Arquitetura real · Pleno
Ailo: agente de recomendação com LLM (16 s e não determinismo)
Uma falha honesta (o "cookie" para quem pediu hambúrguer, por erro de taxonomia), 16 s ou mais de latência e duas correções. O gargalo era o dado, não o modelo.
Resposta curta
Uma falha honesta (o "cookie" para quem pediu hambúrguer, por erro de taxonomia), 16 s ou mais de latência e duas correções. O gargalo era o dado, não o modelo. Ailo é o agente de IA do iFood para consumidores. Segundo o post, ele deixou de ser apenas um pequeno experimento e vem se tornando um produto.
01 · CONTEXTO
O que é o Ailo
Ailo é o agente de IA do iFood para consumidores. Segundo o post, ele deixou de ser apenas um pequeno experimento e vem se tornando um produto. A pessoa conversa com o agente, que apresenta um carrossel de itens com base no histórico de pedidos e no contexto da interação; depois, a jornada segue no app do iFood.
De acordo com o post, Ailo está disponível no aplicativo do iFood em cinco cidades e no WhatsApp.
O caminho começou com um bot simples de árvore de decisão no WhatsApp, que permitia pedidos em restaurantes específicos. O segundo experimento focou em recomendações básicas de restaurantes e pratos.
02 · DADOS ANTES DO MODELO
Um recomendador vive da base de dados
O post afirma que a parte mais difícil de construir um recomendador não é o modelo em si, mas a qualidade da base de dados. Ele cita a base estruturada do iFood e o LCM, que garante que a intenção do usuário esteja sempre alinhada com as opções de oferta em tempo real.
A pessoa conversa com o agente, no app do iFood ou no WhatsApp.
O agente apresenta um carrossel de itens com base no histórico de pedidos e no contexto da interação.
O LCM mantém a intenção da pessoa alinhada com as opções de oferta em tempo real.
Depois do carrossel, a jornada segue no app do iFood, na experiência que já existe.
O post descreve ainda uma via de dois sentidos: Ailo aprende com cada interação e melhora a partir do feedback dos usuários.
03 · A FALHA AO VIVO
O cookie para quem pediu um hambúrguer
O time de desenvolvimento estava em plantão acompanhando uma demonstração crucial para investidores internacionais. O plano era mostrar recomendações personalizadas a partir de uma única palavra-chave.
O usuário pediu um hambúrguer e, naquele horário no Brasil, só existia uma única hamburgueria aberta no endereço buscado. Segundo o post, o agente entendeu que ele não havia gostado do único hambúrguer disponível e foi tentar uma nova pesquisa; por um pequeno erro de classificação de taxonomia no catálogo, apresentou um cookie.
A pessoa pede um hambúrguer ao agente.
No endereço buscado, só existe uma única hamburgueria aberta.
O agente entende que a pessoa não gostou do único hambúrguer disponível e vai executar uma nova pesquisa.
Por um pequeno erro de classificação de taxonomia no catálogo, o agente apresenta um cookie.
O post atribui a falha também ao fato de o agente ser não determinístico: sem achar oferta, ele procurou uma solução a todo custo. O próprio time reconhece que não entregou o melhor.
04 · LATÊNCIA
Dezesseis segundos e duas correções
No início, a latência do agente chegava a dezesseis segundos ou mais para gerar resultados. O post fala em dois movimentos para reduzi-la: ajustar o modo como cada mensagem é processada e mostrar micro-interações durante buscas complexas.
No início, gerar resultados levava dezesseis segundos ou mais.
Pedidos simples não disparam buscas profundas, o que garante respostas mais rápidas.
Em buscas complexas, a pessoa vê micro-interações e percebe que Ailo trabalha em segundo plano.
| Critério | Mensagem simples | Busca complexa |
|---|---|---|
| Tratamento | Não dispara busca profunda | Mostra micro-interações enquanto busca |
| Efeito descrito | Respostas mais rápidas | A pessoa percebe que Ailo trabalha em segundo plano |
O post diz que, com pesquisas e monitoramento constante, o tempo foi reduzido a níveis aceitáveis, mas não publica o valor final.
05 · CANAL E RESULTADOS
O canal molda o comportamento
No app, menos da metade dos usuários faz mais de uma busca. Segundo o post, isso acontece porque o comparativo é sempre com a experiência tradicional do iFood. No WhatsApp, o diálogo é mais natural e contínuo.
O post informa que usuários de Ailo criam duas vezes mais carrinhos do que na experiência tradicional do app e que, nas pesquisas do time, oitenta por cento dos usuários consideram Ailo útil em momentos de indecisão.
Um desafio atual citado é equilibrar dois momentos importantes: a exploração de novas opções e o conforto de trazer à tona o que o usuário já conhece e gosta.
06 · LIÇÕES E LIMITES
O que levar para uma entrevista
Entre as lições do time: não basta recomendar, é preciso entender o momento, o horário, o humor e a história. E a autonomia final da pessoa não é substituída pelo agente sem a sua permissão.
Perguntas frequentes
O que é Ailo: agente de recomendação com LLM (16 s e não determinismo)?
Uma falha honesta (o "cookie" para quem pediu hambúrguer, por erro de taxonomia), 16 s ou mais de latência e duas correções. O gargalo era o dado, não o modelo.
O que o design de Ailo: agente de recomendação com LLM (16 s e não determinismo) cobre?
Ele está organizado nestas seções: O que é o Ailo, Um recomendador vive da base de dados, O cookie para quem pediu um hambúrguer, Dezesseis segundos e duas correções, O canal molda o comportamento e O que levar para uma entrevista.
Quanto tempo leva Ailo: agente de recomendação com LLM (16 s e não determinismo) e qual é o nível?
Leva cerca de 15 minutos para ler e tem nível Pleno.
Agora projete você mesmo
Rode este caso como uma entrevista na escola de System Design: você toma as decisões, o tutor as questiona e você vê a nota do seu desenho.