Por que os agentes de IA para compras são difíceis de popularizar?

撰文：Anderl

编译：Chopper，Foresight News

Atualmente, circula na indústria de IA e de criptomoedas uma espécie de “argumento”: configurar carteiras para agentes de IA, permitindo que eles façam compras por conta própria. Esse seria o cenário mais “central” para uma adoção prática da IA. A narrativa soa simples, perfeita, como se fosse o futuro — mas a lógica interna não resiste a um exame mais cuidadoso. Essa visão confunde as dificuldades de uma compra com etapas simples, colocando a parte mais básica do pagamento como se ela fosse o núcleo.

Vamos primeiro deixar o pagamento de lado e voltar ao próprio comportamento de compra.

Duas ações centrais da compra

A essência da compra é composta por dois tipos de ações que hoje ficam acopladas: busca de informações e julgamento de valor. A busca (coletar, filtrar, comparar, fazer uma ordenação inicial) tem atributos altamente padronizados e pode, quase completamente, ser delegada a agentes de máquina; já o julgamento de valor (se este produto é bom, se serve para mim, se o vendedor é confiável) é a etapa profundamente ligada a emoções e percepções subjetivas humanas.

Os dados já provaram que a busca de informações está migrando rapidamente para a IA. Os dados da Adobe Analytics mostram que, de julho de 2024 a julho de 2025, o volume de acessos que a IA generativa direcionou para sites de varejo nos EUA disparou aproximadamente 4.700%. Mas a narrativa de “carteira de IA” assume, de forma implícita, que o agente inteligente consegue cobrir tanto a busca quanto o julgamento de valor. Esse é o ponto-chave da troca conceitual. A busca pode ser totalmente entregue à máquina; o julgamento de valor, porém, só pode ser entregue parcialmente sob condições específicas, e a maioria dos cenários não consegue ser delegada de forma plena.

Julgamento de valor também se divide em duas camadas

Mais importante ainda: o julgamento de valor em si não é uma dimensão única; ele se divide em duas partes. Uma é a avaliação, isto é, testar diferentes opções com base em uma função utilidade. A outra é a definição de demanda — ou seja, primeiro estabelecer a função utilidade: quais dimensões são importantes, como são seus pesos, quais valores impõem restrições e o que significa, no fim, “ser bom”.

A definição de demanda não ocorre apenas uma vez no começo; ela atravessa todo o processo de compra. Os critérios de conformidade do produto são definidos por você; se um zíper quebrado significa desistir do item diretamente ou não, depende do seu padrão de julgamento; escolher qual loja depende da orientação de valores que você prioriza. Cada camada de filtragem segue a lógica “critérios subjetivos humanos × avaliação de máquina por IA”. A automação só consegue substituir a etapa de avaliação; a soberania de definir demanda permanece sempre nas mãos humanas.

Muita gente acha que basta redigir uma lista de critérios uma única vez para então largar tudo completamente. Isso é subestimar seriamente a lógica das decisões humanas. Pesquisas na área de decisão confirmam que as preferências das pessoas não são fixas e imutáveis. O psicólogo Paul Slovic propôs a teoria das preferências construtivas: dentro de nós não existe um conjunto pronto e fixo de gostos esperando para ser acionado; as preferências se formam gradualmente no processo de fazer escolhas. O experimento de “reversão de preferências” confirma isso: usando dois métodos equivalentes de pesquisa — escolha e definição de preço — obtêm-se rankings totalmente diferentes de produtos, contrariando os axiomas básicos de escolhas racionais.

Ali R. T. Ariely, George Loewenstein e Drazen Prelec, em 2003, propuseram a teoria de “incoerência do arbitrário”: mesmo números aleatórios sem relação, como os últimos do número do seguro social, ancoram as ofertas psicológicas das pessoas para itens comuns; e esse efeito de ancoragem não desaparece com a experiência de consumo nem com transações de mercado. “Preferências estáveis” é, na verdade, uma ilusão de ordem construída artificialmente.

Por isso, a interação homem-máquina não pode ser apenas preencher uma lista de critérios uma vez; é preciso comunicação contínua e iterativa. Em cada nó de filtragem, o agente de IA levanta perguntas específicas: “Você valorizava durabilidade antes; em qual faixa de preço premium a durabilidade deixa de valer a pena para você?”. Aí, os humanos definem em tempo real o limite dessa borda.

A linha divisória real: compras são burocracia ou é experiência em si?

O setor costuma separar cenários entre “produtos padronizados / produtos personalizados”. O desacordo não está em saber se o padrão pode ser quantificado. A verdadeira linha divisória é: o próprio ato de tomar uma decisão tem, ou não, valor de experiência.

Para itens como papel para impressão, baterias ou produtos que exigem reposição periódica, o processo de seleção não tem nenhum valor de experiência. Ninguém quer gastar energia comparando dois cartuchos quase idênticos. Esse tipo de produto é naturalmente adequado para ser totalmente tratado por agentes de IA; a recompra automática não causa perda alguma de experiência.

Para consumo orientado a prazer, porém, é o oposto. Vinho, móveis, casacos, livros: a escolha em si faz parte do prazer de consumir. Se você entrega o poder de julgamento para uma máquina, mesmo economizando custo de tempo, isso rouba diretamente a parte central do prazer de consumir. Mesmo que a IA tire dúvidas o tempo todo sem custo, as pessoas ainda não querem delegar completamente.

Para produtos voltados ao prazer, o agente de IA não deve tomar decisões autônomas por completo; deve mudar para coletar informações: concluir a busca, fazer uma triagem inicial, casar parâmetros, verificar credenciais do comerciante, extrair padrões de problemas comuns dos milhares de reviews, reduzir 200 opções para 5 e, então, deixar a decisão final com humanos.

O dilema das três contradições: IA pergunta, simula o passado, e a pessoa decide sozinha

Alguém diria: “Por que não fazer a IA perguntar diretamente os meus critérios de julgamento?”. Esse tipo de abordagem é justamente o modo ineficiente que a maioria das pessoas já detesta no dia a dia. E o mais letal é que o interrogatório repetido sobre critérios distorce a escolha final do indivíduo.

Em um experimento de avaliação de geleia, Wilson e Schooler, em 1991, fizeram um teste: quando se pede ao grupo que organize razões para suas preferências antes da degustação, o ranking final diverge mais dos padrões profissionais de apreciação; experimentos posteriores mostraram que forçar pessoas a listar motivos escolha por escolha faz com que elas fiquem com menor satisfação depois, ao fim. A linguagem só consegue descrever características superficiais fáceis de expressar e não captura preferências verdadeiras internas; sensações como paladar e estética dependem da percepção e não podem ser definidas por palavras.

Dessa forma, surge um dilema triplo impossível de conciliar:

Perguntar ativamente à IA: corresponde às preferências reais do momento, mas o atrito de interação é altíssimo, chegando a distorcer a escolha;

Usar inferência com base em comportamento histórico: o fluxo é suave, mas o processo fica preso a preferências passadas e sufoca a exploração de consumo totalmente nova;

Deixar todo o julgamento sob controle humano: preserva integralmente o direito de escolha, mas exige enorme tempo e energia.

Uma quarta solução de compromisso pode evitar esses inconvenientes: interação baseada em reconhecimento, não em perguntas uma por uma. A IA exibe diretamente 3 opções e o humano apenas escolhe. Esse método economiza trabalho e mantém precisão, porque não exige que você nomeie de forma abstrata critérios que muitas vezes você nem consegue nomear.

Um experimento clássico de overload de escolha pode sustentar isso. Iyengar e Lepper, em 2000, fizeram o experimento de bancas de degustação de geleia: quando eram colocadas 6 variedades, a taxa de conversão de compra era muito maior do que com 24 variedades. Porém, essa teoria é controversa; análises experimentais posteriores derrubaram essa conclusão. Shebeen et al., em 2010, ao compilar muitos experimentos, encontraram que não existe, de forma geral, um efeito universal de overload por escolha. Chernev, Böckenholt e Goodman, em 2015, cobrindo 99 estudos, mostraram que o efeito só aparece quando a complexidade do produto é alta, a dificuldade de decisão é grande e a própria preferência é vaga. O reautor também retomou posteriormente: ao lidar com 24 produtos, o consumidor não tinha tempo suficiente para organizar suas próprias preferências. A autonomia de verdade existe entre “o agente aplica meus critérios” e “o agente inventa critérios com base no meu histórico”.

Voltando para “carteira de IA”: pagamento é apenas o passo menos importante

Com essa lógica esclarecida, fica evidente a falha narrativa de “dar uma carteira para a IA”. Essa fala mistura três coisas totalmente independentes: agente decisor, agente executor e detentor dos fundos. “Dar uma carteira para a IA” só resolve o problema de detenção de fundos; só faz sentido quando a IA tem, ao mesmo tempo, o poder de decisão.

Há três cenários. No primeiro, a pessoa decide sozinha e paga. Nesse caso, o agente não paga; atua como um “espião”/levantador de informações. No segundo cenário, o humano decide e delega a execução da tarefa ao agente (“sim, compra aquele”). Nesse ponto, o agente é responsável por fechar a conta, mas não precisa custodiar os fundos; basta uma autorização de escopo limitado e revogável apenas para a compra previamente aprovada. Só no terceiro caso, quando o agente decide e paga sozinho, sem que humanos precisem estar presentes para fechar a conta, é que a carteira passa a assumir a responsabilidade pelo pagamento.

O interessante é que, em 2025, a indústria global de pagamentos já implementou esquemas de autorização em camadas, separando completamente “autorização” de “custódia de fundos”:

A OpenAI, em conjunto com a Stripe, lançou um acordo de agente inteligente para negócios: gera um token de pagamento compartilhado vinculado a um único comerciante, com valor fixo e uso único por tempo limitado; a IA não consegue obter o número completo do cartão;

A Mastercard, em abril de 2025, publicou o Agent Pay, que gera um token dedicado para um agente limitado, com comerciante especificado e regras de autorização do usuário vinculadas;

O Google lançou em setembro de 2025 o protocolo AP2 de pagamento inteligente, separando claramente “comprovante de autorização da necessidade do usuário” e “comprovante da lista de compras da IA”; ambos são comprovantes criptográficos verificáveis, correspondendo perfeitamente à lógica de camadas “definição de demanda / avaliação de máquina” citada antes;

A Visa, em outubro de 2025, lançou um protocolo de agentes confiáveis, com a mesma linha de pensamento dos esquemas acima.

Os principais provedores de pagamentos, de forma quase simultânea, provaram o ponto central deste artigo: não é necessário entregar os fundos à IA; basta conceder apenas permissões limitadas de operação.

Então, em quais cenários reais uma carteira independente custodiada pela IA é verdadeiramente aplicável? Quase não há necessidade dessa custódia em varejo para consumo; o espaço real de adoção fica para commodities padronizadas e liquidação automática entre máquinas. A Coinbase e a Cloudflare lançaram juntas o protocolo x402, preenchendo a lacuna dos canais tradicionais de pagamento com cartão: suporta pagamentos automáticos entre agentes sem intervenção humana, 24/7, com cobrança por chamadas via API; em poucos meses, o volume de transações ultrapassou 100 milhões de operações. A Mastercard também lançou, em paralelo, o Agent Pay voltado para máquinas, atendendo a liquidações de máquinas de alta frequência e baixa latência com valores pequenos. Isso é infraestrutura de base da economia das máquinas, não um sistema voltado para compras individuais.

A narrativa em si não está “errada”, mas a importância foi invertida totalmente: a carteira independente custodiada por IA só tem valor relevante em cenários com alto grau de homogeneidade de produtos e valores por transação relativamente baixos.

Onde a carteira de fato deve ficar

Isso também explica a mudança do foco no setor cripto nos últimos dois anos: deixou de priorizar uma narrativa de “libertação do consumo para pessoas” e passou a se aprofundar em infraestrutura de base para instituições — liquidação de stablecoins, tokenização de ativos e serviços corporativos. Isso não é abandonar a vertical de compras com IA; é voltar ao domínio para o qual o modelo de custódia de carteira realmente se adapta: o lado corporativo. O setor de compras de empresas é, em si, uma expressão institucionalizada de “compras burocráticas”. O fluxo de compras separa totalmente a estética subjetiva e as percepções pessoais, dependendo essencialmente de especificações, preço, cumprimento, termos contratuais — no fundo, é a versão humana da compra automatizada por agentes inteligentes. A carteira de IA apenas automatiza um processo que as empresas já amadureceram; não existe ruptura de padrões comportamentais.

Hoje, muitas empresas terceirizam compras de material de escritório e itens de baixo valor. Plataformas como Mercateo e Amazon Business têm como vantagem competitiva central não o menor preço, mas a redução do custo do processo: catálogo unificado de compras e consolidação de contas. As empresas aceitam um pequeno sobrepreço por item em troca da queda drástica do custo de mão de obra de compras; o custo do processo de itens de baixo valor frequentemente supera o valor do próprio produto. Agentes de IA conseguem reduzir o custo de mão de obra do pedido para próximo de zero, enquanto pesquisam fornecedores dispersos em uma enorme base. A plataforma mantém apenas funções de verificação de conformidade: auditoria de fornecedores elegíveis, reconciliação unificada, validações anti-fraude — e a verificação é justamente o gargalo real do fluxo inteiro.

Portanto, a estratégia de implantação não pode ser resumida simplesmente como “carteiras para empresas, não para pessoas”. A formulação mais precisa é: ferramenta para casar com o cenário.

Carteira sob custódia própria (decisão autônoma de IA, custódia de fundos, concluir pagamento): adequada para compras corporativas de itens padronizados e liquidação automática entre máquinas, com foco em cenários B2B e M2M de recompra frequente;

Cenários de consumo pessoal: não precisam de custódia de fundos; basta conceder tokens de pagamento únicos e limitados, e a IA só pode liquidar após humanos confirmarem o pedido.

Como título de marketing para o público C, “dar uma carteira para a IA” mira apenas um nicho bem pequeno; o mercado central para a adoção real dessa solução é o ecossistema de automação do backoffice corporativo.

Nota adicional: compras empresariais também não são totalmente compostas por produtos padronizados. Parte da decisão de compras também não pode ser tratada de forma autônoma por IA. Julgamento de escritórios de advocacia, aquisição de alvos e fornecedores estratégicos fazem parte de escolhas de longo prazo; os efeitos subjetivos são grandes. Assim como escolher vinho de forma pessoal, isso deve ser decidido diretamente por humanos — e carteiras sob custódia própria não servem para esse tipo de cenário.

Essa regra vale para todas as áreas: carteiras independentes custodiadas por IA geram valor apenas na camada de produtos padronizados, e negócios padronizados se concentram dentro de empresas — o maior volume e a maior densidade de demanda.

O verdadeiro gargalo nunca foi pagamento

A tecnologia de movimentação de fundos já amadureceu; o pagamento não existe como gargalo. O verdadeiro gargalo para viabilizar compras com IA está nos outros dois pontos.

Primeiro, falta uma fonte confiável de dados. O pressuposto da decisão automatizada é que os dados sejam reais e confiáveis; se a informação base estiver distorcida, um sistema de decisão autônoma por IA ampliará o impacto negativo de informações falsas na velocidade de uma máquina. O problema de reviews falsos em massa já é um fato amplamente reconhecido no setor. A FTC (Comissão Federal de Comércio dos EUA) em 2024 (entrada em vigor em 21 de outubro) proibiu explicitamente avaliações falsas de produtos, deixando claro que a IA generativa reduz significativamente a barreira para produzir em lote avaliações falsas. Multas por violação por transação podem chegar a 51.744 dólares; até o fim de 2025, os órgãos reguladores já emitiram múltiplas cartas de advertência.

O problema de falsificação de produtos físicos também é sério. Com base em dados de 2025 da OCDE e do EUIPO (Escritório da União Europeia para Propriedade Intelectual), o volume de comércio global de falsificados em 2021 foi de aproximadamente 467 bilhões de dólares, representando 2,3% do total do comércio global. Na União Europeia, importações de falsificações correspondem a 4,7% do total de importações; vestuário, calçados e bolsas e itens de luxo são áreas de maior gravidade, e justamente pertencem a categorias de consumo orientado a experiência. Provas de rastreabilidade por item, avaliações verificáveis de verdade, laudos de terceiros independentes e registros de circulação em nível de item (as diretrizes anti-falsificação da UE e a lei da cadeia de suprimentos de medicamentos dos EUA já exigem a implementação em embalagens) são pré-requisitos para uma avaliação segura por IA.

Segundo, não dá para automatizar o direito de definir as necessidades humanas. Enquanto os critérios de demanda forem definidos por humanos, o restante — filtragem, comparação e liquidação — pode ser automatizado. Mas definir a própria demanda, por natureza, não pode ser delegado a máquinas. Se a IA gerar os critérios de demanda por você, as preferências finais não pertencem verdadeiramente a você.

Delegar uma carteira a um agente de IA resolve apenas a parte mais simples do fluxo de fundos. O caminho que vale a pena aprofundar é automatizar filtragens e avaliações com segurança e controle, devolvendo dois direitos centrais aos humanos: definir os critérios de julgamento e aproveitar a experiência do prazer de escolher no fim.

Resumo

Por fim, é importante enfatizar: para bens de consumo orientados a experiência, uma vez que o canal de compra se torna “commoditizado”, o produto passa a estar em toda parte. Nesse momento, seu produto deixa de ser o produto em si; a escolha é que vira o diferencial. A plataforma precisa otimizar o nível de padronização das próprias informações para facilitar a busca por IA: dados de produtos completos, rastreáveis e verificáveis, com estrutura limpa; conduzir a IA a direcionar o tráfego do usuário para o seu próprio site/plataforma. A partir disso, manter as vantagens centrais que automação não consegue substituir, ampliar os limites do gosto estético e explorar novas experiências de consumo, e, por fim, proporcionar a experiência prazerosa de selecionar produtos. Entregar a coleta de informações a agentes de IA faz com que a vantagem competitiva da plataforma se concentre em construir uma experiência melhor de escolha.