Workflows de IA — Clinia
Pesquisa e design de um sistema de workflows visuais que dá autonomia para a Clinia criar, conectar e personalizar fluxos de atendimento com IA — sem depender de prompts únicos e engessados.
- Empresa
- Clinia
- Duração
- 6 meses +
- Ferramentas
- Figma · Hotjar · Maze · FigJam · HeyMarvin
- Papel
- UX Designer responsável pelo discovery, pelos fluxos e pelo design do sistema de workflows de IA
- Skills
- Interview · User Test · User Flow · Wireframe · Prototype · User Research · UX Design · Design System

Sobre o projeto
A Clinia é uma plataforma de inteligência artificial para clínicas e hospitais, usada para automatizar o atendimento e a comunicação com pacientes. Este projeto foi dedicado a desenhar os Workflows de IA: um sistema visual que permite à equipe da Clinia construir, conectar e personalizar os fluxos de conversa dos agentes de IA — substituindo a dependência de um único prompt escrito por uma lógica de blocos, clara e reutilizável.
O problema
Os usuários enfrentavam uma dificuldade muito grande para construir um prompt escrito que cobrisse todos os pontos necessários para que a IA funcionasse bem — o que também abria margem para erros, já que um único prompt genérico não dava conta de todas as situações de atendimento. Além disso, a dependência de prompts escritos engessava a personalização e dificultava o mapeamento de fluxos distintos de atendimento por parte da IA.
Nossos objetivos
Tornar o uso da IA mais flexível. Permitir que os agentes se adaptem ao contexto da conversa, em vez de depender de um prompt fixo e único.
Permitir a criação de workflows inteligentes de forma visual. Dar autonomia para a equipe montar e ajustar fluxos sem depender de código ou de reescrever prompts inteiros.
Conectar etapas e regras de maneira intuitiva. Cada bloco do workflow se conecta a condições claras, facilitando o entendimento de todo o fluxo.
Melhorar a experiência dos usuários em todos os níveis de complexidade. Da pergunta mais simples ao agendamento de um exame, a conversa deveria se adaptar sem perder clareza.
Processo de design
Discover: entendimento junto aos usuários sobre suas principais dores, com pesquisa orientada pelo usuário. O processo incluiu 6 entrevistas em profundidade, análise de sessões e cliques no Hotjar para identificar pontos de atrito, e um benchmark detalhado de soluções de workflows de IA disponíveis no mercado.
Define: definição do problema como um todo e da forma que seria resolvido. Todas as descobertas foram organizadas e agrupadas no FigJam e no Notion, centralizando insights e aprendizados. As principais necessidades identificadas foram autonomia (mais liberdade para criar fluxos de forma independente), visualização (interface mais visual, menos dependente de texto) e clareza (nas regras de ativação dos workflows).
Develop: desenvolvimento da solução e testes de usabilidade. Pude partir para a etapa de construção de wireframes de baixa fidelidade até o desenvolvimento das telas no Figma e a prototipação: transformação das ideias em protótipos navegáveis, testes de usabilidade com observação direta para identificar pontos de confusão, e iterações rápidas até a versão validada, com ajustes baseados no feedback dos usuários.
Deliver: passagem das interfaces desenvolvidas para os desenvolvedores. O handoff foi detalhado, com protótipos finais interativos, documentação do uso do design system — incluindo componentes, tokens e regras de uso — e casos de uso mapeados para referência rápida, além de pesquisas constantes para entender o funcionamento da feature já em produção.

A solução
Facilitação. Possibilidade de os usuários terem maior autonomia na criação de agentes.
Eficiência. Otimização dos processos de atendimento para clínicas e hospitais.
Inovação. Uma solução inovadora que visa melhorar uma feature já existente da plataforma.
Experiência do usuário. Todo o processo de desenvolvimento foi pautado em necessidades reais dos usuários.
Acessibilidade. Simplificação do contato entre instituições e pacientes, garantindo informações claras e no momento certo.
Soluções desenvolvidas
Estrutura em blocos. Foi criado um sistema de organização modular das ações dos agentes em pequenos blocos, facilitando a criação e a manutenção dos fluxos.
Direcionamentos objetivos. Cada bloco contém instruções claras e específicas, garantindo consistência no diálogo.
Tomada de decisão pela IA. A inteligência artificial interpreta as respostas do paciente e define o próximo passo a seguir.
Caminhos dinâmicos. Com base nas condições configuradas, a conversa pode se adaptar, levando a diferentes fluxos — a IA determina, a partir da resposta do paciente, qual caminho seguir.


Resultados reais
Esses números apresentam os resultados de desempenho do agente de Inteligência Artificial usado pela Mamorad durante o mês de março de 2025. Os dados demonstram um impacto direto na eficiência operacional, na economia financeira e no aumento da conversão de compromissos.
84,9%
das conversas foram resolvidas pela IA
74,5%
dos novos clientes agendaram exames
337
agendamentos realizados automaticamente
Impactos para os usuários
Atendimento mais fluido e natural. As conversas com a IA se adaptam às respostas, evitando interações engessadas e repetitivas.
Maior clareza e objetividade. Direcionamentos bem definidos reduzem ruídos e aumentam a compreensão das informações fornecidas.
Personalização da experiência. A lógica condicional permite que cada paciente siga por um fluxo adequado às suas necessidades específicas.
Impactos para a Clinia
Escalabilidade do atendimento. Workflows organizados em blocos permitem fácil expansão ou ajustes, sem refazer toda a estrutura.
Redução de retrabalho e inconsistências. A tokenização e a padronização das regras evitam divergências entre diferentes fluxos e agentes.
Menor carga para o suporte. Chamados relacionados a erros ou inconsistências diminuem, já que os ajustes podem ser feitos de forma mais simples e ágil.
Maiores aprendizados do projeto
Basear decisões em evidências. Quando se trata de IA, ainda há muitas incertezas — a pesquisa com usuários ajudou a validar hipóteses e direcionar o desenvolvimento para necessidades reais, não apenas para soluções “tecnicamente possíveis”.
Limites de confiança. Usuários têm diferentes níveis de confiança em interações com IA; o research revelou pontos de atrito e expectativas sobre clareza, transparência e segurança da informação.
Iterar com feedback constante. Pesquisas e testes frequentes mostraram que o design system e os workflows precisam evoluir junto com o aprendizado dos usuários e da própria IA.
Guiar inovação com responsabilidade. O research garantiu que as decisões sobre IA não fossem guiadas apenas por possibilidades técnicas, mas pelo impacto real na vida dos usuários, trazendo equilíbrio entre inovação, ética e usabilidade.
“UX Research não é só um apoio: é a bússola que garante que a inovação caminhe lado a lado com as necessidades reais das pessoas. Somente com pesquisas que trazem o usuário como centro das decisões é que as soluções podem ser formuladas da melhor forma possível.”
Conclusão
O projeto de Workflows de IA deu à Clinia um sistema visual e modular para construir, conectar e personalizar os fluxos de atendimento dos agentes de IA — substituindo a rigidez de um prompt único por blocos claros, reutilizáveis e fáceis de manter. Os resultados reais confirmam o impacto: 84,9% das conversas resolvidas pela IA, 74,5% dos novos clientes agendando exames e 337 agendamentos automáticos em um único mês. Mais do que números, o projeto reforçou que pesquisa e iteração constante são o que garantem que a inovação em IA caminhe ao lado das necessidades reais dos usuários.
