Agentes de Ai no seu produto numa semana. SDK, widgets, multi-tenant.
Protótipo de uma funcionalidade de Ai num dia, release em produção numa semana. SDK pronto, componentes de UI e plataforma backend para integrar assistentes e agentes de Ai no produto da empresa: widgets de chat na área de cliente, RAG sobre a documentação, copiloto de Ai no dashboard, onboarding com Ai dos novos utilizadores, streaming e tool-calling de série. Multi-tenant e faturação de tokens por tenant, BYO LLM (OpenAI, GigaChat, self-hosted): o senhor muda o modelo em 5 minutos. A equipa de produto, o Tech Lead e o Frontend montam-no e implementam-no por si próprios, sem infraestrutura de ML nem sprints de meses. SDK para JS, React, iOS e Android, disponível em npm e CocoaPods.
- ⌬ SDK para JS / React / iOS / Android
- ≡ Streaming & tool-calling
- ▥ Multi-tenant & per-tenant billing
- ⛯ BYO LLM · OpenAI · GigaChat · self-host
A Ai no produto são seis meses de infraestrutura antes do primeiro botão.
O product manager quer «um chat de Ai na área de cliente e uma pesquisa inteligente no catálogo». O backend escreve filas, tokenizador, retry, cache e streaming. O frontend espera pelo SDK e pelo widget. A segurança critica o proxy para a OpenAI. O ML pede um ano para os embeddings. O release, daqui a dois trimestres. O concorrente já o lançou.
Seis meses até à primeira funcionalidade de Ai
Cada equipa constrói a sua própria infraestrutura de Ai: RAG, gateway, retry, cost-control, observability, multi-tenant. Quando finalmente se chega ao valor de produto, os concorrentes já lançaram.
Cada integração é um sprint
O novo cliente quer o seu próprio contexto e o seu próprio fornecedor de modelo. Passar os dados do tenant para o prompt, isolar o histórico e calcular o seu custo: mais um mês de trabalho da equipa.
Ai em produção = caixa negra
Não se sabe quanto custa cada agente, quem o invoca, que modelo funciona melhor nem onde alucina. O CFO pede o plano de tokens, e não existe.
Não «implementamos Ai». Mas sim números na velocidade dos releases e na economia unitária.
Cada funcionalidade de Ai com um TTM claro, custo por DAU, métrica de adoção e contributo para a retenção e o upsell. Não «temos Ai», mas sim uma conta de resultados concreta do produto.
Velocidade dos releases de funcionalidades de Ai
Modelos de agentes, SDK pronto, componentes de UI, gateway para os modelos. A equipa de produto lança-o por si própria.
Quota de utilizadores das funcionalidades de Ai
O widget vive na UX do produto, não num site à parte. O cliente vê o assistente ali onde já trabalha.
Cost / DAU das funções de Ai
Cache, encaminhamento do modelo segundo a tarefa, modelos baratos para o típico e caros para o complexo.
Retenção mensal dos tenants com Ai
Onboarding com Ai, contextual help, copiloto nos cenários-chave. O cliente capta o valor mais cedo.
Uma plataforma de Ai sobre o seu produto. Da base de dados ao botão na UI.
Ligamos as fontes do produto (base de dados, eventos, documentação, conteúdo dos utilizadores), montamos os agentes a partir de modelos e integramo-los na UI com um SDK e componentes de UI prontos. Tudo é gerido pela equipa de produto.
-
01
Ligamos as fontes do produto através das suas API Postgres / ClickHouse / S3, Kafka / Redis, o seu centro de ajuda e documentação, o seu sistema de autorização. O agente trabalha no contexto do tenant e do utilizador.
-
02
Escolhemos um modelo de agente e ajustamo-lo ao produto Chat, RAG, copiloto, classifier, agent. Mais de 30 cenários prontos com streaming, tool-calling, evals e rate-limit de série.
-
03
Integramo-lo na UI com um SDK e componentes prontos 5 linhas de código em React / Vue / Next / iOS / Android. Widget, ghost text, side-panel, command palette: personaliza-se com o seu design.
-
04
Publicamos, monitorizamos, otimizamos A/B de modelos, observability dos diálogos, evals, cost-per-feature, limites por tenant, fallback para um modelo barato. Rollback do agente com um clique.
O que acelera de 5 a 10 vezes a entrada em funcionamento da Ai no produto.
Não vendemos «um modelo». Oferecemos um construtor de agentes, um SDK de integração, uma plataforma multi-tenant e observability, para que a equipa de produto lance funcionalidades de Ai como funcionalidades normais, não como um projeto de I&D.
Construtor de agentes no-code
Prompt, ferramentas, fontes, evals: tudo visual. Versões e A/B de série.
Modelos para o produto
Mais de 30 cenários: chat, RAG, copiloto, agent, classifier, summarizer, voice.
SDK para qualquer stack
JS / TS, React, Vue, Next, Nuxt, Svelte, iOS (Swift), Android (Kotlin), Flutter, SDK de servidor em Node / Python / Go / Java.
Componentes de UI
Widget de chat, ghost text, side-panel, command palette, action bar. Personaliza-se com o seu design.
BYO LLM através do Gateway
OpenAI, Claude, Gemini, GigaChat, YandexGPT, Llama, o seu self-host. Encaminhamento segundo a tarefa, fallback, retry.
Streaming & tool-calling
WebSocket / SSE de série. Tool-calling, structured outputs, function-calling segundo OpenAPI.
Motor de RAG
Embeddings, pesquisa híbrida, ranking, citação da fonte. Postgres pgvector / Qdrant / Tantor.
Multi-tenant & faturação
Isolamento de dados, modelos e prompts por tenant, limites, métricas, faturação por tokens e pedidos.
Cost guardrails
Limites por tenant / utilizador / agente, cache, fallback para um modelo barato, orçamento em rublos.
A/B, evals & rollback
Comparação de modelos e prompts, avaliação de qualidade, testes de regressão, rollback do agente em 1 clique.
Observability dos diálogos
Rastreabilidade de cada chamada, logs / metrics / traces em OpenTelemetry, Grafana, Datadog.
White-label & enterprise
A sua marca, o seu domínio, on-prem para o cliente, SSO/SAML, auditoria e DLP para o segmento empresarial.
Integrar um assistente de Ai no produto é como colocar um botão.
O SDK encarrega-se do streaming, das novas tentativas, da cache, dos tokens, do multi-tenant e dos evals. O frontend escreve apenas a UX. O backend, apenas a lógica de negócio.
// embed Ai co-pilot into your SaaS dashboard import { AistChat, useAistAgent } from '@aist/react' export function DashboardCoPilot({ tenantId, user }) { const agent = useAistAgent('sales-copilot', { tenantId }) return <AistChat agent={agent} context= streaming /> }
Um único componente. O contexto do seu produto. Streaming, evals e multi-tenant, debaixo do capô.
Não precisa de configurar o LLM, o proxy, as filas nem o índice de RAG. Tudo isso já está na plataforma. O senhor escreve o prompt do agente no painel e o frontend recebe um widget operacional.
- 01tenantId, integrado. Isolamento do histórico, dos limites e da faturação ao nível do SDK.
- 02context, o seu. Passa o utilizador atual, o objeto, a sessão: o agente sabe onde trabalha.
- 03streaming por defeito. SSE / WebSocket, sem uma única linha de código de transporte.
- 04evals e observability. Cada diálogo é rastreado, avaliado e vai para o seu Grafana / Datadog.
Ligamo-nos ao seu stack sem reescrever o produto.
REST / WebSocket / GraphQL / gRPC, de série. O seu Auth, a sua base de dados e a sua observability continuam a ser seus. A plataforma torna-se um serviço, como o Stripe ou o Auth0, mas para a Ai.
// frontend
// backend
// data & vector
// auth & identity
// observability & CI/CD
Uma plataforma sobre o seu produto, não no seu lugar.
Não lhe pedimos que substitua a base de dados, a autorização, a observability nem o CI. Ligamo-nos ao seu stack através de normas e entregamos-lhe um SDK pronto para o produto e uma API de backend para os agentes. O senhor continua a ser o proprietário do produto; nós trazemos a infraestrutura de Ai.
Tenant, utilizador, objeto, sessão, histórico do produto. Passa-se através do SDK: o agente sabe onde trabalha.
O senhor descreve o esquema OpenAPI/JSON e o agente invoca os seus endpoints por si próprio, cria registos, lê dados e executa ações.
Widget web, side-panel, ghost text, voz no telemóvel, bot no Telegram / VK Teams para os seus clientes.
Mais de 30 agentes de Ai para as tarefas de produto típicas.
Modelo + o contexto do seu produto = uma funcionalidade operacional na UI. Sem meses de I&D. Cada cenário com um TTM claro e o seu contributo para a adoção.
Chat de Ai na área de cliente do produto
Widget pronto com a sua marca e o seu contexto. Streaming, histórico por utilizador, tool-calling para o seu backend.
RAG sobre a documentação do produto
O centro de ajuda e a documentação da API transformam-se numa pesquisa inteligente com citação da fonte. −60% de tickets para o suporte.
Copiloto de Ai no dashboard do SaaS
«Mostra-me os abandonos do funil da semana», «cria uma campanha para este segmento»: o agente fá-lo e o utilizador confirma.
Onboarding com Ai do novo tenant
O agente guia o primeiro utilizador pelo produto, ajuda-o a criar o primeiro objeto e responde às suas perguntas. CR do onboarding +18%.
Helpdesk de Ai dentro do produto
Responde dentro do produto, escala para o Jira / Service Desk e abre o ticket com o contexto do utilizador. −60% de carga no L1.
Classifier de backend no pipeline
Classificação de pedidos, etiquetagem, ranking, moderação. Uma única chamada HTTP no seu serviço.
Ai white-label para os seus clientes
Os seus clientes enterprise recebem o seu mesmo produto + Ai na sua própria infraestrutura, com a sua marca e no seu próprio hardware.
Agente de voz no telemóvel
SDK nativo para iOS / Android. ASR + diálogo + tool-calls. Modos push-to-talk e hands-free.
Ai-analista do produto para o CTO
«Quanto custa o chat de Ai por DAU?», «Que modelo funciona melhor no tenant X?»: resposta por voz a partir dos evals e dos logs de custo.
A Ai no produto é uma funcionalidade de produto. Não um projeto de I&D.
O Product Owner escreve o prompt. O Tech Lead configura a política e as ferramentas. O frontend coloca o widget. O DevOps vigia o custo e a latência. A equipa de ML só é precisa para retreinos não padrão.
Ai = um projeto de I&D de um trimestre
- ✕Cada funcionalidade de Ai com a sua própria infraestrutura: gateway, RAG, filas, cache, evals.
- ✕O multi-tenant é programado à mão. A faturação de tokens é calculada em Excel.
- ✕Cada atualização do prompt é um release do backend.
- ✕Não há observability dos diálogos. O custo por DAU é desconhecido.
- ✕Se não funciona, a culpa é de «um contexto errado».
Ai = uma funcionalidade normal dentro do sprint
- ✓O Product Owner corrige o prompt no painel, sem deploy.
- ✓O Tech Lead muda o modelo, as ferramentas e a política, sem código.
- ✓O frontend coloca o widget em 5 linhas. O SDK encarrega-se do streaming e das novas tentativas.
- ✓Multi-tenant, limites e faturação por tokens, integrados.
- ✓Cost-per-feature, evals, A/B de modelos, de série.
Uma solução que satisfaz o CTO, a equipa de produto e a segurança ao mesmo tempo.
Uma empresa de TI vive da velocidade dos releases, da economia unitária do produto e da segurança dos dados do cliente. A AiST foi concebida para que as três partes digam «sim».
Velocidade e economia unitária
- TTM das funcionalidades de Ai ×6
- Adoção das funções de Ai +25–40%
- Cost / DAU da Ai −40–70%
- Retenção dos tenants com Ai +10–20 p.p.
- A equipa de produto lança-o por si própria
- A equipa de ML, só para o não padrão
Dados e infraestrutura
- On-prem / nuvem privada / híbrido
- BYOK para a cifragem
- Isolamento de dados por tenant
- Lei federal russa de dados pessoais 152-FZ, preparado para o RGPD
- Auditoria completa das consultas e dos tool-calls
- SSO / SAML / OIDC / DLP
Operação e fiabilidade
- Helm chart, k8s, autoscaling
- SLA de inferência, p99 latency
- OpenTelemetry, Grafana, Sentry
- Fallback e circuit breaker nos modelos
- Versões, A/B, rollback dos agentes
- Deploy de prompts compatível com GitOps
As perguntas que se fazem antes da integração.
Em quanto tempo se integra o primeiro agente no produto?
Widget de chat na área de cliente: 1–2 dias. RAG sobre a documentação: 5–7 dias. Copiloto de Ai com tool-calling para o seu backend: 1–2 semanas. A complexidade está no seu produto, não na infraestrutura de Ai.
É precisa uma equipa de ML própria?
Não. O Product Owner corrige o prompt no painel, o Tech Lead configura os modelos e as ferramentas, o frontend coloca o widget em 5 linhas. O ML só é preciso se voltar a treinar o seu próprio modelo com os seus dados: é uma via à parte e opcional.
Que modelos se podem usar?
Qualquer um. OpenAI, Claude, Gemini, GigaChat, YandexGPT, Llama, Qwen, os seus self-host. Através do Gateway: encaminhamento segundo a tarefa, fallback, retry, cache. O modelo muda-se na configuração do agente, sem código.
E quanto ao multi-tenant e aos dados dos clientes?
O isolamento por tenantId vem integrado: histórico, chaves, limites, faturação. É possível levantar uma instância à parte da plataforma na infraestrutura do cliente enterprise (white-label, on-prem). Os dados do cliente não passam para outro tenant nem saem para o exterior.
Como se calcula o custo da Ai no produto?
Cost-per-feature, cost-per-tenant, cost-per-DAU, de série. Limites por tenant e por agente, cache, fallback para um modelo barato, faturação em rublos. O CFO defende o orçamento com números, não com esperanças.
E os evals e o controlo de qualidade?
Cada agente tem um conjunto de testes e evals no CI. A/B de modelos e prompts com tráfego real. Observability dos diálogos em OpenTelemetry. Regressão em cada deploy do prompt. Rollback do agente com um clique.
Mostramos-lhe em 30 minutos como o seu produto obtém uma funcionalidade de Ai numa semana.
Recolhemos o stack do produto, a descrição do cenário e o modelo de monetização, e voltamos com um PoC pronto, uma estimativa do custo por DAU e um plano de integração de 1–2 sprints.