Merge automatizou o planejamento de jantares: de dezenas de horas para 30 minutos por evento

Estudos de caso do tipo “usamos IA para tudo” costumam ser vazios. Este traz alguns detalhes concretos que merecem atencao: como funciona um bot para organizar eventos e o que a empresa afirma sobre a confiabilidade das chamadas de ferramentas. Uma ressalva desde o inicio: trata-se da historia de um cliente publicada no blog da OpenAI, ou seja, material do fornecedor, e nao e possivel verificar os numeros de forma independente.

O que o bot de jantares faz

A Merge vende infraestrutura para produtos de IA: sincronizacao de dados de clientes, acesso seguro de agentes a ferramentas, roteamento de modelos e controle de custos. A empresa tambem utiliza internamente alguns de seus proprios produtos.

Um exemplo sao os jantares fechados para clientes e potenciais clientes. Para um jantar em Dallas, a equipe definiu a cidade e o perfil dos convidados. Em seguida, o bot buscou candidatos no CRM e no Apollo, verificou convites e respostas anteriores e preparou uma campanha de e-mail em nome da CEO, Shensi Ding. Ele tambem mantem a planilha de participantes, sugere a disposicao dos lugares e cria notas no calendario, nas quais as equipes de vendas e customer success acrescentam contexto sobre cada convidado.

A divisao de funcoes e simples: o modelo raciocina e escreve rascunhos, enquanto os conectores da Merge fornecem acesso ao Salesforce, Gong, Google Sheets e Gmail. Ding verifica o resultado, reescreve trechos que soam artificiais e monta pessoalmente a lista final de convidados, porque o bot nao tem o contexto das relacoes pessoais.

Segundo a empresa, a preparacao das listas e dos e-mails e a manutencao da planilha antes consumiam dezenas de horas de toda a equipe; agora levam cerca de 30 minutos por evento. A comparacao abrange as mesmas tarefas durante um periodo de tres meses. Paralelamente, o numero de jantares aumentou de 8 no Q2 para 16 no Q3, e mais de 30 estao planejados para o Q4.

O que os desenvolvedores podem aproveitar

O principal argumento diz respeito a confiabilidade. A Merge afirma que as chamadas de ferramentas feitas por sua camada tem sucesso em 99,9% dos casos, ante aproximadamente 60% por servidores MCP publicos. A empresa nao revela a metodologia da comparacao e vende justamente a camada que supostamente resolve o problema. Ainda assim, o problema em si e conhecido por qualquer pessoa que ja tenha criado agentes: o modelo pode ser bom, mas a cadeia falha na autenticacao, nos esquemas ou nos timeouts das integracoes.

O segundo detalhe e o uso do Codex para revisao de codigo. Ding mostrou como ele ajudou em uma nova aba de configuracao de acesso a ferramentas: a equipe discutiu como tornar o botao “Add tool pack” mais claro. As decisoes foram tomadas por pessoas, enquanto os engenheiros continuaram responsaveis pela verificacao e pelo lancamento. E um arranjo honesto: o revisor oferece sugestoes, mas a responsabilidade permanece com a equipe.

O terceiro ponto envolve fluxos de trabalho para profissionais que nao sao engenheiros. O lider de vendas criou processos repetiveis para aprovacao de negocios, atualizacao de previsoes e definicao de proximos passos depois de chamadas de renovacao. Em vez de reconstruir o contexto todas as vezes, ele recebe o material preparado e toma a decisao por conta propria.

Limitacoes

Em primeiro lugar, este e um conteudo promocional. O tempo de “antes e depois” foi medido pela propria empresa e nao inclui os custos de desenvolvimento e manutencao do bot. Em segundo lugar, o bot envia e-mails em nome da CEO, portanto um erro no destinatario ou no tom pode prejudicar sua reputacao. Por isso, uma pessoa ainda le tudo antes do envio. Em terceiro lugar, o aumento do numero de jantares nao comprova crescimento da receita: o estudo de caso menciona apenas feedback positivo e oportunidades de demonstracao.

Os elogios a “personalidade” do modelo e a capacidade dele de inferir o que nao foi dito devem ser tratados como impressoes de uma usuaria, e nao como uma medicao.

Conclusao pratica

Se voce cria agentes, meca a taxa de sucesso das chamadas de ferramentas separadamente da qualidade do modelo: e nesse ponto que a confiabilidade se perde com mais frequencia. Para automacao interna, escolha um processo restrito e repetivel, como a preparacao de listas e campanhas de e-mail, e deixe a verificacao final e o envio com uma pessoa. E teste primeiro todo o sistema em um produto novo, ao qual os clientes ainda nao chegaram, como aconselha a propria Ding.