Chatbot de fluxo ou agente com IA generativa: qual a diferença?

Um chatbot de fluxo — construído em ferramentas como ManyChat, Typebot ou similares — segue uma árvore de decisão desenhada previamente: o cliente escolhe uma opção, o bot responde o que foi programado para aquela opção. É previsível, barato e ótimo para processos fixos, como menu de atendimento, coleta de dados e confirmação de agendamento. Um agente com IA generativa interpreta linguagem natural, entende perguntas que ninguém previu, consulta uma base de conhecimento e pode executar ações nos seus sistemas. É mais flexível e mais caro, e exige regras claras para não errar. Na prática, para a maioria das PMEs brasileiras a melhor arquitetura não é escolher um dos dois: é usar fluxo determinístico no que não pode variar e IA generativa no que é conversa aberta.

Como funciona um chatbot de fluxo

Você desenha um mapa: "se o cliente digitar 1, mostre a lista de serviços; se digitar 2, peça o nome e o telefone; depois disso, envie para a agenda". Toda resposta possível está escrita por alguém. Não há interpretação — há correspondência.

As vantagens são reais e frequentemente subestimadas:

  • Previsibilidade total. O bot nunca vai dizer algo que você não escreveu, o que elimina o risco de informação inventada.
  • Custo baixo. Não há consumo de modelo de linguagem por mensagem, e as ferramentas têm planos acessíveis.
  • Velocidade de construção. Um fluxo simples fica pronto em horas.
  • Auditoria fácil. Como cada caminho é conhecido, é simples validar conformidade — útil em setores regulados.

Como funciona um agente com IA generativa

O agente recebe a mensagem em texto livre, interpreta a intenção, busca a informação relevante na base de conhecimento da empresa e formula a resposta. Quando bem construído, ele também tem ferramentas: consultar disponibilidade real na agenda, verificar um pedido no ERP, criar o contato no CRM, gerar um link de pagamento Pix.

A diferença prática aparece nas bordas. O cliente que escreve "vcs atendem no sábado de manhã? preciso levar meu filho de 4 anos junto, tem problema?" recebe uma resposta útil de um agente, e cai em uma opção errada de menu em um chatbot de fluxo. E a maior parte das conversas reais é assim: bagunçada, com duas perguntas na mesma frase, erros de digitação e áudio.

Onde o chatbot de fluxo quebra

  • Perguntas fora do menu. Como toda pergunta possível precisa ter sido antecipada, o que não foi previsto vira "não entendi, digite 1, 2 ou 3".
  • Abandono. Cada nível a mais de menu perde uma parte das pessoas. Fluxos com quatro ou cinco níveis sofrem abandono alto, especialmente em público que não tem paciência com robô.
  • Manutenção que cresce. Cada exceção nova vira um ramo novo. Depois de um ano, o fluxo vira um emaranhado que ninguém tem coragem de mexer.
  • Não lida com áudio nem com contexto. No Brasil, uma parcela grande das mensagens no WhatsApp é enviada por áudio, e fluxos rígidos simplesmente não tratam isso.
  • Experiência datada. O cliente percebe que está preso em uma árvore e pede humano na primeira oportunidade, o que anula o ganho da automação.

Onde a IA generativa é um risco

É preciso ser honesto sobre o outro lado:

  • Informação inventada. Sem uma base de conhecimento sólida e instruções restritivas, o modelo pode produzir resposta plausível e errada sobre preço ou prazo — e a empresa fica com a promessa.
  • Variabilidade. Duas pessoas com a mesma pergunta podem receber respostas formuladas de maneira diferente. Em processos que exigem texto exato — condição contratual, informação regulada, aviso obrigatório —, isso não é aceitável.
  • Custo por conversa. Existe consumo de modelo, ainda que baixo. Em volumes muito altos e conversas longas, a conta importa.
  • Necessidade de governança. Registro das conversas, revisão periódica, limites explícitos e transferência para humano em temas sensíveis deixam de ser opcionais.

Essas limitações são administráveis com arquitetura, mas ignorá-las é o que produz os casos de IA respondendo besteira que circulam nas redes.

O modelo híbrido que funciona melhor na prática

A arquitetura que dá mais resultado em PME combina os dois, dividindo por natureza da tarefa:

  • IA generativa na entrada, para entender o que a pessoa quer, em texto livre ou áudio, sem menu.
  • Fluxo determinístico para coleta de dados críticos: nome completo, CPF, endereço, data escolhida. Aqui você quer validação rígida, não interpretação.
  • Consulta a sistemas via integração, para que preço, estoque e disponibilidade venham sempre da fonte de verdade e nunca da memória do modelo.
  • Texto fixo para o que é obrigatório ou regulado: aviso de política, termo de consentimento sob a LGPD, condição contratual, confirmação de pagamento.
  • Transferência para humano com regra clara: reclamação, tema sensível, valor acima de determinado patamar, ou pedido explícito do cliente.

É essa combinação que a IA365 usa nos projetos de atendimento: a conversa é natural e responde em poucos segundos, mas nenhum dado crítico depende de interpretação. Em um dos casos, uma rede de clínicas dobrou a conversão em 30 dias com mais de 3.000 leads mensais — e a parte de agendamento propriamente dita continua sendo um fluxo rígido, integrado à agenda, justamente para não errar horário.

Custo comparado

Chatbots de fluxo têm assinatura acessível, tipicamente de algumas dezenas a poucas centenas de reais por mês, e o custo de construção é baixo se alguém internamente monta. Um agente com IA generativa exige implantação — na faixa de R$ 4.000 a R$ 15.000 para escopos típicos de PME — e uma mensalidade que soma manutenção, infraestrutura e consumo de modelo.

A comparação justa não é de preço, e sim de resultado por conversa. Um fluxo que resolve 30% dos atendimentos sozinho e irrita os outros 70% pode custar menos e entregar menos. Um agente que resolve a maior parte das dúvidas, qualifica e agenda muda a operação. Se o seu volume é baixo e as perguntas são realmente sempre as mesmas cinco, o fluxo é a escolha economicamente correta — e não há vergonha nenhuma nisso.

Como migrar de um chatbot de fluxo para um agente

  1. Extraia os dados do fluxo atual. Onde as pessoas abandonam, quais opções são mais escolhidas, quantas pedem atendente. Esses números dizem exatamente o que automatizar melhor.
  2. Leia as conversas que caíram para humano. Elas são a lista de perguntas que o fluxo não cobre, e viram a base de conhecimento do agente.
  3. Preserve o que funciona. Coleta de dados, confirmação e agendamento podem continuar como fluxo dentro do agente.
  4. Troque a camada de entrada primeiro, substituindo o menu por compreensão de linguagem natural, mantendo o restante. É a mudança de maior impacto com menor risco.
  5. Meça os mesmos indicadores antes e depois: taxa de resolução sem humano, abandono, tempo de resposta e conversão.

Perguntas frequentes

Chatbot de fluxo está ultrapassado?

Não. Está mal aplicado quando usado para conversas abertas. Para processos determinísticos — confirmar presença, coletar dados de cadastro, disparar sequência de mensagens após uma compra —, o fluxo continua sendo mais barato, mais previsível e mais fácil de auditar que IA generativa.

Posso usar ManyChat ou Typebot com IA?

Sim. Essas ferramentas permitem inserir passos que chamam um modelo de linguagem, o que já resolve parte do problema de rigidez. O limite aparece nas integrações profundas com ERP e nas regras de negócio complexas, em que costuma valer mais uma arquitetura própria com camada de automação.

O agente com IA sempre precisa de base de conhecimento?

Sempre, se ele vai falar sobre a sua empresa. Sem base, o modelo responde com conhecimento genérico e inventa o que não sabe. A base é o que ancora a resposta em preço, prazo e política reais — é o item mais importante do projeto, mais que a escolha do modelo.

Qual dos dois converte mais?

Depende do público e da complexidade da dúvida. Em atendimentos simples e transacionais, os dois convertem parecido. Quando o cliente tem dúvida específica antes de decidir — condição, encaixe do serviço, comparação entre opções —, o agente com IA converte mais, porque responde no momento em que a dúvida existe, em vez de empurrar para um humano que só responde no dia seguinte.