Os números
- Cerca de 50 milhões de buscas com intenção de compra por dia no ChatGPT, sobre uma base de 900 milhões de usuários semanais.
- Buscas de compra no ChatGPT cresceram 11.900% em 24 meses. O termo "commerce agêntico" cresceu 45.150%.
- Tráfego de IA para sites de varejo nos EUA cresceu 393% ano a ano no primeiro trimestre de 2026, convertendo 42% melhor que tráfego não-IA.
- Plataformas de IA devem responder por US$ 20,9 bilhões em gasto de varejo em 2026, quase quadruplicando 2025.
Percentual de crescimento sobre base pequena sempre parece maior do que é, e eu prefiro olhar com desconfiança. Mas o dado de conversão é o que muda a conta: um canal que converte 42% melhor merece atenção proporcionalmente maior que a fatia de sessão que ele representa.
A lição do Instant Checkout
Essa parte é a que mais ensina, e passou relativamente batida.
A OpenAI removeu o Instant Checkout do ChatGPT em 4 de março de 2026, com apenas cerca de 30 lojistas ativos. Os motivos citados foram preço e estoque imprecisos. A empresa redirecionou o foco de transação dentro do chat para descoberta e comparação de produto.
Confesso que essa parte me deu certa satisfação: a promessa de comprar dentro do chat esbarrou num problema bem antigo e nada futurista, que é qualidade de dado de catálogo. Preço errado, estoque desatualizado, variação mal mapeada. O mesmo problema que atrapalha feed do Google Shopping há uma década.
A conclusão prática: o gargalo do commerce agêntico não é IA. É a higiene do seu catálogo. Quem tem feed limpo e dado confiável está preparado. Quem não tem vai ficar de fora independentemente de protocolo.
Vale notar que o movimento não parou: o Instant Checkout deve se expandir para mais de um milhão de lojistas Shopify, e grandes varejistas como Target, Sephora, Nordstrom, Lowe's, Best Buy, Home Depot e Wayfair já se integraram ao Agentic Commerce Protocol para descoberta.
Como o agente escolhe produto
Quando alguém pede uma recomendação num assistente, o sistema precisa resolver uma sequência que eu costumo desenhar assim com o cliente: entender o critério, encontrar produtos candidatos, comparar por atributo e justificar a escolha. Cada etapa depende de um tipo de dado que a maioria dos e-commerces não trata bem.
Atributo estruturado, não texto corrido. Se a especificação técnica está num parágrafo de descrição, o agente precisa inferir. Se está em campo estruturado, ele compara com precisão. Isso é o que decide entre aparecer e não aparecer numa comparação.
Preço e disponibilidade corretos e atuais. O motivo declarado do recuo do Instant Checkout. Divergência entre feed, site e realidade elimina a loja do jogo.
Conteúdo que responde ao critério de escolha real. Consulta de assistente costuma ser condicional: "para pele sensível", "que caiba em apartamento pequeno", "compatível com X". Se o seu conteúdo de produto só descreve especificação e não conecta com uso, ele não responde a essas perguntas.
Avaliação com conteúdo textual. Nota agregada diz pouco. Texto de review é fonte rica para o agente justificar recomendação.
HTML servido. Vale lembrar que crawler de IA não executa JavaScript, e muito e-commerce carrega preço, estoque e avaliação via chamada assíncrona. Nesse caso o agente vê a página sem preço. Detalho o problema em crawlers de IA não executam JavaScript.
Como preparar o catálogo
- Auditoria de feed antes de qualquer coisa. GTIN, marca, categoria, atributos obrigatórios da vertical, preço, disponibilidade, variação. Se o feed do Merchant Center tem erro, o dado que alimenta agente também tem.
- Schema
Productcompleto no HTML servido, comoffers,priceValidUntil,availability,aggregateRatingquando legítimo, egtin. Renderizado pelo servidor, não injetado por script. - Atributos estruturados nas PDPs, em tabela ou lista, não enterrados em descrição.
- Conteúdo de uso, não só de especificação. Para quem serve, em que situação, com o que é compatível, o que considerar antes de comprar. É o que responde consulta condicional.
- Páginas de categoria com critério de escolha. Guia de compra dentro da categoria, com comparação real, é altamente citável, e o formato está descrito em conteúdo extraível para LLMs.
- Sincronização de estoque e preço em tempo hábil. Chato, invisível, e é o que separou quem funcionou de quem foi removido do Instant Checkout.
Protocolos e integrações
O ecossistema está se organizando em torno de protocolos abertos, com o Agentic Commerce Protocol na frente e integrações crescendo via Shopify. Minha recomendação para lojista de porte médio:
Não corra atrás de protocolo antes de resolver o dado. A integração é a parte fácil e provavelmente vai vir pronta na sua plataforma. O que não vem pronto é catálogo confiável.
Se você está em Shopify ou VTEX, acompanhe o roadmap da plataforma em vez de construir integração própria. Se está em plataforma proprietária, a decisão é diferente e vale avaliar.
E meça. Crie o canal de IA no GA4, como descrevo em rastrear tráfego de IA no GA4, para saber quanto do seu faturamento já vem daí. Sem isso a discussão vira opinião.
Auditoria de feed em 5 passos
Como o gargalo é dado, e não protocolo, a auditoria de feed vira a tarefa mais importante. O roteiro:
1. Cobertura de atributos obrigatórios
GTIN, marca, MPN, categoria do Google, condição, disponibilidade e preço. Levante o percentual de produtos com cada campo preenchido. Abaixo de 95% em GTIN e marca, você tem um problema estrutural que afeta tanto Shopping quanto recomendação por agente.
2. Divergência entre feed, site e ERP
Pegue uma amostra de 50 SKUs e compare preço e estoque nos três lugares, no mesmo momento. Qualquer divergência sistemática precisa ser resolvida na origem, não com regra de correção no feed.
Foi exatamente esse tipo de problema que a OpenAI citou ao remover o Instant Checkout. Não é detalhe técnico, é o que decide se você participa.
3. Latência de atualização
Quanto tempo leva entre uma mudança de preço no ERP e a mesma mudança visível no feed e no site? Se a resposta for "algumas horas", ok. Se for "uma vez por dia", você vai divergir com frequência em produto de giro rápido.
4. Qualidade dos atributos descritivos
Tamanho, cor, material, compatibilidade, voltagem, dimensões. Estruturados em campo próprio, não escondidos na descrição. É com isso que o agente compara produtos e responde consulta condicional.
5. Variações mapeadas corretamente
Produto com variação precisa de agrupamento correto, senão o agente trata cada variação como produto distinto e a comparação fica errada.
A PDP preparada
Uma página de produto pronta para descoberta por agente tem cinco camadas, e a maioria das lojas tem duas.
Camada 1: HTML servido. Nome, descrição, preço, disponibilidade e especificações no HTML da primeira resposta. Se qualquer um desses carrega por chamada assíncrona, o agente vê a página incompleta. O teste está em crawlers de IA não executam JavaScript.
Camada 2: schema Product completo. Com offers, price, priceCurrency, availability, priceValidUntil, gtin, brand e aggregateRating quando legítimo. Renderizado no servidor.
Camada 3: especificações estruturadas. Tabela ou lista de definição, não parágrafo corrido. É o que permite comparação atributo a atributo.
Camada 4: conteúdo de uso. Para quem serve, em que situação, com o que é compatível, o que considerar antes de comprar, e para quem não serve. Essa última é a que mais diferencia e a que quase ninguém escreve.
Camada 5: avaliações com texto. Renderizadas no HTML, não carregadas por widget de terceiro. Avaliação é fonte rica para o agente justificar uma recomendação, e widget assíncrono é invisível.
Priorize por curva ABC. Não dá para fazer isso em 40 mil SKUs. Comece pelos produtos que respondem pela maior parte da receita e pelas categorias com maior disputa.
Perguntas frequentes
Preciso me integrar ao Agentic Commerce Protocol agora?
Se você está em Shopify ou plataforma grande, acompanhe o roadmap e ative quando estiver disponível. Construir integração própria antes de ter dado de catálogo confiável é otimizar a parte errada do problema.
Bloquear crawler de IA protege meus preços da concorrência?
Protege pouco, porque quem quer raspar preço usa outros meios, e custa caro, porque você sai da descoberta. A discussão completa está em Cloudflare e o bloqueio de crawlers de IA.
Como medir vendas vindas de IA?
Canal customizado no GA4 mais análise no BigQuery, com a ressalva de que parte do tráfego chega sem referrer. O método está em rastrear tráfego de IA no GA4. Em e-commerce o efeito indireto costuma ser grande: a pessoa descobre o produto no assistente e depois busca a marca diretamente.
Vale criar conteúdo específico para agentes?
Não como conteúdo separado. Vale melhorar o conteúdo que já existe para que sirva aos dois públicos, que é o que descrevo em conteúdo extraível para LLMs. Página feita só para robô costuma ser página ruim para gente e acaba em problema de diretriz.
E marketplace?
Se boa parte da sua receita vem de marketplace, o dado que alimenta o agente é o do marketplace, não o seu. A qualidade do seu anúncio lá passa a ser tão importante quanto a da sua PDP própria.
Conclusão
Tem uma ironia boa nessa história toda. Depois de dois anos de conversa sobre agentes autônomos e o fim do e-commerce como conhecemos, o que travou a primeira tentativa séria de compra dentro do chat foi preço desatualizado e estoque errado.
Acho isso reconfortante para quem trabalha com e-commerce há tempo, e digo por experiência de auditoria: a preparação para o commerce agêntico é, em grande parte, a mesma higiene de catálogo que já separava as boas operações das ruins. A diferença é que agora o custo de fazer mal feito ficou maior.
Se quiser estruturar isso no seu catálogo, é o que trato em SEO para e-commerce.