Como Criar um Marketplace B2B no WhatsApp com N8N e IA para RFQ

O processo tradicional de cotação corporativa (RFQ – Request for Quote) no mercado B2B costuma ser lento, burocrático e fragmentado. Compradores enviam planilhas por e-mail ou preenchem formulários em portais legados que fornecedores raramente acessam com agilidade. Enquanto isso, negociações reais acontecem diariamente em um canal específico: o WhatsApp.

Transformar o WhatsApp na interface principal de um marketplace B2B elimina o atrito de adoção, mas introduz um desafio técnico: como processar mensagens não estruturadas, extrair requisitos de compra com precisão e direcionar a cotação instantaneamente aos fornecedores corretos? A resposta está na orquestração de fluxos com N8N integrada a modelos de linguagem (LLMs) e bancos de dados vetoriais.

Neste guia, você aprenderá a estruturar essa arquitetura ponta a ponta.

---

Arquitetura da Solução: WhatsApp-First com IA

A solução é composta por quatro camadas essenciais:

1. Interface Conversacional: WhatsApp Business Cloud API (ou Evolution API) para recebimento e envio de mensagens.
2. Orquestrador Central (N8N): Gerenciamento do fluxo de dados, lógica de roteamento e controle de estado das cotações.
3. Camada de Inteligência Artificial: N8N AI Agent com nós LangChain para extração estruturada de dados da RFQ.
4. Motor de Matchmaking: Banco relacional (PostgreSQL) combinado com busca vetorial (pgvector) para conectar a demanda aos fornecedores homologados.

[WhatsApp Comprador] -> [Webhook N8N] -> [AI Agent: Extração RFQ] |
v
[Postgres/pgvector] <------------------- [Busca de Fornecedores] | v [N8N: Split in Batches] -> [WhatsApp Fornecedores: Disparo da RFQ]

---

Passo a Passo Técnico no N8N

1. Captura da Demanda via Webhook

O fluxo inicia com o nó Webhook do N8N configurado para receber os payloads da API do WhatsApp. Quando um comprador envia uma mensagem como:

“Preciso cotar 5.000 unidades de caixas de papelão ondulado 30x20x15cm para entrega em Campinas até dia 20.”

O nó valida o token da requisição, extrai o número do remetente e isola o corpo do texto.

2. Extração Estruturada com AI Agent

Para que o sistema processe a cotação, o texto livre precisa se tornar um JSON rigoroso. Utilizamos o nó AI Agent conectado a um modelo como GPT-4o-mini ou Claude 3.5 Sonnet, com um sub-nó Structured Output Parser.

O schema JSON esperado deve conter:

• produto: string
• categoria: string
• quantidade: integer
• especificacoes_tecnicas: string
• local_entrega: string
• prazo_limite: string (formato ISO)

O prompt de sistema instrui o modelo a identificar ambiguidades. Caso falte um dado crítico (como quantidade), o N8N ramifica o fluxo para uma resposta solicitando o dado ausente antes de abrir a RFQ.

3. Matchmaking Inteligente de Fornecedores

Com o JSON validado, o N8N executa uma consulta no nó Postgres. O processo combina dois filtros:

1. Filtro Rígido: Fornecedores ativos na categoria do produto e com raio de entrega compatível.
2. Filtro Semântico (pgvector): Comparação entre os embeddings das especificações técnicas solicitadas e o catálogo detalhado cadastrado pelos fornecedores.

A consulta retorna os top N fornecedores mais qualificados para aquele lote de cotação.

4. Distribuição da RFQ e Coleta de Propostas

Como especialista em N8N, recomendo desacoplar a entrega de mensagens usando o nó Split In Batches para respeitar as políticas de taxa de envio (rate limits) da Meta.

O fluxo:

1. Registra a RFQ em uma tabela rfqs com status aberta.
2. Cria registros em propostas_fornecedor vinculados a cada fornecedor elegível.
3. Dispara uma mensagem via WhatsApp para cada fornecedor com a especificação anonimizada da demanda e botões interativos (Quick Replies) para “Enviar Preço” ou “Declinar”.

Quando o fornecedor responde com o valor e condições, um webhook secundário captura a resposta, vincula o valor ao ID da cotação e atualiza o comprador em tempo real com um resumo comparativo.

---

Boas Práticas de Engenharia e Governança

• Prevenção de Spam e Bloqueios: Utilize templates aprovados pela Meta para o primeiro contato com fornecedores e mantenha opt-in registrado.
• Controle de Sessão com Redis: Se o comprador mantiver um diálogo para refinar o pedido, armazene o histórico no nó Redis Memory vinculado ao número do WhatsApp.
• Anonimização de Dados: O N8N deve mascarar dados de contato entre comprador e fornecedor durante a fase de RFQ para preservar a integridade do marketplace e evitar desintermediação.

---

Conclusão

Construir um marketplace de cotações B2B no WhatsApp deixou de ser um projeto de meses com código proprietário complexo. Com a combinação de N8N, integrações modernas de WhatsApp e nós de IA, é possível implementar um ecossistema transacional escalável e de baixa fricção em poucas semanas.

Se sua empresa precisa automatizar processos de compras, RFQ ou construir fluxos inteligentes com N8N e IA, entre em contato para avaliar uma consultoria técnica sob medida para o seu modelo de negócio.