Há três caminhos para colocar um chatbot com IA no site: contratar um widget pronto de uma plataforma de atendimento, construir o seu chamando a API de um modelo (OpenAI, Anthropic ou Google) ou montar um assistente com RAG que responde só com base nas páginas e documentos da empresa. Para a maioria das pequenas empresas, o widget pronto resolve mais rápido; construir faz sentido quando você precisa de controle sobre dados, integrações ou custo por conversa.
Qualquer que seja o caminho, três cuidados decidem se o projeto dá certo: tratar dados pessoais conforme a LGPD, limitar o que o bot pode afirmar para reduzir respostas inventadas e ter uma passagem clara para um atendente humano. Este guia compara as opções, mostra preços oficiais conferidos em 17 de outubro de 2026 e lista os erros que mais aparecem na implantação.
Resumo rápido
- Widget pronto: implantação em dias, cobrança por assento e, em alguns casos, por conversa resolvida. Menos controle sobre o modelo e os dados.
- Construir com API: você paga por token (pedaço de texto processado) e controla prompt, integrações e armazenamento. Exige desenvolvimento e manutenção.
- RAG sobre o site: o bot busca trechos das suas páginas antes de responder e cita a fonte. É o que mais reduz invenção de fatos.
- Os modelos mais baratos das três grandes fornecedoras custam frações de centavo de dólar por resposta curta, mas o custo real inclui busca, armazenamento e horas de equipe.
- Avise que é IA, colete só os dados necessários, ofereça humano a qualquer momento e registre conversas com prazo de retenção definido.
As três abordagens, lado a lado
Antes de escolher fornecedor, decida o tipo de projeto. A diferença entre as abordagens está menos na qualidade do modelo e mais em quem opera, quem guarda os dados e como você paga.
| Abordagem | Como funciona | Bom para | Limitações |
|---|---|---|---|
| Widget pronto de plataforma | Você instala um script no site e conecta a base de ajuda da plataforma | Equipes sem desenvolvedor, quem já usa a plataforma para atendimento | Custo recorrente por assento ou por conversa; pouco controle sobre modelo, prompt e local dos dados |
| Construir com API de modelo | Seu sistema envia a conversa para a API e devolve a resposta no chat do site | Integração com sistemas próprios (estoque, agenda, pedidos), controle de custo e de dados | Exige código, segurança, monitoramento e manutenção contínua |
| RAG sobre as páginas do site | Antes de responder, o sistema busca trechos das suas páginas e documentos e manda junto para o modelo | Respostas sobre preços, políticas, horários e serviços, com citação da página | A resposta só é boa se a busca for boa; precisa reindexar quando o site muda |
As abordagens se combinam. Muitas plataformas de widget já usam algo parecido com RAG sobre a central de ajuda, e um bot construído com API quase sempre precisa de RAG para não responder de memória. O passo a passo técnico de busca, chunking e bancos vetoriais está no nosso guia prático de RAG; aqui o foco é a decisão de produto.
Widget pronto: rápido, mas com custo recorrente
Plataformas de atendimento oferecem agentes de IA que respondem no chat do site com base na sua base de conhecimento. A vantagem é o tempo: você não programa nada, e a plataforma já traz caixa de entrada para a equipe, histórico e transferência para humano.
O modelo de cobrança varia. Um exemplo com preço público: a Intercom anuncia o agente Fin “a partir de US$ 0,99 por resultado” (outcome), que a própria página define como um problema resolvido, um cliente que para de pedir ajuda após a resposta do Fin ou um fluxo concluído. Os planos de assento aparecem a partir de US$ 29 por assento ao mês. Valores conferidos na página oficial em 17 de outubro de 2026; a página usa o símbolo “$” sem nomear a moeda.
Ao avaliar qualquer widget, pergunte:
- Como é cobrado: por assento, por conversa, por resolução ou por volume de mensagens?
- Onde os dados das conversas ficam armazenados e por quanto tempo?
- O fornecedor usa as conversas para treinar modelos? Existe contrato de tratamento de dados?
- Dá para limitar as fontes que o bot usa e exigir que ele cite a página?
- Como funciona a transferência para humano fora do horário comercial?
Construir com a API de um modelo
Construir significa que o seu servidor recebe a mensagem do visitante, monta o prompt com instruções e contexto, chama a API do modelo e devolve a resposta. Você escolhe o modelo, controla o texto das instruções, decide o que é registrado e pode conectar o bot a sistemas internos com function calling, a técnica em que o modelo pede para executar funções definidas por você, como consultar um pedido.
Uma regra de segurança que não pode faltar: a chave da API fica no servidor, nunca no JavaScript do site. Qualquer chave exposta no navegador pode ser copiada e usada por terceiros na sua conta.
Preços oficiais dos modelos de entrada
Para um chatbot de site, modelos menores e mais baratos costumam bastar, porque as perguntas são curtas e o contexto vem do RAG. A tabela abaixo traz um modelo de baixo custo de cada fornecedora, com preço padrão em dólares por milhão de tokens, conferido nas páginas oficiais em 17 de outubro de 2026.
| Fornecedora | Modelo | Entrada (US$ / 1 milhão de tokens) | Saída (US$ / 1 milhão de tokens) | Observação |
|---|---|---|---|---|
| OpenAI | gpt-6-luna | 0,10 | 0,50 | Entrada em cache: US$ 0,01 |
| Anthropic | Claude Haiku 5.5 | 0,10 | 0,50 | Para prompts de até 100 mil tokens; acima disso, US$ 0,50 e US$ 2,50 |
| Gemini 3.5 Flash-Lite | 0,30 | 2,50 | Tem nível gratuito, mas nele o Google pode usar os dados para melhorar produtos |
Para ter ordem de grandeza: uma resposta que envia 3.000 tokens de entrada (instruções, histórico e trechos do site) e devolve 500 tokens custaria cerca de US$ 0,00055 nos dois primeiros modelos da tabela. É uma conta ilustrativa; o consumo real depende do tamanho do prompt, do histórico guardado e do tokenizador de cada modelo. O nosso texto sobre tokens e custo de API mostra como estimar com os seus números.
O custo de modelo raramente é o maior item. Some hospedagem, banco vetorial, ferramenta de busca, monitoramento e, principalmente, horas de desenvolvimento e revisão. Se usar a busca em arquivos gerenciada da OpenAI, por exemplo, a página de preços lista US$ 0,10 por GB por dia de armazenamento (1 GB grátis) e US$ 2,50 por mil chamadas da ferramenta.
RAG sobre as páginas do site
RAG (geração aumentada por recuperação) é o que transforma um modelo genérico num atendente que conhece a sua empresa. O processo, em resumo: você extrai o texto das páginas do site (serviços, preços, políticas, FAQ), divide em trechos, indexa, e a cada pergunta o sistema busca os trechos mais relevantes e entrega ao modelo com a instrução de responder só com base neles.
Três decisões fazem diferença num chatbot de site:
- O que entra na base. Só conteúdo público e revisado. Página antiga de promoção encerrada vira resposta errada.
- Citação obrigatória. Peça ao modelo que informe a página usada e mostre o link na resposta. O visitante confere, e a equipe audita.
- Reindexação. Toda vez que preço, horário ou política mudar no site, a base precisa ser atualizada. Automatize isso na publicação.
Alucinação: como limitar o que o bot afirma
Alucinação é quando o modelo produz uma resposta convincente e errada. Num chatbot de site, o risco é concreto: prometer desconto inexistente, inventar prazo de entrega ou citar uma política que nunca existiu. Nenhuma técnica zera o problema, mas dá para reduzi-lo bastante:
- Instrua o bot a responder apenas com base nos trechos recuperados e a dizer “não encontrei essa informação” quando a resposta não estiver lá.
- Proíba temas fora do escopo: preço que não está na base, diagnóstico, orientação jurídica, promessas de prazo.
- Para dados que mudam o tempo todo (estoque, agenda, status de pedido), consulte o sistema via função em vez de deixar o modelo responder de memória.
- Monte um conjunto de perguntas de teste, incluindo perguntas cuja resposta não existe, e rode antes de cada mudança de prompt ou modelo.
Também há o risco inverso: visitantes tentando manipular o bot com instruções escondidas na mensagem (prompt injection). Não dê ao bot permissões que ele não precisa e trate toda entrada do usuário como não confiável.
LGPD e passagem para humano
Dados pessoais
Um chatbot que recebe nome, telefone, e-mail ou detalhes de um problema está tratando dados pessoais, e a Lei Geral de Proteção de Dados (Lei 13.709/2018) se aplica. Na prática:
- Finalidade e necessidade: peça só o que o atendimento exige. Se o bot responde dúvidas, ele não precisa de CPF.
- Transparência: informe que o visitante fala com uma IA, para que os dados são usados e link para a política de privacidade.
- Fornecedores: verifique onde a plataforma ou a API guarda as conversas, se há uso para treino e se existe contrato de tratamento de dados. Prefira planos em que o fornecedor declara não usar os dados para treinar modelos.
- Retenção: defina por quanto tempo os registros de conversa ficam guardados e apague depois.
- Decisões automatizadas: o artigo 20 da LGPD garante ao titular o direito de pedir revisão de decisões tomadas só com base em tratamento automatizado que afetem seus interesses. Se o bot aprova ou recusa algo, preveja essa revisão.
O nosso guia de segurança e LGPD na implantação de IA aprofunda esses pontos.
Passagem para humano
O bot precisa saber quando parar. Defina gatilhos claros para transferir: o visitante pede um atendente, a pergunta foge do escopo, o bot não encontra a resposta duas vezes seguidas, há reclamação ou tema sensível. Na transferência, envie ao atendente o resumo da conversa para que o cliente não precise repetir tudo. Fora do horário, diga com honestidade quando alguém vai responder e colete um contato. Se o atendimento também acontece no WhatsApp, as regras de integração com segurança estão no nosso guia como integrar IA no WhatsApp com segurança.
Exemplo: uma clínica odontológica em Belo Horizonte
Imagine uma clínica odontológica em Belo Horizonte que recebe pelo site perguntas repetidas sobre convênios aceitos, horários, endereço e se faz clareamento. A recepção perde tempo com isso e deixa de atender o telefone.
A clínica decide começar simples. Reúne as páginas de serviços, a lista de convênios e um FAQ revisado pela gerente. Um desenvolvedor freelancer monta um bot com RAG sobre esse conteúdo, usando um modelo de baixo custo pela API, com a chave guardada no servidor. As instruções do bot dizem: responder só com base nos trechos, citar a página, nunca dar orientação clínica nem informar preço de procedimento que não esteja publicado, e oferecer o agendamento com a recepção.
No primeiro aviso da janela de chat, o bot se apresenta como assistente virtual e mostra o link da política de privacidade. Ele não pede CPF nem histórico de saúde. Quando alguém descreve dor ou urgência, o bot não comenta o caso e transfere para a recepção com o resumo. Antes de publicar, a equipe testa 40 perguntas reais, incluindo algumas sem resposta na base, e confere se o bot admite que não sabe. Toda mudança na lista de convênios dispara a atualização da base.
Erros comuns
- Chave da API no código do navegador. Qualquer pessoa pode copiar e gastar na sua conta. Chame a API sempre pelo servidor.
- Bot sem fonte. Responder de memória do modelo gera preços e políticas inventados. Use RAG e exija citação.
- Esconder que é IA. Além do problema de confiança, fere o princípio de transparência da LGPD.
- Coletar dados demais. Pedir CPF, data de nascimento ou dados de saúde sem necessidade aumenta risco e obrigação legal.
- Sem saída para humano. Visitante preso num bot que não resolve vai embora irritado.
- Usar nível gratuito com dados de clientes. Em alguns fornecedores, o nível gratuito permite uso dos dados para melhorar produtos. Confira os termos antes.
Perguntas frequentes
Quanto custa um chatbot com IA para um site pequeno?
Depende da abordagem. Em widgets prontos, o custo vem de assentos e, às vezes, de cobrança por conversa resolvida. Construindo com API, o custo por resposta com modelos de entrada é de frações de centavo de dólar, mas é preciso somar desenvolvimento, hospedagem e manutenção. Faça a conta com o volume real de conversas do seu site.
Preciso de RAG ou basta colar o FAQ nas instruções?
Se o conteúdo é pequeno e muda pouco, colar o FAQ no prompt pode funcionar num primeiro momento. Quando o site cresce, muda com frequência ou você precisa citar a página de origem, RAG passa a valer a pena.
Posso usar o ChatGPT ou o Gemini do consumidor como chatbot do site?
Não da forma direta. Os apps de consumidor não são feitos para embutir no seu site. O caminho é usar a API do fornecedor ou uma plataforma de atendimento que integre um modelo. Para conhecer o que cada empresa oferece, veja nossa página de integrações da OpenAI e do ChatGPT.
O chatbot pode agendar consultas ou consultar pedidos?
Pode, se você conectar o bot aos seus sistemas por funções, com permissões mínimas e confirmação do usuário antes de ações que alterem dados. Comece só com leitura e acrescente ações depois de testar.
