IA para HORECA: Horários, Alergénios e Encomendas

Como pode um restaurante, café ou pastelaria usar inteligência artificial?

Transformando a informação que o negócio já tem — horários por loja, produtos, ingredientes, alergénios, procedimentos de encomenda — em algo que o cliente alcança por conversa natural, a qualquer hora. A IA interpreta o que o cliente quer; os dados do negócio fornecem os factos; o software controla o processo.

A BigLearn construiu um assistente de atendimento com IA generativa para uma pastelaria tradicional portuguesa de renome, sediada em Lisboa — a casa com mais prémios de Melhor Pastel de Nata, com mais de oitenta anos de história. O assistente responde sobre lojas, horários, produtos e alergénios, e pode iniciar uma encomenda — tudo numa só conversa, a qualquer hora.

Nenhuma das perguntas é difícil. Difícil é respondê-las sempre.

«A loja da baixa está aberta hoje?» «A que horas fecha a loja do centro comercial?» «Isto leva frutos secos?» «Queria 50 pastéis de nata para amanhã.» Uma a uma, nenhuma destas é complicada.

A dificuldade é responder com exatidão, repetidamente, e sempre que o cliente decide perguntar. Várias lojas com horários diferentes, uma lista longa de produtos e informação detalhada de alergénios tornam isto mais pesado a cada ano — enquanto o cliente espera cada vez mais que a resposta já lá esteja.

A loja fecha. O atendimento digital não tem de fechar.

Alguém decide encomendar às 23h. Alguém está a organizar um evento para domingo. Alguém verifica um alergénio antes de escolher. Alguém está fora de Portugal a planear uma viagem a Lisboa. A necessidade aparece quando aparece.

Um site pode publicar tudo isto — mas o cliente ainda tem de o encontrar, escolher a página da loja certa e interpretá-la. A conversa inverte o trabalho: em vez de navegar, pergunta «a que horas abre a loja da baixa amanhã?» ou «preciso de pastéis de nata para trinta pessoas», e o assistente inicia logo a interação certa.

Alergénios: o único sítio onde a IA não pode adivinhar

Um modelo sabe receitas. É exatamente esse o problema. Perguntado se um produto leva frutos secos, um modelo de linguagem consegue produzir uma resposta confiante a partir do que sabe sobre bolos parecidos — e estar errado sobre aquele.

Por isso as respostas sobre alergénios vêm apenas da informação de produto controlada pela empresa. Quando essa informação falta ou é insuficiente, o comportamento correto não é um palpite cuidadoso: o assistente diz que não consegue confirmar e encaminha para uma pessoa. É a regra mais curta do projeto e a que mais importa — quando a resposta importa, não saber é melhor do que inventar.

É a mesma regra que aplicamos onde uma resposta errada é um compromisso e não um incómodo, como os preços e a disponibilidade no assistente por email do imobiliário.

Um modelo sabe de pastelaria. Não sabe desta pastelaria.

Um modelo de linguagem consegue explicar o que é um pastel de nata. Não sabe quais são os produtos daquela casa, os horários atuais de cada loja, a informação de alergénios registada, nem como funcionam ali as encomendas — e nunca vai saber, porque essa informação não é pública e muda.

Por isso a aplicação fornece o conhecimento relevante em cada interação: pergunta do cliente + conhecimento do negócio + regras comerciais + modelo = resposta contextualizada. Quando um horário muda ou entra um produto novo, atualiza-se a fonte e a conversa seguinte já a usa. Não se retreina nada.

Uma frase transforma-se numa encomenda

«Queria 40 pastéis de nata amanhã de manhã» já contém quatro coisas: a intenção, o produto, a quantidade e o momento. Falta o local de levantamento, a hora exata e o contacto — por isso o assistente pergunta só isso, em vez de apresentar um formulário com tudo.

Para o cliente é uma frase. Para a aplicação é tipo: encomenda · produto: pastel de nata · quantidade: 24 · data: amanhã · estado: recolher informação em falta. Quando os campos necessários existem, o AWS Lambda aciona o passo seguinte do processo de encomenda. Essa passagem da linguagem para um processo de negócio é toda a diferença entre uma aplicação de IA e um chatbot.

Um chatbot responde. Este decide que tipo de coisa lhe estão a pedir.

Três pedidos chegam pela mesma caixa e não são nada a mesma coisa. «A que horas fecham?» é um pedido de informação. «Isto leva determinado alergénio?» exige conhecimento controlado e um caminho de recusa. «Quero encomendar 30» inicia um processo.

Um chatbot organiza-se em pergunta → resposta. Isto organiza-se em compreender → perguntar → recolher → estruturar → validar → executar → responder. Para o cliente a interface é idêntica; o que muda é o que está por trás.

Porquê AWS Lambda, e o que o modelo não pode fazer

O modelo não comanda a aplicação. O AWS Lambda recebe a mensagem, valida, carrega o contexto de negócio relevante, apura que informação ainda falta, chama o modelo, processa a saída, converte a conversa em dados estruturados, inicia o processo de encomenda e escreve os registos.

A divisão é deliberada: a IA generativa é boa em «o que é que este cliente está a tentar fazer»; o software normal é melhor em «temos todos os campos obrigatórios antes de criar esta encomenda». Uma pergunta é um evento, uma encomenda é um evento — o que torna o serverless a escolha natural e permite que atendimento, contexto de negócio, IA, encomendas e integrações vivam como componentes separados, cada um com uma função clara.

A IA não é só para bancos e multinacionais

O ponto deste projeto não são os pastéis. É que um negócio tradicional português pode usar a mesma tecnologia de base que um banco — modelos de linguagem, AWS Lambda, APIs, context engineering, automação de processos — para um objetivo que não tem nada de sofisticado: atender melhor.

O HORECA presta-se a isto de forma pouco vulgar. Hotéis, restaurantes e cafés respondem sem fim às mesmas perguntas — horários, moradas, ementas, ingredientes, alergénios, reservas, encomendas, disponibilidade — e quase toda essa informação já existe dentro da empresa. O que faltava era uma forma de lá chegar. A linguagem natural é uma interface universal para conhecimento que a empresa já tem.

A mesma arquitetura adapta-se a restaurantes, padarias, cadeias, empresas de catering, hotéis e negócios com várias lojas. E é por isso que o trabalho não começa pelo chatbot — começa pelo processo de negócio. A primeira pergunta não é «que chatbot instalamos», é «que problema de negócio é que a inteligência artificial resolve mesmo aqui».

A tradição fica na pastelaria

A IA não faz os pastéis, e não substitui quem os faz. Não impede um cliente de falar com uma pessoa quando é isso que quer. Resolve outro problema: tornar a informação do negócio e alguns processos digitais disponíveis quando o cliente precisa deles.