A Aposta de Longo Prazo da EliseAI: Construindo IA Conversacional para o Setor Imobiliário Antes de os Modelos Existirem

Começando com IA em 2017, antes de existirem modelos que valessem a pena usar

A origem da EliseAI, na versão contada por Song, é atípica porque não houve um único marco tecnológico que motivou a aposta. A empresa apostou em IA desde o início, em 2017, quando os modelos generativos úteis de hoje ainda nem existiam.

O que fez a estratégia funcionar desde cedo foi escolher um alvo praticamente intacto. Song descreve o setor imobiliário como um terreno virgem, onde até a tecnologia tradicional estava ultrapassada — o que significava que técnicas mais antigas já geravam valor antes mesmo da chegada da IA generativa.

A gente realmente focou em resolver problemas para os nossos clientes. Depois que entendemos os problemas do setor imobiliário, ficou muito claro que a IA era o único jeito de resolvê-los.Montana Labs

Na prática, isso significava lançar produtos com o que estava disponível. Antes de existirem modelos generativos robustos, a EliseAI usava modelos como o BERT para construir uma experiência conversacional mais tradicional, evoluindo conforme novas capacidades apareciam.

GPT-4 e Whisper como pontos de virada concretos

Song é específica sobre quais avanços realmente importaram. O GPT-3.5 já foi uma melhoria significativa em relação ao GPT-3, mas foi o salto para o GPT-4 que fez a equipe perceber o quanto conseguiria resolver os problemas do setor.

O Whisper abriu uma porta completamente diferente. A EliseAI já tinha produtos baseados em texto para o setor imobiliário, mas via as ligações telefônicas como uma lacuna evidente. Song diz que a tecnologia de voz anterior 'nem chegava perto' de ser utilizável.

Essa lacuna era existencial especificamente para a saúde. Song diz que quase toda a comunicação nesse setor acontece por telefone, e que, sem uma IA de voz funcional, a empresa simplesmente não teria como entrar nesse mercado. Voz não era um pedido de recurso; era o ingresso de entrada.

Projetando a IA para imitar o fluxo de trabalho que ela substitui

Para setores não técnicos, a estratégia de adoção da EliseAI foi deliberadamente modesta em termos de novidade. A equipe replicou os fluxos de trabalho existentes para que a ferramenta parecesse familiar, buscando fazer com que os usuários sentissem que a IA estava fazendo exatamente a mesma tarefa de antes, só que mais rápido.

Song observa que isso mudou com o tempo. À medida que os clientes ficam mais confortáveis com IA e reconhecem a marca, a EliseAI hoje tende a prometer repensar os processos do dia a dia, em vez de simplesmente espelhá-los passo a passo.

O sucesso é medido pelos próprios números do cliente. No setor imobiliário, Song destaca taxas de ocupação, qualidade do serviço, tempo de resolução de manutenção e satisfação dos moradores. A métrica interna que ela ressalta é a porcentagem de um fluxo de trabalho que a IA consegue automatizar, comparada com o desempenho dos melhores agentes humanos tanto em eficácia quanto em confiabilidade.

O problema mais difícil é manter produtos antigos, não lançar novos

A observação mais útil de Song para equipes que lançam produtos de IA é contraintuitiva. A dificuldade não está apenas em planejar para um futuro em que o cenário de modelos pode mudar antes mesmo de você terminar de construir algo. É 'planejar para o passado' — manter os produtos existentes atualizados para uma grande base já instalada, enquanto novas ferramentas continuam surgindo.

Isso reformula o problema dos modelos em constante evolução como uma questão de manutenção e arquitetura. Cada vez que a EliseAI adota uma nova ferramenta para um novo produto, Song diz que a equipe se pergunta se ela se aplica de forma melhor a problemas já resolvidos e se a arquitetura precisa ser repensada.

A lição específica da EliseAI é que apostar em IA em um nicho intacto e não técnico faz das atualizações de modelo a parte fácil; o trabalho competitivo duradouro é reavaliar continuamente um produto em produção frente a capacidades que ainda não existiam quando ele foi criado. Como Song coloca, se você não continuar melhorando os produtos que já existem, outra pessoa vai fazer isso.