Cases / Fenly
Fenly
◆ AI Product Builder'25–'26

Construindo a IA que
transforma trabalho em clareza

A Fenly conecta reuniões, e-mails e mensagens e devolve o que importa: ata pronta, tarefas automáticas, um briefing diário e uma memória do trabalho consultável. Atuei como AI Product Builder, do conceito à arquitetura e do primeiro pipeline de IA à busca por product-market fit.

2×
produtividade prometida ao usuário
3 idiomas
PT · EN · ES, ponta a ponta
7 canais
Gmail, Outlook, WhatsApp, Meet, Teams, Zoom, tl;dv
Dentro do produto

O que o usuário recebe: ruído convertido em clareza

Três superfícies do produto que construí: o briefing que abre o dia, a reunião que vira ata e tarefas sozinha, e a memória consultável em linguagem natural.

Briefing do dia
Bom dia, Marina.
Quinta, 18 de julho · o que importa hoje

Você tem 3 compromissos com prazo hoje e 2 follow-ups parados. A proposta da Aurora vence sexta.

◷ 3 compromissos↩ 2 follow-ups
Sync de produto · parceriasMeet
Reunião · ata pronta · 42 min · 4 participantes
TarefasResumoFollow-ups
Tarefas extraídas · 3
Enviar proposta revisada · Aurorasex
Cobrar documentação da API · Bevixqua
Liberar acesso do clientesex
Memória · pergunte qualquer coisa
O que ficou combinado com a Aurora sobre o prazo de integração?

Na reunião de 09 de julho, você assumiu entregar a proposta revisada até sexta (18/07). A Aurora ficou de liberar o acesso de homologação.

baseado em 2 conversas · Reunião 09 jul · Gmail 12 jul
01 · Visão geral do produto

O problema: dez ferramentas abertas, zero clareza

Um único combinado vive espalhado: num e-mail, numa call, num áudio de WhatsApp. A Fenly reúne essas fontes e devolve o que fazer e quando: transcreve e resume reuniões, extrai tarefas e follow-ups, entrega um briefing diário e responde perguntas em linguagem natural sobre o próprio trabalho.

01 · Reuniões
Toda reunião vira ata e ação, sozinha, em 3 idiomas.
02 · Gestão do dia
Tarefas que se criam das conversas + briefing e planner.
03 · Memória
Um "segundo cérebro" consultável em linguagem natural.
04 · Confiança
LGPD, criptografia e "nunca treina modelos com seus dados".
02 · Tecnologias utilizadas

Stack orientada a velocidade e confiabilidade

Escolhas guiadas por uma tese: iterar rápido no que é diferencial (IA e experiência) e não reinventar o que é commodity (infra, auth, filas).

LLMs & IA
Modelos de fronteira (multi-provider) · orquestração de prompts · function calling / agentes
Recuperação
RAG · embeddings · banco vetorial · chunking por conversa/pessoa
Ingestão
Transcrição (STT) · conectores Gmail/Outlook/WhatsApp · webhooks de calendário e bots de reunião
Plataforma
Filas assíncronas · workers · API · web app · multi-tenant
Confiança
Criptografia em repouso · isolamento por tenant · políticas LGPD · sem treino com dados do cliente
03 · Arquitetura

De fontes ruidosas a ações confiáveis

Quatro camadas: ingestão das fontes, processamento (transcrição, normalização, embeddings), inteligência (RAG + agentes) e entrega ao usuário.

Ingestão
E-mail
Gmail · Outlook
Mensagens
WhatsApp
Reuniões
Meet · Teams · Zoom
Calendário
Google · Outlook
↓
Processamento · fila assíncrona
Transcrição
STT · diarização
Normalização
pessoas · empresas
Embeddings
banco vetorial
↓
Inteligência
RAG
contexto do trabalho
Agentes
tarefas · follow-ups
Resumo & briefing
geração
↓
Entrega
Briefing diário
Tarefas & follow-ups
Ask / Memória
Planner & foco
04 · Observabilidade

IA em produção precisa ser medida como produto

Cada resposta gerada é um evento observável: latência, custo, qualidade e o feedback do usuário fecham o loop de melhoria contínua.

Latência p95 / pipeline3,4 s
−28% no último trimestre
Custo por documento (tokens)R$ 0,12
−41% com cache + modelo menor
Precisão da extração de tarefas92%
+9 p.p. após evals contínuos
Feedback 👍 por resposta87%
média móvel de 30 dias
tracing de promptsevals automáticosalertas de custohuman-in-the-loop
05 · Métricas & impacto

Sinais de product-market fit e experimentação

Acompanho o funil de ativação até o hábito, com experimentação contínua no onboarding e na qualidade da IA.

2×
produtividade percebida (proposta de valor)
Aha em 1 noite
do cadastro ao 1º briefing útil
3 idiomas
ata e resumos no idioma da conversa
→
Ativação: conectar fontes → primeira ata → primeiro briefing como marcos de valor mensuráveis.
→
Experimentação: testes A/B no onboarding e no formato do briefing; iteração guiada por feedback 👍/👎 nas respostas de IA.
→
Retenção: hábito do briefing diário como principal indicador de PMF.
06 · Aprendizados

O que construir IA de verdade ensinou

Confiança é feature, não checkbox

Privacidade e transparência sobre dados definem se o usuário conecta as fontes, e sem fontes não há produto.

A IA precisa provar valor na primeira noite

O tempo até o primeiro briefing útil é o maior preditor de ativação; otimizar esse caminho move a agulha mais que qualquer feature nova.

Observabilidade é o que torna a IA um produto

Sem medir custo, latência e qualidade por resposta, iterar em IA vira achismo. O loop de eval fecha o ciclo.