Chatbot: regras, NLP ou LLM — qual escolher

Quando alguém diz "vamos colocar um chatbot no nosso site", a pergunta que deveria vir imediatamente depois é: "que tipo de chatbot?". A resposta muda radicalmente o custo, a complexidade de manutenção e a qualidade da experiência do usuário. Existe chatbot de três reais e chatbot de três mil reais por mês — e ambos podem ser a escolha certa dependendo do contexto.

Há três arquiteturas principais hoje: baseada em regras, baseada em NLP (processamento de linguagem natural) e baseada em LLMs (modelos de linguagem grande como GPT-4 e Claude). Cada uma resolve problemas diferentes, tem custos diferentes e exige níveis diferentes de maturidade técnica para operar. Neste artigo vamos desmistificar as três.

Chatbots Baseados em Regras: Simples e Previsíveis

O chatbot de regras é o mais antigo e ainda o mais usado. Ele funciona com um conjunto fixo de fluxos: se o usuário digita X, responde Y. Se digita Z, responde W. A lógica é uma árvore de decisão — menus, botões, respostas predefinidas.

Ferramentas como Typebot, Landbot e ManyChat são a versão visual dessa abordagem. Você arrasta blocos, conecta condições e publica. Em questão de horas você tem um bot funcional que coleta leads, qualifica clientes ou responde as dez perguntas mais frequentes.

As vantagens são claras: custo baixíssimo (muitas ferramentas têm plano gratuito), comportamento 100% previsível, fácil de auditar e corrigir, nenhum risco de "alucinação" e conformidade simples com LGPD porque o bot nunca gera conteúdo próprio.

As limitações também são claras: o bot não entende variações de linguagem. Se o fluxo espera "agendar consulta" e o usuário digita "quero marcar um horário", o bot não sabe o que fazer. Qualquer desvio do script previsto resulta em uma resposta genérica de fallback.

Quando usar: FAQ estático, qualificação de leads com perguntas predefinidas, agendamento com opções fixas, coleta de dados estruturados (nome, CPF, e-mail). Qualquer fluxo onde as respostas possíveis são conhecidas e finitas.

NLP com Rasa e Dialogflow: Intenções e Entidades

O salto para NLP resolve o problema das variações de linguagem. Em vez de mapear frases exatas, você treina o modelo para reconhecer intenções (o que o usuário quer) e entidades (os dados relevantes na mensagem).

"Quero agendar para terça às 14h" → intenção: agendar_consulta, entidade: data=terça, entidade: horario=14:00

"Me encaixa semana que vem de manhã" → mesma intenção: agendar_consulta, entidade: data=próxima semana, entidade: horario=manhã

Dialogflow (Google) é o mais fácil de começar. Interface visual para criar intenções, suporte nativo a português brasileiro, integração direta com Google Assistant, Telegram, Slack e WhatsApp. A versão CX (Customer Experience) tem fluxos de conversa mais complexos e é a recomendada para projetos sérios. O custo é baseado em volume de requisições — acessível para volumes médios.

Rasa é a alternativa open-source. Você hospeda no seu servidor, treina seus próprios modelos, tem controle total dos dados. É mais complexo para configurar (exige conhecimento de Python e de conceitos de ML), mas o custo operacional é muito menor em alto volume e a privacidade dos dados é garantida — nada sai para servidores de terceiros.

O ponto fraco do NLP clássico é que ele ainda falha em conversas abertas e contextos inesperados. Ele reconhece intenções treinadas, mas se o usuário faz uma pergunta fora do conjunto de intenções, o bot não sabe responder. A manutenção é constante: você precisa revisar logs, identificar falhas de reconhecimento e adicionar exemplos de treinamento regularmente.

LLMs: Qualidade Alta, Custo Alto e Controle Baixo

Os modelos de linguagem grande mudaram o que é possível em um chatbot. Com GPT-4, Claude ou Gemini, você tem um bot que:

• Entende perguntas em qualquer forma
• Mantém contexto de conversas longas
• Responde com linguagem natural fluida
• Pode raciocinar sobre documentos, FAQs e bases de conhecimento

A arquitetura mais comum para chatbots de atendimento com LLM é RAG (Retrieval-Augmented Generation): você indexa sua documentação, perguntas frequentes e políticas em um banco vetorial (Pinecone, Weaviate, pgvector). Quando o usuário pergunta algo, o sistema busca os trechos mais relevantes e passa para o LLM junto com a pergunta. O modelo responde baseado nessa contexto.

from openai import OpenAI
from typing import Optional

client = OpenAI()

SYSTEM_PROMPT = """Você é o assistente virtual da Empresa X.
Responda apenas com base nas informações fornecidas no contexto.
Se não souber a resposta, diga que vai conectar com um atendente humano.
Seja sempre cordial e objetivo. Responda em português brasileiro."""

def responder_usuario(
    pergunta: str,
    contexto_recuperado: str,
    historico: list[dict]
) -> str:
    mensagens = [
        {"role": "system", "content": SYSTEM_PROMPT},
        *historico,
        {
            "role": "user",
            "content": f"Contexto relevante:\n{contexto_recuperado}\n\nPergunta: {pergunta}"
        }
    ]

    resposta = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=mensagens,
        temperature=0.3,  # baixo para respostas mais consistentes
        max_tokens=500
    )

    return resposta.choices[0].message.content

Os problemas dos LLMs são reais e precisam ser gerenciados ativamente. Alucinações acontecem — o modelo pode inventar informações com confiança. O custo por mensagem é ordens de grandeza maior do que NLP clássico. A latência é maior. E o comportamento não é 100% determinístico, o que dificulta testes automatizados.

O custo em alto volume é o maior frenador: 1 milhão de mensagens por mês com GPT-4o pode custar alguns milhares de dólares. Para volumes menores e casos de uso de alto valor (suporte técnico complexo, vendas consultivas), o ROI justifica. Para FAQ básico de e-commerce, não justifica.

Matriz de Decisão por Caso de Uso

Caso de Uso	Regras	NLP	LLM
FAQ estático (10-30 perguntas)	Ideal	Excessivo	Excessivo
Qualificação de leads	Ideal	Bom	Desnecessário
Agendamento com opções fixas	Ideal	Bom	Desnecessário
Suporte técnico com variações	Ruim	Bom	Excelente
Atendimento em linguagem livre	Ruim	Regular	Excelente
Vendas consultivas complexas	Ruim	Ruim	Excelente
Resposta sobre documentos internos	Não funciona	Regular	Excelente (RAG)
Alto volume (1M+ msgs/mês)	Ideal	Bom	Caro
Dados sensíveis (saúde, jurídico)	Seguro	Seguro (Rasa)	Risco

A lógica central é: use regras para fluxos previsíveis, NLP para variações de linguagem natural em domínios conhecidos, e LLM para conversas abertas onde a qualidade da resposta é crítica e o custo é justificável.

Uma abordagem híbrida frequentemente faz mais sentido: o primeiro nível usa regras para os fluxos mais comuns (que representam 80% do volume), e o fallback para tudo fora do fluxo usa LLM. Isso controla o custo e mantém a qualidade onde importa.

Conclusão

Não existe chatbot ideal — existe chatbot adequado ao contexto. A decisão entre regras, NLP e LLM é uma decisão de engenharia que deve considerar volume de mensagens, complexidade das perguntas, sensibilidade dos dados, orçamento e tolerância a erros.

O erro mais caro é escolher uma arquitetura mais complexa do que o necessário — implementar um LLM para responder "qual o horário de funcionamento" é desperdício. O segundo erro mais caro é escolher uma arquitetura simples demais para um problema complexo — colocar um chatbot de regras para suporte técnico de SaaS vai frustrar clientes e não resolver nada.

Na SystemForge, fazemos essa análise antes de escrever qualquer linha de código. Mapeamos os casos de uso, estimamos o volume, avaliamos a sensibilidade dos dados e recomendamos a arquitetura que entrega mais resultado pelo menor custo de operação. Converse com a gente sobre o seu projeto.