case de sucesso
A Bow-e, marca do Grupo Bolt, vende energia renovável solar em geração distribuída, um mercado regulado onde o cliente leva cerca de 120 dias pra ser ativado e onde papel, planilha e e-mail ainda fazem parte da rotina. A operação de pós-venda recebe de 18 a 19 mil conversas por mês e é tocada por 15 pessoas, sem BPO. Em menos de um ano com a Cloud Humans, a retenção sem intervenção humana saiu de 15% para 62,1% e o CSAT da IA subiu de 49,4% para 66,9%. Este case mostra o que a Bow-e precisou mudar por dentro pra chegar lá, e por que a virada não veio da ferramenta.
Indicador | Antes | Depois |
Retenção sem humano | 15% (bot de regras) | 62,1% |
CSAT da IA | 49,4% | 66,9% (recorde da série) |
Volume de pós-venda | 18 a 19 mil conversas/mês | 18 a 19 mil conversas/mês |
Estrutura de atendimento | BPO terceirizada + time interno | 15 pessoas internas, sem BPO |
Fila em dias críticos | 1.000 tickets parados por mais de 6h | operação sem fila crítica |
Sobre a Bow-e
A Bow-e faz energia renovável solar chegar na casa do cliente no modelo de geração distribuída. Na prática, a empresa compra um pacote de energia e distribui entre os clientes, num processo chamado rateio, que passa por homologação da distribuidora e leva em torno de 120 dias até o cliente receber a primeira fatura.
A empresa está no meio de uma transformação em energytech, com a abertura do mercado livre no horizonte. Isso significa dois movimentos ao mesmo tempo: digitalizar uma operação analógica e colocar IA nela. A maioria das empresas só precisa fazer o segundo.
Quem lidera a frente de IA é a Natália Mota, AI Product Lead do Grupo Bolt, que a gente chama de Nati. Ela é professora e química de formação, passou cinco anos em CX até chegar a head numa fintech e migrou pra produto em 2025. É a segunda vez que ela é cliente da Cloud Humans.
“Eu já sentei na cadeira de vocês, comprando essa tecnologia com medo de dar errado. Hoje eu tô do lado de quem implementa.”
Natália Mota
AI Product Lead, Grupo Bolt
O problema: um bot que retinha abandono
No começo de 2025 o atendimento rodava com uma BPO de cerca de 20 pessoas mais um time interno pequeno. O bot era uma árvore de regras, tipo URA, com uma microbase de três perguntas. Retenção de 15%.
O número parecia bom até alguém olhar de perto. Não era gente com problema resolvido, era gente presa no fluxo ou que desistia de falar com o robô.
Gargalo | Como aparecia na operação |
Bot determinístico sem base | Perguntava a intenção e escalava pro humano, sem resolver nada |
Fila | Dias com 1.000 tickets parados por mais de 6 horas, com cliente sem energia em casa |
Dado espalhado | O atendente abria três, quatro, cinco telas, pedia ajuda no Slack, esperava cobrança responder |
Critério não escrito | A regra pra estimar prazo existia só na cabeça de quem foi treinado no onboarding |
Operação terceirizada | Pouca visibilidade sobre o que realmente chegava na fila |
Seis horas só pra alguém começar a entender o problema do cliente. E não dava pra evoluir o bot, porque o processo e o sistema por trás dele não existiam.
A virada: a IA deixou de responder e passou a executar
A Cloud Humans entrou no fim de 2025, com a ClaudIA e os fluxos determinísticos conectados às APIs da Bow-e. A tese que guiou o projeto inteiro: IA que só responde tem teto baixo.
“A maioria para nos 40%. É uma média de mercado”, segundo a Nati. E ela fala inclusive sobre quem já diz ter IA, porque uma IA que só consulta base de conhecimento devolve texto e o cliente sai sem resolver.
Desenhar um fluxo novo, com começo, passos e sistema pra consultar, e entregar pra ela executar. Esse foi o caminho pra romper o teto.
Como ganhou forma na prática
Etapa 1: Comprar o time antes da tecnologia. A implementação não saiu de TI. A PM que puxou o projeto tinha sido líder de vendas e de suporte na própria casa, então falava a mesma língua da operação. O time entrou no desenho do processo, na base de conhecimento e na escolha dos assuntos com mais impacto e menos esforço. Em paralelo, a engenharia construía as primeiras APIs.
Etapa 2: O primeiro fluxo com API, e o erro que ensinou a regra. O assunto escolhido foi status do onboarding, que é o que mais gera contato de quem está esperando a energia chegar. O dado existia no banco, a API foi plugada, e as primeiras conversas saíram assim: “o seu rateio está em homologação”. “Que legal. Não entendi.” “O seu rateio está em homologação.”
O atendente humano jamais responderia só isso. Ele consultava, traduzia pra linguagem de gente e estimava um prazo. Pra IA entregar o mesmo resultado, foi preciso transformar esse critério em processo, clarear a informação no banco e reescrever o fluxo pra IA explicar ao invés de buscar.
Etapa 3: Ler a volumetria por assunto. Com tags e tabulação, o time achou três oportunidades que ninguém tinha visto: o assunto de volume alto (o que aparece todo dia, não necessariamente o que dá mais raiva), o pico previsível no mês (perto do vencimento da fatura) e os assuntos com zero conexão com sistema, onde a IA respondia no vazio. Dois fluxos novos com API depois, a retenção subiu 12 pontos percentuais.
“Quem achou esses três pontos foi o próprio time de atendimento”
Natália Mota
AI Product Lead, Grupo Bolt
Etapa 4. Remodelar o processo pra máquina, não mais pro humano. Aqui o projeto quase travou. O dado de que a IA precisava estava espalhado entre sistema de onboarding, faturamento, cadastro e planilha atualizada na mão. Era um processo desenhado pra um cérebro humano. CX, tecnologia e produto sentaram na mesma mesa pra remodelar, e foi a parte mais difícil de todas. Dela nasceu o projeto de data warehouse da Bow-e, puxado por um aprendizado do atendimento.
“Por melhor que a IA seja, ela não passa do dado que ela consegue alcançar.”
Natália Mota
AI Product Lead, Grupo Bolt
Etapa 5. Os fluxos que fizeram a conta fechar. Consulta de valores em aberto e envio de todas as faturas em atraso pra pagamento. Junto com o fluxo de onboarding, são os três maiores volumes da operação hoje. Foi com eles que a retenção bateu 62,1%.
Etapa 6. A migração pra multiagentes. Com o teto do fluxo determinístico à vista, a Bow-e subiu pra produção o primeiro fluxo multiagentes de pós-venda, com três agentes especialistas, e está reconstruindo no mesmo formato o fluxo de vendas que roda dentro da plataforma.
Resultados
Resultado | Número | Impacto na operação |
Retenção sem humano | De 15% para 62,1% | Acima do teto de 40% em que a maioria do mercado para |
Ritmo da curva | 31% na implementação, 50% em três meses | Cada degrau corresponde a um fluxo novo, não a um modelo novo |
CSAT da IA | De 49,4% para 66,9% | Quase 20 pontos, com os detratores praticamente zerados |
Volume absorvido | 18 a 19 mil conversas/mês | Mantido sem contratar pra isso |
Estrutura | BPO encerrada, 15 pessoas internas | Dois canais internalizados e quatro redes sociais trazidas pra dentro |
Carreira | Zero vaga aberta em atendimento | Time migrando pra produto (APM) e engenharia |
A conta do time é o ponto que a Nati faz questão de ressaltar. Eram 10 pessoas no atendimento interno mais um escritório de BPO. Hoje são 15, porque a Bow-e internalizou duas pessoas da BPO, encerrou o contrato do escritório e trouxe pra dentro Instagram, Messenger, comentários e YouTube, o que exigiu mais três pessoas. Tudo isso com a base de clientes crescendo.
“Por melhor que a IA seja, ela não passa do dado que ela consegue alcançar.”
E a qualidade subiu no meio da obra. O CSAT bateu recorde da série enquanto a operação migrava de arquitetura.
E ela manda também a frase que descreve (e defende) bem a era da IA multiagêntica:
“Por melhor que a IA seja, ela não passa do dado que ela consegue alcançar.”
Aprendizados e próximos passos
Não peça pra IA imitar o atendente. O atendente cruza três telas e aplica um critério que nunca foi escrito. Pedir pra IA repetir esse caminho é garantir teto baixo. O que funciona é a operação desenhar um fluxo pra ela executar, com passos e sistema pra consultar, e aceitar que o resultado pode ser o mesmo por um caminho diferente.
IA de atendimento é projeto do dono do processo, não de TI. Se o projeto nasce em tecnologia, ele vira catálogo de API e base de conhecimento. Falta a experiência, falta saber como o cliente pergunta e o que ele não diz. Sem alguém do próprio time empoderado como ponte entre CX e produto, o projeto fica órfão.
Essa pessoa aparece sozinha, e vale reconhecer o papel. Na Bow-e ninguém abriu vaga: alguém do time foi virando a dona da IA no dia a dia, revisava o que ela respondia, mexia na base e decidia o que entrava. Quando essa pessoa saiu, o papel continuou com outras duas. O mercado já deu nome pra isso, CX Engineer, e quem coloca agente no atendimento vai ver essa figura surgir de qualquer jeito.
Reter não é o fim da linha. 62% com fluxo determinístico é muito bom e não basta, porque o fluxo só resolve o que foi desenhado, cada assunto novo vira um fluxo novo e a experiência fica robótica nas bordas. O próximo passo da Bow-e é a negociação de fatura em atraso em formato agêntico, com um agente fazendo a triagem da intenção de pagamento, outro montando a proposta contra as regras internas e um terceiro gerando o link e o Pix. Não tem caminho único: cada cliente responde uma coisa e a proposta muda de acordo.
