A maioria das discussões sobre agentes de IA parte de uma premissa errada: a de que um agente deve ser inteligente, raciocinar de forma autónoma e tomar decisões. É precisamente isto que torna a maioria dos agentes inadequados para uma utilização empresarial real.
Neste sistema de preços, o agente não decide nada. Não “pensa”. Não otimiza.
A decisão é tomada inteiramente por um modelo de preços determinístico, treinado com base em dados históricos e no contexto de mercado, tal como descrito nas partes um a três desta série. Perante os mesmos dados de entrada, o modelo produzirá sempre o mesmo resultado.
O papel do agente é deliberadamente limitado:
- recolher dados de entrada em falta,
- chamar o motor de decisão,
- e explicar o resultado em termos de negócio claros.
Por outras palavras, o agente é "burro" por opção, e isso é uma funcionalidade, não uma limitação.
Os humanos mantêm-se no processo, não para competir com a inteligência do sistema, mas para a validar. Na prática, isto significa aceitar recomendações com muito mais frequência do que rejeitá-las, precisamente porque o sistema é previsível, auditável e fundamentado em dados, e não na intuição.
Só depois de estabelecido este princípio é que faz sentido falar da utilização no mundo real.
Em todas as passagens de ano, eu e a minha família passamos uma semana em Lagos, no Algarve. Durante a minha reserva mais recente, uma curta conversa com a diretora do hotel — repetida agora pelo quinto ano consecutivo — tornou algo muito claro: ela não tinha qualquer visibilidade real sobre a forma como os preços eram definidos.
“A Booking é que decide”, disse ela.
Esse momento foi o que, em última análise, motivou esta série.
Vou agora mostrar como implementar este agente numa Canvas App. Isto é intencionalmente simples. Se parecer pouco impressionante, o objetivo é precisamente esse.
Pode criar uma experiência "estilo ChatGPT" no Power Apps combinando uma galeria de altura flexível (flexible-height gallery) com um controlo de entrada de texto e um botão de submissão. Com algum refinamento na interface (UI), a experiência pode ter um aspeto profissional e ser incorporada num ecrã web ou num dispositivo móvel.
Aqui está o aspeto geral e a experiência de utilização do chatbot:
É necessária muito pouca formação para que os utilizadores interajam com o chatbot — e essa é uma das suas maiores mais-valias. Basta conversar com ele, e este funciona de imediato.
It has been designed to collect all the data required to feed the pricing model, which then responds with a recommendation or asks for additional information when inputs are incomplete.
Aqui está a recomendação final:
Recomendamos a definição do preço para os quartos com vista mar em 100 €, o que é competitivamente inferior ao preço atual da concorrência de 150 €. Com este preço, prevemos uma taxa de ocupação de 86,22%, resultando num rendimento esperado por quarto de 86,22 €. Esta estratégia de preços foi desenhada para maximizar a ocupação durante a época baixa, oferecendo um preço atrativo que incentive as reservas, mantendo simultaneamente um rendimento por quarto saudável. Ao posicionarmo-nos abaixo da tarifa da concorrência, pretendemos captar uma maior quota de mercado e otimizar a utilização dos quartos.
Naturalmente, a recomendação baseia-se no modelo treinado, utilizando os dados do hotel descritos na parte 2 desta série.
Sempre que as condições de mercado mudam, ou quando as políticas do hotel são ajustadas, devem ser recolhidos novos dados e o modelo deve ser afinado (fine-tuned). A sua precisão também deve ser avaliada continuamente ao longo do tempo.
O agente é previsível, obediente e intencionalmente limitado pelo seu âmbito de conversação. Uma das suas funcionalidades mais valiosas é a sua capacidade de explicar por que razão um determinado preço foi recomendado.
Mesmo quando uma recomendação parece contra-intuitiva, a explicação oferece uma base para compreender os fatores subjacentes e para promover uma discussão fundamentada no seio da equipa de gestão.
Como o agente nunca decide sozinho, cada recomendação é totalmente rastreável: dados de entrada, versão do modelo, grelha de preços testada e resultado final. Esta rastreabilidade é o que torna o sistema viável para empresas reais — e não apenas para demonstrações.
Voltei a falar com a diretora do hotel. O hotel estava quase vazio. A propriedade é agradável, os funcionários são educados e gentis. No entanto, o problema dos preços continua a ser evidente.
Com uma melhor inteligência de preços, poderiam melhorar significativamente tanto a fidelização dos clientes como a rentabilidade global.
Deseja uma estratégia de preços personalizada para a sua empresa?
Contacte o Swell AI Lab para agendar um diagnóstico rápido.
