Quanto tempo leva para sair do papel?

Um Discovery dura 2 semanas e termina com arquitetura e plano de execução. Um piloto em produção fica pronto em 4 a 8 semanas. Sistemas completos em 3 a 6 meses. A gente conversa antes de prometer prazo: cada caso varia.

Como funcionam os engajamentos?

Discovery é um escopo fixo de 2 semanas. Piloto e Production são escopados pra um resultado específico que você aprova antes. Fractional AI Lead é trabalho contínuo de parceiro de pensamento, mínimo de 3 meses. Sem hora aberta, sem dependência eterna. Detalhes a gente conversa no primeiro papo.

Meus dados saem da minha infraestrutura?

Não, se você não quiser. Deploys on-premise, instâncias dedicadas na sua VPC, ou modelos soberanos rodando no Brasil estão todos na mesa. LGPD-friendly por padrão.

Com qual stack vocês trabalham?

Com o que o seu caso realmente precisa. A gente é stack-agnóstico: qualquer LLM de peso, qualquer vector store, qualquer camada de orquestração, qualquer frontend, qualquer banco. Se você já tem infra, a gente integra. Se está começando do zero, a gente ajuda a decidir. O stack certo é o que serve seu caso, não o que a gente prefere.

E para entrar em produção?

Depende da sua infraestrutura. Trabalhamos com sua cloud existente, seu CI/CD, sua observabilidade. Se você não tem isso montado, ajudamos a construir. O agente que você vê no /demo é um exemplo trabalhado de stack completa do zero, pronto pra reusar ou adaptar.

E depois que entrega?

Você escolhe: handoff completo (a gente entrega documentado e some), suporte contínuo (SLA + on-call), ou Fractional AI Lead continuando como parceiro sênior de pensamento. Sem aprisionamento.

Software que a Zechim constrói para o varejo brasileiro

Toda semana converso com dono de operação de varejo que me pergunta a mesma coisa: "eu poderia usar IA pra quê, no meu caso, sem virar um projeto de dois anos?"

Aqui estão os cinco tipos de software que a Zechim entrega bem no varejo brasileiro. Nenhum precisa reescrever seu ERP. Todos rodam em cima do que você já tem (Bling, Tiny, Omie, VTEX, Nuvemshop, Shopify, planilha, o que for) e todos entregam resultado em semanas, não em anos.

1. Agente de atendimento pós-venda no WhatsApp

Cliente manda mensagem: "cadê meu pedido?", "quero trocar", "não chegou". Hoje, um humano lê, procura no ERP, responde. Amanhã, o agente lê a mensagem, cruza com o número do pedido no seu ERP, checa status de entrega na transportadora, responde com o dado real. Se a mensagem é ambígua ou envolve troca com custo, o agente escala pra você aprovar antes de responder.

Impacto real: 60 a 80 por cento dos tickets de pós-venda são "cadê" e "como troco". O agente resolve isso sozinho. O time humano fica com o que precisa de julgamento.

2. "Fale com sua venda" - painel conversacional

Você abre uma tela e pergunta em português: "quais SKUs venderam mais no Sul semana passada?", "clientes que compraram na Black Friday mas não voltaram", "margem por categoria no mês", "pedidos pendentes acima de X". O agente traduz a pergunta em SQL, roda contra seu warehouse, e responde com número, lista ou gráfico.

Isso substitui a fila de "preciso de um relatório" que trava seu time de dados. E dá acesso à informação pra gerente de loja, gerente comercial, dono, que hoje não abre o BI porque é complicado. É o padrão que a gente prova no nosso /demo com a Acme Store fictícia.

3. Automação de catálogo com IA

Você lança 50 SKUs novos por semana. Cada um precisa de título, descrição, categoria, tags, imagens tratadas, precificação inicial. Isso hoje é hora humana em coisa mecânica. O agente recebe as fotos e a ficha do fornecedor, gera descrição no seu tom de voz, propõe categoria e tags, sugere posicionamento de preço comparado a concorrentes. Você revisa em vez de escrever do zero.

Time de catálogo deixa de ser gargalo. O trabalho vira revisão, não criação.

4. Monitor de campanha e realocação de mídia

Roda anúncios em Meta, Google, TikTok e marketplaces. Toda segunda, alguém no seu time exporta relatório, cruza CAC e ROAS por canal, decide onde cortar e onde ampliar. O agente faz isso todo dia. Cruza dados de campanha com margem de produto (não só receita), flagga campanha que está vendendo produto de margem baixa, sugere realocação, e dispara alerta quando um canal degrada.

Diferente de ferramenta de dashboard: o agente age (rascunha a mudança de orçamento no formato que o gestor de tráfego só precisa aprovar).

5. Precificação dinâmica com regras humanas

Toda operação de marketplace vive olhando concorrente. Preço subiu, preço caiu, oferta nova. O agente monitora os SKUs concorrentes, cruza com sua margem mínima e regras de estoque, e propõe ajuste de preço. Você define os limites (nunca abaixo de X margem, nunca subir mais que Y por cento por semana), o agente opera dentro deles.

Não é "IA decide sozinha" - é agente que faz o trabalho braçal de olhar concorrente e escalar decisão só quando bate no limite que você definiu.

O padrão comum

Todos os cinco seguem a mesma forma:

Integra com dado que você já tem (ERP, marketplace, plataforma de mídia, sistema de estoque)
Faz o trabalho mecânico continuamente (24/7, sem esperar planilha semanal)
Escala pra humano quando envolve julgamento, custo alto ou risco de erro
Log auditável de tudo o que fez ou propôs
Roda em cima do stack que você já paga (Vercel ou cloud sua, Anthropic, Postgres ou o banco que já tem)

Nenhum precisa de time interno de IA. Nenhum vai virar dependência eterna nossa.

O que a gente não faz

Não vamos construir seu próximo "ChatGPT for retail" horizontal genérico. Se você quer isso, tem 50 SaaS de US$50/mês fazendo pior.
Não trocamos seu ERP. Integramos.
Não vendemos "transformação digital" ampla. Ganhamos entregando UMA coisa que funciona em 6 semanas.

Se você opera varejo no Brasil e um desses cinco cenários bate no seu dia-a-dia, vale 30 minutos pra a gente entender onde encaixa e como escoparíamos.