Estes 10 casos de uso abrangem as operações mais comuns que qualquer agente compatível com o MCP pode realizar no Aurora Inbox: triagem de caixa de entrada, acompanhamento automatizado, enriquecimento do CRM, pontuação BANT, lembretes, pesquisas, relatórios ad-hoc, integração em massa e operações híbridas humano-bot. O Aurora MCP oferece mais de 30 ferramentas que abrangem vendas, suporte, marketing e operações — aqui você vê as ferramentas específicas, o prompt do agente e o resultado esperado para cada caso de uso.
Antes de começarmos
Para executar qualquer um desses casos, você precisa de três coisas:
- Um espaço de trabalho Aurora Inbox (o teste grátis (Funciona).
- Uma API de plataforma fundamental
ak_live_*gerado no Portal do Desenvolvedor. - Um agente compatível com MCP: Claude Code, Codex CLI, Cursor, Claude Desktop, VS Code Copilot ou um agente personalizado usando o SDK do MCP.
Se você ainda não configurou tudo, revise as instruções. O que é MCP aplicado ao WhatsApp? e o guia de Conecte o código Claude ao AuroraEm cinco minutos você estará pronto.
Caso 1 — Triagem matinal de bandejas não atendidas
Ferramentas utilizadas: pesquisar_chats, obter_bate-papo, enviar_mensagem (com nota=verdadeiro).
Instrução ao agente:
Pesquise no Aurora todos os chats não respondidos das últimas 24 horas. Para cada um, leia a última mensagem do cliente e deixe uma anotação interna com um resumo de uma linha e a prioridade (alta/média/baixa) com base em se a mensagem menciona dinheiro, urgência ou uma reclamação. Não responda ao cliente; deixe apenas anotações internas.
O que você está fazendo: o agente liga pesquisar_chats(não respondido=verdadeiro), página com 25 resultados por página e, para cada chat, invocar obter_chat(id) Para ler a última mensagem, resuma em uma única linha, atribua prioridade e envie. enviar_mensagem(chatId, texto, nota=verdadeiro) — a nota é visível apenas para a equipe, ela nunca chega ao cliente.
Resultado: Você abre o Aurora às 8h da manhã e todas as conversas não respondidas já têm um resumo e uma prioridade. A equipe decide quem priorizar sem precisar ler as conversas inteiras. Risco zero, pois nenhuma mensagem é enviada ao cliente.
Caso 2 — Resposta automática a leads não respondidos após 72 horas
Ferramentas utilizadas: pesquisar_chats(não respondido=verdadeiro), obter_bate-papo, enviar_mensagem.
Instrução ao agente:
Procure por conversas em que a última mensagem foi do cliente e não houve resposta nossa por mais de 72 horas. Envie uma mensagem curta e amigável em espanhol neutro, perguntando se ele ainda precisa de ajuda. Aguarde 1 segundo entre as mensagens para respeitar o limite de mensagens da Aurora.
O que você está fazendo: filtro pesquisar_chats(não respondido=verdadeiro)Descarte aquelas que já apresentaram atividade recente e escreva uma mensagem de acompanhamento personalizada, levando em consideração o contexto. obter_bate-papoe envia com enviar_mensagemO limite de taxa de 1 mensagem/segundo por locatário é respeitado automaticamente — se for excedido, o Aurora retorna. Limite de requisições excedido… tente novamente em 1 segundo.
Resultado: Você recupera leads inativos que, de outra forma, seriam abandonados. Comece com um canal piloto de baixo risco (não com os principais clientes), meça a taxa de resposta e, em seguida, expanda.
Caso 3 — Enriquecimento do CRM a partir do Chat
Ferramentas utilizadas: obter_bate-papo, obter_contato, atualizar_contato, list_contact_propriedades, criar_oportunidade.
Instrução ao agente:
Para os chats que estavam ativos ontem, leia o conteúdo e extraia a empresa, o cargo, o setor e o tamanho da equipe, se mencionados. Atualize o contato usando `update_contact` com as propriedades personalizadas existentes. Se detectar uma intenção de compra, abra uma oportunidade com a equipe de vendas.
O que você está fazendo: lista de propriedades personalizadas com list_contact_propriedades Para descobrir quais campos o inquilino possui, leia o chat com obter_bate-papo, extrai dados do texto, chama atualizar_contato com os novos valores e criar_oportunidade(chatId, teamId) quando detecta a intenção.
Resultado: Seu CRM cresce a cada conversa, eliminando a necessidade de os representantes preencherem formulários após cada chamada do WhatsApp. Os dados permanecem prontamente disponíveis para segmentação e geração de relatórios.
Caso 4 — Avaliação BANT automatizada
Ferramentas utilizadas: obter_bate-papo, atualizar_contato, criar_oportunidade, oportunidade_de_atualização (com quantia, dataDeAcompanhamento, ID do estágio).
Instrução ao agente:
Em novas conversas do último dia, avalie o critério BANT (Orçamento, Autoridade, Necessidade, Tempo). Se o lead atender a todos os 4 critérios, abra uma oportunidade com um valor estimado e uma data de acompanhamento de 7 dias. Se atender a 2 ou 3 critérios, marque-o como "nutrição". Se atender a 0 ou 1 critério, ignore-o. Salve os indicadores BANT nas propriedades personalizadas do contato.
O que você está fazendo: O agente lê o chat, avalia o BANT em relação ao texto e atualiza as propriedades personalizadas (orçamento_bant, autoridade_bant, etc.) com atualizar_contatoE para os qualificados, ligue para criar_oportunidade seguido pela atualizar_oportunidade(stageId, assignedUserId, followUpDate, dealAmount).
Resultado: O SDR humano concentra-se apenas em oportunidades pré-qualificadas. Os leads nutridos permanecem em um fluxo de marketing segmentado. Isso reduz o tempo gasto com leads não qualificados.
Caso 5 — Recuperação de Carrinho de Compras Abandonado (comércio eletrônico)
Ferramentas utilizadas: Webhook recebido da sua plataforma → upsert_contact → criar_chat → enviar_mensagem.
Instrução ao agente:
Sempre que um evento "cart_abandoned" do Shopify chega ao meu endpoint, obtenho o número de telefone do comprador, o insiro no Aurora, abro um chat no WhatsApp Cloud e envio uma mensagem lembrando-o dos itens no carrinho e fornecendo um link para finalizar a compra. Se um chat já estiver aberto, reutilizo-o.
O que você está fazendo: Seu agente fica à escuta do webhook do Shopify (ou de qualquer plataforma de e-commerce). Ao receber o evento, ele faz uma chamada. upsert_contact(telefone, nome, e-mail) que cria ou atualiza o contato digitado por telefone. Então criar_chat(contactId, channelId, channelType=0) Inicie uma conversa na API do WhatsApp Cloud. Termine com enviar_mensagem.
Resultado: Carrinhos recuperados em minutos em vez de horas. Sem que sua equipe precise fazer nada — o agente funciona 24 horas por dia, 7 dias por semana. A taxa de recuperação típica aumenta de 10 a 20% em comparação com o uso exclusivo de e-mail.
Caso 6 — Lembretes de consulta no dia anterior
Ferramentas utilizadas: Integração com calendários (Google Agenda / Outlook) → lista_contatos → criar_chat → enviar_mensagem.
Instrução ao agente:
Todas as noites, às 20h, verifico meu Google Agenda para o dia seguinte. Para cada compromisso com um cliente, procuro o contato dele no Aurora usando `list_contacts(search=email)`, abro ou reutilizo a conversa do WhatsApp e envio um lembrete com o horário, o local e um botão de confirmação.
O que você está fazendo: O agente combina seu acesso ao calendário (via Google MCP ou sua integração personalizada) com as ferramentas da Aurora. Ele cruza o e-mail do hóspede com lista_contatos(pesquisa=email)Abra o chat com criar_chat Se não existir, envie um lembrete com enviar_mensagem.
Resultado: Geralmente reduz a taxa de faltas em 30-40%. Útil para clínicas, oficinas mecânicas, escritórios de advocacia, academias e qualquer negócio que trabalhe com agendamento.
Caso 7 — Pesquisas pós-conversa com NPS
Ferramentas utilizadas: criar_webhook (eventos: bate-papo fechado) → acione na sua infraestrutura → enviar_mensagem → registrar resultado.
Instrução ao agente:
Crie um webhook no Aurora que fique à escuta do evento `chat.closed`. Quando ele chegar, aguarde 30 minutos e envie ao cliente uma mensagem perguntando: "Em uma escala de 0 a 10, qual a probabilidade de você nos recomendar?". Salve a resposta em uma propriedade personalizada `nps_score` e calcule a média por agente semanalmente.
O que você está fazendo: O agente cria o webhook com criar_webhook(url, eventos=["chat.closed"], descrição)Aurora retorna segredo Apenas uma vez para validar as assinaturas. Seu endpoint recebe os eventos, agenda a entrega em 30 minutos e faz a chamada. enviar_mensagemA resposta foi salva com atualizar_contato(propriedades_personalizadas).
Resultado: NPS contínuo, vinculado a cada agente que encerrou o chat. Útil para identificar os melhores representantes e aqueles que precisam de treinamento. Máximo de 5 webhooks por locatário — use os slots com sabedoria.
Caso 8 — Relatórios ad hoc em linguagem natural
Ferramentas utilizadas: pesquisar_chats com vários filtros, lista_contatos, list_chat_oportunidades.
Instrução ao agente:
Quantas conversas não respondidas tenho da última semana, agrupadas por canal? Quais oportunidades no valor de mais de 1.400.000 MXN estão sem alocação? Quantos novos contatos vieram pelo WhatsApp Cloud em comparação com o Messenger neste mês?
O que você está fazendo: o agente compõe várias chamadas para pesquisar_chats(não respondido=verdadeiro, id_canal, página) paginação dos 25 resultados por página, soma por canal, chamada list_chat_oportunidades com filtro de quantidade e lista_contatos(criadoDepois, criadoAntes) Para contagem. Retorna a resposta em linguagem natural com tabelas.
Resultado: Painéis de controle sob demanda, sem a necessidade de criá-los. Especialmente útil para executivos de alto nível que fazem perguntas diferentes a cada semana — o agente cria a consulta e a entrega em segundos.
Caso 9 — Integração de novos equipamentos em massa
Ferramentas utilizadas: convidar usuário, atribuir_equipe, upsert_contact grande quantidade a partir de CSV.
Instrução ao agente:
Tenho um arquivo CSV com 30 novos vendedores e 500 contatos antigos. Crie os usuários na equipe de Vendas, importe os contatos e atribua-os aos vendedores corretos com base na coluna "owner_email" do arquivo CSV. Envie uma mensagem de boas-vindas para cada contato a partir do chat do vendedor atribuído.
O que você está fazendo: O agente analisa o CSV e faz chamadas. convidar usuário por vendedor e atribuir_equipe para atribuí-los à equipe de Vendas. Em seguida, itere pelos 500 contatos com upsert_contact(nome, telefone, e-mail, nomeDaEmpresa)Para cada contato, procure o vendedor pelo e-mail e abra um chat com ele. criar_chat e envia uma mensagem de boas-vindas enviar_mensagem — sempre respeitando o limite de taxa de 1/seg.
Resultado: O processo de integração, que antes levava dois dias para o gerente de operações, agora é feito em 30 minutos pelo terminal. Zero erros de entrada de dados; tudo é registrado no log de auditoria do Aurora.
Caso 10 — Operação híbrida: agente de atendimento ao público + funcionário administrativo
Ferramentas utilizadas: lista_chat_chatbots, iniciar_chatbot, parar_chatbot, pesquisar_chats(não respondido=verdadeiro), atribuir_agentes_de_chat.
Instrução ao agente:
Ative o chatbot de suporte em novos chats onde o cliente pergunta sobre horários, preços ou políticas. Se, após duas interações, o cliente permanecer insatisfeito (detectado por meio de análise de sentimento), pause o bot e encaminhe o cliente para o membro da equipe de suporte humano de plantão.
O que você está fazendo: O agente lista os chatbots disponíveis com lista_chatbots, identifica o suporte e o ativa com iniciar_chatbot(chatId, chatbotId)Monitor com pesquisar_chats(não respondido=verdadeiro) e obter_bate-papoSe você perceber frustração, ligue para parar_chatbot e atribuir_agentes_de_chat(id_do_chat, id_do_usuário) para acionar o profissional de plantão.
Resultado: O bot lida com 60 a 701 TP3T do volume de atendimentos rotineiros. O atendente humano só recebe casos em que pode agregar valor real. Nenhum cliente fica preso em um ciclo vicioso com um bot que não entende.
Como combinar vários casos em um fluxo de trabalho contínuo
Esses casos não são isolados. O mesmo agente pode realizar triagem a cada hora (caso 1), enviar acompanhamentos todas as noites (caso 2), enriquecer o CRM em tempo real (caso 3), qualificar leads qualificados assim que novos leads chegam (caso 4) e entregar um relatório NPS toda segunda-feira (caso 7) — tudo a partir de uma única tarefa cron executada pelo desenvolvedor, apontando para o Aurora MCP. Cada chamada é registrada no log de auditoria com o ID da chave quem executou o comando, separando assim as ações de cada agente. Uma chave, um ponto final, todos os casos.
Recomendações para começar
- Começa com o caso 1 (triagem), que apresenta risco zero. — Lê apenas as conversas e deixa anotações internas. Zero mensagens para o cliente, zero exposição.
- Tente primeiro o caso 2 (acompanhamento) em um canal ou segmento não crítico. — um canal de leads frios antes de um canal de clientes premium.
- Meça antes de expandir — Taxa de resposta, NPS pós-bot, leads qualificados versus leads criados. Sem métricas, você não sabe se o agente está contribuindo.
- Uso
nota=verdadeirodurante a experimentação Assim, o agente pode "ensaiar" mensagens sem enviá-las ao cliente. Quando estiver satisfeito com o resultado, remova-o. - Mantenha sempre um profissional disponível para lidar com situações de escalonamento. — O Caso 10 é a rede de segurança. Nunca deixe um cliente preso a um agente que não consegue resolver o problema.
Como o Aurora MCP faz isso
O Aurora MCP fornece a base para todos os 10 gabinetes sem que você precise montá-los: uma característica fundamental. ak_live_* Reutilize a API da sua plataforma, os registros de auditoria nativos separam as ações de cada agente, os limites de taxa protegem a qualidade dos seus números no Meta e o CRM subjacente salva contatos e oportunidades para que cada caso seja adicionado ao histórico. O plano Aurora IA $179 USD/mês ($3.200 MXN) Ele já inclui GPT-5, RAG, agendamento e servidor MCP — você não precisa comprar componentes separadamente. Comece seu teste gratuito e execute o caso 1 no seu primeiro dia.
Perguntas frequentes
Preciso programar para executar esses casos?
Para os casos 1 a 4 e 8, não — apenas prompts em linguagem natural para Claude Code, Codex ou Cursor. Para os casos 5, 7 e 9, você precisa de pelo menos um endpoint que receba webhooks ou leia arquivos CSV; um script de aproximadamente 50 linhas em Python ou Node é suficiente. Consulte o Comparação de agentes MCP Escolher um cliente.
O que acontece se o agente cometer um erro?
Aurora valida cada chamada (campos obrigatórios, GUIDs válidos, funções do usuário) e retorna erros tipificados. O agente recebe o erro e pode tentar novamente ou encaminhar para um humano. Para experimentação, use nota=verdadeiro em enviar_mensagem — a nota permanece interna e não chega ao cliente.
Existe algum custo adicional para o LLM além do custo do programa Aurora?
Sim — o Aurora MCP não inclui o custo do Claude, GPT ou Gemini quando você usa o agente no seu cliente local. Se você usar o chatbot Aurora integrado (caso 10), o GPT-5 já está incluído no Aurora AI. Se você executar o Claude Code na sua máquina, o custo do Anthropic será cobrado separadamente.
É possível limitar quais ferramentas o agente utiliza?
Sim. Cada chave ak_live_* O escopo permanece restrito ao locatário e à função de usuário associada. Ferramentas sensíveis, como excluir_contato Eles exigem a função de Administrador de Contatos. Gera chaves separadas por agente ou por pessoa e as revoga individualmente no Portal do Desenvolvedor.
Existe um registro de auditoria das atividades de cada agente?
Sim. Todas as chamadas para o MCP são registradas no sistema. ID da chave O registro inclui o evento que o originou, o carimbo de data/hora, a ferramenta invocada e a resposta. Isso é útil para investigação de incidentes e conformidade. O registro é nativo; você não precisa criá-lo.
Esses casos se aplicam tanto a negócios B2B quanto a negócios B2C?
Sim. Os casos 1, 2, 3, 4, 7, 8 e 10 aplicam-se igualmente a B2B e B2C. O caso 5 (carrinhos de compras) é tipicamente B2C. Os casos 6 (agendamentos) e 9 (integração em massa) aplicam-se a ambos. Se a sua empresa depende muito de catálogos, agendamentos ou marketing multicanal, consulte também as secções relevantes. Aurora MCP vs API direta do WhatsApp Cloud e O que é um Agente do WhatsApp?.
