Benjamin

O desafio pedia processar 10.000 reuniões por dia em tempo real. Chamar um modelo de linguagem em cada uma cobraria por token e entregaria latência imprevisível: medimos 22,4 s, 4,5 s e 25,8 s para a mesma entrada.

Vendedor não confia em painel que afirma sem mostrar de onde tirou. Um briefing que erra com aparência de certeza é pior que briefing nenhum.

Transcrição real vem suja: erro de reconhecimento de fala, trecho inaudível, fala sobreposta. Limpar o texto antes de medir seria medir o cenário errado.

Trocar quem é o vendedor e quem é o cliente faz o briefing inteiro mentir: talk ratio, voz do cliente e sentimento dependem dessa atribuição.

Motor 100% determinístico em TypeScript puro, sem I/O: mesma entrada devolve sempre a mesma saída, cada campo auditável até a regra que o produziu.

Regra de evidência como invariante testada: item sem citação rastreável não é retornado. Um teste verifica em todo o corpus que `texto.slice(start, end) === quote`.

O LLM entra contido e opcional, por reunião, num botão do briefing, e só o que ancora numa citação literal aparece. O que não ancora é descartado e contado na tela.

Corpus real gravado e anotado: 12 cenários encenados, dois anotadores independentes por amostra, partição dev/holdout com o holdout nunca inspecionado item a item.

Anonimização que preserva o comprimento do texto (`###.###.###-##`, não `[CPF]`), porque é o que mantém os índices da citação válidos depois do tratamento.

Torre de controle com radar de dores agregado, contas em risco, pipeline por unidade de negócio e coaching de talk ratio.