Hapag-Lloyd usa Amazon Bedrock para transformar feedback de clientes

A Hapag-Lloyd detalhou uma iniciativa para transformar o uso de feedback de clientes em um processo automatizado, baseado em inteligência artificial generativa, com apoio do Amazon Bedrock. A companhia, uma das maiores empresas de transporte marítimo de linha do mundo, passou a usar essa arquitetura para analisar comentários, classificar sentimentos, identificar temas recorrentes e entregar insights mais acionáveis às equipes de produto. O movimento faz parte da estratégia da empresa de evoluir para um ambiente AI-native, no qual a inteligência artificial deixa de ser um recurso pontual e passa a integrar o núcleo dos fluxos de trabalho digitais.

Antes da automação, a análise de feedback era manual e reativa. A cada duas semanas, Product Managers exportavam os dados de avaliações e comentários em arquivos CSV, liam grandes volumes de mensagens e categorizavam sentimento e temas de forma individual. Em períodos de revisão, esse trabalho podia consumir horas ou até dias, especialmente quando havia centenas de avaliações para examinar. Embora útil para decisões de produto, o processo era difícil de escalar e limitava a velocidade com que as equipes conseguiam reagir a sinais enviados pelos usuários.

Com a nova solução, a empresa passou a automatizar a ingestão e a interpretação dos comentários. O sistema coleta o feedback, faz a classificação de sentimento, organiza os dados para busca e consulta e gera resumos e relatórios periódicos. Na prática, isso desloca o esforço das equipes de uma tarefa operacional repetitiva para atividades de análise estratégica, priorização e melhoria da experiência digital. Segundo a descrição divulgada pela companhia, o objetivo é acelerar a transformação de dados dispersos em decisões mais rápidas e mais bem embasadas.

Como a arquitetura foi montada

A solução foi construída sobre serviços da AWS e combina diferentes componentes para atender requisitos de escala, segurança e manutenção. O processamento começa com uma função AWS Lambda, que executa uma vez por dia para buscar novos registros de feedback. Esses dados são enviados para o Amazon S3, onde ficam armazenados antes de serem processados. Em seguida, o Amazon Bedrock entra para apoiar a classificação semântica dos comentários, identificando se o sentimento é positivo, negativo, misto ou neutro.

Depois do processamento, os registros são indexados no Amazon OpenSearch Service. Nesse contexto, o serviço atua em duas frentes: como mecanismo de busca em texto completo e como banco vetorial, o que ajuda a recuperar informações com base em similaridade semântica. A indexação facilita tanto análises exploratórias quanto consultas estruturadas por parte das equipes que acompanham os indicadores de experiência do cliente. A Hapag-Lloyd também informou que a solução foi implantada com AWS CloudFormation, o que indica o uso de infraestrutura como código para padronizar e reproduzir a configuração da arquitetura.

O fluxo inclui ainda uma segunda função Lambda, executada a cada duas semanas, que agrega tendências recentes e gera um relatório enxuto com métricas, destaques e distribuição de sentimentos. Esse documento é entregue automaticamente para Product Managers e Product Owners, alimentando reuniões de sprint e discussões de roadmap. Ou seja, a automação não se limita a processar dados, mas também integra os resultados aos rituais de planejamento de produto.

O papel do Amazon Bedrock e dos frameworks de orquestração

O Amazon Bedrock é a base de inteligência artificial generativa da solução. Trata-se de um serviço gerenciado que oferece acesso a diferentes modelos de fundação, ou foundation models, por meio de uma API única. Isso permite que empresas construam aplicações de IA sem precisar administrar a infraestrutura dos modelos diretamente. Na prática, a plataforma oferece recursos de segurança, privacidade e uso responsável, elementos importantes quando a IA passa a operar em processos corporativos sensíveis.

Para coordenar as etapas do pipeline, a empresa recorreu ao LangChain e ao LangGraph. O LangChain foi usado para orquestrar o fluxo de ingestão, análise, geração de embeddings e indexação. Embeddings são representações numéricas de textos que ajudam sistemas de IA a entender relações semânticas entre conteúdos, o que é útil para busca, classificação e recuperação de contexto. Já o LangGraph foi aplicado na construção do chatbot interno com arquitetura multiagente, em que diferentes assistentes executam funções específicas e podem acionar ferramentas conforme a necessidade da interação.

Na solução de chatbot, a empresa utiliza o modelo Claude Sonnet 4.6, acessado via Amazon Bedrock. A escolha foi associada ao desempenho em interações conversacionais de múltiplas etapas e em fluxos agentivos, nos quais o modelo precisa selecionar ferramentas e ações dinamicamente. A implementação também usa um endpoint de Cross-Region Inference Service, que distribui o processamento entre múltiplas regiões da AWS na União Europeia para lidar com picos inesperados de tráfego. Em termos práticos, isso contribui para resiliência e estabilidade em períodos de maior demanda.

Segurança, governança e uso responsável

Um dos pontos centrais da implementação é a camada de proteção. A Hapag-Lloyd informou que usa o Amazon Bedrock Guardrails para aplicar políticas de segurança e conformidade às interações com IA. Esses mecanismos ajudam a filtrar conteúdo inadequado, reduzir riscos de respostas ofensivas ou fora de contexto e manter o comportamento do sistema alinhado às diretrizes internas da companhia. Em ambientes corporativos, esse tipo de controle é especialmente relevante quando a IA responde a perguntas de equipes internas ou opera sobre dados de negócio.

Além disso, a empresa implementou validação programática da entrada do usuário antes de enviar a consulta ao modelo. Esse processo auxilia na prevenção de prompt injection, uma técnica em que o usuário tenta manipular instruções do sistema para desviar a resposta do modelo. A combinação entre validação de entrada e guardrails reduz a chance de uso indevido e amplia a confiabilidade do chatbot. A governança também foi reforçada com infraestrutura como código, usando CloudFormation para definir políticas de bloqueio, categorias de conteúdo e mensagens de resposta quando uma entrada é barrada.

O monitoramento da aplicação é feito com Amazon CloudWatch, que coleta métricas em tempo quase real. A empresa também habilitou logging de invocações, o que permite registrar dados de entrada, saída e metadados das chamadas ao modelo. O Amazon Bedrock ainda se integra ao AWS CloudTrail, que registra as chamadas de API como eventos. Esse conjunto de observabilidade ajuda a acompanhar desempenho, latência e custos, além de apoiar a análise operacional da solução. Em um cenário em que sistemas generativos passam a influenciar decisões de produto, visibilidade sobre o comportamento do modelo é um requisito importante.

Resultados práticos para equipes e usuários

Segundo a Hapag-Lloyd, a solução já processa mais de 15 mil itens de feedback por mês e atingiu 95% de acurácia na classificação de sentimento em um conjunto de teste rotulado. O dado mostra que a automação não está apenas reduzindo tempo de trabalho, mas também fornecendo um nível de consistência suficiente para suportar decisões de equipe. Em vez de analisar comentários brutos por horas, os times passaram a receber resumos estruturados em segundos, com temas centrais, padrões recorrentes e sinais de insatisfação ou aprovação.

O efeito prático aparece em decisões mais rápidas. A empresa afirma que a nova abordagem reduziu o tempo entre perceber um problema e agir sobre ele. Em vez de esperar ciclos mais longos para identificar tendências, as equipes conseguem acompanhar a evolução do sentimento dos usuários e corrigir a rota quando necessário. Em alguns casos, as mudanças implementadas com base nesses insights já resultaram em mais comentários positivos e redução perceptível de feedback negativo.

Um exemplo citado foi a funcionalidade de pré-visualização em Shipping Instructions. A demanda apareceu com força nos comentários negativos, indicando a ausência do recurso como uma dor relevante. Após a priorização e o lançamento da função, os relatórios de IA ajudaram a monitorar a reação dos usuários e mostraram que a principal necessidade havia sido atendida. Esse tipo de retorno fechado entre feedback, desenvolvimento e validação é especialmente útil em produtos digitais complexos, nos quais pequenas melhorias podem ter impacto direto na experiência do cliente.

Impactos para o mercado e próximos desdobramentos

O caso da Hapag-Lloyd ilustra uma tendência mais ampla no uso de IA generativa em empresas com grande volume de interação com clientes. Ao automatizar a leitura e a triagem de feedback, organizações conseguem reduzir trabalho manual, melhorar a velocidade de resposta e ampliar a capacidade de identificar padrões que poderiam passar despercebidos em análises humanas dispersas. Isso é especialmente relevante em operações globais, nas quais múltiplos canais, idiomas e equipes precisam convergir para uma visão única do cliente.

Outro impacto está na forma como as áreas de produto trabalham. Com relatórios frequentes, dashboards interativos e consultas por linguagem natural, Product Managers e times de suporte conseguem discutir prioridades com mais contexto e menos fricção operacional. A disponibilidade de dados organizados também facilita a criação de novas visualizações e a análise de problemas específicos por aplicação, funcionalidade ou versão do produto. Em ambientes de desenvolvimento contínuo, isso fortalece a relação entre observabilidade do usuário e planejamento de roadmap.

A companhia também afirmou que essa iniciativa é apenas o começo de sua jornada AI-native. Dentro do programa AI-Native Umbrella, a meta é estabelecer uma base compartilhada para adoção de IA com Amazon Bedrock, oferecendo infraestrutura padronizada, segurança e guardrails para diferentes equipes. A proposta é permitir que áreas como engenharia, produto, UX, operações e suporte criem seus próprios espaços de uso de IA com autonomia, mas dentro de um arcabouço comum. Se essa estratégia avançar como descrito, ela tende a ampliar o uso de IA em mais partes da operação e a acelerar experimentação com novos casos de uso.

Em síntese, a iniciativa da Hapag-Lloyd mostra como a inteligência artificial pode ser aplicada de forma pragmática em um problema concreto de negócio: organizar e transformar feedback em ação. O valor não está apenas no uso de modelos generativos, mas na combinação entre automação, orquestração, governança, busca semântica e monitoramento. Ao unir esses elementos, a empresa criou um fluxo mais escalável para escutar clientes, interpretar sinais e incorporar essas percepções às decisões de produto. Para o setor tecnológico, o caso reforça que a maturidade em IA depende tanto da escolha dos modelos quanto da capacidade de integrá-los com segurança e propósito aos processos do dia a dia.