Lojas agent-ready viraram o novo santo graal do comércio eletrônico, mas será que isso significa, na prática, que um agente de IA consegue entrar numa loja Shopify e fechar uma compra sozinho? Essa foi a pergunta que motivou uma auditoria em 122 lojas Shopify, inspirada num argumento levantado por Slobodan Manic em setembro de 2026: as versões em texto puro que os sites passaram a oferecer para IAs “removem a camada errada” da experiência. Afinal, um espelho em markdown descreve a página, mas apaga tudo o que um visitante poderia clicar — ou seja, vira, nas palavras dele, “um panfleto… entregue justamente para quem está mais ansioso para agir”.
Manic fecha o raciocínio com uma lista de três passos que qualquer time de ecommerce deveria adotar: expor o que pode ser feito, tornar isso acionável e reportar o que aconteceu depois. Esse foi o ponto de partida da auditoria, que não queria só saber se a IA encontra ou cita essas lojas, mas se um agente realmente consegue resolver uma decisão de compra nelas — isto é, se há informação, contexto, regras e capacidade de execução suficientes para responder às dúvidas do comprador, confirmar a compra e lidar com o que vem depois.
A partir do artigo de Manic, o passo seguinte foi ir além da simples contagem de ferramentas declaradas pelas lojas: elas foram efetivamente chamadas, uma a uma. O resultado confirma boa parte do argumento original, mostra onde os números divergem e aponta o que tanto lojistas quanto o próprio Shopify podem fazer a respeito.
Onde Manic acerta — e o que os dados confirmam
A plataforma instalou as ações, não os lojistas. Segundo Manic, o Shopify ativou as ferramentas WebMCP para todas as lojas em Liquid no dia 5 de agosto, e “os lojistas não construíram isso”. Os números batem com essa leitura em escala:
- 76 das 86 páginas de produto coletadas carregam o mesmo script adaptador WebMCP do Shopify.
- 89 das 122 lojas servem um arquivo /agents.md. Dessas 89, 83 são cópias quase idênticas de um modelo gerado pelo próprio Shopify. Apenas cinco, em toda a amostra, foram escritas pelo lojista.
Em outras palavras, se alguém usar a adoção do agents.md como medida de prontidão dos lojistas, na verdade está apenas medindo o cronograma de lançamento do Shopify.
Além disso, a GEO (otimização para mecanismos generativos) não resolve a questão da ação. Manic afirma que a GEO “não tem absolutamente nada a ver com a ação”, e os dados reforçam isso. A maioria das lojas publica os fatos que um agente precisa, e o checkout do Shopify funciona bem. O problema está no meio do caminho: transformar uma política publicada em uma resposta que o agente consiga usar na hora de decidir. A janela de devolução, por exemplo, aparece como texto corrido numa página de políticas, mas o agente não consegue recuperá-la quando perguntado. Ser citado ou bem ranqueado não resolve isso.
Há ainda um problema mais básico: o piso semântico está quebrado, inclusive nas páginas de produto. Manic cita um levantamento da WebAIM de 2026 segundo o qual campos de formulário sem rótulo aparecem em 51% das páginas iniciais, links vazios em 46,3% e botões vazios em 30,6%. Os mesmos testes, aplicados à página de produto — onde a ação de compra realmente acontece —, nas 68 lojas possíveis de analisar, mostraram:
- Pelo menos um campo sem rótulo: 47% das lojas
- Pelo menos um link vazio: 46% das lojas
- Pelo menos um botão vazio: 37% das lojas
- Dropdown de tamanho ou opção sem rótulo: 65% das lojas que usam dropdowns
- Nenhum controle de “adicionar ao carrinho” no HTML servido: 19 de 68 lojas
- Passou no piso completo (botão de compra nativo e nomeado, controles rotulados, região viva para anunciar resultados): 31 de 68 lojas
O botão de compra em si costuma estar correto: quando presente, é um <button> nativo e nomeado em 92% dos casos. O problema está ao redor dele. Se dois terços dos seletores de tamanho não têm rótulo, um agente não consegue distinguir com segurança qual dropdown define o tamanho e qual define a cor.
É exatamente aqui que UX, acessibilidade e prontidão para agentes de IA precisam andar juntas, porque dependem da mesma marcação. Um seletor de tamanho rotulado, um botão de compra nomeado e uma mensagem de “adicionado ao carrinho” anunciada corretamente atendem ao mesmo tempo um usuário de leitor de tela, um usuário de teclado e um agente de navegador. Os conflitos nascem de um design pensado só visualmente — amostras sem nome e confirmações que só aparecem na tela. Corrigindo a marcação uma única vez, os três públicos saem ganhando.
O mérito do Shopify na corrida por lojas agent-ready
É justo reconhecer o esforço do Shopify antes de qualquer crítica: ninguém mais implantou uma superfície de comércio acionável por agentes nessa escala. Das 122 lojas da amostra, 89 responderam a uma listagem padrão de ferramentas MCP. Segundo o próprio Shopify, seu catálogo já cobre “bilhões de produtos em milhões de lojistas”, e os pedidos originados de buscas via IA cresceram quase 13 vezes ano a ano no primeiro trimestre de 2026. Os lojistas na plataforma ganharam ferramentas de busca no catálogo, carrinho, checkout e consulta de políticas sem escrever uma linha de código.
A qualidade também surpreendeu positivamente. Foi realizado um checkout real, sem finalização, em cada loja que expunha o endpoint do Universal Commerce Protocol (UCP): criar um checkout para um item em estoque com destino a um endereço em Boston, ler os dados de volta, cancelar, e cancelar de novo. Nenhuma compra foi concluída nem dado de pagamento foi enviado. Veja o que aconteceu em 74 checkouts ao vivo:
- Checkout criado quando o item estava em estoque: 74 de 74
- Status tipado retornado em cada etapa: 74 de 74
- Mensagens de erro codificadas com nível de severidade: 74 de 74
- Checkout legível após criação: 74 de 74
- Cancelamento confirmado como cancelado: 74 de 74
- Repetição do cancelamento recusada com erro codificado: 74 de 74
- URL de transferência retornada para passar o atendimento a um humano: 74 de 74
Isso conversa diretamente com o terceiro item da lista de Manic. Ele descreve um agente que reenviou um formulário porque a única confirmação estava “desenhada para os olhos”. Na camada de ferramentas do Shopify, essa falha já está resolvida: o segundo cancelamento é recusado com um erro legível por máquina, em vez de ser simplesmente repetido em silêncio. Nesse teste específico, as ferramentas do Shopify já reportam corretamente de volta ao agente.
Onde os resultados divergem
As diferenças encontradas são de tempo e escopo, não de discordância de fundo. Primeiro, foi testada uma porta diferente — e o Shopify, enquanto isso, terminou de abrir a outra. O Shopify oferece aos agentes duas rotas até o checkout: um endpoint de servidor chamado diretamente pelo agente, sem navegador (UCP sobre MCP), e o WebMCP, ferramentas que se registram dentro da própria aba do navegador do comprador. Manic testou a rota do navegador em 6 de agosto e encontrou “o caminho de compra morrendo num erro interno”. Naquele momento, as ferramentas de navegador cobriam a vitrine e o carrinho, e a etapa de checkout basicamente movia a aba para a página de checkout.
O teste atualizado, em setembro, usou a rota de servidor. A criação do checkout funcionou em todas as lojas com item real em estoque, com tempo médio de resposta de cerca de 1,1 segundo. As únicas falhas vieram de dados próprios desatualizados: os IDs de itens haviam sido coletados algumas semanas antes e, no dia do teste, cinco desses itens já tinham esgotado e dois IDs sequer existiam mais. As lojas rejeitaram corretamente com códigos limpos de “out_of_stock” ou “invalid” (algo como “The merchandise with id… does not exist”). Isso não significa que o defeito apontado por Manic tenha sido corrigido — simplesmente foi testada uma rota diferente.
Ainda assim, essa pequena falha é uma lição valiosa para os lojistas, porque os agentes funcionam exatamente dessa forma: um assistente pode guardar um ID de item vindo de um feed de produtos, de uma conversa anterior ou de um carrinho compartilhado, e tentar comprá-lo dias depois. Um item esgotado é normal no comércio, desde que toda superfície lida pelo agente informe a disponibilidade prontamente. Já um ID que simplesmente desaparece é evitável — geralmente acontece quando um produto é apagado e recriado, ou reimportado, em vez de apenas editado, obrigando o agente a recomeçar a busca do zero. Manter os IDs de variante estáveis e o inventário atualizado em todos os feeds e catálogos é essencial.
Depois, em 28 de setembro, o Shopify anunciou suporte ao WebMCP dentro do próprio checkout. Agentes de navegador agora conseguem “ler e atualizar checkouts do Shopify”, cobrindo “toda a jornada de compra… até o checkout e a confirmação do pedido”, sem nenhuma configuração extra por parte do lojista. Em 30 de setembro, um novo teste abriu checkouts ao vivo numa amostra de sites, dentro de um navegador, com o WebMCP exposto à página. Ambos registraram as quatro ferramentas anunciadas: get_checkout, update_checkout, complete_checkout e navigate_to_storefront. Uma chamada apenas de leitura via get_checkout retornou o checkout completo: itens de linha, totais com impostos, método de entrega e mensagens codificadas indicando quais campos ainda faltavam preencher. Nenhum pedido foi de fato enviado, mas a rota de navegador que falhava no teste de Manic agora consegue acessar e ler o checkout corretamente, o que mostra como o cenário de lojas agent-ready está evoluindo rápido — e que o trabalho de deixar uma vitrine realmente pronta para agentes de IA ainda passa, em boa parte, pela limpeza básica da marcação de cada página de produto.
Com informações de searchenginejournal.com.
