“Metade das tentativas falha” é o resumo mais direto do teste feito pela Visa com 22 modelos de inteligência artificial de 12 fornecedores: os agentes de compra concluíram o pedido em 57,2% das tentativas e, nas outras 42,8%, não compraram ou compraram errado. Até 10 de novembro de 2026, o estudo feito nos Estados Unidos é o retrato mais concreto de um problema que o varejo já conhece: quando a informação da página de produto é incompleta, o agente preenche a lacuna sozinho — e erra.
O que o agente lê na ficha
Os testes deixavam, de propósito, lacunas no pedido inicial para verificar se o modelo buscaria a informação faltante. Os cinco modelos que mais identificaram o que faltava acertaram 70,2% dos desafios; os cinco que menos buscaram ficaram em 44,4%. A diferença não está no modelo apenas: está na página que ele encontrou. Uma ficha com variação, voltagem, compatibilidade e prazo explícitos reduz o espaço para o agente improvisar.
O oposto também é verdadeiro. Quando a página esconde a variação em um seletor, não informa a composição ou deixa o prazo de entrega para a etapa final, o agente decide com o que tem. Em 54% das falhas houve compra equivocada, e em 48% a compra não foi concluída. São dois erros distintos: um gera devolução, o outro gera carrinho abandonado — e ambos custam mais que a melhoria da ficha.
Consistência é o gargalo
O dado mais desconfortável é a repetição. Cada modelo executou três vezes cada cenário, e somente em 34,2% dos casos houve acerto nas três tentativas. Isso significa que a mesma página, com o mesmo pedido, produz resultados diferentes. Para o varejo, o efeito prático é uma taxa de erro que não aparece em nenhum relatório: o pedido que não foi feito porque o agente desistiu no meio do caminho.
Onde a avaliação entra
A avaliação do consumidor é a fonte mais próxima do que o agente precisa saber sobre uso real: tamanho, durabilidade, adequação ao uso declarado. Um produto com muitas avaliações que repetem a mesma dúvida — "veio menor que o esperado", "não funciona com tal aparelho" — está sinalizando uma lacuna na ficha, e não apenas um problema de produto. Tratar esses padrões como especificação faltante é o caminho mais curto para reduzir a taxa de erro.
| Sinal na avaliação | O que indica | Ação na ficha |
|---|---|---|
| Dúvida repetida sobre tamanho | Falta tabela de medidas clara | Incluir medidas e equivalência |
| Relato de incompatibilidade | Compatibilidade não declarada | Listar aparelhos e versões |
| Reclamação sobre prazo | Expectativa criada fora da página | Exibir prazo por CEP |
O que testar antes do próximo pico
Um teste simples antecipa o problema: pedir a um agente que compre um item da própria loja com uma instrução incompleta e observar o que ele pergunta. Se ele não perguntar nada e concluir a compra, a ficha está completa o suficiente; se ele escolher sozinho, a ficha tem lacuna. Repetir três vezes revela também a consistência, que é o ponto mais frágil do levantamento da Visa.
Três ajustes de conteúdo
O primeiro é transformar dúvidas recorrentes de avaliação em campos estruturados na ficha. O segundo é declarar explicitamente as condições que costumam ficar escondidas: prazo por região, política de troca, o que está na caixa. O terceiro é manter a mesma informação em cada canal, porque o agente pode ler o marketplace, o site próprio ou um feed de produto — e a divergência entre eles é lida como incerteza. O custo desses ajustes é baixo; o custo de uma devolução causada por informação faltante não é.
Perguntas Frequentes
O que o estudo da Visa mediu?
Agentes de compra de 22 modelos de 12 fornecedores em 15 desafios, com instruções incompletas de propósito. O sucesso ficou em 57,2% e a consistência em três tentativas, em 34,2%.
Por que a avaliação do consumidor importa para agentes?
Porque ela revela lacunas da ficha de produto: dúvidas repetidas sobre tamanho, compatibilidade ou uso indicam informação que deveria estar declarada.
Como reduzir o erro de compra automatizada?
Estruturado as informações que o agente precisa e mantendo a mesma descrição em cada canal, para que a decisão não dependa de inferência.
Onde esta análise termina?
Ela se baseia no estudo divulgado em 9 de novembro de 2026, feito nos Estados Unidos; o comportamento no mercado brasileiro ainda não foi medido.
