Toda empresa que realiza eventos — treinamentos, congressos, encontros com clientes, roadshows — repete o mesmo ritual: ao final, envia uma pesquisa de satisfação. E aí acontece o que sempre acontece. As respostas viram uma planilha, a planilha vai para uma pasta, e a pasta vira um cemitério de feedback.
As notas até são olhadas ("o NPS foi bom"). Mas o campo aberto de comentários — justamente onde o participante escreve o que realmente pensou — quase nunca é lido de forma sistemática. Não por má vontade: ler, interpretar e tabular centenas de comentários à mão simplesmente não cabe na rotina de ninguém.
Este artigo conta um caso real em que atacamos exatamente esse problema com um agente de IA.
O problema: dezenas de planilhas, dezenas de formatos
O cenário que encontramos é provavelmente parecido com o seu. Um cliente que realiza dezenas de eventos por ano, cada um com sua pesquisa de satisfação feita em formulário eletrônico. O acumulado: dezenas de planilhas e milhares de respostas.
O detalhe que mata qualquer análise manual: cada formulário era um pouco diferente do outro. No levantamento, encontramos dezenas de layouts distintos entre os arquivos. A mesma pergunta aparecia com redações diferentes ("recomendar este evento", "recomendar esta aula"), escalas iguais com rótulos diferentes, formulários em múltiplos idiomas, colunas com nomes de palestrantes embutidos no título da pergunta, arquivos duplicados com versões diferentes.
Ou seja: antes de qualquer inteligência artificial, havia um problema clássico de engenharia de dados. E essa é a primeira lição do projeto — pular essa etapa e "jogar tudo na IA" produz análise bonita em cima de dado errado.
O que o agente faz
Desenhamos um pipeline em quatro etapas, que roda sob demanda: chegaram planilhas novas, é só executar de novo — ele processa apenas o que ainda não viu.
1. Ingestão. O agente varre as pastas, lê cada planilha e extrai também o que está fora dela: tipo de evento, equipe responsável e data, que estavam codificados no nome dos arquivos e das pastas. Duplicatas são detectadas e resolvidas automaticamente.
2. Normalização. Aqui mora o trabalho invisível que faz tudo funcionar. Cada pergunta é classificada por tipo (NPS, escala de satisfação, múltipla escolha, texto aberto) e mapeada para uma pergunta canônica — um dicionário curado que entende que "recomendar este evento" e "recomendar esta aula" são a mesma métrica. O que o dicionário não reconhece entra num relatório de pendências para revisão humana: a curadoria continua existindo, mas vira exceção, não rotina.
3. Enriquecimento com IA. É aqui que os comentários abertos deixam de ser texto morto. Para cada comentário, o agente extrai:
- Sentimento — positivo, negativo, neutro ou misto (porque gente de verdade elogia e critica na mesma frase), com um score que permite acompanhar evolução no tempo;
- Intenção — elogio, crítica, sugestão, dúvida ou pedido. Um comentário como "Adorei o formato! Vocês poderiam disponibilizar o material?" é elogio e pedido — e pedidos merecem follow-up, não só tabulação;
- Aspecto — sobre o que a pessoa está falando: conteúdo, didática do palestrante, duração, formato, organização, material. Isso permite responder perguntas como "o que mais gera crítica: o conteúdo ou a logística?";
- Temas — os comentários são agrupados automaticamente em clusters temáticos, e os termos mais relevantes são extraídos por evento e no geral.
4. Publicação. Tudo é gravado numa base analítica estruturada, com visões prontas para dashboard: NPS por evento, satisfação média por critério, sentimento ao longo do tempo, temas ordenados por volume de crítica, e uma fila de sugestões e pedidos pendentes de resposta.
O que muda na prática
Antes: "o evento foi bem avaliado, nota média 4,6". Depois, a conversa vira outra:
- Qual formato de evento gera mais participantes — presencial curto ou online longo?
- As críticas estão concentradas em quê? Duração? Material? Logística?
- Que temas os próprios participantes estão pedindo para os próximos eventos?
- Quantos pedidos feitos nos comentários ficaram sem resposta?
Nenhuma dessas respostas exige ler mil comentários. Todas elas estavam, o tempo todo, dentro das planilhas esquecidas na pasta.
O que é preciso para funcionar de verdade
Quatro cuidados fizeram diferença neste projeto — e valem para qualquer iniciativa parecida:
- Governança do dado pessoal. Nome e e-mail de respondentes ficam fora da base analítica, e nada de identificável é enviado para a IA. Análise de feedback não precisa — e não deve — expor quem respondeu.
- Reprodutibilidade. Cada análise de IA fica registrada com a versão do modelo e do prompt que a gerou, e resultados são cacheados. Rodar de novo não muda o histórico nem gera custo repetido.
- Independência de fornecedor. A camada de IA é isolada atrás de uma interface única. Se amanhã fizer sentido trocar de provedor de modelo, troca-se uma peça — não o pipeline inteiro.
- Teto de custo, sem surpresas. Um dos grandes temores das empresas com IA é o descontrole no consumo de tokens. Aqui isso é resolvido por desenho: antes de chamar a IA, o pipeline sabe exatamente quantos comentários novos vai processar e estima o custo da rodada antes de gastar o primeiro centavo. E há um limite máximo configurável: se a rodada atingir o teto definido, o processamento pausa de forma controlada e o restante fica para a próxima execução — nada é perdido, e a fatura nunca ultrapassa o combinado.
E uma constatação sobre custo, que costuma surpreender: processar centenas de respostas com IA custa menos que um café. A barreira não é preço — é estruturar o processo.
Por onde começar
Se a sua empresa aplica pesquisas — de eventos, de clientes, de colaboradores — e os comentários abertos estão acumulados sem leitura, você já tem a matéria-prima. O caminho que recomendamos é o mesmo que seguimos aqui: começar pequeno, com o acervo que já existe, e entregar valor em fases — primeiro as métricas estruturadas num dashboard, depois a camada de IA sobre os comentários.