Porque é que os agentes de IA para compras são difíceis de generalizar?

Artigo: Anderl

Compilação: Chopper, Foresight News

Neste momento, circula na indústria da IA e das criptomoedas uma narrativa: configurar uma carteira para agentes de IA, para que façam compras por conta própria e com autonomia total, sendo este o cenário de implementação mais central da IA. Esta argumentação soa simples e perfeita, como se fosse o futuro — mas a lógica interna não resiste a uma análise mais cuidada. Esta visão confunde as dificuldades inerentes ao ato de comprar com as etapas simples, colocando a parte mais básica do pagamento no centro.

Deixemos primeiro de lado o pagamento e voltemos ao próprio comportamento de compra.

As duas ações centrais da compra

A compra, no essencial, consiste em dois tipos de ações atualmente acopladas: pesquisa de informação e juízo de valor. A pesquisa (recolher, filtrar, comparar, ordenar preliminarmente) tem características altamente padronizáveis e pode, quase na totalidade, ser delegada a agentes de máquinas; já o juízo de valor (se este produto é bom, se serve o meu caso, se o vendedor é confiável) é a etapa profundamente ligada à profundidade subjetiva e emocional dos seres humanos.

Os dados já provaram que a pesquisa de informação está a migrar rapidamente para a IA. Segundo dados da Adobe Analytics, entre julho de 2024 e julho de 2025, o volume de visitas de publicidade gerada por IA que encaminha para websites de retalho nos EUA disparou cerca de 4700%. Mas a narrativa da “carteira de IA” assume, implicitamente, que um agente inteligente consegue abranger simultaneamente a pesquisa e o juízo de valor — e é precisamente aqui que reside a troca enganosa de conceitos. A pesquisa pode ser totalmente entregue à máquina; já o juízo de valor só pode ser entregue parcialmente em condições específicas — e, na maioria dos cenários, não pode ser delegado por completo.

O juízo de valor tem duas camadas

Mais importante ainda: o juízo de valor, por si só, não é uma dimensão única. Divide-se em duas partes. Uma é a avaliação, isto é, testar diversas opções com base em uma função de utilidade. A outra é a definição de necessidades — ou seja, começar por definir a função de utilidade: quais dimensões são importantes, qual o peso de cada uma, quais valores impõem restrições e qual é, em última instância, o significado de “bom”.

A definição de necessidades não se faz apenas uma vez, no início, de forma “fechada”. Ela atravessa todo o processo de compra. Os critérios de conformidade do produto são decididos por ti; se um fecho/zip está danificado e se isso implica abandonar o produto depende do teu critério; escolher qual loja depende da tua orientação de valores. Cada camada de filtragem segue a lógica “critérios subjetivos humanos × avaliação da máquina de IA”. A automação só consegue substituir a fase de avaliação; a soberania de definir necessidades permanece sempre nas mãos do ser humano.

Muitos acreditam erradamente que basta escrever uma lista de critérios de uma vez para poderem, de seguida, “soltar completamente” o processo — o que subestima severamente a lógica de decisão humana. Pesquisas na área da decisão demonstram que as preferências das pessoas não são fixas e imutáveis. O psicólogo Paul Slovic propôs a teoria de preferências construtivas: no nosso interior não existe um conjunto pronto e fixo de gostos à espera de ser acionado; as preferências formam-se gradualmente no processo de escolher. O experimento de “reversão de preferências” comprova isto: métodos de pesquisa equivalentes, como escolha e precificação, conduzem a rankings totalmente diferentes de produtos, violando os axiomas básicos de escolhas racionais.

Ali, Loewenstein e Prelec (2003) propuseram a teoria de “escolha arbitrária coerente”: mesmo números aleatórios sem relação — como os últimos dígitos após a segurança social — acabam por ancorar os lances psicológicos das pessoas por bens comuns; além disso, o efeito de ancoragem não desaparece com a experiência de consumo nem com as transações no mercado. A chamada “preferência estável” é apenas uma ilusão de ordem construída artificialmente.

Por isso, a interação homem-máquina não pode ser apenas um preenchimento pontual de uma lista de critérios. É necessário um processo contínuo de iteração e comunicação. Em cada nó de filtragem, o agente de IA lança perguntas direcionadas: “Tu valorizas durabilidade; em que patamar de preço, acima de quanto fica a durabilidade por perder a relação custo-benefício para ti?”, e é o ser humano que define em tempo real onde está esse limite.

A linha divisória real: é burocracia ou é prazer?

A indústria costuma dividir cenários em “produtos padronizados / produtos personalizados”. A discordância não está em saber se o padrão pode ser quantificado; a linha divisória real é esta: fazer a escolha, por si só, tem ou não valor de experiência.

Para itens como papel de impressão, baterias ou produtos que exigem reposição regular, o processo de seleção não tem qualquer valor de experiência. Ninguém quer gastar energia a comparar dois tinteiros quase indistinguíveis. Este tipo de produto é, por natureza, adequado para ser totalmente tratado por agentes de IA: uma recompra automática não traz perda de qualquer experiência.

Para o consumo orientado ao prazer, porém, é precisamente o contrário. Vinho, mobiliário, casacos de lã, livros — escolher faz parte do próprio prazer. Se entregarmos o poder de decisão à máquina, embora se poupe o custo de tempo, rouba-se diretamente o cerne do prazer do consumo. Mesmo que a IA tire dúvidas gratuitamente ao longo de todo o processo, as pessoas ainda assim não querem delegar tudo por completo.

Para produtos orientados ao prazer, o agente de IA não deve decidir autonomamente. Deve, antes, alternar para o papel de coletor de informação: executar a pesquisa, fazer filtragem inicial, casar parâmetros, verificar qualificações dos vendedores, extrair “doenças” comuns dos produtos a partir de avaliações em grande escala, reduzir 200 opções para 5 e, por fim, deixar a decisão final ao humano.

O triplo dilema contraditório: IA a perguntar, simulação histórica e escolha autónoma

Alguém pode dizer: “Então basta a IA perguntar-me diretamente quais são os meus critérios de avaliação, não é?” Esta abordagem é, de facto, exatamente um modo ineficiente que as pessoas comuns já detestam no dia a dia. E o mais fatal é que repetir perguntas sobre critérios acaba por distorcer a escolha final.

Em 1991, Willson e Skuller realizaram um experimento de avaliação de geleia: aqueles que foram antecipadamente obrigados a organizar razões para as suas preferências apresentaram, no final, um ranking com maior desvio em relação aos critérios profissionais de prova; experimentos subsequentes provaram também que forçar as pessoas a listar razões para cada escolha leva a uma menor satisfação com as escolhas, quando estas já foram feitas. A linguagem só consegue descrever características superficiais fáceis de expressar; não consegue captar preferências reais internas. Sensações como paladar e estética só podem ser inferidas através da perceção, não sendo possível defini-las por palavras.

Daí surgem três dilemas que não podem ser conciliados ao mesmo tempo:

Perguntar diretamente à IA: está alinhado com preferências reais do momento, mas o atrito na interação é extremamente alto e pode até distorcer a escolha;

Inferir com base em comportamento histórico: a operação é suave, mas fica preso às preferências passadas, sufocando a exploração de consumo de algo novo;

Decisão totalmente autónoma pelo humano: preserva totalmente o direito de escolher, mas custa muito tempo e energia.

Uma quarta solução de compromisso consegue evitar as desvantagens acima: interação por identificação, em vez de perguntas item a item. A IA apresenta diretamente 3 opções; o humano apenas tem de escolher. Este método é, ao mesmo tempo, prático e preciso, porque não exige nomear de forma abstrata critérios que muitas vezes nem sequer consegues nomear.

Isto pode ser apoiado por um clássico experimento de sobrecarga de escolha. Iyengar e Lepper (2000) realizaram um teste de banca de degustação de geleias, com 6 variedades versus 24; a taxa de conversão de compra foi muito superior com 6 do que com 24. Mas essa teoria tem controvérsia: análises e múltiplos estudos posteriores derrubaram esta conclusão. Shebeen et al. (2010), após reunir muitos experimentos, descobriram que, no geral, não existe um efeito universal de sobrecarga de escolha. Cheniev, Bockenholt e Goodman (2015), cobrindo 99 estudos, mostraram que o efeito só aparece quando a complexidade do produto é alta, o nível de dificuldade de decisão é elevado e as preferências pessoais estão pouco claras. O próprio autor, numa reconstituição posterior, também mencionou que, quando se enfrentam 24 produtos, os consumidores não dispõem de tempo suficiente para organizar as suas preferências. A verdadeira autonomia existe entre “o agente aplicar os meus critérios” e “o agente fabricar critérios do nada com base no meu histórico”.

Voltando à “carteira de IA”: o pagamento é apenas a etapa menos importante

Ao esclarecer a lógica acima, torna-se evidente a falha na narrativa de “dar uma carteira à IA”. A história confunde três coisas completamente independentes: o decisor, o executor e o detentor dos fundos. “Dar uma carteira à IA” só resolve o problema da posse dos fundos; a custódia só faz sentido quando a IA também tem o poder de decisão.

Três cenários. No primeiro, a pessoa decide e paga. Nesse caso, o agente não paga: apenas funciona como um “escuteiro” (sondador). No segundo, a pessoa toma a decisão e delega a execução ao agente (“sim, compra aquele”). Aqui, o agente é responsável por fechar a conta, mas não precisa de custodiar fundos: só precisa de uma autorização limitada, para esta compra previamente aprovada, e que pode ser revogada. Apenas no terceiro cenário, quando o agente decide e paga autonomamente e não há presença humana para fechar a conta, é que a própria carteira assume 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 comercial para agentes inteligentes: tokens de pagamento partilhados, ligados a um único comerciante, a um montante fixo e a um uso único e temporariamente limitado; a IA não consegue obter o número completo de cartão bancário;

A Mastercard, em abril de 2025, publicou o Agent Pay: tokens dedicados, gerados com um agente limitado, um comerciante especificado e regras de autorização vinculadas ao utilizador;

O Google lançou, em setembro de 2025, o acordo de pagamento AP2: separa claramente “credencial de autorização de necessidades do utilizador” e “credencial da lista de compras de IA”; ambas são credenciais criptográficas verificáveis, correspondendo perfeitamente à lógica em camadas “definição de necessidades / avaliação da máquina” acima;

A Visa, em outubro de 2025, lançou um protocolo para agentes confiáveis: com uma abordagem consistente com as soluções acima.

Os principais processadores de pagamentos provaram, sem coordenação prévia, o ponto central deste artigo: não é preciso entregar os fundos à IA; basta conceder permissões operacionais limitadas.

Então, em que cenários é que uma carteira com custódia independente pela IA é realmente adequada? Quase não há necessidade de carteiras com custódia de IA em cenários de retalho para consumo. O espaço real para esta solução encontra-se em commodities de grande escala altamente padronizadas, com liquidação automática entre máquinas. A Coinbase e a Cloudflare lançaram conjuntamente o protocolo x402, preenchendo a lacuna dos tradicionais canais de pagamento por cartão: suporta pagamentos automáticos entre agentes, sem intervenção humana, 7×24 horas, e faturação por chamada de API; em poucos meses, o volume de transações ultrapassou 100 milhões. A Mastercard lançou, em simultâneo, o Agent Pay para máquinas, oferecendo liquidações frequentes, baixa latência e pequenos valores entre máquinas. Esta é a infraestrutura base da economia das máquinas, e não algo dirigido a compras pessoais.

A narrativa em si não está errada, mas a sua importância foi completamente invertida: uma carteira com custódia independente de IA tem valor significativo apenas quando os bens são altamente homogéneos e o valor por transação é baixo.

Onde a carteira deve realmente estar

Isto também explica a mudança do foco no setor cripto nos últimos dois anos: deixou de ser uma narrativa centrada em “libertar o consumo pessoal” e passou a aprofundar a infraestrutura para instituições — liquidação de stablecoins, tokenização de ativos, serviços empresariais. Isto não é abandonar o mercado de compras com IA; é voltar ao domínio para o qual o modelo de custódia de carteira é verdadeiramente adequado: o lado empresarial. A área de compras das empresas é, por si só, a manifestação institucionalizada da “compra de meros detalhes”; o processo de compras separa decisões baseadas em gosto subjetivo e em sensações pessoais, dependendo essencialmente de especificações, preços, cumprimento, cláusulas contratuais — sendo, na essência, a versão “humana” de compras automatizadas por agente inteligente. A carteira de IA apenas automatiza processos que a empresa já maturou; não existe uma viragem de modelos de comportamento.

Hoje, muitas empresas terceirizam compras de material de escritório e consumíveis de baixo valor. A força competitiva de plataformas como Mercateo e Amazon Business não é apenas o preço; é reduzir o custo do processo: catálogos de compras unificados e consolidação de faturas. As empresas aceitam um pequeno prémio por unidade para obter uma redução drástica do custo de mão de obra de compras. Em muitos consumíveis de baixo valor, o custo do processo é frequentemente maior do que o valor do próprio produto. Agentes de IA podem reduzir o custo de “colocar encomendas” para perto de zero, ao mesmo tempo que pesquisam fornecedores dispersos e em grande escala; as plataformas de compras mantêm apenas a função de verificação de conformidade: avaliação e admissão de fornecedores, reconciliação unificada, validação anti-falsificação. E a verificação é precisamente o gargalo real de todo o processo.

Assim, a estratégia de implementação não pode ser resumida simplesmente como “servir empresas em vez de pessoas”. A formulação exata deve ser: a ferramenta deve casar com o cenário.

Carteira com custódia autónoma (decisão autónoma da IA, custódia de fundos, conclusão de pagamentos): adequada para compras empresariais de bens padronizados e liquidação automática entre máquinas, principalmente em cenários B2B/M2M de recompra frequente;

Cenários de consumo pessoal: não precisa de custódia de fundos; em vez disso, concede-se apenas um token de pagamento único e de âmbito limitado. Após o humano confirmar a encomenda, a IA pode liquidar.

Como título promocional “dar uma carteira à IA” voltado ao lado C, o que este discurso mira é apenas um nicho muito pequeno; o mercado central para implementação desta solução é o sistema de automação do back-office das empresas.

Nota adicional: as compras empresariais também não são apenas bens padronizados. Parte das decisões de compra também não pode ser tratada de forma autónoma por IA: escolher um escritório de advogados, alvos de aquisição e fornecedores-chave são escolhas estratégicas, com consequências subjetivas significativas. Tal como escolher um vinho a título individual, a decisão tem de ser tomada diretamente por humanos; nestes cenários, carteiras com custódia autónoma não têm utilidade.

Esta regra aplica-se a todas as áreas: carteiras com custódia independente de IA só geram valor na camada de bens padronizados; e os negócios padronizados concentram-se no interior das empresas — onde o volume é maior e as necessidades são mais densas.

O verdadeiro gargalo não é, de modo algum, o pagamento

A tecnologia de circulação de fundos já está madura. A etapa de pagamento não tem qualquer ponto crítico. O verdadeiro gargalo para a implementação de compras com IA está em outras duas áreas.

Primeiro, falta de fontes de dados confiáveis. O pressuposto de uma decisão automatizada é que os dados sejam reais e fiáveis; se a informação de base estiver distorcida, uma IA que decide autonomamente amplificará a informação falsa a uma velocidade “de máquina”, multiplicando o impacto negativo. A proliferação de avaliações falsas já é um problema público do setor. A FTC dos EUA (Comissão Federal de Comércio) emitiu novas regras em 2024 (entram em vigor a 21 de outubro), proibindo explicitamente avaliações falsas de produtos; ficou claro que a IA generativa reduz drasticamente a barreira para produzir em massa avaliações falsas. As multas por violação, por transação, podem ir até 51.744 dólares. No final de 2025, as autoridades já emitiram múltiplas cartas de advertência.

A falsificação de produtos físicos também é grave. Segundo dados de 2025 da OCDE e do EUIPO (Instituto da União Europeia para a Propriedade Intelectual), em 2021 o tamanho do comércio global de falsificações foi de cerca de 467 mil milhões de dólares, representando 2,3% do comércio mundial total. As importações de falsificações na UE representam 4,7% do total importado; os setores mais afetados são roupa, calçado e bolsas de luxo — precisamente categorias de consumo orientadas pela experiência. Evidências de rastreabilidade por produto, avaliações reais verificáveis, testes de terceiros independentes e registos de circulação ao nível do item (a diretiva de anti-falsificação da UE e o “Drug Supply Chain Act” dos EUA já impõem a implementação em embalagens de medicamentos) são pré-requisitos para que a IA faça julgamentos seguros sobre produtos.

Segundo, a definição das necessidades por parte dos humanos não pode ser automatizada. Enquanto os critérios de necessidades forem definidos por humanos, a filtragem, comparação e liquidação seguintes podem ser automatizadas. O ato de definir as próprias necessidades, porém, não pode ser entregue a máquinas por natureza. Se a IA gerar os critérios de necessidade por ti, a preferência final não será realmente tua.

Dar uma carteira a agentes de IA só resolve o envolvimento mais simples no ciclo de fundos. A direção que vale a pena aprofundar é a automação de seleção e avaliação, de forma segura e controlável — ao mesmo tempo em que devolve ao humano os dois direitos centrais: definir os critérios de julgamento e desfrutar do prazer da escolha final.

Conclusão

Por fim, é importante enfatizar que, para bens de consumo orientados pela experiência, uma vez que os canais de compra se “commoditizam” e o produto se torna ubíquo, o teu produto deixa de ser o produto em si — e a escolha é que passa a ser o que importa. Nessa altura, a plataforma precisa de otimizar o grau de padronização da sua informação para facilitar a pesquisa pela IA: dados de produtos completos e verificáveis, com rastreabilidade, e estruturação limpa, para orientar a IA a encaminhar os utilizadores para a sua própria plataforma. Com isso como base, deve-se manter a vantagem central de que a automação não consegue substituir, alargar os limites da estética do utilizador e abrir novas explorações de consumo — e, por fim, preservar a experiência agradável de escolher o produto. Entregar a recolha de informação ao agente de IA faz com que a vantagem competitiva da plataforma se concentre em construir uma experiência de escolha melhor.