Como a Fanatics construiu um atendimento ao cliente multi-agente na AWS
A Fanatics Betting and Gaming (FBG), plataforma de apostas esportivas do grupo Fanatics, publicou um estudo de caso detalhado sobre como construiu um sistema de atendimento ao cliente baseado em múltiplos agentes de IA na AWS. O caso é um dos exemplos mais completos já documentados de arquitetura multi-agente em produção no setor de apostas — e traz lições aplicáveis a qualquer empresa que precise de suporte escalável e regulado.
O problema
Apostas esportivas têm uma complexidade específica: as regras mudam de estado para estado nos EUA. Um cliente em Indiana recebe respostas diferentes de um cliente em Nova Jersey sobre métodos de pagamento, limites de depósito, prazos de saque e requisitos de jogo responsável. Chatbots baseados em árvores de decisão não dão conta dessa variação — e os picos de demanda (como playoffs da NFL e o Super Bowl) chegam a mais de 40 consultas a cada dois minutos.
“À medida que escalamos, sabíamos que nossa experiência de suporte precisava evoluir com a gente”, resume Ian Botts, CTO da FBG.
A arquitetura
Em vez de um único chatbot monolítico, a FBG desenhou um sistema multi-agente com padrão orquestrador. Um agente supervisor recebe cada mensagem, coordena ferramentas e subagentes especializados e devolve uma resposta unificada. A base tecnológica:
- Amazon EKS para hospedar o serviço Spring AI e os servidores de Model Context Protocol (MCP);
- Amazon Bedrock para acesso agnóstico a múltiplos modelos de fundação via uma única API;
- Amazon Bedrock Guardrails para proteção contra prompt injection;
- Anthropic Claude (no Bedrock) como agente supervisor;
- Amazon Nova 2 Lite para classificação de jogo responsável;
- Amazon Titan V2 para embeddings na recuperação de conhecimento (RAG).
A escolha de modelos por tarefa
Um dos pontos mais valiosos do caso é a seleção deliberada de modelos. Para classificação de jogo responsável — tarefa bem definida, com exemplos claros e poucos resultados possíveis — a FBG usa o Amazon Nova 2 Lite, um modelo leve e rápido. Um modelo maior só adicionaria latência sem ganho de precisão. Já o supervisor, que exige raciocínio complexo e orquestração de ferramentas, roda no Claude. A lição: use o menor modelo que atenda à sua precisão para tarefas bem delimitadas, e reserve os grandes para raciocínio aberto.
RAG customizado para regras por estado
A FBG preferiu construir sua própria pipeline de RAG em vez de usar uma base de conhecimento gerenciada. Documentos são divididos por chunks de tokens, embeddados com Titan V2 e armazenados no MongoDB Atlas. Para perguntas específicas de jurisdição, o sistema faz uma busca estadual e uma busca geral, combinando os resultados antes de gerar a resposta. “Cada estado tem regras diferentes, então precisávamos combinar documentos específicos e gerais numa única resposta”, explica Sharoze Amir, engenheiro de software.
Jogo responsável como prioridade
O classificador de jogo responsável recebe a mensagem atual e o histórico completo da conversa, detectando padrões de escalada em vez de depender de correspondência de palavras-chave. Classificações de alta gravidade transferem o cliente imediatamente para um agente humano com todo o contexto. “Uma pergunta sobre saque pode ser, na verdade, um momento de jogo responsável”, observa Trevor Gurgick, chefe de IA aplicada.
Resultados em dois meses
Segundo métricas internas da FBG, em dois meses o sistema entregou:
| Métrica | Resultado |
|---|---|
| Taxa de contenção (resolução sem humano) | +56% |
| Taxa de resolução efetiva | +53% |
| Casos resolvidos autonomamente | Milhares |
| Satisfação do cliente | Em alta |
Um detalhe que chama atenção: a qualidade das conversas melhorou tanto que os clientes frequentemente não percebem que estão falando com IA.
Melhoria contínua, não implantação única
A equipe trata o sistema como um produto vivo. Usa LLM-as-a-Judge para avaliar automaticamente cada conversa, revisa os resultados diariamente e abre tickets de melhoria. Antes de trocar para um modelo mais caro, a disciplina é otimizar o prompt — só depois de esgotada essa via é que migram de modelo.
O caminho para começar
A recomendação da FBG para quem quer construir algo parecido: comece estreito. A empresa lançou com apenas 4 dos mais de 20 tipos de caso, escolhendo os de maior volume e critérios de resolução mais claros. Depois, monte a infraestrutura (EKS ou Bedrock AgentCore), use MCP para comunicação entre orquestrador e ferramentas, e construa a avaliação desde o primeiro dia.
Para o mercado brasileiro, o caso é relevante por um motivo simples: empresas de setores regulados — apostas, finanças, saúde — enfrentam exatamente o mesmo dilema de escala com variação de regras e requisitos de conformidade. A arquitetura multi-agente com guardrails e classificação dedicada é um padrão diretamente transferível.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
