Como a inteligência artificial está mudando o e-commerce brasileiro

Busca interna: onde o ganho é mais rápido

Em catálogo grande, boa parte da receita passa pela caixa de busca — e boa parte das buscas falha por erro de digitação, sinônimo ou termo regional. Busca por significado corrige isso sem exigir cadastro manual de sinônimo. O cuidado é a precisão: quem digita um código de modelo espera aquele item, não um parecido. A prática que funciona é combinar busca exata com aproximação, e revisar semanalmente o relatório de buscas sem resultado. O artigo sobre busca semântica na loja virtual explica a diferença entre os tipos de busca e traz um teste de 20 consultas.

Previsão de demanda e estoque

Previsão baseada em histórico melhora compra e reduz ruptura, mas exige higiene de dado: promoção como Black Friday e Dia das Mães, falta de estoque e mudança de preço distorcem a série. Sem marcar esses eventos, o modelo aprende que a venda caiu porque a demanda caiu, quando o produto simplesmente não estava disponível. Comece pela curva A — os itens que somam a maior parte do faturamento —, com histórico de pelo menos 12 meses, e mantenha revisão humana na decisão de compra.

Conteúdo de catálogo: acelerar sem virar texto genérico

Gerar descrição em escala resolve gargalo real de catálogo com milhares de itens. O risco é publicar texto correto e igual ao de qualquer concorrente, que não sustenta posição em busca. O caminho intermediário: alimentar o modelo com informação que só a loja tem — medida aferida, dúvida frequente do atendimento, comparação entre modelos — e revisar antes de publicar. Os critérios de página de produto estão detalhados em SEO para e-commerce.

Roteiro de revisão antes de publicar

1. Conferir cada número do texto (medida, peso, capacidade, voltagem) contra o cadastro ou o produto físico.
2. Remover promessas que a loja não pode sustentar, como durabilidade, resultado ou compatibilidade não testada.
3. Incluir pelo menos uma informação própria: uma dúvida que o atendimento recebe sobre aquele item, ou a diferença para o modelo vizinho no catálogo.
4. Ler o texto ao lado da ficha de um concorrente. Se as duas forem intercambiáveis, a ficha ainda não está pronta.

Custo, dado e responsabilidade

Três contas costumam ser esquecidas na decisão. A primeira é custo variável: cobrança por uso cresce junto com o tráfego, e precisa entrar na margem do pedido. A segunda é dado pessoal: histórico de compra e conversa de atendimento são dados de cliente sob a Lei nº 13.709/2018 (LGPD), com obrigações de finalidade, retenção e segurança; o art. 20 dá ao cliente o direito de pedir revisão de decisão tomada só por tratamento automatizado, e o art. 52 prevê multa de até 2% do faturamento, limitada a R$ 50 milhões por infração. A terceira é responsabilidade: pelo art. 30 do Código de Defesa do Consumidor (Lei nº 8.078/1990), informação suficientemente precisa sobre produto obriga o fornecedor que a veicula — preço, prazo ou garantia errados ditos por um robô são problema da loja, não do fornecedor de tecnologia.

Há precedente fora do Brasil. Em 14 de fevereiro de 2024, o Civil Resolution Tribunal da Colúmbia Britânica, no Canadá, condenou a Air Canada a pagar CA$ 812,02, entre indenização, juros e taxas, a um passageiro que seguiu a regra de tarifa informada errado pelo chatbot da empresa (Moffatt v. Air Canada, 2024 BCCRT 149); a defesa de que o robô seria responsável pelas próprias respostas foi rejeitada.

Exemplo hipotético do custo variável. Uma loja hipotética paga R$ 0,20 por conversa atendida pela IA e tem 3.000 conversas por mês: R$ 600. Numa campanha que dobra o tráfego e leva as conversas a 6.000, a conta vai para R$ 1.200 no mesmo mês. Se as 3.000 conversas extras não viram pedidos na mesma proporção, o custo por pedido sobe no período de maior pressão sobre a margem. Por isso vale acompanhar o custo da ferramenta dividido pelo número de pedidos, e não só a fatura mensal.

Perguntas para fazer ao fornecedor de IA

• Como a cobrança é calculada (por conversa, por mensagem, por volume de texto, por usuário) e o que acontece com o preço em pico de tráfego?
• A ferramenta consulta os sistemas da loja em tempo real, ou responde com base em textos carregados que podem ficar desatualizados?
• O que o sistema faz quando não sabe a resposta? É possível configurar a transferência para uma pessoa?
• Onde ficam armazenados os dados de clientes e conversas, por quanto tempo, e eles são usados para treinar modelos de terceiros?
• A loja consegue ver o histórico de conversas e exportar esses dados se trocar de fornecedor?
• Quais relatórios estão disponíveis para medir resolução, e não apenas volume de atendimento?

Erros comuns ao adotar IA na loja

• Começar pela ferramenta, e não pelo processo.
• Medir só volume: conversas ou textos gerados não dizem nada sobre venda, custo ou satisfação.
• Ligar o atendimento sem acesso a pedido e rastreio, obrigando a IA a responder de forma genérica ou inventada.
• Tirar a revisão humana cedo demais, antes de o indicador se estabilizar.
• Não definir quem é dono do projeto depois da implantação, deixando regras e textos envelhecerem.

Quando não usar IA

Há situações em que uma regra simples resolve melhor e mais barato: mensagem de status de pedido — inclusive a confirmação imediata da compra que o Decreto nº 7.962/2013 exige no art. 4º, inciso III —, cálculo de frete, aviso de estoque disponível. Também não vale usar IA em decisões com alto custo de erro e baixo volume, como negociação com fornecedor ou resposta a reclamação formal. E se os dados de base estão bagunçados — cadastro inconsistente, estoque sem conferência, política de troca que muda a cada caso —, o primeiro investimento é organizar a operação. A ordem de prioridade dessa organização está em automação no e-commerce: onde ela realmente gera eficiência.

Como começar sem projeto grande

Um roteiro de 90 dias mantém o projeto pequeno. Nos primeiros 30 dias, escolha um processo de volume alto e erro caro e meça a linha de base por duas semanas — tempo, custo e taxa de erro. Até 60 dias, rode o piloto em paralelo com revisão humana de todas as saídas. Até 90 dias, reduza a revisão para uma amostra se os números se sustentarem, ou encerre o piloto e registre o motivo. Os indicadores de antes e depois estão detalhados em IA na pequena empresa: o que medir antes de adotar.

Para a leitura de onde a automação encosta em processo interno, vale o material sobre automação em empresas de médio porte, e o efeito no custo de operação aparece em custo de frete e conversão. Mais análises no hub de Inovação.

Mais sobre operação, canais e números do setor na editoria de e-commerce.

Veja também: Previsão de demanda com IA no e-commerce: como testar antes de automatizar a reposição