Como Utilizar Rasa para Criar Chatbots Poderosos

Os chatbots deixaram de ser ferramentas utilizadas apenas para responder perguntas frequentes. Atualmente, as empresas podem utilizar inteligência artificial para criar assistentes capazes de compreender solicitações, executar tarefas, consultar sistemas, acessar informações em tempo real e conduzir conversas muito mais sofisticadas.

Nesse cenário, aprender como utilizar Rasa para criar chatbots poderosos pode representar uma excelente oportunidade para empresas e desenvolvedores que buscam mais controle sobre suas soluções de inteligência artificial conversacional.

Diferentemente de plataformas extremamente fechadas, o Rasa oferece uma arquitetura voltada à criação de assistentes conversacionais personalizáveis e escaláveis. Além disso, sua abordagem atual com Conversational AI with Language Models (CALM) combina modelos de linguagem com uma lógica de negócio estruturada.

Como resultado, as empresas conseguem criar experiências mais naturais sem permitir que a inteligência artificial determine, sozinha, regras críticas da operação. Dessa forma, o Rasa oferece maior equilíbrio entre flexibilidade, automação e controle sobre os processos.

Por isso, neste guia completo, você vai entender:

• o que é Rasa;
• como funciona sua arquitetura;
• o que é Rasa Pro;
• o que é CALM;
• o que são Flows;
• como criar um chatbot;
• como trabalhar com inteligência artificial;
• como utilizar Custom Actions;
• como conectar APIs e bancos de dados;
• como utilizar MCP;
• como estruturar um chatbot empresarial;
• como testar e melhorar seu assistente;
• quais erros evitar;
• e, por fim, como integrar chatbots a uma estratégia de marketing digital.

Ao longo do conteúdo, cada um desses pontos será apresentado de forma prática, permitindo compreender não apenas os recursos do Rasa, mas também como aplicá-los na construção de soluções conversacionais mais completas.

O que é Rasa?

O Rasa é uma plataforma e framework para criar assistentes conversacionais e agentes de inteligência artificial. Atualmente, a documentação oficial apresenta o Rasa como uma estrutura voltada à construção de agentes conversacionais escaláveis e confiáveis, utilizando modelos de linguagem e uma arquitetura que combina flexibilidade na conversa com regras de negócio controláveis.

Na prática, essa abordagem permite criar sistemas que conversam com os usuários e, ao mesmo tempo, executam tarefas e acessam diferentes recursos da empresa.

Por exemplo, imagine um cliente dizendo:

“Quero consultar o status do meu pedido.”

Nesse caso, o chatbot pode:

1. compreender a intenção do usuário;
2. identificar o pedido;
3. consultar uma API;
4. recuperar o status;
5. responder ao cliente;
6. continuar a conversa.

Dessa forma, o chatbot deixa de funcionar simplesmente como um sistema de perguntas e respostas. Além disso, ele passa a atuar como um assistente digital conectado aos sistemas da empresa, capaz de compreender solicitações, executar ações e fornecer respostas de maneira integrada.

Consequentemente, o Rasa permite desenvolver experiências conversacionais mais completas, nas quais a inteligência artificial interage diretamente com processos, dados e sistemas corporativos.

Por que utilizar Rasa para criar chatbots?

Existem, atualmente, diversas ferramentas de chatbot disponíveis no mercado. Entretanto, nem todas oferecem o mesmo nível de controle e flexibilidade. Nesse contexto, o Rasa se destaca, especialmente quando a empresa precisa de:

• personalização;
• integração com sistemas próprios;
• controle da lógica de negócio;
• desenvolvimento avançado;
• automações complexas;
• integração com APIs;
• acesso a bancos de dados;
• maior controle sobre os dados;
• possibilidade de implantação em infraestrutura própria;
• criação de experiências conversacionais personalizadas.

Além disso, o Rasa pode ser especialmente interessante para empresas que possuem requisitos técnicos ou operacionais mais avançados. Dessa forma, sua utilização permite maior adaptação às necessidades específicas de cada projeto e, consequentemente, oferece mais flexibilidade no desenvolvimento de soluções conversacionais.

Nesse sentido, a documentação atual destaca possibilidades de execução on-premise e integração com diferentes componentes. Além disso, essas possibilidades permitem maior controle sobre a infraestrutura e, ao mesmo tempo, facilitam a integração da plataforma com sistemas e recursos já utilizados pela empresa.

Rasa é apenas um chatbot?

Não.

Essa é, antes de tudo, uma das primeiras coisas que você precisa compreender ao aprender como utilizar Rasa para criar chatbots poderosos.

Em outras palavras, um chatbot pode simplesmente responder a perguntas objetivas, sem necessariamente realizar outras ações.

Por exemplo:

Usuário: Qual é o horário?

Bot: Atendemos das 9h às 18h.

Entretanto, um assistente baseado em Rasa pode fazer muito mais. Além de responder perguntas, ele também pode compreender o contexto da conversa, executar ações e, consequentemente, interagir com diferentes sistemas.

Por exemplo, imagine a seguinte situação:

Usuário: Quero saber se meu pedido chega amanhã.

Nesse caso, o assistente pode:

• identificar a intenção do usuário;
• em seguida, solicitar o número do pedido;
• depois, consultar o sistema;
• além disso, verificar o status da entrega;
• na sequência, analisar a previsão de chegada;
• então, responder ao usuário com a informação encontrada;
• por fim, oferecer suporte adicional, caso seja necessário.

Dessa forma, a conversa deixa de ser apenas uma sequência de perguntas e respostas. Em vez disso, o assistente passa a executar uma série de etapas para resolver uma necessidade real do usuário.

Além disso, como essas etapas podem estar conectadas aos sistemas da empresa, o Rasa consegue participar de processos muito mais completos. Assim, o chatbot não fica limitado a fornecer informações previamente definidas, mas pode também consultar dados, tomar decisões e conduzir o usuário ao longo de uma jornada.

Como resultado, temos uma aplicação conversacional integrada ao negócio, capaz de não apenas conversar, mas também executar tarefas e oferecer experiências mais completas.

Rasa Pro e a evolução da plataforma

É importante compreender, antes de tudo, que o ecossistema Rasa evoluiu bastante ao longo do tempo.

Atualmente, a documentação apresenta o Rasa Pro como a interface pro-code da plataforma, voltada especialmente para desenvolvedores e equipes que precisam de maior controle sobre agentes, integrações e implementações. Além disso, o ecossistema também inclui o Rasa Studio, que oferece uma abordagem low-code/no-code para a construção visual de fluxos.

Por esse motivo, quando você pesquisar como utilizar Rasa, é bastante provável que encontre conteúdos mais antigos, baseados principalmente em conceitos como intents, entities, stories e regras.

Ainda assim, esses conceitos continuam importantes para determinadas arquiteturas e, portanto, não devem ser simplesmente descartados.

Entretanto, a abordagem mais moderna do Rasa também utiliza o CALM, que introduz uma forma diferente de estruturar e desenvolver agentes conversacionais.

Dessa maneira, para entender como utilizar Rasa atualmente, é importante conhecer tanto os conceitos tradicionais quanto as abordagens mais recentes da plataforma. Assim, você consegue compreender a evolução do ecossistema e, ao mesmo tempo, escolher a arquitetura mais adequada para cada projeto.

O que é CALM no Rasa?

CALM significa:

Conversational AI with Language Models.

Em termos simples, trata-se da abordagem atual do Rasa para a construção de experiências conversacionais utilizando modelos de linguagem.

A ideia é especialmente interessante porque, em vez de escolher entre uma conversa flexível ou uma lógica de negócio controlada, o CALM busca combinar essas duas características:

flexibilidade da linguagem natural

com

controle da lógica de negócio.

Em outras palavras, o modelo de linguagem pode ajudar a compreender o que o usuário deseja e interpretar diferentes formas de comunicação. Ao mesmo tempo, a execução da tarefa pode continuar estruturada, previsível e controlada.

Dessa forma, o usuário pode se comunicar de maneira mais natural, enquanto o sistema mantém regras claras para executar as ações necessárias.

Além disso, essa separação permite que cada componente desempenhe uma função específica. Por um lado, o modelo de linguagem contribui para a compreensão e para a fluidez da conversa. Por outro lado, a lógica de negócio permanece organizada e responsável pela execução das tarefas.

Segundo a documentação oficial, o CALM permite justamente essa combinação: os LLMs cuidam da fluidez da conversa, enquanto a lógica de negócio permanece separada e estruturada.

Consequentemente, o Rasa consegue aproveitar as vantagens dos modelos de linguagem sem abrir mão do controle necessário para aplicações que dependem de processos, regras e integrações com sistemas empresariais.

Por que essa separação é importante?

Para entender a importância dessa separação, imagine, por exemplo, um chatbot bancário.

Você certamente não gostaria que o modelo de linguagem pudesse decidir livremente:

“Acho que vou liberar um empréstimo para esse cliente.”

Afinal, esse tipo de decisão precisa obedecer a regras, critérios e políticas previamente definidos.

Por isso, uma arquitetura mais segura pode separar a interpretação da conversa da execução da lógica de negócio. Nesse cenário, o fluxo pode funcionar da seguinte maneira:

LLM → interpreta a solicitação

↓

Flow → determina o processo

↓

Sistema → executa a operação

↓

Resultado → chatbot responde

Dessa maneira, cada componente possui uma responsabilidade específica. Enquanto o LLM ajuda a compreender o que o usuário está dizendo, o Flow determina quais etapas precisam ser seguidas. Em seguida, o sistema executa efetivamente a operação de acordo com as regras estabelecidas.

Como resultado, a inteligência artificial pode manter uma comunicação mais natural e flexível, sem, necessariamente, assumir sozinha o controle de processos críticos.

Assim, a separação entre compreensão e execução contribui para tornar a aplicação mais previsível, controlável e adequada a cenários nos quais regras de negócio precisam ser respeitadas.

O que são Flows no Rasa?

Os Flows são, atualmente, uma das partes centrais da abordagem CALM.

Em termos simples, um Flow descreve a lógica necessária para realizar uma determinada tarefa. Ou seja, em vez de definir exatamente cada frase que o usuário poderá dizer, você estrutura as etapas que precisam acontecer para que o objetivo seja concluído.

Por exemplo, imagine um Flow responsável por consultar um pedido:

Flow: consultar pedido

1. solicitar o número do pedido;
2. em seguida, validar o número informado;
3. depois, consultar o sistema;
4. então, recuperar as informações necessárias;
5. na sequência, apresentar o resultado ao usuário;
6. por fim, oferecer uma próxima ação.

Dessa maneira, o Flow funciona como uma espécie de roteiro para a execução da tarefa. Primeiramente, ele define quais informações precisam ser obtidas. Em seguida, determina quais ações devem ser realizadas e, quando necessário, pode incluir diferentes caminhos de acordo com as condições encontradas durante o processo.

Além disso, a documentação do Rasa descreve os Flows como estruturas que representam os passos lógicos necessários para completar uma tarefa. Isso inclui, por exemplo, informações que precisam ser coletadas, dados que precisam ser buscados e possíveis ramificações condicionais.

Nesse sentido, um Flow não precisa descrever todas as frases que o usuário poderá utilizar. Em vez disso, ele se concentra na lógica da tarefa e nas etapas necessárias para concluí-la.

Assim, enquanto o usuário pode se comunicar de diferentes maneiras, o Flow mantém o processo organizado e previsível. Como resultado, é possível combinar a flexibilidade da linguagem natural com uma estrutura clara para a execução das tarefas.

Como utilizar Rasa para criar um Flow

Agora que você já entende o conceito de Flow, podemos avançar para um exemplo mais prático de como utilizar Rasa em uma aplicação real.

Imagine, por exemplo, uma empresa de marketing que deseja criar um chatbot capaz de receber solicitações de orçamento. Nesse caso, o assistente precisará coletar algumas informações antes de encaminhar ou processar a solicitação.

Conceitualmente, o processo poderia ser estruturado assim:

Flow: solicitar orçamento

flows:
  solicitar_orcamento:
    description: Coletar informações para solicitar orçamento de marketing
    steps:
      - collect: nome
      - collect: empresa
      - collect: servico
      - collect: objetivo

Nesse exemplo, o Flow define uma sequência de informações que precisam ser coletadas. Primeiramente, o chatbot solicita o nome do usuário. Em seguida, coleta o nome da empresa e, depois, identifica qual serviço está sendo solicitado. Por fim, busca compreender o objetivo do cliente.

É importante destacar, entretanto, que essa estrutura é apenas conceitual. A configuração real dependerá da versão do Rasa, da arquitetura utilizada e das demais configurações do projeto.

Ainda assim, a lógica fundamental permanece a mesma: você descreve o que precisa acontecer para que a tarefa seja concluída.

Dessa forma, ao criar um Flow, você define:

• o objetivo da tarefa;
• as informações necessárias para realizá-la;
• as etapas que precisam ser executadas;
• as condições que podem alterar o fluxo;
• as ações que o sistema deverá realizar;
• e, finalmente, o resultado esperado.

Assim, o Flow funciona como uma estrutura que organiza a execução da tarefa, enquanto o modelo de linguagem pode lidar com a forma mais natural como o usuário interage durante esse processo.

Prescritivo, autônomo ou híbrido?

Além da estrutura dos Flows, uma característica interessante da abordagem atual do Rasa é a possibilidade de trabalhar com diferentes níveis de controle. Dessa forma, você pode escolher quanto de autonomia o sistema terá em cada etapa da conversa, de acordo com as necessidades da aplicação.

Atualmente, a documentação do Rasa apresenta três abordagens principais:

• prescritiva;
• autônoma;
• híbrida.

Flow prescritivo

Primeiramente, temos o Flow prescritivo, no qual você define exatamente o que precisa acontecer durante a execução da tarefa.

Nesse caso, o sistema segue uma sequência mais controlada e previsível. Por isso, essa abordagem é especialmente adequada para processos críticos, nos quais determinadas etapas precisam ser obrigatoriamente respeitadas.

Por exemplo:

Pagamento

Autenticação

Cancelamento

Transferência

Nesses cenários, permitir que o sistema escolha livremente os próximos passos pode representar um risco. Assim, uma estrutura mais prescritiva ajuda a garantir que as regras definidas pelo negócio sejam seguidas.

Flow autônomo

Por outro lado, temos o Flow autônomo, que pode ser útil quando a conversa exige maior flexibilidade.

Nesse modelo, o sistema possui mais liberdade para decidir como conduzir determinadas etapas dentro dos limites estabelecidos. Consequentemente, a interação pode se adaptar melhor às diferentes formas pelas quais os usuários expressam suas necessidades.

Isso é especialmente interessante, por exemplo, em situações nas quais não existe uma única sequência obrigatória para chegar ao resultado desejado.

Flow híbrido

Por fim, temos o Flow híbrido, que combina elementos dos dois modelos anteriores.

Nesse caso, algumas partes da conversa podem ser conduzidas de maneira mais flexível, enquanto outras permanecem rigidamente controladas.

Essa abordagem pode ser especialmente interessante para empresas, justamente porque permite equilibrar experiência do usuário e controle operacional.

Por exemplo:

IA conversa naturalmente

mas

pagamento segue regras rígidas.

Dessa maneira, o usuário pode ter uma experiência mais natural durante a conversa, ao mesmo tempo em que processos sensíveis continuam obedecendo às regras estabelecidas pela empresa.

Em outras palavras, você não precisa escolher entre autonomia total e controle absoluto para toda a aplicação. Em vez disso, pode definir diferentes níveis de controle conforme a importância e a complexidade de cada etapa.

Assim, o modelo híbrido permite aproveitar o melhor dos dois mundos: a flexibilidade dos modelos de linguagem e a previsibilidade necessária para processos críticos.

Como criar seu primeiro chatbot com Rasa

Agora que você já conhece os principais conceitos, podemos partir para a prática. A seguir, vamos entender, passo a passo, como estruturar um primeiro chatbot utilizando Rasa.

1. Defina o objetivo

Antes de instalar qualquer ferramenta, é importante definir claramente o que o chatbot precisa fazer.

Pergunte a si mesmo:

O que o chatbot precisa fazer?

Em vez de começar pensando:

“Quero criar um chatbot com IA.”

Comece pensando no problema que você deseja resolver. Por exemplo:

“Quero reduzir o tempo de atendimento.”

Ou:

“Quero qualificar leads.”

Ou ainda:

“Quero permitir que clientes consultem pedidos.”

Essa diferença é fundamental, porque o objetivo do projeto deve orientar todas as decisões seguintes. Dessa forma, você evita criar uma solução apenas porque determinada tecnologia está disponível e passa a utilizá-la para resolver uma necessidade concreta.

2. Escolha o público

Depois de definir o objetivo, identifique quem utilizará o chatbot.

O público pode ser formado por:

• consumidores;
• clientes;
• funcionários;
• fornecedores;
• alunos;
• pacientes;
• vendedores;
• parceiros.

Nesse sentido, entender quem utilizará o sistema é igualmente importante. Afinal, públicos diferentes possuem necessidades, conhecimentos e formas de comunicação diferentes.

Consequentemente, o público escolhido influencia tanto a linguagem utilizada pelo chatbot quanto o nível de complexidade da experiência.

Por exemplo, um chatbot destinado a funcionários de uma empresa pode utilizar termos internos e processos específicos. Por outro lado, um chatbot voltado ao consumidor final provavelmente precisará utilizar uma comunicação mais simples e acessível.

3. Mapeie as principais tarefas

Em seguida, faça uma lista das principais tarefas que o chatbot deverá realizar.

Por exemplo, imagine diferentes tipos de aplicação:

Chatbot de e-commerce

• consultar produto;
• verificar estoque;
• acompanhar pedido;
• solicitar troca;
• solicitar devolução;
• falar com atendente.

Chatbot de agência

• solicitar orçamento;
• conhecer serviços;
• agendar reunião;
• solicitar suporte;
• consultar projeto.

Ou chatbot bancário

• consultar saldo;
• verificar transação;
• bloquear cartão;
• solicitar segunda via.

Depois de levantar essas tarefas, identifique quais delas são realmente relevantes para o objetivo do projeto.

A partir daí, cada tarefa que exigir uma sequência de etapas, informações ou ações pode se tornar um possível Flow.

Dessa maneira, você transforma uma ideia ampla, como “criar um chatbot”, em um conjunto de processos concretos que podem ser estruturados e implementados.

4. Instale e prepare o ambiente

Somente depois de definir o objetivo, o público e as principais tarefas, faz sentido preparar o ambiente de desenvolvimento.

Entretanto, o processo exato de instalação depende da edição, da versão e da arquitetura do Rasa escolhidas.

Por isso, é importante consultar sempre a documentação correspondente à versão que você está utilizando.

Além disso, a documentação atual apresenta comandos e estruturas diferentes para projetos baseados em NLU tradicional e projetos que utilizam CALM.

Por exemplo, para criar um projeto CALM, a documentação indica o uso do template correspondente durante o processo de inicialização com rasa init.

Esse detalhe é importante, principalmente porque muitos tutoriais disponíveis na internet foram produzidos para versões ou arquiteturas anteriores do Rasa.

Consequentemente, simplesmente copiar comandos de um tutorial antigo pode fazer com que a estrutura criada não corresponda à abordagem atual da plataforma.

Assim, antes de executar qualquer comando, verifique a versão do Rasa, identifique a arquitetura que deseja utilizar e, em seguida, siga a documentação correspondente.

Dessa forma, você evita problemas de compatibilidade e consegue construir o projeto utilizando uma estrutura adequada desde o início.

5. Crie a configuração

Depois de preparar o ambiente, é hora de estruturar a configuração do projeto. Os projetos Rasa possuem diferentes arquivos que controlam aspectos específicos do assistente e, por isso, é importante entender a função de cada um.

Entre eles estão:

• config.yml;
• domain.yml;
• endpoints.yml;
• arquivos de Flows;
• ações personalizadas;
• componentes de NLU, quando utilizados.

De modo geral, esses arquivos permitem configurar diferentes partes do comportamento da aplicação. Além disso, a documentação atual destaca config.yml, endpoints.yml e domain.yml como arquivos importantes para a personalização do projeto.

Entretanto, a estrutura exata pode variar de acordo com a arquitetura e a versão utilizadas. Por isso, antes de copiar configurações de um projeto antigo, verifique se elas correspondem à abordagem escolhida.

6. Configure o modelo conversacional

Na arquitetura CALM, o modelo conversacional pode utilizar componentes como o LLM Command Generator para transformar a linguagem natural do usuário em comandos estruturados.

Em outras palavras, o usuário não precisa necessariamente utilizar uma frase específica para acionar uma determinada tarefa. Em vez disso, o modelo pode interpretar o que foi solicitado e, a partir desse entendimento, identificar o Flow mais adequado.

Além disso, a documentação explica que o sistema pode considerar elementos como o histórico da conversa, os Flows relevantes, os slots e os padrões conversacionais para gerar comandos estruturados.

Dessa maneira, o chatbot consegue compreender diferentes formas de comunicação e conectá-las às ações previstas pela aplicação.

Como resultado, a interação pode ser muito mais flexível do que um sistema baseado simplesmente na procura por palavras-chave.

Por exemplo, o usuário poderia dizer:

“Quero fazer um orçamento para minha empresa.”

Ou:

“Gostaria de saber quanto custa contratar vocês.”

Embora as frases sejam diferentes, ambas podem representar uma intenção semelhante. Assim, o modelo pode interpretar o contexto e direcionar a conversa para o Flow correspondente.

7. Crie seus Flows

Agora que a estrutura básica está preparada, você pode começar a organizar as tarefas que o chatbot deverá executar.

Imagine, por exemplo, um processo de solicitação de orçamento:

Solicitar orçamento

↓

Identificar empresa

↓

Identificar serviço

↓

Identificar objetivo

↓

Identificar prazo

↓

Registrar lead

↓

Encaminhar comercial

Esse é o mapa lógico da tarefa. Em seguida, você transforma essa sequência em um Flow, definindo as informações que precisam ser coletadas, as ações que devem ser realizadas e, quando necessário, as condições que podem alterar o caminho da conversa.

Dessa forma, o Flow funciona como uma representação estruturada do processo que o chatbot precisa executar.

8. Utilize slots para armazenar informações

Durante a execução de um Flow, o assistente precisa armazenar determinadas informações para utilizá-las posteriormente. É justamente nesse contexto que entram os slots.

Slots permitem manter informações relevantes durante uma conversa.

Por exemplo:

nome = Mariana
empresa = Empresa X
servico = SEO
cidade = São Paulo

Ao longo da conversa, essas informações podem ser utilizadas em diferentes etapas do processo. Assim, o chatbot não precisa perguntar novamente algo que já foi informado pelo usuário.

Imagine, por exemplo, a seguinte interação:

Usuário: Quero contratar SEO.

Nesse momento, o assistente pode identificar:

servico = SEO

Em seguida, o chatbot pergunta:

“Qual é o nome da sua empresa?”

O usuário responde:

“Empresa X.”

Agora, o sistema pode armazenar:

empresa = Empresa X

Dessa maneira, conforme novas informações são coletadas, o contexto da conversa vai sendo construído.

Como resultado, o assistente consegue utilizar os dados já obtidos para conduzir as próximas etapas de maneira mais inteligente e contextualizada.

9. Utilize Custom Actions

Por fim, chegamos a uma das funcionalidades mais poderosas para integrar o chatbot com sistemas externos: as Custom Actions.

Uma Custom Action permite executar código personalizado. Consequentemente, o chatbot deixa de estar limitado apenas à conversação e pode realizar operações em sistemas externos.

Por exemplo, uma Custom Action pode:

• consultar APIs;
• consultar bancos de dados;
• executar lógica personalizada;
• recuperar informações;
• enviar dados;
• atualizar registros;
• gerar respostas dinâmicas.

Na prática, isso significa que o chatbot pode conversar com o usuário e, ao mesmo tempo, interagir com as ferramentas utilizadas pela empresa.

Imagine, por exemplo, que o usuário queira consultar o status de um pedido. Nesse caso, o Flow pode coletar o número do pedido e, em seguida, uma Custom Action pode consultar a API ou o banco de dados da empresa para recuperar as informações.

Depois disso, o resultado retorna para o assistente, que pode apresentar a informação ao usuário de maneira natural.

Segundo a documentação atual, Custom Actions são ações capazes de executar lógica arbitrária e acessar APIs ou bancos de dados.

Assim, elas funcionam como uma ponte entre o agente conversacional e os sistemas externos que fazem parte do negócio.

Exemplo de Custom Action

Imagine um chatbot de loja.

O usuário pergunta:

“Onde está meu pedido 58421?”

O Flow identifica a tarefa.

Depois chama uma Custom Action.

A ação consulta:

GET /pedidos/58421

A API retorna:

{

  “status”: “em_transito”,

  “previsao”: “2026-08-10”

}

O chatbot responde:

“Seu pedido está em trânsito e a previsão de entrega é 10 de agosto.”

Desse modo, o chatbot não está apenas conversando.

Ele está trabalhando com dados reais.

Como criar uma Custom Action em Python

O Rasa SDK oferece uma maneira de criar ações personalizadas em Python.

Uma ação normalmente implementa uma classe baseada em Action, incluindo métodos como name e run.

Um exemplo conceitual seria:

• from typing import Any, Text, Dict, List
• from rasa_sdk import Action, Tracker
• from rasa_sdk.executor import CollectingDispatcher
• class ActionConsultarPedido(Action):
•     def name(self) -> Text:
•         return “action_consultar_pedido”
•     async def run(
•         self,
•         dispatcher: CollectingDispatcher,
•         tracker: Tracker,
•         domain: Dict[Text, Any]
•     ) -> List[Dict[Text, Any]]:
•         dispatcher.utter_message(
•             text=”Vou consultar o status do seu pedido.”
•         )
•         return []

Esse é apenas um exemplo inicial.

Em um projeto real, você provavelmente precisaria:

• validar dados;
• autenticar API;
• tratar erros;
• registrar logs;
• controlar timeout;
• proteger credenciais;
• tratar respostas inesperadas.

Por isso, Custom Actions devem ser desenvolvidas com cuidado.

Custom Actions ou MCP?

Essa é uma questão importante na arquitetura atual do Rasa.

A documentação mais recente informa que, em muitos casos, ferramentas de um servidor MCP (Model Context Protocol) podem ser chamadas diretamente a partir dos Flows, como alternativa a Custom Actions.

Isso pode simplificar integrações.

Por exemplo:

Flow → MCP Tool → API

ou:

Flow → MCP Tool → banco/sistema externo

Nesse sentido, antes de criar uma grande camada de código personalizada, vale avaliar se a integração necessária pode ser resolvida por uma ferramenta MCP.

Quando utilizar Custom Actions?

Custom Actions continuam sendo extremamente úteis.

Elas podem fazer sentido quando você precisa:

• implementar lógica própria;
• acessar serviços internos;
• executar código Python;
• tratar regras específicas;
• trabalhar com sistemas legados;
• realizar operações complexas;
• controlar detalhadamente o comportamento.

Entretanto, evite colocar toda a lógica de negócio dentro de uma Custom Action.

A própria documentação recomenda manter a lógica de negócio nos Flows sempre que possível.

Isso facilita manutenção e entendimento da arquitetura.

Action Server: o que é?

O Action Server é responsável por executar determinadas ações personalizadas.

Tradicionalmente, o Rasa pode chamar um servidor de ações por HTTP.

Também existem opções de execução integrada.

A documentação atual informa que o Rasa SDK é uma opção Python para implementar Custom Actions, mas também é possível utilizar servidores escritos em outras linguagens desde que cumpram a API necessária.

Isso oferece flexibilidade para equipes de desenvolvimento.

Arquitetura de um chatbot Rasa

Uma arquitetura simplificada pode ser:

              USUÁRIO

                  ↓

             CANAL

                  ↓

              RASA

                  ↓

        ┌─────────┴─────────┐

        ↓                   ↓

   CALM / NLU           FLOWS

        ↓                   ↓

        └─────────┬─────────┘

                  ↓

           AÇÕES / TOOLS

                  ↓

        ┌─────────┼─────────┐

        ↓         ↓         ↓

       API      BANCO      CRM

        ↓         ↓         ↓

        └─────────┴─────────┘

                  ↓

              RESPOSTA

Essa arquitetura permite construir aplicações muito mais sofisticadas.

Rasa e APIs

APIs são fundamentais para chatbots empresariais.

Imagine uma empresa com:

• ERP;
• CRM;
• sistema de pedidos;
• sistema financeiro;
• plataforma de agendamento.

O chatbot pode funcionar como uma camada conversacional sobre esses sistemas.

Por exemplo:

Usuário: “Tenho uma reunião amanhã?”

O chatbot consulta a API.

Depois:

“Sim. Você possui uma reunião às 14h.”

Como resultado, o usuário não precisa abrir cinco sistemas diferentes.

Rasa e banco de dados

O chatbot também pode trabalhar com bancos de dados.

Por exemplo:

Cliente

Pedido

Produto

Status

Pagamento

Data

Uma consulta pode recuperar informações relevantes.

Entretanto, segurança é fundamental.

Nunca exponha diretamente credenciais do banco ao modelo de linguagem.

Além disso, utilize permissões mínimas e controles de acesso adequados.

Rasa e CRM

Imagine um vendedor conversando com um potencial cliente.

O chatbot pode coletar:

• nome;
• empresa;
• telefone;
• segmento;
• interesse;
• orçamento;
• prazo.

Depois, uma integração pode registrar o contato no CRM.

Nesse sentido:

Chatbot → qualificação → CRM → vendedor

Esse fluxo pode economizar muito trabalho manual.

Rasa para atendimento ao cliente

Um chatbot Rasa pode ser estruturado para resolver perguntas frequentes.

Por exemplo:

• “Qual o prazo de entrega?”
• “Como solicitar troca?”
• “Como emitir segunda via?”
• “Como atualizar meu cadastro?”

Entretanto, o diferencial aparece quando o chatbot consegue realizar ações.

Por exemplo:

“Quero atualizar meu endereço.”

O sistema pode:

1. autenticar;
2. solicitar novo endereço;
3. validar;
4. atualizar o cadastro;
5. confirmar.

Como resultado, o atendimento se torna realmente operacional.

Rasa para vendas

O chatbot também pode atuar como assistente comercial.

Imagine:

Cliente: Quero contratar marketing.

Bot: Claro! Qual é o principal objetivo?

Cliente: Quero mais clientes.

Bot: Você já investe em anúncios?

Cliente: Sim.

Bot: Qual seu segmento?

Cliente: Imobiliário.

Agora o chatbot possui contexto.

Pode apresentar:

• serviços;
• informações;
• materiais;
• agendamento;
• orçamento.

Nesse sentido, a conversa pode funcionar como uma pré-venda.

Rasa para geração de leads

Uma estrutura simples:

Visitante

   ↓

Conversa

   ↓

Interesse

   ↓

Qualificação

   ↓

Dados

   ↓

Lead

   ↓

CRM

   ↓

Comercial

Esse tipo de fluxo pode ser muito interessante para empresas B2B.

Além disso, pode ser integrado ao marketing de conteúdo e tráfego pago.

Rasa e marketing digital

Um chatbot não deve existir isoladamente.

Ele pode fazer parte de uma estratégia completa.

Imagine:

SEO

↓

Conteúdo

↓

Visitante

↓

Chatbot

↓

Lead

↓

CRM

↓

Vendas

Nesse sentido, o chatbot pode ajudar a transformar tráfego em oportunidades.

Rasa e SEO

SEO atrai usuários que estão pesquisando.

Por exemplo:

“Como escolher uma agência de marketing?”

A pessoa encontra um artigo.

Depois, encontra uma chamada:

“Quer descobrir qual estratégia sua empresa precisa?”

Clica.

Abre o chatbot.

O assistente faz algumas perguntas.

Como resultado, uma visita orgânica pode se transformar em lead.

Por isso, conteúdo e conversação podem trabalhar juntos.

Rasa e Google Ads

A mesma lógica funciona com mídia paga.

Imagine um anúncio:

“Precisa gerar mais leads?”

O usuário clica.

Depois inicia uma conversa.

O chatbot identifica:

• segmento;
• objetivo;
• orçamento;
• prazo.

Finalmente, envia o contato ao comercial.

Desse modo, o tráfego pago pode ser integrado à automação.

Rasa para WhatsApp

O WhatsApp é um dos canais mais importantes para atendimento e vendas no Brasil.

Por isso, integrar um assistente conversacional ao canal pode ser interessante para empresas.

Entretanto, a implementação depende da infraestrutura e do canal escolhido.

É importante avaliar:

• API utilizada;
• provedor;
• autenticação;
• regras da plataforma;
• templates;
• privacidade;
• custos;
• limites.

Nesse sentido, não basta construir o chatbot.

É necessário planejar a camada de comunicação.

Rasa para sites

Outra possibilidade é utilizar o chatbot diretamente no site.

Imagine um visitante navegando.

Um widget pode perguntar:

“Posso ajudar você?”

O usuário pergunta.

O Rasa processa.

Depois, responde.

Além disso, o chatbot pode direcionar para páginas específicas.

Por exemplo:

“Quero saber sobre SEO.”

→ página de SEO.

“Quero solicitar orçamento.”

→ formulário.

“Quero falar com alguém.”

→ atendimento.

Como criar uma experiência humanizada

Um chatbot poderoso não precisa ser excessivamente formal.

Por isso, pense na linguagem.

Em vez de:

“Solicitação não reconhecida.”

Prefira:

“Não consegui entender exatamente o que você precisa. Pode me explicar de outra forma?”

Em vez de:

“Opção inválida.”

Prefira:

“Posso ajudar com algumas opções. Qual delas você procura?”

Nesse sentido, a comunicação deve parecer natural.

O chatbot precisa saber dizer “não sei”

Essa é uma das características mais importantes.

Se o sistema não possuir informação suficiente, ele não deve inventar.

Imagine:

Cliente: Qual será o preço do produto no próximo ano?

Se essa informação não estiver disponível, a resposta adequada pode ser:

“Ainda não tenho essa informação. Posso encaminhar você para nossa equipe.”

Como resultado, você reduz respostas incorretas.

Como evitar alucinações

A combinação entre IA e lógica estruturada ajuda a controlar esse problema.

A documentação do Rasa destaca o objetivo de manter a lógica de negócio separada da flexibilidade do modelo de linguagem, além de mecanismos voltados à redução de alucinações e prompt injection.

Entretanto, nenhuma arquitetura deve ser tratada como automaticamente perfeita.

É necessário:

• testar;
• validar;
• monitorar;
• limitar permissões;
• controlar ferramentas;
• revisar respostas;
• criar caminhos de fallback.

Por isso, segurança deve fazer parte do projeto desde o início.

Como proteger dados no chatbot

Um chatbot empresarial pode lidar com informações sensíveis.

Por isso, considere:

• autenticação;
• autorização;
• criptografia;
• controle de acesso;
• logs;
• retenção de dados;
• anonimização quando possível;
• gestão de credenciais;
• política de privacidade.

Nunca coloque senhas ou chaves privadas diretamente em prompts ou arquivos públicos.

Além disso, limite as permissões das integrações.

Rasa on-premise

Uma das características interessantes do ecossistema Rasa é a possibilidade de execução em infraestrutura própria em determinados cenários.

Isso pode ser relevante para empresas com requisitos específicos de segurança e controle.

Segundo a documentação atual, o Rasa pode ser executado totalmente on-premise, sem chamadas externas a LLMs, dependendo da arquitetura adotada.

Nesse caso, a empresa pode ter maior controle sobre:

• dados;
• infraestrutura;
• modelos;
• acesso;
• rede;
• políticas internas.

Entretanto, também assume mais responsabilidade pela operação.

Rasa Cloud ou infraestrutura própria?

A decisão depende do projeto.

Infraestrutura gerenciada

Pode simplificar:

• implantação;
• manutenção;
• escalabilidade;
• monitoramento;
• backups.

Infraestrutura própria

Pode oferecer:

• maior controle;
• customização;
• políticas internas;
• controle de dados;
• arquitetura específica.

Por isso, não existe uma única resposta.

A escolha depende de orçamento, equipe e requisitos técnicos.

Como testar um chatbot Rasa

Nunca publique um chatbot sem testes.

Crie cenários.

Cenário 1

Usuário segue o fluxo normalmente.

Cenário 2

Usuário muda de assunto.

Cenário 3

Usuário fornece informação incompleta.

Cenário 4

Usuário fornece informação errada.

Cenário 5

Usuário interrompe o fluxo.

Cenário 6

Usuário pede atendimento humano.

Cenário 7

API fica indisponível.

Cenário 8

Banco retorna erro.

Cenário 9

Usuário pergunta algo fora do escopo.

Cenário 10

Usuário tenta explorar o sistema.

Nesse sentido, testes precisam avaliar tanto a conversa quanto a infraestrutura.

Conversation Repair

Uma conversa real raramente segue um roteiro perfeito.

O usuário pode dizer:

“Quero comprar.”

Depois:

“Ah, antes disso, qual é o prazo?”

Depois:

“Na verdade, quero outro produto.”

Depois:

“Esquece.”

Um bom assistente precisa lidar com essas mudanças.

A abordagem CALM possui mecanismos para lidar com padrões conversacionais como interrupções, mudanças de assunto, correções e entradas inesperadas.

Como resultado, a experiência pode ser mais próxima de uma conversa real.

O que são intents e entities no Rasa tradicional?

Se você pesquisar como utilizar Rasa, provavelmente encontrará esses conceitos.

Intent

Representa a intenção do usuário.

Exemplos:

comprar_produto

consultar_pedido

cancelar_pedido

falar_com_atendente

Entity

Representa uma informação específica.

Exemplos:

produto = notebook

pedido = 45821

cidade = Mauá

Esses conceitos continuam importantes em sistemas NLU tradicionais e em arquiteturas híbridas.

Entretanto, o CALM introduz uma maneira diferente de estruturar a compreensão e a execução das tarefas.

Posso combinar NLU tradicional com CALM?

Sim.

A documentação do Rasa apresenta o recurso de Coexistence, que permite executar sistemas baseados em NLU e CALM no mesmo assistente durante uma migração gradual.

Isso é especialmente interessante para empresas que já possuem um chatbot antigo.

Em vez de reconstruir tudo de uma vez, é possível migrar gradualmente.

Por exemplo:

Sistema antigo

→ FAQ

CALM

→ vendas

CALM

→ suporte

Depois, outras funcionalidades podem ser migradas.

Como resultado, o risco da transição pode ser reduzido.

Como migrar um chatbot antigo para CALM

Primeiramente, identifique os fluxos existentes.

Depois, classifique:

• processos simples;
• processos críticos;
• integrações;
• intents;
• entities;
• ações;
• histórias;
• testes.

Em seguida, escolha uma pequena funcionalidade.

Por exemplo:

Consultar pedido.

Migre.

Teste.

Compare.

Depois, escolha outra.

Nesse sentido, uma migração incremental pode ser mais segura.

Erros comuns ao criar chatbots com Rasa

1. Começar pela tecnologia

O objetivo do negócio vem primeiro.

2. Criar Flows gigantes

Divida tarefas complexas.

3. Colocar lógica demais nas Actions

Mantenha a lógica de negócio nos Flows quando possível.

4. Não testar APIs

Integrações falham.

Prepare o chatbot para isso.

5. Não criar fallback

Sempre tenha uma alternativa.

6. Não monitorar

Um chatbot precisa de acompanhamento.

7. Ignorar segurança

Nunca trate segurança como etapa posterior.

8. Usar tutorial antigo sem verificar versão

O ecossistema muda.

9. Não documentar

Outros desenvolvedores precisarão entender o projeto.

10. Automatizar processos ruins

Primeiro melhore o processo.

Depois automatize.

Como deixar um chatbot Rasa mais inteligente

Inteligência não significa simplesmente colocar um LLM.

Um chatbot realmente inteligente precisa:

Entender

Interpretar a solicitação.

Lembrar

Manter contexto.

Decidir

Escolher o próximo passo.

Executar

Acessar ferramentas.

Validar

Verificar resultados.

Corrigir

Lidar com erros.

Escalar

Passar para humanos quando necessário.

Nesse sentido, inteligência conversacional é muito mais do que gerar texto.

Como medir o desempenho do chatbot

Você precisa acompanhar indicadores.

Alguns exemplos:

• taxa de conclusão;
• taxa de abandono;
• quantidade de conversas;
• resolução automática;
• transferência para humanos;
• conversão;
• satisfação;
• tempo médio;
• perguntas sem resposta;
• erros de integração;
• taxa de fallback.

Imagine que:

80% das conversas são resolvidas automaticamente.

Isso é interessante.

Entretanto, se apenas 10% dos usuários concluem o objetivo principal, existe um problema.

Por isso, não avalie somente volume.

Avalie resultado.

Chatbot poderoso não é chatbot complicado

Essa é uma ideia importante.

Um chatbot com 500 caminhos não necessariamente é melhor.

Às vezes, um chatbot simples resolve 90% das necessidades.

Por isso:

clareza > complexidade

resultado > quantidade de recursos

experiência > tecnologia

Desse modo, construa apenas o necessário.

Rasa é indicado para empresas?

Pode ser uma excelente opção quando a empresa precisa de personalização, integrações e controle.

Especialmente quando existem:

• processos complexos;
• sistemas internos;
• APIs;
• alto volume;
• requisitos de segurança;
• equipe técnica;
• necessidade de customização.

Entretanto, empresas que precisam apenas de respostas básicas podem encontrar soluções mais simples.

Por isso, escolha a tecnologia de acordo com o problema.

Rasa é indicado para pequenas empresas?

Depende.

Se uma pequena empresa precisa apenas responder:

“Qual o horário?”

talvez um chatbot simples seja suficiente.

Por outro lado, se precisa:

• consultar pedidos;
• qualificar leads;
• integrar CRM;
• consultar estoque;
• agendar;
• personalizar respostas;

o Rasa pode se tornar mais interessante.

Nesse sentido, complexidade do processo é mais importante do que tamanho da empresa.

Quanto custa utilizar Rasa?

O custo depende da edição, arquitetura, infraestrutura, modelo utilizado, volume de conversas, integrações e equipe necessária.

A documentação atual informa que existe uma Developer Edition gratuita, com licença para até 1.000 conversas mensais ou 100 conversas mensais em determinados cenários de agentes internos.

Entretanto, projetos empresariais podem envolver custos adicionais de:

• infraestrutura;
• desenvolvimento;
• LLM;
• banco de dados;
• APIs;
• monitoramento;
• hospedagem;
• manutenção.

Por isso, o custo total deve ser analisado considerando toda a arquitetura.

Rasa versus chatbot tradicional

Portanto, Rasa tende a fazer mais sentido quando existe uma necessidade real de controle e integração.

Como utilizar Rasa em uma estratégia de marketing digital

Agora chegamos a uma aplicação especialmente interessante para empresas.

Imagine que sua estratégia tenha:

SEO

↓

Blog

↓

Redes sociais

↓

Google Ads

↓

Landing Pages

↓

Chatbot

↓

CRM

↓

Vendas

O Rasa pode ocupar o papel de camada conversacional.

Nesse sentido, o chatbot ajuda a transformar tráfego em relacionamento.

Exemplo: chatbot para uma agência de marketing

Imagine um visitante chegando ao site da Content Marketing Brasil.

O chatbot pergunta:

“Olá! O que você gostaria de melhorar no marketing da sua empresa?”

Opções:

• aparecer no Google;
• gerar mais leads;
• melhorar redes sociais;
• anunciar;
• criar um site.

O usuário escolhe:

“Aparecer no Google.”

O chatbot pergunta:

“Você já possui um site?”

Depois:

“Já trabalha com SEO?”

Em seguida:

“Qual é o segmento da empresa?”

Finalmente:

“Gostaria de solicitar uma análise?”

Como resultado, a empresa pode transformar uma simples visita em oportunidade comercial.

Como a Content Marketing Brasil pode ajudar

Criar um chatbot poderoso é apenas uma parte de uma estratégia digital.

Para gerar resultados, é necessário conectar:

• atração;
• conteúdo;
• SEO;
• tráfego;
• conversão;
• automação;
• relacionamento;
• vendas.

É justamente nesse ponto que a estratégia de marketing digital se torna importante.

A Content Marketing Brasil pode trabalhar diferentes frentes para ajudar empresas a construir uma presença digital mais forte, incluindo marketing de conteúdo, SEO, tráfego pago, redes sociais, criação de sites e estratégias de conversão.

Conheça a Content Marketing Brasil

Nesse sentido, um chatbot pode fazer parte de uma estrutura maior.

Atrair → Conversar → Qualificar → Converter.

Rasa + SEO + conteúdo: uma estratégia completa

Imagine um blog produzindo conteúdos para perguntas específicas.

O usuário pesquisa.

Encontra o artigo.

Consome o conteúdo.

Depois encontra:

“Ainda ficou com dúvidas?”

O chatbot entra em ação.

O visitante conversa.

A IA identifica sua necessidade.

Em seguida, pode apresentar um serviço ou direcionar para um especialista.

Desse modo, o conteúdo não termina na informação.

Ele pode participar da conversão.

Rasa + Google Ads

Outra estratégia é utilizar tráfego pago para gerar conversas qualificadas.

Por exemplo:

Anúncio

“Quer melhorar o posicionamento da sua empresa no Google?”

↓

Landing Page

“Descubra como funciona.”

↓

Chatbot

“Qual é o seu segmento?”

↓

Qualificação

↓

Lead

↓

Comercial

Como resultado, a empresa pode construir uma jornada mais estruturada.

Checklist para criar um chatbot poderoso com Rasa

Antes de publicar, verifique:

• Objetivo definido;
• Público definido;
• Principais tarefas mapeadas;
• Arquitetura escolhida;
• Flows estruturados;
• Slots definidos;
• Integrações planejadas;
• Custom Actions necessárias;
• Ferramentas MCP avaliadas;
• Fallback configurado;
• Atendimento humano disponível;
• Segurança implementada;
• Testes realizados;
• Métricas configuradas;
• Logs e monitoramento;
• Documentação;
• Plano de manutenção.

Perguntas frequentes sobre como utilizar Rasa

O que é Rasa?

Rasa é uma plataforma para desenvolvimento de assistentes conversacionais e agentes de IA. Atualmente, sua arquitetura inclui o CALM, que combina modelos de linguagem com lógica de negócio estruturada.

Rasa é gratuito?

Existe uma Developer Edition gratuita com limites específicos de conversas. Entretanto, projetos maiores podem exigir outros recursos, infraestrutura ou licenciamento.

Preciso saber programação para usar Rasa?

Para utilizar todo o potencial pro-code do Rasa, conhecimentos técnicos são bastante úteis. Entretanto, o ecossistema também possui o Rasa Studio, voltado a uma experiência visual e low-code.

O que é CALM no Rasa?

CALM significa Conversational AI with Language Models. É a abordagem que combina flexibilidade de modelos de linguagem com lógica estruturada e controlável.

O que são Flows?

Flows são estruturas que descrevem a lógica necessária para realizar tarefas dentro do assistente. Eles podem coletar informações, executar etapas, consultar dados e trabalhar com condições.

Posso integrar Rasa com APIs?

Sim. Custom Actions podem consultar APIs e bancos de dados, além de executar lógica personalizada.

O que são Custom Actions?

São ações personalizadas que permitem executar código durante uma conversa. Podem ser utilizadas para consultar sistemas externos, acessar bancos de dados e realizar operações dinâmicas.

Preciso usar Action Server?

Não necessariamente. Dependendo da arquitetura, ações podem ser executadas diretamente pelo Assistant ou por um Action Server externo.

O que é MCP no Rasa?

MCP, ou Model Context Protocol, pode ser utilizado para disponibilizar ferramentas que os Flows podem chamar diretamente. A documentação atual apresenta MCP como uma alternativa a determinadas Custom Actions.

Posso usar Rasa com NLU tradicional?

Sim. A plataforma ainda suporta arquiteturas NLU, e o recurso Coexistence permite combinar NLU tradicional e CALM durante uma migração gradual.

Rasa pode consultar banco de dados?

Sim. Isso pode ser feito por meio de Custom Actions ou ferramentas/integrações apropriadas.

Rasa pode ser utilizado para atendimento ao cliente?

Sim. Pode ser utilizado para FAQ, triagem, consultas, suporte, automações e processos mais complexos.

Rasa pode gerar leads?

Sim. Um Flow pode coletar informações, qualificar usuários e encaminhar os dados para sistemas comerciais.

Rasa pode ser utilizado em vendas?

Sim. É possível criar assistentes capazes de recomendar produtos, qualificar leads, coletar informações e executar tarefas relacionadas ao processo comercial.

Rasa pode ser usado no WhatsApp?

A integração com canais externos depende da arquitetura e dos conectores utilizados. O Rasa pode atuar como camada de inteligência conversacional por trás da experiência de atendimento.

Rasa substitui atendentes humanos?

Não necessariamente.

O objetivo mais eficiente normalmente é automatizar tarefas repetitivas e encaminhar situações complexas para pessoas.

Rasa é melhor do que outras plataformas?

Não existe uma ferramenta universalmente melhor.

Rasa se destaca principalmente quando existe necessidade de controle, personalização, integrações e desenvolvimento mais avançado.

Conclusão: como utilizar Rasa para criar chatbots realmente poderosos

Aprender como utilizar Rasa para criar chatbots poderosos vai muito além de configurar respostas automáticas.

Um chatbot realmente eficiente precisa compreender o usuário, manter contexto, executar tarefas, acessar informações e respeitar as regras do negócio.

Nesse sentido, a arquitetura atual do Rasa oferece uma abordagem interessante.

Com CALM, os modelos de linguagem ajudam a interpretar e conduzir conversas de maneira mais natural.

Com Flows, a empresa consegue estruturar a lógica das tarefas.

Custom Actions, é possível conectar APIs, bancos de dados e sistemas externos.

MCP, determinadas integrações podem ser disponibilizadas como ferramentas diretamente para os fluxos.

E com Rasa Studio, equipes podem trabalhar com uma experiência mais visual.

Como resultado, é possível construir assistentes muito mais sofisticados do que simples bots baseados em menus.

Entretanto, tecnologia não substitui estratégia.

Primeiramente, defina o problema.

Depois, entenda o usuário.

Em seguida, desenhe a jornada.

Só então escolha a arquitetura.

Por isso, um chatbot poderoso não é necessariamente aquele que possui mais funcionalidades.

É aquele que resolve o problema certo, da maneira mais simples possível.

Transforme seu chatbot em parte da estratégia digital

Se sua empresa deseja utilizar inteligência artificial para melhorar atendimento, gerar leads, automatizar processos ou criar experiências digitais mais eficientes, o primeiro passo é estruturar uma estratégia.

A Content Marketing Brasil pode ajudar sua empresa a conectar tecnologia, conteúdo, SEO, tráfego e conversão.

Afinal, atrair visitantes é apenas o começo.

O verdadeiro objetivo é transformar atenção em relacionamento e relacionamento em negócio.

Atrair. Engajar. Conversar. Qualificar. Converter.

Conheça a Content Marketing Brasil

Confira o blog da Content Marketing Brasil

Content Marketing Brasil estratégia, conteúdo, tecnologia e marketing para empresas que querem crescer no digital.