Em março de 2026, a OpenAI reposicionou o ChatGPT como camada de descoberta e recomendação, não apenas como Instant Checkout. Shopify lançou Agentic Plan e Google apresentou UCP. A mensagem é que a IA reconstrói a cadeia comercial.
O limite de curto prazo não é só técnico. Consumidores ainda não querem delegar gasto totalmente, a responsabilidade por erro é incerta e lojistas querem manter o site como centro de marca e dados.
Uma compra passa por descoberta, recomendação, intenção, delegação, políticas, carrinho, pagamento e fulfillment. A IA avança principalmente nas primeiras fases. Shopify reportou crescimento de cerca de 13x em pedidos por busca com IA e conversão de catálogo cerca de 2x melhor.
A primeira competição é ser entendido e recomendado pela IA. GEO é o início, mas precisa de Schema.org, llms.txt, Product Feed e UCP Manifest. Sem dados verificáveis, a IA não recomenda com confiança.
UCP cobre descoberta, ACP execução de checkout e AP2 autorização. O meio continua aberto: o que a IA recomendou, como o usuário reagiu e o que aconteceu no site.
O mercado está entre L1 e L2. A IA recomenda e humanos compram; agentes começam a montar carrinhos. Marcas precisam vencer em L1 antes de falar em L5.
Na prática, a maturidade do Agentic Commerce e a disputa antes do checkout não deve ser tratado como uma iniciativa isolada de conteúdo. Dados de produto, respostas de IA, requests de agentes, visitas, comportamento e pedidos precisam ser lidos como uma cadeia de evidência. Só assim o time decide se o gargalo está em dados, conteúdo, integração técnica ou orçamento.
Também é preciso disciplina de medição. Busca com IA e Agentic Commerce já são observáveis, mas ainda não têm a estabilidade de paid media clássico. Prompt sampling, referrers, logs de servidor e pedidos Shopify têm pontos cegos. A medição útil separa evidência forte, sinal assistido e correlação.
Ampliação: transformar a cadeia antes do checkout em operação
A pergunta prática não é se a IA vai pagar sozinha. A pergunta é em quais pontos antes do checkout a IA lê evidência, compara opções e forma uma recomendação. No Brasil e em outros mercados de língua portuguesa, preço, disponibilidade, prazo, política de troca, Pix, marketplace, WhatsApp e avaliações podem influenciar a confiança. Se esses sinais não forem legíveis por máquina, a recomendação perde força antes da visita.
Etapa | Significado | Como a IA participa |
|---|---|---|
1. Descoberta | O usuário encontra candidatos | Busca com IA, respostas e perguntas comparativas |
2. Recomendação | A IA cita marcas ou produtos específicos | ChatGPT Shopping, Perplexity, Gemini e superfícies semelhantes |
3. Intenção | O usuário afunila critérios | Preço, uso, avaliações, prazo e risco são comparados |
4. Delegação | O usuário passa uma tarefa limitada | Orçamento, tamanho, compatibilidade ou prazo |
5. Políticas | Preço, estoque, frete e devolução são verificados | Schema, feed, FAQ e páginas de políticas |
6. Carrinho | Produtos e quantidades são combinados | O agente sugere e a pessoa confirma |
7. Pagamento | O pagamento é concluído | Hoje quase sempre pelo humano |
8. Fulfillment | Entrega, troca e suporte | A IA auxilia no rastreio e atendimento |
O mercado real está entre L1 e L2. A marca deve tornar seus dados recomendáveis antes de apostar em compra totalmente autônoma. Preço antigo, estoque incorreto, variações incompletas, política de troca escondida ou avaliações sem estrutura reduzem a confiança da IA. O problema não é apenas conteúdo; é prova comercial em formato que a máquina consiga verificar.
Nível | Estado prático | Prioridade da marca |
|---|---|---|
L1 | A IA recomenda e o humano compra | Melhorar respostas IA, Schema, Product Feed e avaliações verificáveis |
L2 | A IA monta carrinho e o humano aprova | Organizar variantes, estoque, frete e devolução em dados legíveis |
L3 | O agente executa tarefa com limites | Declarar preço, uso, compatibilidade e exclusões |
L4 | O agente gerencia reposição ou assinatura | Definir autorização, frequência, cancelamento e exceções |
L5 | O agente prevê demanda e executa sozinho | Tratar como arquitetura futura, não KPI de curto prazo |
A medição precisa acompanhar essas camadas. A IA pode criar intenção e depois desaparecer no last-click quando o usuário volta por busca de marca. Answer, Request, Visit, Commerce e Attribution devem ser analisados separadamente. Isso evita confundir falta de visibilidade com problema de dados ou atribuição.
Ampliação: tratar a maturidade do Agentic Commerce como decisão operacional
Na prática, a maturidade do Agentic Commerce não deve ser tratado como tema editorial isolado. É uma decisão operacional: quem é dono de descoberta, recomendação, intenção e delegação antes do checkout, quais dados sustentam a promessa e com que frequência eles são atualizados. Sem essa disciplina, a marca publica mais conteúdo, mas a evidência lida pela IA continua frágil.
O primeiro passo é separar o que uma pessoa entende na página do que um agente consegue verificar. Um bom layout não compensa Schema fraco, feed antigo, políticas pouco legíveis ou avaliações sem estrutura. Por outro lado, uma marca pode continuar na comparação quando dados de produto, prova em respostas e comportamento depois da visita está organizado e atualizado.
A medição precisa seguir a mesma lógica. Toda semana, o time deve separar exposição, requests de agentes, visitas vindas de IA, comportamento commerce e conexão com pedidos. Todo mês, só deve chamar de crescimento aquilo que é comparável sob a mesma definição. Um salto após nova tag ou Edge signal pode ser cobertura, não demanda.
A ordem de melhoria importa: reduzir interpretações erradas, ampliar dados legíveis por máquina, melhorar a experiência após a chegada e depois reforçar o vínculo com receita. Assim o time não mistura conteúdo, qualidade de dados e atribuição.
Em mercados de língua portuguesa, especialmente no Brasil, preço, prazo, troca, Pix, marketplace, WhatsApp e avaliações podem mudar a confiança. Localizar bem significa alinhar a evidência comercial ao mercado, não apenas traduzir o texto.
FAQ
Q1: Diferença para e-commerce tradicional?
A: Uma camada B2A de dados para agentes é adicionada ao B2C.
Q2: Por que Instant Checkout não é o centro?
A: Por confiança, responsabilidade e incentivos de lojistas.
Q3: O que fazer primeiro?
A: Auditar Schema, Product Feed, llms.txt e medir IA por camadas AIAA.
Q4: Em que fase está o mercado?
A: Entre L1 e L2.