# Blueprint Interno — Ferramentas MCI Documentação técnica + prompts prontos para replicar cada ferramenta do site **marcusbarboza.com.br** dentro de qualquer sistema de **Omnichannel / CRM**. Todas as fórmulas, regras de pontuação, schemas de IA e *prompts de sistema* estão aqui, exatamente como rodam em produção. > Stack original: TanStack Start + Supabase + Lovable AI Gateway (`google/gemini-2.5-flash` via tool calling). Pode ser portado para Next/Node/qualquer backend — só troque a chamada do gateway por OpenAI/Anthropic/Gemini equivalentes mantendo `tool_choice` forçado. --- ## 0. Conceitos invioláveis (base de toda IA do sistema) ```text MCI = Marketing Conversacional Integrado Conceitos: - Amnésia Operacional: contexto perdido entre canais/áreas/pessoas. - Crachá de Contexto: identidade conversacional única que viaja com o cliente. - Bandeja de Contexto: superfície que entrega ao operador (humano ou IA) tudo o que importa naquele instante. - IAm (Índice de Amnésia) = (Ciclos Travados + Ciclos Reabertos sem Memória) / Total de Ciclos. Faixas: verde <20%, amarelo 20–35%, vermelho >35%. - pT (Probabilidade Térmica): probabilidade de transição com integridade dentro de um horizonte definido (30/60/90 dias). Score orienta ação; pT orienta forecast. - TPC (Tempo Produtivo de Conversa): tempo avançando o ciclo vs. recapitulando. Nunca abreviar como "pT". - Conversation Score: 6 eixos 0–100 (sem_necessidade, gatilho, exploracao, comparacao, compra, experiencia). - Guardião do Ciclo: papel que impede que ciclos morram por amnésia. 6 Estados de Decisão (jornada não-linear): 1 Sem Necessidade → 2 Gatilho → 3 Exploração → 4 Comparação → 5 Compra → 6 Experiência 5 Arquétipos: Turista | Explorador | Estudioso | Fiel | Decidido 8Cs: Cliente, Contexto, Conteúdo, Comunicação, Custo, Conveniência, Confiança, Consistência 3 Gaps detectáveis: Context Gap, Memory Gap, Decision Gap ``` Use esse bloco como prefixo (`MCI_CORE_KNOWLEDGE`) de **todo** prompt de IA das ferramentas a seguir. --- ## 1. Calculadora de Margem Invisível **Objetivo:** estimar quanto a operação perde por mês por causa da Amnésia Operacional. ### Entradas (sliders) | Variável | Faixa | Default | |---|---|---| | `cycles` (ciclos/mês) | 10–2000 | 200 | | `ticket` (R$ médio) | 500–500.000 | 15.000 | | `iam` (Índice de Amnésia %) | 0–80 | 35 | | `discount` (desconto médio aplicado %) | 0–30 | 12 | | `churn` (% mensal) | 0–50 | 18 | ### Fórmulas exatas (rodam no cliente, em tempo real) ```ts function compute({ cycles, ticket, iam, discount, churn }) { const cyclesReset = cycles * (iam / 100); const resetCost = cyclesReset * 180; // R$ 180 por ciclo reiniciado const discountAttributableToAmnesia = (discount / 100) * 0.6; // 60% do desconto é defensivo const discountLoss = cycles * ticket * discountAttributableToAmnesia; const churnedClients = cycles * (churn / 100); const churnLoss = churnedClients * ticket * 0.7; // 70% do ticket vira perda const reworkCost = cyclesReset * 95; // R$ 95 retrabalho por ciclo const total = resetCost + discountLoss + churnLoss + reworkCost; return { resetCost, discountLoss, churnLoss, reworkCost, total }; } ``` ### Cenário projetado (MCI aplicado) ```ts projected = compute({ cycles, ticket, iam: 15, discount: discount * 0.5, churn: churn * 0.6 }) projectedGain = current.total - projected.total annual = current.total * 12 headcountEq = annual / 180_000 // headcount sênior equivalente ``` ### Faixas de IAm - `iam <= 20` → **Saudável** (verde) - `iam <= 40` → **Atenção** (âmbar) - `iam <= 60` → **Crítico** (laranja) - `iam > 60` → **Hemorrágico** (rosa) ### UI obrigatória - 5 sliders, badge de faixa IAm, waterfall (4 componentes de perda), card de projeção, gancho de captura de lead (e-mail) que persiste em `calculator_results`. - URL com query params `?c=&t=&i=&d=&ch=` para deep-link compartilhável. ### Prompt p/ replicar no Lovable ``` Crie uma "Calculadora de Margem Invisível" como ferramenta interna do meu CRM. Inputs (sliders com faixas e defaults): cycles 10-2000 (200), ticket 500-500000 (15000), iam 0-80 (35), discount 0-30 (12), churn 0-50 (18). Calcule em tempo real: resetCost = cycles * (iam/100) * 180 discountLoss = cycles * ticket * (discount/100) * 0.6 churnLoss = cycles * (churn/100) * ticket * 0.7 reworkCost = cycles * (iam/100) * 95 total = soma dos 4 projetado = mesmo cálculo com iam=15, discount*0.5, churn*0.6 ganhoProjetado = total - projetado anual = total * 12 headcount_eq = anual / 180000 Mostre waterfall, badge de faixa IAm (verde≤20, âmbar≤40, laranja≤60, rosa>60), card de projeção, persiste em tabela calculator_results, query-string ?c=&t=&i=&d=&ch= para deep-link, captura de lead opcional por e-mail. ``` --- ## 2. Diagnóstico IAm (IA) **Objetivo:** chat-questionário que devolve score IAm, faixa, gaps, jornada crítica e relatório executivo. ### Schema do tool call (Gemini/OpenAI/Anthropic — *function calling forçado*) ```json { "name": "submit_diagnostic", "parameters": { "type": "object", "required": ["iam_score","iam_band","gaps_detected","critical_journey","recommended_cycle","full_report"], "properties": { "iam_score": { "type": "number", "minimum": 0, "maximum": 100 }, "iam_band": { "type": "string", "enum": ["verde","amarelo","vermelho"] }, "gaps_detected": { "type": "object", "required": ["context","memory","decision"], "properties": { "context": { "type": "string", "enum": ["alto","medio","baixo","ausente"] }, "memory": { "type": "string", "enum": ["alto","medio","baixo","ausente"] }, "decision": { "type": "string", "enum": ["alto","medio","baixo","ausente"] } } }, "critical_journey": { "type": "string" }, "recommended_cycle": { "type": "string", "enum": ["quick_win_30d","foundations_90d","full_mci_6m"] }, "full_report": { "type": "string" } } } } ``` ### System prompt (use literalmente) ``` {MCI_CORE_KNOWLEDGE} # TAREFA Você é o avaliador MCI. A partir das respostas do diagnóstico (jsonb), do setor e do porte: 1. Calcule o IAm (0–100) com base em sinais nas respostas 2. Atribua a faixa: 'verde' (<20), 'amarelo' (20–35), 'vermelho' (>35) 3. Identifique quais dos 3 gaps (Context, Memory, Decision) estão presentes e severidade 4. Aponte a JORNADA CRÍTICA (qual estado de decisão está mais comprometido) 5. Recomende um CICLO de implementação (Quick Win 30d, Foundations 90d, Full MCI 6 meses) 6. Gere um RELATÓRIO COMPLETO em markdown (450–650 palavras, executivo, PT-BR): - Diagnóstico-síntese - O que está custando margem agora - Plano por fases - Próximo passo concreto Responda SOMENTE chamando a tool 'submit_diagnostic'. ``` ### Mensagem do usuário ``` Setor: {sector} Porte: {company_size} Respostas: {JSON.stringify(answers)} ``` ### Persistência Tabela `diagnostics(user_name, user_email, company_name, sector, answers jsonb, iam_score, iam_band, gaps_detected jsonb, critical_journey, recommended_cycle, full_report)`. Disparar e-mail com Resend ao final se `email` válido. ### Prompt p/ replicar no Lovable ``` Crie um diagnóstico conversacional MCI: chat de 10–14 perguntas (texto/escolha/múltipla), salva respostas em jsonb, chama um endpoint de IA (Gemini 2.5 Flash via tool calling) forçando a tool submit_diagnostic com o schema acima e o system prompt acima. Renderiza o full_report em markdown, mostra IAm com gauge + badge de faixa, salva linha em diagnostics e envia o relatório por e-mail (Resend). ``` --- ## 3. Chat MCI (assistente especialista) ### Personas selecionáveis ```ts ceo → margem, previsibilidade, governança, P&L, IAm, pT, churn, CAC/LTV cmo → jornada, conteúdo por estado, Conversation Score, substitui funil ops → Bandeja, handoffs, ciclos, Guardião, IAm operacional, automação responsável vendas → Arquétipos, sinais de avanço/recuo, Crachá no pipeline, scripts por estado livre → executivo padrão ``` ### System prompt ``` {MCI_CORE_KNOWLEDGE} # TAREFA Você é o "MCI", assistente especialista da metodologia. - Responda em PT-BR, tom direto e prático, evitando jargão sem explicação. - Cite o capítulo do livro ou conceito MCI quando relevante. - Use exemplos curtos dos casos de uso reais quando ajudar. - Se sair do escopo MCI, traga de volta para governança conversacional. - Mantenha 3–6 parágrafos curtos, com bullets quando útil. # PERSONA DESTE TURNO {persona_block} ``` Streaming via `streamText` (AI SDK) → `useChat`. Limite 40 turnos no contexto. ### Prompt p/ replicar ``` Crie um chat MCI com seletor de persona (ceo/cmo/ops/vendas/livre), streaming de respostas via AI SDK useChat + endpoint POST que injeta o system prompt acima, modelo google/gemini-2.5-flash. Histórico em localStorage (uma conversa) ou tabela chat_threads + chat_messages (multi-thread, RLS por user_id). ``` --- ## 4. Classificador de Arquétipos (jogo "adivinhe o arquétipo") ### Tool schema ```json { "name": "classify_archetype", "parameters": { "type": "object", "required": ["archetype","confidence","justification","suggested_action"], "properties": { "archetype": { "type": "string", "enum": ["Turista","Explorador","Estudioso","Fiel","Decidido"] }, "confidence": { "type": "number", "minimum": 0, "maximum": 1 }, "justification": { "type": "string" }, "suggested_action": { "type": "string" } } } } ``` ### System prompt ``` {MCI_CORE_KNOWLEDGE} # TAREFA Classifique a conversa em UM dos 5 Arquétipos. Justifique citando trechos textuais concretos. Sugira próxima ação MCI (qual estado avançar, qual peça de Bandeja entregar). Responda SOMENTE chamando a tool classify_archetype. ``` ### Sinais por arquétipo (use no prompt do *jogo* para gerar conversas plausíveis) - **Turista:** linguagem genérica, sem urgência, sem critério - **Explorador:** perguntas amplas, lista de requisitos, comparação inicial - **Estudioso:** specs, ROI, prova social, demora - **Fiel:** referências internas, repetição, tom familiar - **Decidido:** pergunta preço/prazo/próximos passos ### Prompt p/ replicar ``` Crie ferramenta "Quem é esse cliente?": mostra 10 conversas (WhatsApp/Insta/email) e usuário adivinha o arquétipo (5 opções). A cada round chama IA com o tool schema classify_archetype e revela a justificativa. No fim mostra acurácia + matriz de confusão. ``` --- ## 5. Crachá de Contexto (Galeria / Simulador / Comparador) **Objetivo:** gerar dinamicamente um Crachá completo a partir da vertical + arquétipo + seed. ### Verticais e empresas fictícias ``` hotelaria → Costa Aurora Beach Resort (Maceió/AL) telecom → Nexa Fibra (300Mb/600Mb/1Gb) educacao → UniVerta (graduação/EAD/pós) b2b → Vermont Engenharia (R$800k–R$5M, ciclo 30–90d) imobiliario → Vitral Incorporadora automotivo → Premier Motors franchising → Brasa Burger Franquias varejo → Loja Norte ``` ### Tool schema — `submit_scenario` ```json { "name": "submit_scenario", "parameters": { "type": "object", "required": ["archetype","cenario","cracha","conversa","insights","automations"], "properties": { "archetype": { "type": "string", "enum": ["turista","explorador","estudioso","fiel","decidido"] }, "cenario": { "type": "string", "description": "≤140 chars" }, "cracha": { "type": "object", "required": ["origem","canal","intencao","dor","estado","resumo","proximo","operacional"], "properties": { "origem": { "type": "string" }, "canal": { "type": "string" }, "intencao": { "type": "string" }, "dor": { "type": "string" }, "estado": { "type": "string" }, "resumo": { "type": "string", "description": "≤90 chars" }, "proximo": { "type": "string" }, "operacional": { "type": "object", "required": ["produtoFoco","politicaComercial","ativosDoCliente","escopoIA","ultimasInteracoes"], "properties": { "produtoFoco": { "type": "string" }, "politicaComercial": { "type": "string" }, "ativosDoCliente": { "type": "string" }, "escopoIA": { "type": "string" }, "ultimasInteracoes": { "type": "array", "minItems": 2, "maxItems": 4, "items": { "type": "string", "maxLength": 120 } } } } } }, "conversa": { "type": "array", "minItems": 4, "maxItems": 6, "items": { "type": "object", "required": ["role","content"], "properties": { "role": { "type": "string", "enum": ["user","assistant"] }, "content": { "type": "string", "maxLength": 280 } } } }, "insights": { "type": "array", "minItems": 3, "maxItems": 3, "items": { "type": "string", "maxLength": 160 } }, "automations": { "type": "array", "minItems": 1, "maxItems": 3, "items": { "type": "string" } } } } } ``` ### Regras críticas do Crachá Operacional > Pergunta-teste: *"Se eu só tivesse esses 5 campos do `operacional`, a IA conseguiria responder a próxima mensagem do cliente com precisão?"* - `produtoFoco` — nome, versão/modelo, preço, estoque/prazo concretos. - `politicaComercial` — desconto máximo, condição, campanha vigente. - `ativosDoCliente` — o que ele já tem (gancho de upsell/troca/retenção). - `escopoIA` — 1 frase do que a IA fecha sozinha + gatilho de handoff humano. - `ultimasInteracoes` — 2–4 bullets curtos do que JÁ foi dito (memória condensada). ### Catálogos de automações por vertical (use literalmente) ``` hotelaria : Lead criado no CRM | Tag de arquétipo | Cotação de pacote | Reserva pré-bloqueada | Handoff reservas | Upsell all-inclusive | Pós-venda D+1 telecom : Diagnóstico técnico remoto | Ticket service desk | Oferta de retenção | Tag anti-churn | Visita técnica | Upgrade simulado | Handoff retenção educacao : Lead CRM acadêmico | Bolsa simulada | Tag de interesse | Reserva de vaga | Link de matrícula | Handoff consultor | Onboarding D+0 b2b : Oportunidade CRM | Score de fit | Reunião sugerida | Proposta gerada | Tag de estágio | Handoff sênior | Follow-up D+3 imobiliario : Lead CRM | Match de unidade | Tabela enviada | Simulação financiamento | Visita ao decorado | Handoff corretor | Follow-up D+1 automotivo : Lead DMS | Avaliação usado | Simulação financiamento | Test-drive | Proposta com bônus | Handoff F&I | Revisão pós-venda franchising : Candidato CRM | Score empreendedor | Análise de praça | COF enviado | Reunião diretoria | Handoff expansão | Onboarding franqueado varejo : Pedido localizado ERP | Estoque tempo real | Cupom aplicado | Carrinho recuperado | Troca/devolução | Handoff SAC | Recompra ``` ### Prompt p/ replicar ``` Crie uma ferramenta "Crachá de Contexto" com 3 modos (Galeria, Simulador, Comparador). Para cada vertical do meu CRM, chama IA (Gemini 2.5 Flash, tool_choice forçado em submit_scenario com o schema acima), passando o MCI_CORE_KNOWLEDGE + perfil do cliente da vertical + catálogo de automações da vertical. Renderiza um card de Crachá em 2 seções (identidade + operacional), com toggle "JSON" que mostra o payload completo enviado para a IA e botão Copiar. ``` --- ## 6. Demo Vertical — Turno de WhatsApp ao vivo **Objetivo:** o usuário conversa com a IA por vertical; cada turno atualiza o MCI inteiro. ### Tool schema — `submit_turn` ```json { "name": "submit_turn", "parameters": { "type": "object", "required": ["reply","score_deltas","journey_stage","archetype","cracha_updates","automations"], "properties": { "reply": { "type": "string", "description": "1–3 frases, PT-BR" }, "score_deltas": { "type": "object", "required": ["sem_necessidade","gatilho","exploracao","comparacao","compra","experiencia"], "properties": { "sem_necessidade": { "type": "number", "minimum": -30, "maximum": 30 }, "gatilho": { "type": "number", "minimum": -30, "maximum": 30 }, "exploracao": { "type": "number", "minimum": -30, "maximum": 30 }, "comparacao": { "type": "number", "minimum": -30, "maximum": 30 }, "compra": { "type": "number", "minimum": -30, "maximum": 30 }, "experiencia": { "type": "number", "minimum": -30, "maximum": 30 } } }, "journey_stage": { "type": "integer", "minimum": 1, "maximum": 6 }, "archetype": { "type": "string", "enum": ["turista","explorador","estudioso","fiel","decidido"] }, "cracha_updates": { "type": "object", "properties": { "intencao": { "type": "string" }, "dor": { "type": "string" }, "estado": { "type": "string" }, "proximo": { "type": "string" }, "ultima_interacao": { "type": "string", "description": "≤90 chars, vira bullet em ultimasInteracoes" } } }, "automations": { "type": "array", "maxItems": 2, "items": { "type": "string" } } } } } ``` ### Regras do motor (cliente aplica os deltas) ```ts score[axis] = clamp(score[axis] + delta, 0, 100) ultimasInteracoes = [...prev, bullet].slice(-4) // memória rolling automations: deduplica contra a última disparada ``` ### System prompt base (acrescentar bloco da vertical) ``` Você é a IA conversacional da Hablla operando o MCI em um demo público de WhatsApp. Regras: - PT-BR humano, 1–3 frases, máx 4 linhas, no máx 1 emoji. - Se perguntado se é humano ou IA, confirme com transparência: é a IA do MCI operando com Crachá de Contexto (coerente com a tese de Confiança). - Uma pergunta por vez, mantém contexto (nome, intenção, dores, datas, valores). - Conversation Score (6 eixos 0–100, devolve DELTAS -30 a +30). - Crachá: preenche só o que ficou claro (não inventa). - Automações: 0–2 do catálogo da vertical; não repete a anterior. Sempre chame submit_turn. Nunca responda em texto puro. ``` ### Prompt p/ replicar ``` Crie módulo "Demo Vertical": grid 3 colunas (Crachá+Automations | WhatsApp mockup | Conversation Score + Journey Stepper). Cada vertical tem prompt próprio (catálogo + empresa fictícia + perfil do cliente). A cada mensagem do usuário, chama IA com tool_choice submit_turn, aplica deltas ao score, atualiza estágio (1–6), atualiza crachá (rolling 4 bullets), enfileira automação. Reset zera tudo. ``` --- ## 7. Serious Game "Conduza o Ciclo" (sem IA — engine local) **Objetivo:** 12 turnos, 5 ciclos simultâneos, capacidade 100/turno. ### Ações e custos ```ts educate : { icon:"📚", cost: 5 } meeting : { icon:"🤝", cost:15 } discount : { icon:"💸", cost: 5 } wait : { icon:"⏸️", cost: 0 } handoff : { icon:"🔄", cost:20 } enablement : { icon:"🎯", cost:25 } ``` ### Efeitos por ação ``` educate → +5 score (0 se Decidido), +5 exploracao meeting → +15 score, +15 comparacao, limpa block se Estudioso discount → +20 score, marca appliedDiscount = true wait → se SLA amarelo vira vermelho handoff → +8 score, melhora 1 nível de SLA enablement → +20 score, limpa bloqueio ``` ### Decaimento natural (sem ação) ``` score -= 3 daysInState >=4 e SLA verde → amarelo daysInState >=6 e SLA amarelo → vermelho SLA vermelho persistente: redStreak++ ``` ### Transições e fechamento ``` exploracao + score>=70 → comparacao comparacao + score>=80 → compra compra + score>=90 → fechado (won; com margem se !appliedDiscount) experiencia + score>=80 + 3 dias → fechado (won fiel) score<20 OR redStreak>=3 → fechado (lost) ``` ### Eventos aleatórios (prob 18% por ciclo/turno) ``` competitor_in (comparacao) : score -10 hidden_decisor (comparacao|compra) : score -5, block=hidden_decisor client_silence (exploracao|comparacao) : score -5, SLA piora stakeholder_questions (comparacao|compra): score -8, regressão de estado early_churn (experiencia) : score -15, iamUp +3 upsell_opp (experiencia, fiel) : score +10, receita +20000 promoter_referred (experiencia, fiel) : score +5 decision_window_closing (compra, decidido): SLA piora internal_sponsor_engages (comparacao|compra): score +8 ``` ### IAm (recalcula a cada turno) ```ts iam = min(100, round(((stuck*1.2 + lost*1.5 + reds*0.8) / total) * 22)) nextIam = clamp(recalcIam + iamBumpsRandom + iamAnterior*0.3, 0, 100) ``` ### Margem ``` won + !appliedDiscount → marginPreserved += potentialRevenue won + appliedDiscount → marginPreserved += potentialRevenue * 0.5 marginLost += potentialRevenue * 0.5 lost → marginLost += potentialRevenue ``` ### Vitória/Derrota ``` iam > 35 → lost imediato turn > 12 e cyclesWon >= 3 → won turn > 12 e cyclesWon < 3 → lost ``` ### Score final + badges ```ts finalScore = max(0, round( cyclesWon*120 + withMargin*80 + marginPreserved/1000 - cyclesLost*50 - iam*5 )) >=200 bronze | >=400 prata | >=600 ouro | >=800 platina mestre: cyclesWon>=5 && iam<10 && finalScore>900 && todos won sem desconto ``` ### Análise pós-jogo (IA) System prompt `GAME_ANALYSIS_PROMPT` (350–550 palavras, MD): "Seu padrão de decisão", "O que você fez bem", "Onde você sangrou", "Conceito MCI prioritário", "3 ações para a vida real". ### Prompt p/ replicar ``` Crie um serious game "Conduza o Ciclo" puramente client-side: - 5 ciclos iniciais (um por arquétipo), 12 turnos, capacidade 100/turno - 6 ações com custos: educate(5) meeting(15) discount(5) wait(0) handoff(20) enablement(25) - Aplique exatamente os efeitos, decaimento, transições, fechamento, eventos, fórmula de IAm, contabilidade de margem e badges descritos no Blueprint MCI seção 7. - Ao fim, chama IA com GAME_ANALYSIS_PROMPT passando decisions_log + final_iam + cycles_won/lost + margens + vitória, e renderiza o relatório em markdown. - Salva em tabela game_runs (RLS por user_id) e tem rota leaderboard. ``` --- ## 8. Órbita — Painel / Fila / Preditivo ### Modelo de Ciclo ```ts type Ciclo = { id; clientName; ticket; arquetipo; estadoDecisao; estadoOperacional; tempoEmEstadoDias; semaforo: 'verde'|'amarelo'|'vermelho'; pt30: number; // probabilidade de fechar em 30d (0..1) gradiente: { direcao:'subindo'|'descendo'|'lateral', delta: number }; proximoPasso: { slaStatus: 'no_prazo'|'urgente'|'vencido', acao, dueIn }; ultimaInteracaoMinAtras: number; badges: ('risco_churn'|'decidido_pronto'|'upsell'|...)[]; tipoCiclo: 'aquisicao'|'expansao'|'retencao'|'reativacao'; } ``` ### Score de prioridade da Fila ```ts function calcPrioridade(c) { const wPt=0.35, wGrad=0.25, wSla=0.25, wBadge=0.15; const slaScore = c.proximoPasso.slaStatus==='vencido' ? 1 : c.proximoPasso.slaStatus==='urgente' ? 0.8 : 0.3; const gradScore = min(abs(c.gradiente.delta)/15, 1); const badgeScore = badges.includes('risco_churn') ? 1 : badges.includes('decidido_pronto') ? 0.9 : badges.includes('upsell') ? 0.5 : 0; const ticketWeight = 0.6 + min(c.ticket/50000, 1) * 0.4; const frescor = c.ultimaInteracaoMinAtras<30 ? 1 : c.ultimaInteracaoMinAtras<240 ? 0.8 : 0.5; const base = wPt*c.pt30 + wGrad*gradScore + wSla*slaScore + wBadge*badgeScore; return base * ticketWeight * frescor; } function isNaFila(c) { if (c.estadoOperacional==='concluido') return false; if (c.semaforo==='verde') return c.gradiente.direcao==='subindo' && c.gradiente.delta>=3; return true; } ``` ### KPIs do Painel ``` total = ciclos filtrados (por lente: tudo|aquisicao|expansao|retencao|reativacao) travados = estadoOperacional in (travado, reaberto_sem_memoria) IAm = travados/total * 100 slaEstourando = proximoPasso.slaStatus === 'vencido' gargalo = estado com maior median(diasNoEstado) previsaoFechar30 = sum(pt30) em ciclos de aquisição receitaPorArquetipo = ticket * pt30 agrupado por arquétipo cacDelta(% ) = round(iam * 1.5) ``` ### Preditivo — fórmulas e presets ``` expectedRate = depende de (maturidade × cenário); ver matriz abaixo. Para cada arquétipo: weight (mix %), p30 (prob de fechar em 30d). receitaEsperada = leadsMes * sum_arq(weight * p30 * ticketMedio) ``` Matriz `expectedRate` (mat × cen): ``` pessimista realista otimista iniciante 0.008 0.012 0.018 intermediaria 0.015 0.022 0.030 madura 0.025 0.035 0.045 ``` ### Prompt p/ replicar ``` Crie módulo "Órbita" com 3 telas (Fila operacional, Painel executivo, Preditivo). Fila: lista ordenada por calcPrioridade(c) (fórmula no Blueprint seção 8) e filtrada por isNaFila. Painel: KPIs (total, IAm = travados/total, SLA vencendo, gargalo), gráfico por estado, gráfico de receita por arquétipo, lente (tudo/aquisicao/...). Preditivo: 9 presets (3 maturidades × 3 cenários) com expectedRate e weights por arquétipo conforme matriz; permite editar weights/p30 e mostra receita projetada. Usa um Provider em React (OrbitaProvider) com ciclos em memória; pode plugar em realtime via Supabase quando o CRM tiver tabela ciclos. ``` --- ## 9. Mapa do MCI (página conceitual) Apresenta os 3 planos da infraestrutura conversacional (Dados, Cérebro, Operação), linka Glossário + Comece Aqui + Diagnóstico. Sem regra de negócio — é navegação. --- ## 10. Padrões transversais (replicar SEMPRE) ### a. Tabelas Supabase mínimas (`public`) — sempre com `GRANT` + RLS ```sql calculator_results (id, email, inputs jsonb, outputs jsonb, created_at) diagnostics (id, user_email, sector, answers jsonb, iam_score, iam_band, gaps_detected jsonb, critical_journey, recommended_cycle, full_report, created_at) leads (id, name, email, company, source, interest, metadata jsonb, created_at) chat_threads (id, user_id, title, created_at) -- RLS por user_id chat_messages (id, thread_id, role, content, parts jsonb, created_at) game_runs (id, user_id, final_iam, cycles_won, cycles_lost, margin_preserved, margin_lost, badge, decisions_log jsonb) ``` Sempre: ```sql GRANT SELECT, INSERT, UPDATE, DELETE ON public. TO authenticated; GRANT ALL ON public. TO service_role; ALTER TABLE public. ENABLE ROW LEVEL SECURITY; -- policies escopadas por auth.uid() ``` ### b. Camada de IA (server-only) - `LOVABLE_API_KEY` no servidor. Provider: `@ai-sdk/openai-compatible` apontando para `https://ai.gateway.lovable.dev/v1`, header `Lovable-API-Key`. - Modelo padrão: `google/gemini-2.5-flash`. - `tool_choice` **forçado** em todas as ferramentas estruturadas. - Tratar 429 (rate limit) e 402 (créditos) com toast. ### c. Internacionalização (pt/en/es/fr) Todas as ferramentas têm helpers `getXContent(locale)`, `makeCurrencyFormatter(locale)`, rotas localizadas (`/calculadora`, `/en/calculator`, `/es/calculadora`, `/fr/calculatrice`, etc.) e prompts trocam `OUTPUT LANGUAGE` mantendo termos canônicos MCI sem tradução. ### d. Captura de lead universal Mesma tool `captureLead({ name, email, company, source, interest, metadata })` chamada de Diagnóstico, Calculadora, Arquétipos, Jogo. `source` identifica a ferramenta de origem. --- ## 11. Master Prompt — replicar TUDO de uma vez Cole isto no Lovable de um novo projeto Omnichannel/CRM: ``` Quero replicar dentro do meu sistema (omnichannel + CRM) as 8 ferramentas MCI do Blueprint que vou colar abaixo. Use TanStack Start + Lovable Cloud (Supabase) + Lovable AI Gateway (modelo google/gemini-2.5-flash). Implemente, NESTA ORDEM, cada ferramenta como uma rota independente sob /ferramentas/*: 1) /ferramentas/calculadora — Margem Invisível (regras seção 1) 2) /ferramentas/diagnostico — Diagnóstico IAm via IA (regras seção 2) 3) /ferramentas/chat — Chat MCI com personas (regras seção 3) 4) /ferramentas/arquetipos — Jogo de classificação (regras seção 4) 5) /ferramentas/cracha — Crachá de Contexto 3 modos (regras seção 5) 6) /ferramentas/demo-vertical — Turno de WhatsApp ao vivo (regras seção 6) 7) /ferramentas/jogo — Serious Game Conduza o Ciclo (regras seção 7) 8) /ferramentas/orbita — Fila/Painel/Preditivo (regras seção 8) Regras invioláveis: - Use o bloco MCI_CORE_KNOWLEDGE (seção 0) como prefixo de TODOS os system prompts. - Use os schemas de tool calling EXATAMENTE como definidos; tool_choice forçado. - Aplique as fórmulas exatamente como descritas (calculadora, prioridade Órbita, motor do jogo, recalcIam, badges). Sem inventar variáveis novas. - Cria as tabelas da seção 10.a com GRANT + RLS por user_id. - LOVABLE_API_KEY apenas server-side. Nunca expor em VITE_. - 4 idiomas (pt/en/es/fr) com rotas localizadas; prompts trocam OUTPUT LANGUAGE mantendo termos canônicos (MCI, IAm, pT, 8Cs, Crachá, Bandeja, arquétipos) sem traduzir. - Catálogo de automações por vertical e empresas fictícias da seção 5 são canônicos. - captureLead({name,email,company,source,interest,metadata}) é a única função de lead. [COLE AQUI O BLUEPRINT COMPLETO ACIMA, SEÇÕES 0–10] ``` --- ### Checklist de paridade (revisar ao terminar a replicação) - [ ] Calculadora bate com fórmulas seção 1 (waterfall, projeção, headcount_eq, faixas IAm). - [ ] Diagnóstico devolve enums exatos e salva em `diagnostics`. - [ ] Chat tem 5 personas e streaming. - [ ] Arquétipos faz 10 rounds + matriz de confusão. - [ ] Crachá tem `operacional` completo e botão JSON debug. - [ ] Demo Vertical aplica deltas no score e mantém rolling 4 em ultimasInteracoes. - [ ] Jogo: ações com custos exatos, fechamento por score, IAm com `*0.3` decay, badges com thresholds exatos, mestre só com !discount em todos os won. - [ ] Órbita usa `calcPrioridade` literal e matriz `expectedRate` literal. - [ ] Todas as tabelas têm `GRANT` + RLS. - [ ] Nenhum nome de cliente real — só fictícios (Costa Aurora, Nexa Fibra, UniVerta, etc).