forma como os usuários orquestram workflows na Digibee, essa aplicação não corre risco de entrar em um ciclo descontrolado. Nenhum LLM decide quando chamar outro agente ou quando fazer mais perguntas para si mesmo. O workflow prepara o contexto de forma determinística, pede criatividade ao LLM apenas onde ela agrega valor e segue adiante.
A única forma de o custo desse workflow explodir seria se passássemos a ter muito mais conversas com clientes e prospects, o que eu consideraria um excelente problema para resolver.
Acelerando o impacto: de três dias para três horas
O primeiro pipeline levou cerca de três dias para ser construído, conciliando com outras atividades. Eu estava aprendendo a plataforma, entendendo as particularidades da API do Gong, descobrindo como estruturar prompts para gerar extrações consistentes e resolvendo desafios que não havia previsto.
No segundo pipeline, eu já tinha um modelo. Bastava copiar o padrão principal, ajustar o prompt, avaliar os resultados e reconfigurar o destino. No quarto pipeline, eu conseguia sair do planejamento para a implantação em apenas 2 ou 3 horas.
Isso reflete a filosofia de design da Digibee. A plataforma é construída em torno da reutilização: componentes, padrões e configurações são aproveitados de um projeto para outro. As construções futuras se beneficiam das anteriores. O maior esforço acontece no início.
O que a Digibee tornou possível especificamente
Quero deixar algo claro. Eu poderia ter construído esses pipelines em Python. Do ponto de vista puramente técnico, tenho confiança de que teria desenvolvido um POC funcional do primeiro workflow mais rapidamente dessa forma.
Tenho menos certeza de que teria construído o segundo, o terceiro e o quarto pipeline mais rápido em Python. E a qualidade dos pilotos criados na Digibee foi muito superior ao que eu provavelmente teria montado sozinho na minha 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 visível para mim. Se eu tivesse desenvolvido esses workflows em código, essas credenciais estariam circulando como variáveis de ambiente ou, pior ainda, embutidas diretamente no script.
O Agent Component simplificou a iteração de prompts e o controle de versões. A possibilidade de arrastar cada componente para um canvas linear facilitou a composição correta dos elementos determinísticos antes de entregá-los ao LLM. Também evitou que eu chamasse funções fora de ordem, algo de que já fui culpado em grandes funções de orquestração.
A plataforma também cuida da infraestrutura de forma invisível. Em funções anteriores, passei dias conectando Lambdas, instâncias EC2 e gatilhos S3 para construir pipelines nos quais eu pudesse confiar em produção. Implantar esse workflow na infraestrutura em nuvem da Digibee levou menos de um minuto e apenas alguns cliques.
O que eu faria diferente
Cometi alguns erros ao longo desse projeto. De forma um pouco constrangedora, preciso admitir que a maioria deles foi causada por erro do usuário. Se você pretende construir projetos semelhantes na Digibee, aprenda com os meus erros.
Faça os cursos da Digibee
Ao revisar as primeiras chamadas com prospects, uma das perguntas que surgiu foi se a Digibee oferecia treinamento. A resposta é um enfático “sim”. E meu conselho é: faça os cursos online.
Na minha empolgação para construir algo, mergulhei na plataforma sem qualquer preparação, chegando até mesmo a fechar o assistente de treinamento integrado ao canvas. Não faça isso.
A Digibee simplifica muita coisa, mas toda ferramenta poderosa tem sua curva de aprendizado. Investir 3 ou 4 horas em tutoriais provavelmente teria me economizado um dia e meio de trabalho na primeira construção.
Aprenda a usar a notação de colchetes
Quando apresentei meus projetos internamente, nossos engenheiros observaram que meu workflow continha vários conectores desnecessários. Eu armazenava dados e depois os recuperava ativamente. A notação de colchetes da Digibee permite acessar dados de qualquer conector anterior. Isso teria simplificado bastante meu canvas.
Tome cuidado com os LLMs. Eles podem ser bem criativos.
Em um experimento, algumas transcrições fizeram o conector de extração ultrapassar seu limite máximo de saída de tokens. Isso fez com que o endpoint do LLM retornasse uma mensagem de erro curta em vez do JSON esperado.
O nó de avaliação, sem receber a entrada esperada (mas entendendo o formato pretendido da saída), começou a alucinar e inventar trechos de conversa. A Digibee oferece duas soluções para esse problema: ampliar a janela de contexto do LLM e configurar o workflow para falhar caso a etapa agentica falhe. Ativei ambas depois de remover comentários completamente fictícios atribuídos a Mark Zuckerberg.
Considerações finais
Construí tudo isso como um PMM tentando entender um produto que acabara de assumir a responsabilidade de promover. Eu não estava tentando criar algo impressionante. Estava tentando aprender.
O que eu não esperava era construir quatro soluções que as pessoas realmente usam:
- Inteligência competitiva que apoia diversas equipes.
- Menções de aplicações que sinalizam integrações prioritárias, como SAP.
- Um relatório de sentimento sobre IA que ajuda a orientar nosso posicionamento.
- Um catálogo das perguntas feitas nas primeiras reuniões, que se tornou fonte de conteúdo para as FAQs do nosso site.
Um aviso: depois que entreguei esses primeiros projetos, os pedidos começaram a chegar. Agora tenho meu próprio backlog de integrações para administrar.
Se você está pensando em construir sua primeira integração ou workflow agentico na Digibee, ficarei feliz em compartilhar tudo o que aprendi.
