O verdadeiro negócio do comércio eletrônico com IA está escondido antes do pagamento do utilizador

Nos últimos trinta anos, a infraestrutura do comércio eletrónico tem vindo a otimizar quase a mesma ação: permitir que o utilizador pressione o botão de compra de forma mais fluida. Pagamentos com um clique, tokens de prova de pagamento, reconhecimento facial e autenticação por impressão digital, tudo visa reduzir a fricção no momento do pagamento.

Mas, após a entrada do Agente AI no processo de compra, as mudanças começam a ocorrer antes do pagamento. O que o Agente precisa resolver é como compreender a intenção do utilizador, filtrar produtos, construir o carrinho de compras e executar a próxima ação dentro de um âmbito de autorização explícita.

Portanto, o Comércio Agente-Assistido não pode ser entendido apenas como um problema de pagamento. O pagamento continua a ser importante, mas é apenas o último elo da cadeia de compra. O que o AI reescreveu primeiro foi o conjunto de processos que ocorrem antes da aprovação da transação.

1. A intenção do utilizador torna-se numa restrição executável

No comércio eletrónico tradicional, as decisões de compra humanas geralmente envolvem um processo prolongado e aleatório de navegação na web. O utilizador pesquisa, entra na página do produto, compara avaliações, troca de plataformas, sendo influenciado por preços, design da página, promoções e recomendações, passo a passo.

Mas, quando o Agente representa a ação do utilizador, o processo de decisão antes do checkout é reestruturado. O utilizador pode não fornecer uma plataforma ou produto específico, mas sim uma descrição em linguagem natural contendo múltiplas restrições. Essas condições normalmente incluem: um limite de orçamento claro, um prazo de entrega específico, uma lista negra de marcas a excluir e preferências personalizadas de parâmetros.

Essas condições, que antes eram apenas preferências na mente do utilizador, agora tornam-se regras de filtragem que o Agente deve aplicar ao executar tarefas. O que o Agente precisa fazer é transformar uma necessidade em linguagem natural em restrições que o sistema possa entender, comparar e executar.

Isso altera a distribuição de valor na cadeia comercial. No passado, os comerciantes competiam por cliques e conversões na página do produto; no futuro, muitos produtos passarão primeiro por uma filtragem do Agente. A página ainda é importante, mas os dados do produto, preços em tempo real, precisão do inventário, promessas de entrega, regras de devolução e estrutura de parâmetros determinarão se o produto entra na lista de candidatos.

2. Respostas geradas por IA tornam-se a nova interface de exibição de produtos

Essas estruturas de parâmetros determinarão primeiro se um produto pode entrar na lista de candidatos. E, após a decomposição da intenção do utilizador em restrições, essas restrições serão inicialmente inseridas em motores de busca e modelos de IA, dando origem a uma nova interface de exibição de produtos.

Se a entrada do comércio tradicional é uma página de resultados de pesquisa, então a nova prateleira do AI commerce é a própria resposta gerada pelo modelo.

No passado, quando o utilizador pesquisava uma questão de consumo, via uma coleção de páginas, anúncios, avaliações e links de comércio eletrónico. As marcas competiam por ranking, cliques e conversões; o utilizador tinha que abrir páginas, comparar parâmetros, julgar a veracidade das informações.

Agora, a pesquisa generativa por IA encurta esse processo. Produtos como AI Overview, ChatGPT, Copilot condensam múltiplas fontes numa resposta única, fornecendo diretamente produtos candidatos, cenários de aplicação e recomendações de compra. O utilizador talvez nem clique em vários links ou saiba exatamente quais fontes foram consultadas para a resposta. As marcas agora precisam lutar para entrar na lista de candidatos na resposta do IA.

Por isso, o GEO é mais sensível que o SEO, pois influencia não só a exposição, mas também o processo de julgamento do modelo. Na pesquisa tradicional, as marcas buscavam posições mais altas nos links; na pesquisa generativa, competem por entrar na resposta gerada. Quando o IA compara produtos com uma tonalidade aparentemente neutra, já está fazendo uma pré-seleção para o utilizador.

Porém, o problema é que as recomendações do IA não surgem do nada. Elas consultam rankings de avaliações, discussões em fóruns, vídeos curtos, comentários em e-commerce, relatórios setoriais, e condensam essas informações numa resposta que parece objetiva. As marcas podem não precisar comprar diretamente espaço publicitário no IA, mas podem influenciar o modelo através de conteúdo, afetando o que ele vê na pesquisa e na síntese. Uma única opinião pode parecer comum, mas se ela se repete em múltiplos canais, o IA pode interpretá-la como uma forte recomendação. Assim, a publicidade comercial pode não aparecer como anúncio, mas influenciar o julgamento do IA.

Isso explica por que o Google é mais cauteloso com o GEO, pois seu ativo mais importante é a confiabilidade da pesquisa. Sempre se acreditou que o Google consegue colocar informações confiáveis na frente, fazendo com que os anunciantes paguem por esse acesso. Na pesquisa tradicional, o Google exibe links, que o utilizador pode julgar a fonte; na Overview do IA, a resposta é direta. Se essa resposta for influenciada por avaliações falsas, fazendas de conteúdo ou conteúdo tendencioso, o Google não exibe apenas uma página de baixa qualidade, mas uma sugestão potencialmente enganosa.

Obviamente, a postura de diferentes plataformas em relação ao GEO também é influenciada pelos seus modelos de negócio. O Google busca manter a confiabilidade da pesquisa, reforçando a qualidade do conteúdo e a resistência a manipulações; a Microsoft vê o GEO como uma porta de entrada para anunciantes no Copilot, Bing, Edge e futuros Agentes. Ou seja, no futuro, o GEO não terá uma única regra, mas evoluirá com diferentes limites de governança e entradas comerciais entre pesquisa, assistentes de IA e plataformas de modelos.

No entanto, para que as marcas ganhem credibilidade na pesquisa generativa, além de criar conteúdo de opinião em toda a rede para influenciar o resumo do modelo, há uma barreira técnica mais fundamental: o produto deve ser altamente legível por máquinas.

3. A diferenciação da fachada do comércio eletrónico: dados para máquinas, gosto para humanos

Para obter a confiança e recomendação de um agente de IA, o produto deve primeiro possuir uma alta legibilidade por máquinas.

Nos primórdios, as interfaces comerciais online eram feitas sob medida para a visão humana. Imagens de produtos, descrições e botões de compra eram projetados para prolongar o tempo de permanência na página. Mas o agente de IA não percebe esses elementos visuais; sua avaliação do produto depende totalmente de dados estruturados: especificações SKU, estoque em tempo real, preço líquido, Acordo de Nível de Serviço (SLA) e políticas estruturadas de devolução.

Essa mudança faz da legibilidade por máquinas uma vantagem competitiva fundamental na era do comércio assistido por IA. Marcação Schema.org, arquivos llms.txt, APIs de estoque e preço em tempo real, políticas de devolução estruturadas, tudo influencia se o Agente de IA consegue entender corretamente o produto. Embora grandes modelos de linguagem possam extrair informações não estruturadas de páginas web, esses dados muitas vezes são incompletos, desatualizados ou contaminados por ruído. Em contrapartida, catálogos padronizados e estruturados podem informar diretamente ao Agente de IA: especificações do produto, preço em tempo real, status de estoque, capacidade de entrega e regras de devolução. Essa é a barreira de entrada para que um produto seja filtrado e recomendado pelo Agente.

Porém, essa mudança não ocorre de forma uniforme para todos os produtos, sendo que os tipos de consumo podem ser divididos em duas categorias:

Uma é o consumo de eficiência. Como comprar papel higiênico, cabos de dados, materiais de escritório ou passagens de avião e hotéis com comparação de preços. Essas decisões têm critérios rígidos: preço, especificações, tempo de entrega. O utilizador não quer passar pelo processo de escolha, apenas obter uma resposta rápida e razoável. Nesses setores, o IA atua de forma extremamente rápida, realizando comparações e finalizando a compra por si só.

A outra é o consumo de gosto e autoexpressão, como escolher um sobretudo, uma lâmpada vintage ou uma obra de arte. Essas decisões carregam emoções, personalidade e estética, e o processo de seleção, hesitação e comparação é parte do prazer. Nesses cenários, o valor do IA está mais na fase pré-pagamento: ajudar o utilizador a organizar inspirações, entender estilos, agregar informações dispersas, tornando a exploração mais fluida.

Esse é o ponto de entrada do aplicativo de moda The Mall. Hoje, o acesso ao mundo da moda online está fragmentado: sites de marcas, Instagram, TikTok, newsletters, sites de descontos, recomendações de amigos e criadores. Os consumidores precisam navegar entre esses pontos dispersos. The Mall busca consolidar esses fragmentos num espaço de shopping virtual, respondendo às necessidades diárias de descobrir, acompanhar, comparar, guardar e compartilhar marcas e produtos.

Nesse espaço, o comportamento do utilizador é reorganizado. Pode seguir marcas, acompanhar lançamentos e descontos, salvar produtos, observar amigos ou criadores, e até usar IA para entender estilos, saltando de uma peça para outras similares de diferentes marcas, descobrindo marcas nicho que não aparecem na publicidade tradicional.

Isso significa que o novo cenário de negócios do IA não se limita ao ciclo final de compra, mas também ao front-end da decisão de consumo, que contém um potencial enorme.

Enquanto a indústria discute como fazer o Agente ajudar na compra com um clique, o processo de hesitação, comparação e formação de gosto — que ocorre antes do checkout — pode ser também uma oportunidade de negócio de alto valor.

Gerir essas intenções fragmentadas de estética e preferência não só gera maior confiança, mas também, ao longo do tempo, acumula dados de intenção que podem se transformar num sistema de gostos e preferências do consumidor. Organizar e registrar as preferências e comparações antes do pagamento pode fazer dessas plataformas um sistema de registro de gostos e intenções (System of Record). Essa camada de descoberta, próxima da decisão, tem um valor de ativos de dados que talvez seja tão grande quanto a última etapa de comissão por transação.

Assim, o futuro do comércio eletrónico terá duas camadas: uma voltada para máquinas, responsável pela granularidade, estruturação e verificabilidade dos dados, permitindo ao Agente fazer comparações, compras e pedidos de forma eficiente; e outra voltada para humanos, que cuida da expressão da marca, transmissão de estética, construção de experiências e criação de encontros fortuitos (Serendipity), incentivando o utilizador a permanecer, explorar e desenvolver um estilo próprio. No passado, os comerciantes focavam na experiência visual do front-end; no futuro, será necessário gerir simultaneamente catálogos estruturados legíveis por máquinas e o espaço mais oculto, mas mais imaginativo, de intenções antes do pagamento.

4. A cadeia de promessas move-se para o upstream: permitindo que o Agente aja dentro de limites autorizados

Quando o Agente conclui a descoberta de produtos, a filtragem de opções e a construção do carrinho, a transação só então entra no sistema de pagamento.

Do ponto de vista operacional, a rede de cartões moderna é, na essência, uma cadeia de promessas com atraso na execução. Na fase de autorização, o comerciante, através do adquirente e da organização de cartões, verifica a validade do comprovativo junto do banco emissor; após a aprovação, o comerciante entrega o produto, enquanto a liquidação e o pagamento real ocorrem de forma assíncrona numa janela posterior. Este sistema baseia-se numa premissa simples: a transação é iniciada por um humano e, por isso, a responsabilidade recai sobre ele.

A intervenção do Agente de IA quebra essa premissa. A autorização do utilizador deixa de ser uma única transação confirmada, passando a ser um fluxo de decisões autogeridas por componentes de software. Se o agente for alvo de comandos maliciosos, interpretar mal o contexto ou configurar parâmetros incorretos, pode ocorrer uma transação fora de limites, tornando a responsabilidade legal extremamente ambígua.

Embora alguns gigantes do retalho tentem, através de alterações nos Termos de Serviço (ToS), definir por lei que transações iniciadas por terceiros agentes são sempre autorizadas pelo utilizador, isso não resolve o risco na prática. O Comércio Agente-Assistido precisa de impor restrições antes da ocorrência da transação.

Nas redes financeiras tradicionais, essas restrições são implementadas principalmente por autorização via gateway centralizado. Organizações como Visa, Mastercard estão a desenvolver padrões para a identidade do Agente, tokens de prova e intenções verificáveis, com o objetivo de limitar o alcance das ações do sistema antes da aprovação do pagamento. Na prática, isso geralmente significa transformar o comprovativo de pagamento num limite programável: gerar um cartão virtual ou token de uso único no momento da compra, com restrições de comerciante, orçamento, categoria, janela de tempo ou tarefa específica. Se o Agente ultrapassar essas regras, a rede pode interceptar a transação na fase de autorização.

Contudo, limitar apenas na fase de liberação de fundos ou na camada de gateway ainda é uma defesa relativamente tardia. Os gigantes de liquidação estão a estender essa lógica para as origens de produção. Recentemente, a Visa fez um investimento estratégico não divulgado na plataforma de desenvolvimento de software Replit. Apesar de ainda estar numa fase inicial, sem produtos conjuntos lançados, o sinal é claro: as redes de pagamento globais estão a tentar conectar-se diretamente às fontes iniciais de geração de IA. Com a integração do Visa Intelligent Commerce e do Trusted Agent Protocol nas plataformas de desenvolvedores, a Visa pretende incorporar a identidade do Agente, intenções e contexto do cliente desde a fase de desenvolvimento e implantação, não apenas na fase de checkout.

Isto é importante porque muitos Agentes de Transação no futuro podem não ser iniciados por uma app de retalhista, mas por software criado por desenvolvedores, distribuído por diferentes ferramentas, atuando automaticamente em nome de utilizadores ou empresas. Nesse cenário, a Replit deixa de ser apenas um ambiente de código e passa a ser uma porta de entrada para o comércio de Agentes na camada de aplicação. Para a Visa, o futuro passa por transformar a capacidade da rede de cartões numa infraestrutura nativa de máquinas, acessível via API, capaz de identificar identidades e entender intenções.

Essa lógica também está na base de carteiras de Agentes com contratos, como o Cobo CAW Pact. Elas evitam que o Agente aceda diretamente ao saldo completo, gerando um contrato temporário para uma tarefa específica, com limites de valor, caminho de transação e validade. Se a solicitação exceder o contrato, o nó MPC rejeita a assinatura. Antes da assinatura, os dados da transação podem ser traduzidos em uma intenção compreensível pelo utilizador, para confirmação do que será realmente executado.

A longo prazo, a cadeia de promessas evolui de confiar no Agente para impor restrições ao Agente. As redes de cartões colocam restrições na camada de gateway e começam a avançar para a origem da geração, enquanto os sistemas na blockchain devem colocar restrições na camada de assinatura. Os sistemas de pagamento do futuro não irão apenas verificar a identidade do pagador, mas também se a ação do sistema está dentro dos limites autorizados.

Conclusão: O Comércio Agente-Assistido precisa de uma nova cadeia de promessas

Normalmente, a tecnologia muda os meios do negócio, mas raramente elimina a responsabilidade em si.

O comércio eletrónico mudou o ambiente de transação, as carteiras móveis alteraram os comprovativos de pagamento, as APIs de emissão de cartões tornaram a autorização programável, e as stablecoins começaram a influenciar alguns processos de liquidação. Cada avanço tecnológico acrescenta uma nova camada de capacidades ao sistema financeiro. Mas o que o sistema de pagamento realmente mantém é a autorização, liquidação, compensação e resolução de disputas.

A razão é simples: assim que uma transação entra no sistema de negócios, alguém deve confirmar que ela pode ocorrer, alguém deve prometer o pagamento, e alguém deve assumir a responsabilidade em caso de erro.

O Agente de IA alonga essa cadeia. No passado, pesquisa, comparação, adição ao carrinho e checkout eram feitos principalmente pelo utilizador; no futuro, esses passos podem ser delegados ao Agente, que os executa automaticamente entre múltiplos sistemas. A experiência será mais rápida, mas será mais difícil entender exatamente o que o utilizador autorizou, até onde o Agente pode ir, quais as obrigações do comerciante e como se divide a responsabilidade pelo pagamento.

Essa é a infraestrutura que o Comércio Assistido por Agentes precisa reconstruir. Uma nova cadeia de promessas: no momento do evento, ligar a intenção inicial do utilizador, as permissões do Agente, a promessa de pagamento e a responsabilidade por disputas, de forma que todo o processo seja tecnicamente verificável e rastreável.

O futuro da transformação do AI Commerce, superficialmente, é uma questão de pagamento e automação, mas, na sua essência, é uma questão de responsabilidade.