IA Revolucionando a Consultoria de Vistos: O Case We Vistos e SymCorp

O mercado de assessoria de vistos é intensivo em documentação, prazos e julgamento humano. Cada processo envolve dezenas de campos oficiais, regras consulares que mudam sem aviso, agendamentos disputados e um cliente ansioso do outro lado do WhatsApp. Nesse contexto, ganho de eficiência não vem de "usar IA": vem de engenharia de dados bem-feita, automação confiável e modelos calibrados operando dentro de um processo redesenhado.

A SymCorp conduziu esse redesenho junto à We Vistos (wevistos.com), uma das assessorias de vistos e passaporte mais reconhecidas do Brasil. Este artigo detalha o que foi construído, com quais frameworks, e quais métricas foram movidas — em poucas semanas de projeto.

Quem é a We Vistos e por que o problema é difícil

A We Vistos opera assessoria completa e 100% online, cobrindo um portfólio bem mais amplo do que o senso comum sugere:

• Visto Americano (B1/B2 turismo e negócios, estudos): primeira solicitação, renovação, visto família e reversão de casos negados.
• Visto Canadense e Visto Mexicano (consular e eletrônico).
• Autorizações eletrônicas: ESTA (EUA), eTA (Canadá), ETA (Reino Unido).
• Passaporte brasileiro: primeira via, renovação e autorização para menor.
• Análise de perfil: avaliação prévia das chances reais de aprovação antes de o cliente investir na taxa consular.

Operacionalmente, isso significa múltiplos fluxos com regras distintas, entrada de dados sensíveis, dependência de sistemas oficiais de terceiros (CEAC/AIS, Polícia Federal, portais de eTA) e um funil comercial que roda quase inteiramente por conversa. Três gargalos ficaram evidentes no diagnóstico:

1. Tempo de resposta ao lead — cada minuto de atraso na primeira resposta derruba conversão.
2. Retrabalho documental — erros no DS-160 e em formulários equivalentes geram reprocesso e risco de indeferimento.
3. Julgamento não estruturado — o conhecimento sobre "quem tem chance" existia como experiência tácita, não como dado.

Metodologia: discovery orientado a valor, não a tecnologia

Adotamos um ciclo enxuto inspirado em CRISP-DM para as frentes analíticas e Domain-Driven Design para o desenho dos serviços, executado em sprints de duas semanas:

• Semana 0–1 — Discovery e instrumentação: mapeamento da jornada ponta a ponta, value stream mapping dos processos manuais, definição da árvore de métricas (north star: leads convertidos por atendente/semana) e instrumentação de eventos. Sem baseline medido, não há ROI demonstrável.
• Semana 2–3 — MVP conversacional: primeiro agente em produção com escopo restrito e human-in-the-loop obrigatório.
• Semana 4–6 — Automação documental e portal de agendamentos.
• Semana 7+ — Camada preditiva e MLOps, já com dados históricos normalizados.

Cada entrega subiu atrás de feature flag, com rollback em minutos e comparação A/B contra o processo manual. A decisão de expandir sempre foi tomada com número na mesa.

Camada 1 — Assistente conversacional multiagente no WhatsApp

O atendimento foi reconstruído como um grafo de estados e não como um chatbot de árvore de decisão. Arquitetura:

• Orquestração: grafo de agentes em LangGraph, com nós especializados (triagem, qualificação, dúvidas sobre visto, agendamento, handoff humano) e estado persistido — a conversa sobrevive a reinícios e retoma contexto dias depois.
• Conhecimento: pipeline RAG sobre a base editorial e os procedimentos internos da We Vistos, com chunking semântico, embeddings e busca vetorial em Postgres + pgvector, combinada a busca lexical (hybrid search) e reranking. Resposta sem fonte recuperada não é enviada.
• Canal: WhatsApp Cloud API integrada a um inbox unificado, preservando o histórico humano e o time de atendimento no mesmo painel.
• Guardrails: validação de saída por schema, política de refusal para temas jurídico-consulares sensíveis, mascaramento de PII em logs e trilha de auditoria de cada ação do agente em tabelas relacionais com row-level security.
• Avaliação: conjunto de golden questions versionado, avaliação automática (LLM-as-judge + métricas de groundedness) rodando em CI a cada mudança de prompt ou de modelo. Prompt é artefato versionado, não texto solto.

Resultado operacional: -60% no tempo médio de atendimento, cobertura 24/7 e capacidade de absorver picos de demanda (Copa 2026, alta temporada) sem contratar proporcionalmente.

Camada 2 — Preenchimento assistido do DS-160 e documentação

O DS-160 é longo, sem salvamento amigável e implacável com inconsistências. Aqui a escolha técnica central foi não delegar correção ao LLM: o modelo interpreta e orienta, mas a validação é determinística.

• Extração: OCR e document parsing de passaportes e comprovantes, com extração estruturada validada contra JSON Schema; campos de baixa confiança vão obrigatoriamente para revisão humana.
• Regras determinísticas: motor de validação com regras de consistência cruzada (datas de viagem vs. validade do passaporte, histórico de vistos, coerência de vínculos declarados) — reprodutível e testável, sem alucinação possível.
• Copiloto contextual: LLM explica o significado de cada campo em linguagem simples e sinaliza respostas de risco antes do envio.
• Padronização: normalização de dados garante base histórica limpa — pré-requisito que viabilizou a camada preditiva depois.

Efeito medido: queda expressiva de retrabalho documental e redução do tempo de preenchimento por processo, com o especialista atuando por exceção em vez de digitar tudo.

Camada 3 — Modelos preditivos de aprovação (e explicabilidade)

Transformamos a experiência tácita da equipe em um modelo de classificação sobre a base histórica normalizada.

• Modelagem: gradient boosting (XGBoost/LightGBM) como baseline forte para dados tabulares, com regressão logística regularizada como modelo de referência interpretável.
• Feature engineering: variáveis de perfil (vínculo empregatício, histórico de viagens, faixa etária, composição familiar), variáveis de processo e agregações temporais — com target encoding controlado e validação cruzada estratificada para evitar leakage.
• Calibração: a saída é probabilidade calibrada (Platt/isotônica), avaliada por ROC-AUC, PR-AUC e Brier score. Em decisão comercial, probabilidade mal calibrada é pior que nenhuma.
• Explicabilidade: SHAP por caso, traduzido em linguagem de negócio, para o consultor justificar a recomendação ao cliente — requisito de confiança, não enfeite.
• MLOps: versionamento de dados e modelos, feature store leve em Postgres, retreino agendado, monitoramento de data drift e de degradação de performance, e shadow mode antes de qualquer promoção a produção.

Uso prático: priorização de casos, precificação mais justa da assessoria e conversa honesta com o cliente sobre risco — o que reduz negativas e protege a reputação da marca.

Camada 4 — Antecipação automática de agendamentos

A dor mais concreta do cliente final é a data da entrevista. Construímos um serviço de monitoramento contínuo dos sistemas oficiais de agendamento que busca vagas mais próximas em todas as cidades disponíveis:

• Automação resiliente: workers em execução agendada, com retry com backoff exponencial, circuit breaker, rotação de sessão e tolerância a mudanças de layout dos portais.
• Arquitetura orientada a eventos: disponibilidade detectada dispara notificação e registro imediato; nada depende de alguém olhar a tela.
• Multi-tenant seguro: isolamento por cliente com row-level security, credenciais criptografadas e logs de execução auditáveis.
• Observabilidade: dashboards de disponibilidade por cidade, histórico por processo e relatórios por cliente, além de sistema de créditos para controle de consumo.

Métricas otimizadas e ROI

Tudo foi acompanhado contra o baseline levantado na semana 0:

• -60% no tempo médio de atendimento, com resposta ao lead saindo de horas para segundos fora do horário comercial.
• Redução material de retrabalho documental nos formulários oficiais, com validação antes do envio.
• Aumento da conversão lead → contrato, efeito direto de velocidade de resposta e de qualificação consistente.
• Capacidade por atendente ampliada sem crescimento proporcional de custo fixo — o ganho de margem que sustenta o ROI.
• Antecipação de datas de entrevista como diferencial comercial mensurável, gerando nova linha de receita.

Payback em poucas semanas. O primeiro agente entrou em produção na terceira semana e o ganho de horas do time já cobria o custo de operação da solução antes do fim do primeiro ciclo trimestral — porque o escopo foi cortado por valor, não por vontade de usar tecnologia. Não medimos "adoção de IA": medimos horas liberadas, conversão e receita incremental.

Stack e princípios de engenharia

Python, LangGraph e LLMs de última geração na camada de agentes; Postgres com pgvector como fonte da verdade e store vetorial; AWS para orquestração, filas e execução agendada; frontend em React para os painéis internos; CI/CD com testes automatizados, avaliação de prompts e observabilidade ponta a ponta (tracing de cada chamada de LLM, custo por conversa, latência p95).

Três princípios não negociáveis guiaram o projeto: determinismo onde há regra, probabilidade calibrada onde há incerteza e humano no circuito onde há consequência.

Conclusão

O case We Vistos mostra que IA aplicada com engenharia disciplinada gera retorno em semanas, não em anos. A diferença não está no modelo escolhido, mas na combinação de discovery orientado a métrica, arquitetura confiável, automação auditável e disciplina de MLOps.

Se sua operação tem processos intensivos em documento, atendimento por conversa e decisões baseadas em experiência tácita, existe valor mensurável a ser destravado. Fale com a SymCorp e vamos desenhar o menor escopo capaz de provar ROI no próximo mês.