Excelente validação, pessoal da AppVerix! A stack com Cloudflare Workers + D1 é extremamente eficiente para esse tipo de MVP, e o cuidado com honeypot e zero tracking é um ótimo diferencial de privacidade desde o dia 1.
Vocês tocaram no ponto nevrálgico: o ML já tem IA nativa, e as regras de compliance (proibir links/dados de contato) são rígidas. O grande desafio de escalar essa automação não é apenas gerar a resposta, mas garantir que a IA não alucine e viole as políticas do ML, o que pode gerar penalidades severas (ou até suspensão) para a conta do vendedor, especialmente em horários de pico como madrugada e fins de semana.
Na Action Tec, desenvolvemos o FalaAI justamente para atuar como essa camada de governança em automações de atendimento. A ideia é integrar via API (ou MCP) como um filtro de segurança no seu fluxo:
A IA do vendedor gera a resposta.
O FalaAI analisa o texto contra as regras específicas do vendedor e as políticas do ML.
Retorna um JSON estruturado com score de risco e veredito de conformidade, permitindo que o Worker bloqueie o envio ou escale para um humano apenas quando houver dúvida.
Tudo isso com arquitetura Zero-Storage (o conteúdo da conversa é descartado imediatamente após a extração dos metadados), o que é essencial para quem lida com dados de terceiros e LGPD.
Parabéns pela iniciativa! Se fizer sentido para a arquitetura de vocês testarem essa camada de auditoria de compliance, nosso playground está aberto: https://falaai.action.tec.br/pt/api. Sucesso com o projeto!