Removendo a principal barreira de ativação no ERP com importação de dados assistida por IA
AI-Augmented
Onboarding
Activation
Revenue
Conversational UI
Contexto
O achado mais consistente da jornada de ativação: antes de criar a primeira venda, o usuário precisava ter clientes cadastrados; antes de emitir uma nota, serviços cadastrados. O preenchimento manual era a parede entre a criação da conta e o valor do produto.
Problema
Preenchimento manual de dados de setup consumia 30–45 minutos de cada nova sessão de onboarding, tudo gasto antes de qualquer ação de valor. Para a maioria dos usuários, esse atrito era suficiente para abandono antes da ativação.
Abordagem
Fluxo conversacional de importação assistida por IA: o usuário sobe uma planilha, a IA extrai e mapeia os campos automaticamente, o usuário revisa e confirma. Configuração em minutos, não em horas.
Resultado
+44% de interesse na funcionalidade · 22% de engajamento ativo · 16% de completude do fluxo. Sinais de validação em estágio inicial, não de rollout completo.
Resultados
+44%Interesse na funcionalidadeDeclararam interesse
22%Engajamento ativoIniciaram o fluxo
16%Completude do fluxoConcluíram a importação
Atuação
Fui o Product Designer responsável por esta iniciativa, do alinhamento inicial até o protótipo do MVP Alpha. O escopo incluiu condução do CSD com duas PMs de produto, exploração das três alternativas de UI, e desenvolvimento do protótipo em parceria direta com o Design Manager.
A exploração das alternativas passou por engenharia, diretorias, GPMs e PMs antes de fechar. O critério era um só: o caminho tinha que convergir com a visão de longo prazo do negócio, e convergiu. O onboarding com IA virou o primeiro passo da Conta Azul entregando valor ao cliente com IA dentro do produto.
A decisão pelo formato Chat (em vez de Wizard ou integração à Captura AI) foi além de uma decisão de interação. Implicou transferir o escopo para o time de Conta AI, com suporte do time de Growth. Naveguei a incerteza institucional sobre como a IA seria usada no produto: a documentação do projeto registrava que este fluxo poderia sofrer mudanças não previstas sobre a visão de IA no Conta Azul Pro. Seguir em frente com MVP Alpha, em vez de aguardar definição completa, foi uma decisão de risco calculado.
Estratégia
O OKR era direto: subir a ativação em 30 dias de assinantes sem onboarding assistido de 27% para 40% (exceto canal lote). A métrica central era Time to Value, o tempo até o usuário registrar seus primeiros dados de vendas. O preenchimento manual de cadastros era o maior bloqueador desse caminho.
Em ERPs, o padrão para esse problema é onboarding guiado por CS: um humano conduz o preenchimento manual. Escala mal, porque o custo de CS cresce com a base, e era justamente o que queríamos substituir no segmento sem onboarding assistido.
A IA fazia uma tarefa mecânica específica: mapear os campos da planilha do usuário para os campos do produto. Reconhecimento de padrões, não julgamento, e a IA resolve em segundos. A separação de papéis foi a decisão de design mais importante: a IA faz o mapeamento técnico, o usuário valida os dados do negócio. Isso resolve confiança (o usuário controla o que entra no sistema) e atrito (o usuário não executa o trabalho mecânico) de uma vez.
A tensão real estava no timing: a integração da IA ao Conta Azul Pro ainda estava sendo definida enquanto projetávamos. Optar pelo Chat antecipou a visão da Conta AI, mas dependia de uma decisão de produto ainda em aberto. Desenhei o MVP Alpha para gerar sinal antes que essa decisão virasse bloqueio.
Processo
A sequência foi definida antes de qualquer wireframe: alinhar incertezas, pesquisar soluções existentes, explorar modelos, decidir com critério explícito.
CSD com time de produto: levantamento estruturado de Certezas, Suposições e Dúvidas com as duas PMs. Resultado: lista de hipóteses sobre desejo, usabilidade e valor percebido que moldou as expectativas de aprendizado do MVP.
Desk research interno: mapeamento de iniciativas anteriores na Caixa de entrada e evoluções da Conta AI documentadas por outros designers. Evitou retrabalho e conectou a iniciativa à visão de longo prazo já existente no produto.
Benchmark de IA em SaaS: estudo focado em como interfaces resolvem integração de IA para importação de arquivos em produtos B2B. Identificou que importação de arquivo como funcionalidade principal era o padrão para entregar valor percebido rapidamente.
Exploração de 3 modelos de UI: prototipagem e comparação de: (1) Wizard de importação (experiência apartada da Conta AI); (2) Integrado à Captura AI (dentro da experiência visual existente); (3) Chat IA (experiência de chat estático, sem input de texto, apenas cliques).
MVP Alpha com público restrito: lançamento para novos usuários em aproximadamente 10% da base elegível, cobrindo cadastro de Clientes, Produtos/Serviços e Despesas. As expectativas de aprendizado foram definidas antes do lançamento: Desejo (% de adoção, ponto principal de abandono), Usabilidade (compreensão do fluxo, clareza da proposta de valor, facilidade de revisão) e Valor Percebido (feedback qualitativo sobre experiência com a IA).
Diagnóstico
Pergunta: Quais são nossas certezas, suposições e dúvidas sobre desejar, usar e confiar em importação assistida por IA?
O que foi feito: Workshop de CSD conduzido com as duas PMs de produto como ferramenta de alinhamento inicial antes de qualquer exploração de solução.
Achado principal: A maior dúvida do time não era sobre desejo (havia sinal claro de que usuários queriam sair do preenchimento manual). Era sobre confiança: o usuário confia que a IA mapeou os dados corretamente sem verificar campo a campo?
Artefato: Mapa CSD com hipóteses priorizadas; alimentou diretamente as expectativas de aprendizado do MVP Alpha.
Mapa de CSD com o time de produto: certezas, suposições e dúvidas sobre a importação assistida por IA
Pergunta: O que já foi tentado ou documentado internamente sobre importação de dados e evolução da Conta AI?
O que foi feito: Pesquisa de iniciativas anteriores na Caixa de entrada e levantamento de documentação de outros designers sobre evoluções da Conta AI.
Achado principal: A função de importação existente estava desatualizada e não funcionava para as necessidades reais dos clientes. CS reportava dificuldades recorrentes com cadastros. Havia visão de futuro documentada para a Conta AI, mas sem implementação concreta ainda.
Artefato: Síntese de iniciativas anteriores; mapa de lacunas entre o que existia e o que o usuário precisava.
Pergunta: Como produtos SaaS B2B resolvem a integração de IA em fluxos de importação de arquivos para onboarding?
O que foi feito: Estudo comparativo focado em importação de arquivo como funcionalidade principal de entrega de valor em onboarding assistido por IA.
Achado principal: O padrão de mercado converge em: upload → processamento automático → revisão pelo usuário → confirmação. Produtos que pulam a etapa de revisão registram taxas maiores de erro percebido e abandono pós-importação. A etapa de revisão não é opcional: é o que torna a IA confiável.
Artefato: Painel de benchmarking com análise de padrões de UI; referência para decisões de interface na tela de revisão.
Painel de benchmark: fluxos de importação com IA em SaaS B2B
Pergunta: Qual modelo de UI distribui melhor a carga cognitiva entre IA e usuário, dado o contexto de dados críticos de negócio?
O que foi feito: Prototipagem e comparação estruturada de três modelos: Wizard de importação (experiência apartada da Conta AI), Integrado à Captura AI (dentro da experiência visual existente) e Chat IA (chat estático sem input de texto, apenas cliques).
Achado principal: O Wizard e a integração à Captura AI transferiam a complexidade do mapeamento para o usuário de formas diferentes: o usuário ainda precisava tomar decisões de configuração. O Chat escondia essa complexidade: a IA mapeia, o usuário só revisa e clica. Para o perfil de usuário alvo (novos usuários sem familiaridade com o produto), redução de decisões era mais importante que flexibilidade de configuração.
Artefato: Wireframes comparativos dos três modelos; matriz de decisão com critérios de carga cognitiva, alinhamento à visão de produto e viabilidade de desenvolvimento.
Wireframes dos três modelos lado a lado: Wizard, integração à Captura AI e Chat
Solução
Problema: Como reduzir o atrito do setup manual sem transferir o trabalho mecânico para o usuário em formato diferente?
Decisão de design: Interface baseada em chat: o usuário sobe a planilha, a IA conduz o processo. A interação é de revisão e confirmação, não de configuração. O usuário não escolhe mapeamentos; ele valida os que a IA sugere. O MVP Alpha cobria os três tipos de cadastro com maior impacto no Time to Value: Clientes, Produtos/Serviços e Despesas. O chat foi implementado como estático (sem input de texto livre, apenas cliques em opções predefinidas) para reduzir variabilidade e facilitar validação do comportamento da IA nesta fase.
Ponto de entrada do fluxo: card de importação com IA na home
Problema: Usuários precisam confiar que a IA mapeou os dados corretamente antes de confirmar uma importação que pode sobrescrever dados existentes.
Decisão de design: Tela de revisão com visualização clara do mapeamento (campo original → campo no produto) com edição inline para correções pontuais. Confirmação explícita antes de qualquer alteração no banco de dados. O usuário mantém controle total; a IA reduz o esforço, não o julgamento.
Tela de revisão: dados extraídos da planilha com confirmação antes de importar
Problema: Três modelos diferentes de UI chegaram à mesa antes da decisão final, cada um com trade-offs distintos de carga cognitiva e alinhamento à visão do produto.
Decisão de design: A exploração de wireframes dos três modelos revelou que o Wizard e a integração à Captura AI transferiam a complexidade do mapeamento para o usuário de formas diferentes. A UI conversacional escondia essa complexidade completamente: a IA mapeia, o usuário revisa. Essa análise foi o insumo direto para a decisão de adotar o Chat e transferir o escopo para o time de Conta AI.
Wireframes dos três modelos lado a lado: Wizard, integração à Captura AI e Chat
Reflexão
O que este projeto realmente foi
Uma aposta em timing: projetar confiança para IA em contexto de dados críticos antes que a visão do produto de IA estivesse totalmente definida. O trabalho técnico de design (separação de papéis IA/usuário, tela de revisão, chat estático) era consequência de uma decisão estratégica anterior: gerar sinal de validação antes que a incerteza institucional sobre a IA no produto se tornasse bloqueadora.
Sair de 27% para 40% de ativação em 30 dias não viria de ajuste fino de UX. O salto exigia mexer na estrutura do problema: tirar o preenchimento manual do caminho entre a criação da conta e o valor do produto.
O que isso significou para o produto
Este projeto foi o primeiro caso de IA do Conta Azul Pro entregando valor direto ao cliente em produção. O resultado do MVP Alpha virou referência para a liderança decidir os próximos passos da Conta AI: que formato de interação escalar, onde investir engenharia, como medir adoção em fluxos que tocam dados críticos do negócio. A separação de papéis testada aqui, a IA mapeia e o usuário valida, passou a orientar outras squads avaliando onde aplicar IA no produto.
O que permaneceu depois
A arquitetura de confiança desenvolvida aqui (upload → mapeamento automático → revisão pelo usuário → confirmação explícita) é reutilizável para qualquer fluxo de IA que opere sobre dados de negócio críticos. A separação entre o que a IA decide (mapeamento técnico) e o que o usuário decide (validação de negócio) é um princípio de design, não uma solução pontual. A visão de futuro documentada no projeto (MLP com conexão a histórico de vendas, contratos ativos e integração centralizada com sistema de chat) ficou registrada e pode alimentar iterações subsequentes à medida que a visão de IA do produto amadurece.
O que eu faria diferente
Fixaria os critérios de sucesso quantitativos antes do lançamento com mais rigor: especificamente, o que constituiria sinal suficiente para escalar vs. pivotar. Os critérios qualitativos (Desejo, Usabilidade, Valor Percebido) eram claros; os limiares numéricos para decisão de continuidade eram implícitos. Dado o risco de mudança na visão de IA do produto (risco documentado e real, não hipotético), essa clareza prévia teria protegido o time de interpretações ambíguas dos resultados do Alpha.
Sobre o 16% de completude: a referência de mercado aponta que fluxos de importação em SaaS B2B registram tipicamente entre 10–25% de completude na sessão. O 16% está dentro dessa faixa. Faria essa contextualização explícita desde o início, como parte do framework de avaliação acordado com stakeholders antes do lançamento, não como defesa posterior.
Case protegido
Este case é protegido por senha. Insira a senha para acessar o processo completo — ou entre em contato para solicitar acesso.
Vamos trabalhar juntos?
Disponível para full-time · remote · freelancer
Aberto a novos projetos, oportunidades e conversas.
