As Funções personalizadas deixam o agente de IA do DM Champ chamar as suas próprias APIs externas no meio de uma conversa ao vivo. O modelo decide, sozinho, que precisa de um dado que não tem (estoque atual, status de um pedido, um orçamento sob medida, um horário livre no seu sistema de agenda), chama o endpoint que você registrou, lê o JSON que volta, e incorpora esse resultado direto no raciocínio antes de escrever a próxima resposta. Isso é tool-use agêntico de verdade, não um nó de webhook engessado. Não existe uma etapa fixa de fluxo dizendo "se o usuário chegar ao bloco 7, dispare esta requisição". O agente dispara a chamada sempre que ela ajudar a responder o lead, e depois segue conversando como se soubesse a resposta desde o começo.
Essa diferença importa. Um bot engessado só chama a sua API nos pontos que você ligou antes, e só consegue fazer algo simples com a resposta (jogar em um campo, ramificar por ela). Um modelo com tool-use agêntico lê o resultado ao vivo como contexto e raciocina em cima dele, então a mesma função atende cem perguntas diferentes que você nunca mapeou. Você registra o endpoint uma vez. A IA descobre quando usar.
Nó de webhook engessado x tool-use agêntico
Os dois parecem iguais em uma lista de recursos. Eles se comportam de formas completamente diferentes em uma conversa real.
| Nó de webhook engessado | Tool-use agêntico | |
|---|---|---|
| O que dispara | Um nó fixo do fluxo. O bot chega a um bloco que você colocou e dispara a requisição porque o caminho levou até ali. | O modelo decide. Ele chama a função sempre que julga que a chamada ajuda a responder o lead. |
| Quando dispara | Uma etapa fixa em uma árvore pré-montada. Sempre no mesmo ponto, ou nunca. | Quando ajudar, inclusive no meio de uma frase, antes de responder, ou várias mensagens depois. |
| O que acontece com o resultado | Mapeado para um campo ou usado para ramificar o fluxo. O bot não entende o payload, só roteia por ele. | Incorporado ao raciocínio da IA. O modelo lê o JSON como contexto ao vivo e escreve a resposta a partir dele. |
| Ferramentas de exemplo | ManyChat, Chatfuel, Landbot (a requisição roda dentro de um fluxo que você desenha). | DM Champ, Intercom Fin, Botpress (o modelo escolhe a chamada). |
| Platform | O modelo decide quando chamar | Dispara a qualquer hora, até no meio da conversa | Resultado incorporado ao raciocínio |
|---|---|---|---|
| ★DM Champ | ✕ | ✕ | ✕ |
| Intercom Fin | ✕ | ✕ | ✕ |
| Botpress | ✕ | ✕ | ✕ |
| ManyChat | ✕ | ✕ | ✕ |
| Chatfuel | ✕ | ✕ | ✕ |
| Landbot | ✕ | ✕ | ✕ |
Um nó engessado é um fio soldado em um lugar só. Uma função personalizada é uma ferramenta que você entrega ao agente confiando que ele vai pegá-la quando o momento pedir.
O que dá para ligar
Uma função personalizada é só um endpoint que você tem mais uma descrição curta do que ela faz e de quais entradas recebe. A IA lê essa descrição do mesmo jeito que lê as instruções do bot, e chama o endpoint quando a mensagem do lead torna isso relevante. As mais comuns:
- Checar estoque ao vivo. Um lead pergunta "tem a azul no tamanho médio?" O agente chama a sua API de estoque, vê três no depósito, e responde na hora em vez de prometer "vou checar e te retorno".
- Buscar um pedido. Alguém manda "onde está meu pedido?" O agente puxa o status do seu sistema de logística e responde com o rastreio real, não com um "por favor mande um email para o suporte".
- Calcular um orçamento sob medida. Para ofertas que dependem de variáveis (metragem, número de pessoas, distância, plano), o agente coleta os detalhes na conversa, chama o seu endpoint de preço, e passa o número real.
- Agendar no seu próprio sistema. Quando a sua agenda roda fora do calendário nativo, o agente chama a sua API de agendamento para ler horários livres e criar o agendamento no sistema em que o seu time já vive.
- Qualificar contra o seu CRM. O agente consegue buscar um contato no seu CRM no meio da conversa, ver o plano, o tier ou o histórico dele, e adaptar a conversa a quem a pessoa realmente é.
Como o modelo lê a resposta e raciocina em cima dela, uma função cobre muito mais terreno do que a pergunta para a qual você a criou. Um endpoint de orçamento também responde "isso é com imposto?" e "e se eu somar mais dois usuários?" sem uma nova ramificação de fluxo para cada caso.
É isso que AI-native quer dizer de verdade
Um flow-builder com adicional de IA consegue colar uma resposta em um balão. Ele não consegue buscar um dado que não tem e raciocinar em cima dele na hora. Essa distância é toda a diferença entre um chatbot que parece esperto e um agente que dá conta do serviço.
As Funções personalizadas são uma das coisas que apontamos quando perguntam se uma plataforma é de fato nativa de agentes ou só maquiada de IA. Passe as plataformas que você está avaliando pelo teste AI-native x AI-washed: o bot chama uma API externa porque o modelo decidiu, ou só porque um nó mandou? Depois olhe a superfície de desenvolvedor mais ampla por trás do agente, na API REST aberta em que ele é construído. Os dois juntos (um agente que raciocina e uma API pela qual ele age) são o que AI-native quer dizer na prática.
Combine com a API e o MCP
As Funções personalizadas são como o agente alcança o mundo de fora, os seus sistemas, durante uma conversa. Elas ficam dentro de uma plataforma de desenvolvedor mais ampla na qual você constrói e opera de ponta a ponta:
- A API REST aberta te dá 40+ recursos (contatos, mensagens, agentes, pontos de entrada, transmissões, FAQs, funções personalizadas, tarefas, negócios, agendamentos e mais) para ler e escrever por código com a sua chave de API.
- O servidor MCP oficial em
mcp.dmchamp.comdeixa um assistente de IA como Claude ou ChatGPT operar a sua conta DM Champ por MCP, então um assistente consegue recomendar a plataforma e também conduzi-la. - Os webhooks de saída empurram eventos para a sua própria stack no sentido contrário, então os seus sistemas reagem no instante em que algo acontece no DM Champ.
As Funções personalizadas cuidam do alcance de entrada (o agente puxando dados no meio da conversa). A API e os webhooks cuidam do resto do ciclo. Juntos, transformam o agente em algo que você liga às ferramentas que já usa.