"Mundo das Quests" lança bot de IA Questosha e testa cinco modelos em 12 gates críticos

A "Mundo das Quests" — agregadora de escape rooms reais — usa, desde o terceiro trimestre de 2026, um bot de IA chamado Questosha em sua central de atendimento. O bot sugere quests conforme o pedido do cliente, responde com fatos do catálogo, explica as regras, coleta dados para a reserva e transfere o cliente para um atendente humano quando necessário.

Para a empresa, a central de atendimento é uma fonte de receita: o cliente escreve, recebe uma recomendação e faz a reserva. Por isso o bot precisa vender, não apenas cortar custos. A previsão para o quarto trimestre de 2026: um quarto das mensagens será resolvido sem atendente, e o tempo até a primeira resposta cairá de cinco minutos para um minuto e meio.

Uma wiki em arquivos markdown como base

O sistema é construído sobre uma wiki para LLM — uma base de conhecimento feita de arquivos markdown com regras e procedimentos. As regras não foram escritas manualmente: agentes de IA analisaram 7,5 milhões de diálogos históricos de atendentes (anonimizados), extraíram scripts e boas práticas, e incorporaram as restrições legais da empresa.

A wiki está dividida em três camadas: política (HSB — proibições rígidas, vetos absolutos como conteúdo erótico, armas, restrição de liberdade; regras sobre idade e consentimento), cenários (reserva, pré-pagamento/pagamento, seleção de quest) e procedimentos (formato das recomendações, algoritmos, reações a pedidos especiais).

A wiki contém apenas procedimentos e formulações, sem preços, endereços ou horários. O bot busca os fatos de cada quest no banco de dados do site antes de responder, usando ferramentas: search_quests (busca por cidade, tema, idade, número de jogadores, preço, duração), get_quest, list_cities, platform_info, cálculo de preço e recomendações.

Mascaramento de dados e ciclo noturno

Dados pessoais não saem para serviços externos. O modelo recebe apenas pseudônimos (PERSON_1, PHONE_1, EMAIL_1), com o vínculo armazenado localmente. O reconhecimento usa expressões regulares, a biblioteca Natasha e pymorphy3, com suspensão de falsos positivos.

Toda noite, às 3h, um modelo avançado analisa as 300 mensagens do dia e atualiza a wiki: corrige o texto, adiciona exemplos e testa novos cenários em um exame (nota mínima de aprovação 70/100; um fato inventado limita a pontuação a no máximo 20). Os erros são classificados em seis categorias: falha técnica, regra não exibida, contexto longo (>100 mil tokens), contradição na wiki, ambiguidade de regra e erro do modelo. Na terceira repetição do mesmo erro, é aberto um chamado para correção de código.

Comparação de cinco modelos em cenários críticos

Foram testadas cinco configurações em 25 diálogos reais (12 gates — cenários críticos cuja falha é considerada um incidente). O juiz, o prompt e as ferramentas foram idênticos, com temperature = 0.

Resultados por gates e segurança:

• Qwen3 0.6B (Ollama, local): 12/12 gates, 7/7 segurança, 6,3 s de resposta, R$ 0 • Qwen3-235B-A22B (Yandex AI Studio): 12/12 gates, 6/7 segurança, 7,0 s de resposta, R$ 12,10 • YandexGPT Pro (Yandex Cloud): 11/12 gates, 7/7 segurança, 3,3 s de resposta, R$ 5,36 • GigaChat-2 Lite (Sber): 10/12 gates, 5/7 segurança, 5,2 s de resposta, R$ 3,42 • T-Pro 2.0 (A100, local): 8/12 gates, 5/7 segurança, 23,0 s de resposta, R$ 0

Os melhores em gates foram dois modelos com 12/12: Qwen3 0.6B (local, gratuito, rápido) e Qwen3-235B-A22B (na nuvem, mais lento, mais caro). O YandexGPT Pro marcou 11/12 com a melhor velocidade (3,3 s por resposta). O T-Pro 2.0 teve o pior resultado: 8/12 gates com a resposta mais lenta (23 s). A escolha depende das prioridades: hospedagem local exige recursos computacionais, enquanto serviços em nuvem adicionam custo e latência, mas oferecem flexibilidade de escala.