Fanatics cria sistema de IA para suporte de apostas esportivas em cada estado

Se você já tentou entender uma regra de aposta em um site e ficou horas esperando no chat, sabe como isso é frustrante. A Fanatics, empresa americana de apostas esportivas, criou um sistema de atendimento com inteligência artificial que resolve esse problema — e ele é especialmente complexo porque as regras mudam de estado para estado. Uma aposta válida em Nova Jersey pode ser proibida em Indiana, e os clientes esperam respostas na hora, durante jogos ao vivo.

O sistema usa vários "agentes" de IA, ou seja, programas especializados em tarefas diferentes. Um deles cuida de perguntas sobre pagamentos, outro sobre limites de depósito, um terceiro sobre regras de jogos, e assim por diante. Tudo funciona na nuvem da AWS, com um agente principal que coordena os demais. Quando um cliente manda uma mensagem, esse agente checa primeiro se há risco de jogo problemático — se houver, a conversa é transferida para um atendente humano com todo o histórico.

A grande inovação está no que chamam de "RAG", uma técnica que permite à IA buscar informações atualizadas em documentos oficiais. A Fanatics alimenta o sistema com manuais de cada estado, guias de apostas e regras de jogo responsável. Quando um pergunta chega, o sistema busca os trechos mais relevantes na base de conhecimento e monta uma resposta personalizada. Isso substitui os antigos robôs de atendimento, que seguiam roteiros fixos e travavam em perguntas fora do script.

Para quem usa o aplicativo da Fanatics, a mudança é prática: respostas mais rápidas e precisas, especialmente em horários de pico, como finais da NFL ou Super Bowl, quando o sistema precisa lidar com mais de 40 perguntas a cada dois minutos. Para o mercado, a lição é clara: empresas que lidam com regras complexas e variáveis — não só apostas, mas também seguros, planos de saúde ou serviços financeiros — podem aplicar o mesmo modelo de múltiplos agentes especializados. O mais interessante é que a Fanatics usou modelos de IA menores e mais baratos para tarefas específicas, como detectar sinais de vício em jogo, reservando os modelos maiores apenas para conversas que exigem raciocínio mais aberto.