Removendo a principal barreira de ativação no ERP com importação de dados assistida por IA
AI-Augmented
Onboarding
Activation
Trust Design
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 — tempo 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 Gabriella Antunes de Oliveira e Fernanda Marcondes Rebello (pesquisa de produto), exploração das três alternativas de UI, e desenvolvimento do protótipo em parceria direta com Thiago Roberto Kolodge (Design Manager).
A decisão pelo formato Chat — em vez de Wizard ou integração à Captura AI — não foi apenas uma decisão de interação. Implicou transferir o escopo para o time de Conta AI, com suporte do time de Growth. Naveguei ativamente 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 que motivou esta iniciativa era direto: aumentar a taxa de ativação nos primeiros 30 dias de assinantes sem onboarding assistido de 27% para 40% (exceto canal lote). A métrica central era Time to Value — redução do tempo para que o usuário tivesse seus primeiros dados de vendas registrados na plataforma. Preenchimento manual de cadastros era o maior bloqueador desse caminho.
A solução padrão para esse problema em ERPs é onboarding guiado por CS: um humano conduz o usuário pelo preenchimento manual. Essa solução escala mal — o custo de CS cresce linearmente com a base — e era explicitamente o que queríamos substituir para o segmento sem onboarding assistido.
A oportunidade de IA não era automação genérica. Era a substituição de uma tarefa mecânica específica: mapear campos de uma planilha existente do usuário para os campos do produto. Essa tarefa não requer julgamento humano; requer reconhecimento de padrões. A IA faz isso em segundos; o usuário traz o julgamento sobre os dados do negócio dele — quais clientes importar, quais serviços manter.
A separação de papéis — IA faz o mapeamento técnico, usuário valida os dados de negócio — foi a decisão de design mais importante desta iniciativa. Ela resolve simultaneamente o problema de confiança (usuário mantém controle sobre o que entra no sistema) e o problema de atrito (usuário não executa o trabalho mecânico).
A tensão estratégica real era outra: a visão de como a IA seria integrada ao Conta Azul Pro ainda estava sendo definida enquanto projetávamos. Decidir pelo formato Chat antecipou a visão futura da Conta AI — mas criou dependência de uma decisão de produto que ainda não tinha fechamento. O MVP Alpha foi desenhado para gerar sinal antes que essa decisão se tornasse bloqueadora.
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 Gabriella e Fernanda. 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 Gabriella Antunes de Oliveira e Fernanda Marcondes Rebello 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.
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.
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.
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.
Visuais: fluxo completo de chat (upload → extração → preview → confirmação) · comparação dos três modelos explorados
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.
Visuais: tela de revisão com mapeamento campo a campo · edição inline · confirmação explícita
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.
Visuais: wireframes dos três modelos — Wizard, Captura AI integrada, Chat IA · matriz de decisão
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.
O OKR de 27% para 40% de ativação em 30 dias não seria alcançado apenas com melhorias de UX incremental. Precisava de uma mudança na estrutura do problema: eliminar o preenchimento manual como pré-requisito para chegar ao valor do 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.
Vamos trabalhar juntos?
Disponível para full-time · remote · freelancer
Aberto a novos projetos, oportunidades e conversas.