Alpina GPT: 9.000 Usuários, -1.977 Horas e a Principal Barreira da IA Corporativa
Descubra como a Alpina Digital construiu o Alpina GPT, um agregador de IA com 42 modelos, economizando milhares de horas em marketing e superando desafios de implementação corporativa. O artigo detalha a arquitetura, os erros iniciais e as soluções focadas no usuário.
MundiX News·05 de junho de 2026·12 min de leitura·👁 10 views
Em abril de 2026, 92% dos novos usuários da Alpina GPT abandonavam a plataforma sem fazer uma única consulta ao modelo. Para usuários recorrentes, essa taxa era de 58%. Isso não reflete "usuários lentos", mas sim um mecanismo de produto falho: um agregador de IA corporativo sem treinamento integrado se torna uma vitrine cara. A Alpina Digital construiu o Alpina GPT, um startup interno que hoje reúne 42 modelos em uma única interface e conta com 9.000 usuários registrados. Paralelamente, medimos o impacto internamente: o marketing de publicação de livros através desta plataforma liberou entre 1.425 e 1.977 horas de trabalho humano por ano. A seguir, detalhamos a arquitetura, o que falhou na primeira versão, quais três tipos de agentes de IA realmente funcionam no projeto e por que "simplesmente dar acesso ao ChatGPT" é o erro mais caro na implementação corporativa.
O Grupo Editorial Alpina é o maior grupo editorial independente e universal da Rússia. Além de livros, oferecemos cursos online e produtos educacionais corporativos. Em 2024, quando a equipe começou a usar intensivamente redes neurais, nos deparamos com três barreiras comuns a qualquer CTO russo. A primeira barreira é o faturamento e pagamentos: o ChatGPT corporativo não pode ser pago por uma entidade legal russa, e VPN não é uma solução viável para mais de 200 funcionários. A segunda barreira são os dados: o setor editorial lida com direitos autorais, manuscritos inéditos e contratos. Enviar esses dados diretamente para a nuvem da OpenAI não é uma opção. A Lei Federal 152-FZ exige o armazenamento de dados pessoais em servidores na Rússia. A terceira barreira é a diversidade de modelos: diferentes modelos são adequados para diferentes tarefas. Claude é bom para análises extensas, GPT para código e Perplexity para fatos com referências. Gerenciar 5 assinaturas, 5 interfaces e 5 logins é um pesadelo operacional. Assim surgiu a ideia do Alpina GPT: uma única interface, faturamento unificado, um contorno russo e acesso a todos os modelos relevantes via API. Inicialmente para uso interno, depois para o mercado.
Atualmente, o Alpina GPT possui 42 modelos em seu pool ativo, desde modelos leves e rápidos para comunicação inicial até modelos pesados de raciocínio para análise e código. Cada classe de tarefa tem sua ferramenta. Os dados residem em Selectel e Yandex Cloud, dois provedores independentes para diversificação de riscos, garantindo conformidade com a 152-FZ. Modelos externos são conectados via API, garantindo que os dados do usuário não permaneçam com OpenAI, Anthropic ou Google e não sejam usados para retreinamento dos modelos. Nem mesmo nós temos acesso ao conteúdo das conversas. O faturamento é feito com "Alpina Tokens", uma moeda interna com uma escala de custo relativa de 1 a 5 pontos por solicitação. Por exemplo, um nano-modelo custa 1 ponto, e Opus custa 5 pontos. Essa é uma complexidade oculta: cada provedor de API tem sua própria tokenização, preços de entrada e saída, e comprimento de janela de contexto. Unificar isso em uma métrica compreensível para o usuário é uma tarefa de engenharia separada. A principal decisão arquitetural foi não implementar o roteamento automático. O usuário escolhe o modelo. Isso é contraintuitivo, pois todos os agregadores "inteligentes" estão se movendo em direção a "você apenas escreve a solicitação, nós selecionaremos o LLM". Nós conscientemente fomos na direção oposta por duas razões. A primeira é técnica: um roteamento de qualidade requer um modelo classificador adicional que decide qual LLM é adequado na entrada. Isso adiciona latência, seus próprios erros de classificação e falta de transparência para o usuário – "por que Gemini respondeu, eu queria Claude". A segunda é de produto: se o usuário não entende qual modelo está respondendo, ele não aprende. E (veja a próxima seção) o aprendizado é uma parte fundamental do nosso modelo de negócios, não um "bônus agradável". O failover funciona – isso é visível constantemente em demonstrações: GPT-5 travou por 30 segundos, o usuário muda para Claude Sonnet 4.5 e obtém uma resposta em dois segundos. A arquitetura de janela única torna essa transição perfeita. Para clientes com requisitos rigorosos de contorno, oferecemos uma solução separada: a plataforma é implantada dentro da rede corporativa do cliente, sem chamadas a APIs externas. Isso não é mais "IA commodity", mas um produto de infraestrutura.
As primeiras vendas começaram no final de 2024. Na época, o produto era diferente – cru, pesado, com uma interface que era vergonhoso mostrar a um novo cliente. Acumulamos feedback, redesenhamos a plataforma e em agosto de 2025 lançamos um rebranding completo, além de abrir acesso público para indivíduos. A partir desse momento, o tráfego no Metric começou a crescer significativamente – e com ele surgiu o problema que subestimamos no contexto corporativo. Um novo usuário chegava, registrava-se, entrava no chat – e fechava a aba em um minuto. O nível de trial gratuito (100 tokens e 3 dias – sem código promocional) se esgotava rapidamente para um usuário ativo. Mas os "ativos" eram a menor parte. A maioria fazia login, via um campo de entrada vazio e não entendia o que escrever nele. Este é um problema clássico de interfaces semelhantes ao ChatGPT, transferido para o contexto corporativo. O ChatGPT, pelo menos, mascara isso com uma enorme quantidade de tutoriais online e a motivação pessoal do usuário "experimentar algo da moda". Em um produto corporativo enviado pelo RH ou departamento de TI, essa motivação não existe. Os números mostram: o principal abismo está na conversão para a primeira consulta: 7,7% para novatos contra 42,2% para usuários recorrentes. Isso é uma diferença de 5,5 vezes na chance de chegar ao primeiro uso. Mas o mais interessante é que os novatos que conseguem fazer a primeira consulta se comportam exatamente como os veteranos: cerca de 4,5 consultas por visita. A diferença entre os segmentos em intensidade de trabalho é zero (4,46 vs 4,48). Isso muda qualitativamente o diagnóstico. O problema não é que "novatos não sabem usar IA" e precisam aprimorar suas habilidades. O problema é exclusivamente a barreira do primeiro contato: 92% dos novos usuários não chegam à consulta nº 1. Se a barreira for superada, o usuário opera imediatamente em plena capacidade. Em termos de negócios: de 100 novos usuários, 92 não fazem nenhuma consulta na primeira visita. Se nada for feito, a maioria deles nunca retornará. Essa é a "vitrine cara": licenças compradas, servidores pagos, mas a economia real do produto é construída sobre os 8% que de alguma forma conseguiram superar a janela vazia. Havia também um subconjunto do mesmo problema – um bug de UX com o campo "Código Promocional". Os novatos o ignoravam e entravam no trial de 100 tokens em vez de 1.000. O campo foi redesenhado – ficou mais visível. Mas foi um conserto barato. O principal problema não estava nele, mas no "primeiro contato".
Para resolver isso, implementamos três módulos de treinamento ao lado do núcleo da plataforma: uma biblioteca de prompts, um curso integrado "IA em Ação" e a AI Academy. A biblioteca de prompts é um catálogo de modelos prontos para tarefas corporativas típicas, como escrever posts para redes sociais, resumir reuniões, analisar relatórios ou preparar especificações para fornecedores. O usuário não escreve do zero, mas escolhe um modelo próximo, preenche 2-3 variáveis e envia. O ponto de entrada para um novato é reduzido de "inventar o prompt perfeito" para "escolher no menu". No roadmap está o compartilhamento de modelos dentro da equipe. O curso integrado "IA em Ação: como resolver tarefas de negócios de forma eficaz com redes neurais" é um intensivo prático onde o usuário trabalha simultaneamente no Alpina GPT e completa tarefas estruturadas. Os graduados do curso fazem, em média, 3-5 vezes mais consultas por mês do que os usuários que não participaram. A AI Academy é um programa contínuo com webinars, análises de casos e novas funcionalidades da plataforma, gratuito para usuários registrados. Isso funciona como um ciclo de retenção – o graduado do curso não entra no vazio, mas em um fluxo regular de atualizações. Poucas semanas após a inclusão dos módulos de treinamento e modelos no fluxo do usuário, a conversão para a primeira consulta dos novatos começou a subir. Os números exatos serão apresentados em um material futuro, pois exigem uma análise separada. O importante aqui é a própria construção: uma biblioteca de cenários prontos + um fluxo de aprendizado + webinars regulares – isso não é "marketing em torno do produto", mas parte do produto, sem a qual o agregador de modelos não chega ao usuário. O principal caso de uso interno foi medir o efeito na própria equipe de marketing do Grupo Editorial Alpina, responsável pela promoção de livros. Antes, a equipe escrevia manualmente quatro tipos de conteúdo: posts para redes sociais, artigos para o site e plataformas parceiras, apresentações para autores e parceiros, e resumos de publicidade para cada livro lançado. A editora lança dezenas de livros por ano, e para cada um há um pacote de conteúdo específico. Isso consumia a maior parte das horas de edição. O que fizemos: para cada tipo de conteúdo, criamos um assistente de IA no Alpina GPT com instruções, uma base de conhecimento (estilo da editora, públicos-alvo, referências bem-sucedidas) e parâmetros de geração. O profissional de marketing não escreve do zero, mas fornece ao assistente as informações iniciais (título do livro, público, pontos-chave), recebe um rascunho, refina e publica. Os resultados anuais (calculados a partir de medições internas) mostram uma economia significativa: para posts, a economia é de cerca de 270 horas/ano (multiplicidade de 3,7x); para artigos, cerca de 80 horas/ano (2,6x); para apresentações, cerca de 150 horas/ano (2,5x); e para resumos de publicidade, cerca de 950 horas/ano (20x). No total, a economia é de 1.425 a 1.977 horas/ano (5,8x). O caso mais dramático são os resumos de publicidade (textos curtos para cada publicação para marketplaces, anúncios, materiais parceiros). Antes, levava uma hora para cada um; agora, são 3 minutos para um rascunho e 5 minutos para edição. Em um catálogo de centenas de livros, isso representa uma economia de 20 vezes. Uma ressalva importante para os céticos: essas horas não "desapareceram no ar". Elas foram liberadas para trabalhos mais complexos – planejamento estratégico de conteúdo, negociações com influenciadores, campanhas não padronizadas. A equipe de conteúdo não foi reduzida, mas mudou seu foco.
Além do conteúdo, integramos três assistentes de outro tipo ao trabalho da equipe. Não "ajude a escrever", mas "execute uma tarefa estruturada". O Assistente 1 é um Auxiliar de Gerente de Projetos: recebe a gravação de uma reunião de 60 minutos com um cliente ou equipe interna. Antes, o gerente passava uma hora transcrevendo, anotando decisões e enviando um protocolo. Agora, ele carrega o áudio no assistente e recebe um documento estruturado. O prompt do sistema (simplificado) instrui o assistente a atuar como um auxiliar de gerente de projetos, gerando um resumo conciso, decisões chave, tarefas com responsáveis e prazos, e riscos e bloqueios, com base apenas no conteúdo da transcrição, em um tom de negócios e sem enrolação. Os parâmetros incluem baixa criatividade (temperature 0.2, top_p 0.5) para garantir precisão e um máximo de 4.000 tokens de saída. A base de conhecimento inclui regulamentos da empresa e um modelo de protocolo. O failover em demonstração mostra que se o GPT-5 travar por mais de 30 segundos, a mudança para Claude Sonnet 4.5 leva três segundos para obter o resumo. Este é um benefício prático da arquitetura multimodal: nada quebra, o usuário muda o modelo na lista suspensa e continua. O Assistente 2 é o Onboarding de RH: um novo funcionário no primeiro dia não sabe a quem recorrer com quais perguntas. Ao RH? Ao gerente direto? Quem é responsável pela entrega de equipamentos, acesso a serviços corporativos, emissão de crachás? Antes, ele passava uma hora correndo e perguntando. Agora, ele escreve para o assistente. A base de conhecimento do assistente inclui regulamentos da empresa, estrutura organizacional, descrições de processos e FAQs para novatos. O prompt do sistema restringe rigidamente o comportamento: responder apenas com base nos documentos fornecidos. Se a resposta não estiver na base, ele deve honestamente dizer "não sei" e direcionar para um funcionário específico (nome, cargo, contato). Não inventar. Esta última instrução é crítica. O principal risco do LLM no ambiente corporativo é a tendência do funcionário de confiar incondicionalmente no modelo (o que na literatura é chamado de "viés de automação"). Existem casos em que modelos recomendaram cogumelos venenosos em resultados culinários. No onboarding corporativo, uma alucinação como "o salário é pago no dia 25" (quando na verdade é no dia 10) já é um incidente. Portanto, nos prompts do sistema dos assistentes de RH, especificamos explicitamente o comportamento de "em caso de ausência de resposta, redirecionar para uma pessoa real". O Assistente 3 é um Gêmeo Digital do CEO (experimento inicial): o caso mais incomum. A ideia surgiu em uma conferência de IA, onde um executivo disse uma frase memorável: "As pessoas não vêm até mim sem antes terem discutido a ideia com meu gêmeo digital". Parece provocativo, mas a lógica é sólida. O CEO é o recurso mais caro da empresa. A maioria das reuniões com ele consome tempo em ideias cruas e não refinadas. A intenção é que, antes da reunião, o funcionário passe a ideia por um assistente treinado nos materiais do CEO (livros, artigos, discursos públicos, documentos estratégicos internos). Ele receberá um feedback inicial na tonalidade do líder, polirá os pontos fracos e chegará à reunião real preparado. Tecnicamente, é o mesmo assistente de IA: instrução "responda em primeira pessoa, com base apenas nos materiais do autor", base de conhecimento de textos do CEO, temperatura 0.2. O resultado é um interlocutor que "pensa" na lógica de uma pessoa específica. Status: aqui é uma ressalva honesta: esta é uma implementação inicial e ainda não temos métricas de negócios mensuráveis para ela – apenas sinais qualitativos dos primeiros usuários. Portanto, apresentamos o caso como um formato, não como um resultado; os números de economia de tempo do CEO e a qualidade da preparação prévia das ideias serão coletados nas próximas iterações.
Ao longo de um ano de trabalho, aprendemos lições importantes. Lição 1: um agregador de modelos não é um produto, mas uma infraestrutura. O simples acesso a 42 LLMs em uma única janela não se traduz em valor de negócio. Torna-se valioso apenas quando é complementado por uma camada de UX de produto: biblioteca de modelos, treinamento, assistentes para processos específicos. Lição 2: a métrica "92% dos novatos não fazem a primeira consulta" é um sinal não sobre os usuários, mas sobre o produto. Usuários ativos e veteranos se comportam de maneira semelhante (cerca de 4,5 consultas por visita). A diferença está apenas na chance de passar pelo primeiro contato. É a entrada que precisa ser corrigida, não convencer o usuário a se esforçar mais. Lição 3: a Lei Federal 152-FZ não é um bloqueador, mas um filtro. Quando começamos, o requisito "tudo no contorno russo" parecia uma restrição. Acabou sendo uma vantagem competitiva. Grandes clientes não consideram nenhum serviço internacional para implementação corporativa; o mercado permaneceu para aqueles que jogam de acordo com as regras locais. O que vem a seguir: compartilhamento de modelos de prompts e assistentes dentro da equipe – atualmente, ambos são visíveis apenas para o criador; removeremos essa restrição nas próximas versões. Um agente para geração de apresentações – com base na geração mais recente de modelos para imagens. Se você está atualmente na fase de "pilotos existem, exploração industrial não", o bloqueador frequente não está na tecnologia. As tecnologias funcionam. O bloqueador está na camada de produto entre a ferramenta e o funcionário: biblioteca de cenários prontos, módulos de treinamento, assistentes para processos específicos. Este é o trabalho que não pode ser feito meio ano antes do lançamento – ele é desenvolvido com base no feedback real dos usuários. Você pode ver como isso funciona em nosso sistema e testar a plataforma em my.alpinagpt.ai – há um acesso de teste com cenários de treinamento. Se você quiser discutir seu caso de implementação específico – escreva para a equipe através do formulário no site. Você pode acompanhar o desenvolvimento do produto e os eventos realizados pela Alpina Digital sobre IA no canal do Telegram "Дело в промпте".
🛡️⚡
Pare de pesquisar. Comece a hackear.
O MundiX é seu copiloto de pentest com IA: comandos exatos, análise de outputs e próximo passo na kill chain — em segundos.
Sem cartão para começar · Planos a partir de R$49/mês
Em abril de 2026, 92% dos novos usuários da Alpina GPT abandonavam a plataforma sem fazer uma única consulta ao modelo. Para usuários recorrentes, essa taxa era de 58%. Isso não reflete "usuários lentos", mas sim um mecanismo de produto falho: um agregador de IA corporativo sem treinamento integrado se torna uma vitrine cara. A Alpina Digital construiu o Alpina GPT, um startup interno que hoje reúne 42 modelos em uma única interface e conta com 9.000 usuários registrados. Paralelamente, medimos o impacto internamente: o marketing de publicação de livros através desta plataforma liberou entre 1.425 e 1.977 horas de trabalho humano por ano. A seguir, detalhamos a arquitetura, o que falhou na primeira versão, quais três tipos de agentes de IA realmente funcionam no projeto e por que "simplesmente dar acesso ao ChatGPT" é o erro mais caro na implementação corporativa.
O Grupo Editorial Alpina é o maior grupo editorial independente e universal da Rússia. Além de livros, oferecemos cursos online e produtos educacionais corporativos. Em 2024, quando a equipe começou a usar intensivamente redes neurais, nos deparamos com três barreiras comuns a qualquer CTO russo. A primeira barreira é o faturamento e pagamentos: o ChatGPT corporativo não pode ser pago por uma entidade legal russa, e VPN não é uma solução viável para mais de 200 funcionários. A segunda barreira são os dados: o setor editorial lida com direitos autorais, manuscritos inéditos e contratos. Enviar esses dados diretamente para a nuvem da OpenAI não é uma opção. A Lei Federal 152-FZ exige o armazenamento de dados pessoais em servidores na Rússia. A terceira barreira é a diversidade de modelos: diferentes modelos são adequados para diferentes tarefas. Claude é bom para análises extensas, GPT para código e Perplexity para fatos com referências. Gerenciar 5 assinaturas, 5 interfaces e 5 logins é um pesadelo operacional. Assim surgiu a ideia do Alpina GPT: uma única interface, faturamento unificado, um contorno russo e acesso a todos os modelos relevantes via API. Inicialmente para uso interno, depois para o mercado.
Atualmente, o Alpina GPT possui 42 modelos em seu pool ativo, desde modelos leves e rápidos para comunicação inicial até modelos pesados de raciocínio para análise e código. Cada classe de tarefa tem sua ferramenta. Os dados residem em Selectel e Yandex Cloud, dois provedores independentes para diversificação de riscos, garantindo conformidade com a 152-FZ. Modelos externos são conectados via API, garantindo que os dados do usuário não permaneçam com OpenAI, Anthropic ou Google e não sejam usados para retreinamento dos modelos. Nem mesmo nós temos acesso ao conteúdo das conversas. O faturamento é feito com "Alpina Tokens", uma moeda interna com uma escala de custo relativa de 1 a 5 pontos por solicitação. Por exemplo, um nano-modelo custa 1 ponto, e Opus custa 5 pontos. Essa é uma complexidade oculta: cada provedor de API tem sua própria tokenização, preços de entrada e saída, e comprimento de janela de contexto. Unificar isso em uma métrica compreensível para o usuário é uma tarefa de engenharia separada. A principal decisão arquitetural foi não implementar o roteamento automático. O usuário escolhe o modelo. Isso é contraintuitivo, pois todos os agregadores "inteligentes" estão se movendo em direção a "você apenas escreve a solicitação, nós selecionaremos o LLM". Nós conscientemente fomos na direção oposta por duas razões. A primeira é técnica: um roteamento de qualidade requer um modelo classificador adicional que decide qual LLM é adequado na entrada. Isso adiciona latência, seus próprios erros de classificação e falta de transparência para o usuário – "por que Gemini respondeu, eu queria Claude". A segunda é de produto: se o usuário não entende qual modelo está respondendo, ele não aprende. E (veja a próxima seção) o aprendizado é uma parte fundamental do nosso modelo de negócios, não um "bônus agradável". O failover funciona – isso é visível constantemente em demonstrações: GPT-5 travou por 30 segundos, o usuário muda para Claude Sonnet 4.5 e obtém uma resposta em dois segundos. A arquitetura de janela única torna essa transição perfeita. Para clientes com requisitos rigorosos de contorno, oferecemos uma solução separada: a plataforma é implantada dentro da rede corporativa do cliente, sem chamadas a APIs externas. Isso não é mais "IA commodity", mas um produto de infraestrutura.
As primeiras vendas começaram no final de 2024. Na época, o produto era diferente – cru, pesado, com uma interface que era vergonhoso mostrar a um novo cliente. Acumulamos feedback, redesenhamos a plataforma e em agosto de 2025 lançamos um rebranding completo, além de abrir acesso público para indivíduos. A partir desse momento, o tráfego no Metric começou a crescer significativamente – e com ele surgiu o problema que subestimamos no contexto corporativo. Um novo usuário chegava, registrava-se, entrava no chat – e fechava a aba em um minuto. O nível de trial gratuito (100 tokens e 3 dias – sem código promocional) se esgotava rapidamente para um usuário ativo. Mas os "ativos" eram a menor parte. A maioria fazia login, via um campo de entrada vazio e não entendia o que escrever nele. Este é um problema clássico de interfaces semelhantes ao ChatGPT, transferido para o contexto corporativo. O ChatGPT, pelo menos, mascara isso com uma enorme quantidade de tutoriais online e a motivação pessoal do usuário "experimentar algo da moda". Em um produto corporativo enviado pelo RH ou departamento de TI, essa motivação não existe. Os números mostram: o principal abismo está na conversão para a primeira consulta: 7,7% para novatos contra 42,2% para usuários recorrentes. Isso é uma diferença de 5,5 vezes na chance de chegar ao primeiro uso. Mas o mais interessante é que os novatos que conseguem fazer a primeira consulta se comportam exatamente como os veteranos: cerca de 4,5 consultas por visita. A diferença entre os segmentos em intensidade de trabalho é zero (4,46 vs 4,48). Isso muda qualitativamente o diagnóstico. O problema não é que "novatos não sabem usar IA" e precisam aprimorar suas habilidades. O problema é exclusivamente a barreira do primeiro contato: 92% dos novos usuários não chegam à consulta nº 1. Se a barreira for superada, o usuário opera imediatamente em plena capacidade. Em termos de negócios: de 100 novos usuários, 92 não fazem nenhuma consulta na primeira visita. Se nada for feito, a maioria deles nunca retornará. Essa é a "vitrine cara": licenças compradas, servidores pagos, mas a economia real do produto é construída sobre os 8% que de alguma forma conseguiram superar a janela vazia. Havia também um subconjunto do mesmo problema – um bug de UX com o campo "Código Promocional". Os novatos o ignoravam e entravam no trial de 100 tokens em vez de 1.000. O campo foi redesenhado – ficou mais visível. Mas foi um conserto barato. O principal problema não estava nele, mas no "primeiro contato".
Para resolver isso, implementamos três módulos de treinamento ao lado do núcleo da plataforma: uma biblioteca de prompts, um curso integrado "IA em Ação" e a AI Academy. A biblioteca de prompts é um catálogo de modelos prontos para tarefas corporativas típicas, como escrever posts para redes sociais, resumir reuniões, analisar relatórios ou preparar especificações para fornecedores. O usuário não escreve do zero, mas escolhe um modelo próximo, preenche 2-3 variáveis e envia. O ponto de entrada para um novato é reduzido de "inventar o prompt perfeito" para "escolher no menu". No roadmap está o compartilhamento de modelos dentro da equipe. O curso integrado "IA em Ação: como resolver tarefas de negócios de forma eficaz com redes neurais" é um intensivo prático onde o usuário trabalha simultaneamente no Alpina GPT e completa tarefas estruturadas. Os graduados do curso fazem, em média, 3-5 vezes mais consultas por mês do que os usuários que não participaram. A AI Academy é um programa contínuo com webinars, análises de casos e novas funcionalidades da plataforma, gratuito para usuários registrados. Isso funciona como um ciclo de retenção – o graduado do curso não entra no vazio, mas em um fluxo regular de atualizações. Poucas semanas após a inclusão dos módulos de treinamento e modelos no fluxo do usuário, a conversão para a primeira consulta dos novatos começou a subir. Os números exatos serão apresentados em um material futuro, pois exigem uma análise separada. O importante aqui é a própria construção: uma biblioteca de cenários prontos + um fluxo de aprendizado + webinars regulares – isso não é "marketing em torno do produto", mas parte do produto, sem a qual o agregador de modelos não chega ao usuário. O principal caso de uso interno foi medir o efeito na própria equipe de marketing do Grupo Editorial Alpina, responsável pela promoção de livros. Antes, a equipe escrevia manualmente quatro tipos de conteúdo: posts para redes sociais, artigos para o site e plataformas parceiras, apresentações para autores e parceiros, e resumos de publicidade para cada livro lançado. A editora lança dezenas de livros por ano, e para cada um há um pacote de conteúdo específico. Isso consumia a maior parte das horas de edição. O que fizemos: para cada tipo de conteúdo, criamos um assistente de IA no Alpina GPT com instruções, uma base de conhecimento (estilo da editora, públicos-alvo, referências bem-sucedidas) e parâmetros de geração. O profissional de marketing não escreve do zero, mas fornece ao assistente as informações iniciais (título do livro, público, pontos-chave), recebe um rascunho, refina e publica. Os resultados anuais (calculados a partir de medições internas) mostram uma economia significativa: para posts, a economia é de cerca de 270 horas/ano (multiplicidade de 3,7x); para artigos, cerca de 80 horas/ano (2,6x); para apresentações, cerca de 150 horas/ano (2,5x); e para resumos de publicidade, cerca de 950 horas/ano (20x). No total, a economia é de 1.425 a 1.977 horas/ano (5,8x). O caso mais dramático são os resumos de publicidade (textos curtos para cada publicação para marketplaces, anúncios, materiais parceiros). Antes, levava uma hora para cada um; agora, são 3 minutos para um rascunho e 5 minutos para edição. Em um catálogo de centenas de livros, isso representa uma economia de 20 vezes. Uma ressalva importante para os céticos: essas horas não "desapareceram no ar". Elas foram liberadas para trabalhos mais complexos – planejamento estratégico de conteúdo, negociações com influenciadores, campanhas não padronizadas. A equipe de conteúdo não foi reduzida, mas mudou seu foco.
Além do conteúdo, integramos três assistentes de outro tipo ao trabalho da equipe. Não "ajude a escrever", mas "execute uma tarefa estruturada". O Assistente 1 é um Auxiliar de Gerente de Projetos: recebe a gravação de uma reunião de 60 minutos com um cliente ou equipe interna. Antes, o gerente passava uma hora transcrevendo, anotando decisões e enviando um protocolo. Agora, ele carrega o áudio no assistente e recebe um documento estruturado. O prompt do sistema (simplificado) instrui o assistente a atuar como um auxiliar de gerente de projetos, gerando um resumo conciso, decisões chave, tarefas com responsáveis e prazos, e riscos e bloqueios, com base apenas no conteúdo da transcrição, em um tom de negócios e sem enrolação. Os parâmetros incluem baixa criatividade (temperature 0.2, top_p 0.5) para garantir precisão e um máximo de 4.000 tokens de saída. A base de conhecimento inclui regulamentos da empresa e um modelo de protocolo. O failover em demonstração mostra que se o GPT-5 travar por mais de 30 segundos, a mudança para Claude Sonnet 4.5 leva três segundos para obter o resumo. Este é um benefício prático da arquitetura multimodal: nada quebra, o usuário muda o modelo na lista suspensa e continua. O Assistente 2 é o Onboarding de RH: um novo funcionário no primeiro dia não sabe a quem recorrer com quais perguntas. Ao RH? Ao gerente direto? Quem é responsável pela entrega de equipamentos, acesso a serviços corporativos, emissão de crachás? Antes, ele passava uma hora correndo e perguntando. Agora, ele escreve para o assistente. A base de conhecimento do assistente inclui regulamentos da empresa, estrutura organizacional, descrições de processos e FAQs para novatos. O prompt do sistema restringe rigidamente o comportamento: responder apenas com base nos documentos fornecidos. Se a resposta não estiver na base, ele deve honestamente dizer "não sei" e direcionar para um funcionário específico (nome, cargo, contato). Não inventar. Esta última instrução é crítica. O principal risco do LLM no ambiente corporativo é a tendência do funcionário de confiar incondicionalmente no modelo (o que na literatura é chamado de "viés de automação"). Existem casos em que modelos recomendaram cogumelos venenosos em resultados culinários. No onboarding corporativo, uma alucinação como "o salário é pago no dia 25" (quando na verdade é no dia 10) já é um incidente. Portanto, nos prompts do sistema dos assistentes de RH, especificamos explicitamente o comportamento de "em caso de ausência de resposta, redirecionar para uma pessoa real". O Assistente 3 é um Gêmeo Digital do CEO (experimento inicial): o caso mais incomum. A ideia surgiu em uma conferência de IA, onde um executivo disse uma frase memorável: "As pessoas não vêm até mim sem antes terem discutido a ideia com meu gêmeo digital". Parece provocativo, mas a lógica é sólida. O CEO é o recurso mais caro da empresa. A maioria das reuniões com ele consome tempo em ideias cruas e não refinadas. A intenção é que, antes da reunião, o funcionário passe a ideia por um assistente treinado nos materiais do CEO (livros, artigos, discursos públicos, documentos estratégicos internos). Ele receberá um feedback inicial na tonalidade do líder, polirá os pontos fracos e chegará à reunião real preparado. Tecnicamente, é o mesmo assistente de IA: instrução "responda em primeira pessoa, com base apenas nos materiais do autor", base de conhecimento de textos do CEO, temperatura 0.2. O resultado é um interlocutor que "pensa" na lógica de uma pessoa específica. Status: aqui é uma ressalva honesta: esta é uma implementação inicial e ainda não temos métricas de negócios mensuráveis para ela – apenas sinais qualitativos dos primeiros usuários. Portanto, apresentamos o caso como um formato, não como um resultado; os números de economia de tempo do CEO e a qualidade da preparação prévia das ideias serão coletados nas próximas iterações.
Ao longo de um ano de trabalho, aprendemos lições importantes. Lição 1: um agregador de modelos não é um produto, mas uma infraestrutura. O simples acesso a 42 LLMs em uma única janela não se traduz em valor de negócio. Torna-se valioso apenas quando é complementado por uma camada de UX de produto: biblioteca de modelos, treinamento, assistentes para processos específicos. Lição 2: a métrica "92% dos novatos não fazem a primeira consulta" é um sinal não sobre os usuários, mas sobre o produto. Usuários ativos e veteranos se comportam de maneira semelhante (cerca de 4,5 consultas por visita). A diferença está apenas na chance de passar pelo primeiro contato. É a entrada que precisa ser corrigida, não convencer o usuário a se esforçar mais. Lição 3: a Lei Federal 152-FZ não é um bloqueador, mas um filtro. Quando começamos, o requisito "tudo no contorno russo" parecia uma restrição. Acabou sendo uma vantagem competitiva. Grandes clientes não consideram nenhum serviço internacional para implementação corporativa; o mercado permaneceu para aqueles que jogam de acordo com as regras locais. O que vem a seguir: compartilhamento de modelos de prompts e assistentes dentro da equipe – atualmente, ambos são visíveis apenas para o criador; removeremos essa restrição nas próximas versões. Um agente para geração de apresentações – com base na geração mais recente de modelos para imagens. Se você está atualmente na fase de "pilotos existem, exploração industrial não", o bloqueador frequente não está na tecnologia. As tecnologias funcionam. O bloqueador está na camada de produto entre a ferramenta e o funcionário: biblioteca de cenários prontos, módulos de treinamento, assistentes para processos específicos. Este é o trabalho que não pode ser feito meio ano antes do lançamento – ele é desenvolvido com base no feedback real dos usuários. Você pode ver como isso funciona em nosso sistema e testar a plataforma em my.alpinagpt.ai – há um acesso de teste com cenários de treinamento. Se você quiser discutir seu caso de implementação específico – escreva para a equipe através do formulário no site. Você pode acompanhar o desenvolvimento do produto e os eventos realizados pela Alpina Digital sobre IA no canal do Telegram "Дело в промпте".
📤 Compartilhar & Baixar
🧰 Ferramentas recomendadas
Divulgação: alguns links são patrocinados. Podemos receber comissão se você comprar — sem custo extra para você. Só indicamos o que faz sentido para a comunidade.
