Duas camadas de IA analisam cada mensagem em paralelo. Uma terceira entra só quando a conversa foge do roteiro. E um painel mostra tudo acontecendo, em tempo real.
Cada mensagem que chega passa por este fluxo — em segundos.
gpt-4o-mini-transcribe
transcreve antes de qualquer análise — o sistema nunca processa áudio bruto
intencao.py
descobre o que a pessoa quer
classificador.py
decide como a pessoa fala
intencao.py gpt-5.4-nanoDescobre o que a pessoa quer, entre 4 tarefas: trocar de plano, consultar fatura, reclamar de sinal ou cancelar linha.
Lê a mensagem inteira — não depende de onde o pedido aparece na frase. "Oi, tudo bem? Então, é que minha conta veio estranha" é entendido do mesmo jeito que "consultar fatura".
classificador.py gpt-5.4-nanoDecide como a pessoa fala, com base nos 5 níveis oficiais do Inaf. É essa leitura que escolhe o caminho da conversa — Guiado, Intermediário ou Direto.
interprete.pyEntra só quando a resposta foge do esperado. Se a pessoa responde uma pergunta — "qual o mais barato?" — no meio de uma confirmação, o interprete entende o desvio em vez de deixar a conversa travar.
gpt-4o-mini-transcribeTranscreve mensagens de áudio antes de qualquer análise. Quem prefere falar a escrever — e muita gente prefere — usa a Iara do mesmo jeito.
O Indicador de Alfabetismo Funcional (Inaf) é a referência nacional para medir alfabetismo. O classificador.py usa esses mesmos 5 níveis para ler cada mensagem.
Um painel em FastAPI + SQLite em modo WAL acompanha cada atendimento no momento em que acontece: nível Inaf, caminho, tarefa, taxa de resolução sem atendente humano e tempo médio por nível.
Os próprios cards do painel têm densidade visual diferente por caminho — o Guiado é mais espaçoso, o Direto mais compacto. É um lembrete permanente para quem opera o sistema: "mais devagar" é mais cuidado, não pior atendimento.
Os cards Guiado e Intermediário lado a lado no painel — a diferença de densidade visual entre os caminhos é intencional.
suítes automatizadas de teste
casos-âncora da escala do Inaf
variações de confirmação testadas
personas cobrindo os 5 níveis oficiais
Não é um instrumento de diagnóstico clínico — é um protótipo validado com rigor pro que ele se propõe a fazer. A Iara não aplica o teste oficial do Inaf, que é presencial e cronometrado: o que ela faz é uma aproximação, baseada nos descritores de cada nível, pensada pra funcionar dentro de uma conversa real.
| Item | Como é cobrado | Preço público |
|---|---|---|
| Telegram | Uso do bot | Gratuito |
| Classificação (intenção + nível) | gpt-5.4-nano, por token | $0,20/milhão tokens entrada · $1,25/milhão saída |
| Transcrição de áudio | gpt-4o-mini-transcribe, por minuto | ~$0,003/minuto |
| Servidor (VPS) | Mensal, fixo | R$ 52,99/mês (Hostinger, plano KVM 1, contratação mês a mês) |
por atendimento — simulação de 1.000 atendimentos/mês
Simulação: 1.000 atendimentos/mês, com 4 mensagens de texto em média cada e 20% incluindo 1 áudio de ~15s. A classificação de intenção e nível de letramento roda uma única vez por atendimento — na primeira mensagem, não a cada mensagem trocada — o que dá cerca de 2.140 tokens de IA por atendimento, medidos direto dos prompts do sistema. Isso soma US$ 0,611 (≈ R$ 3,14) em IA por mês para os 1.000 atendimentos. O servidor (R$ 52,99/mês ÷ R$ 5,14 = US$ 10,31) somado à IA dá US$ 10,92/mês — R$ 56,13/mês — R$ 0,06 por atendimento (câmbio R$ 5,14, 21/08/2026).
Estes valores são uma estimativa baseada nos preços públicos da OpenAI e no tamanho real dos prompts do sistema — não representam uma fatura paga. O protótipo foi desenvolvido usando créditos de teste da conta da equipe, não uma assinatura de produção.
A arquitetura usa o menor modelo da geração atual (gpt-5.4-nano) nas duas classificações que abrem cada atendimento, reservando modelos maiores apenas se o projeto crescer para tarefas que exigirem mais raciocínio — reduzindo o custo por atendimento sem abrir mão da precisão.
A simulação acima usa o preço cheio, sem descontos. Na prática, o custo tende a ser ainda menor: como os prompts de sistema de intencao.py e classificador.py são fixos e reaproveitados em toda chamada, eles são elegíveis ao desconto de cache de prompt da OpenAI — até 90% mais barato na parte repetida.
Em escala muito maior que a testada aqui, existe outro caminho: hospedar um modelo de código aberto (como Llama ou Mistral) no próprio servidor, trocando custo por token por custo fixo de infraestrutura. Não foi o caminho escolhido para este protótipo — que prioriza simplicidade e rapidez de desenvolvimento —, mas é uma opção real se o volume de atendimentos crescer o suficiente para justificar o investimento.
A Iara é uma inteligência artificial e, como qualquer outra IA, pode cometer erros.