Quando um consumidor pergunta ao ChatGPT ou ao Google o que comprar, a resposta costuma vir em forma de cartão de produto, com preço, avaliação e link de compra. Esses cartões são montados por inteligência artificial a partir de dados espalhados pela internet, mas poucas marcas sabem exatamente como seus produtos aparecem (ou deixam de aparecer) nesse formato.
O ponto cego é arriscado justamente na reta final do ano. Segundo previsão da Adobe, o tráfego gerado por IA para sites de varejo dos Estados Unidos deve crescer 130% nesta temporada de fim de ano.
Esse cenário coloca o comércio eletrônico diante de um desafio concreto: garantir que os próprios produtos apareçam corretamente quando a IA responde por eles.
Como a IA erra ao recomendar compras
Os resultados de compras com IA costumam falhar de três formas. O produto simplesmente não aparece, aparece com informações erradas, ou um concorrente (ou revendedor) fica com o clique final que poderia ser da marca dona do item.
A boa notícia é que esses erros têm origem em dados de produto que a própria empresa controla, como preço, estoque, especificações e identificação do item.
O que são os cartões de produto gerados por IA
Os resultados de compras com IA são recomendações de produtos que aparecem dentro de uma resposta de inteligência artificial. Em geral, surgem a partir de uma pergunta específica de compra, como “bota de trilha impermeável para pés largos até R$ 750”.
Um único resultado costuma trazer nome e imagem do produto, preço atual e nota de avaliação, uma justificativa curta do motivo pelo qual o item combina com o pedido, um ou mais links de loja e um resumo do que os compradores dizem sobre ele.
Como funciona no ChatGPT Shopping
Em março de 2026, a OpenAI ampliou seu Agentic Commerce Protocol (ACP) para cobrir também a descoberta de produtos. Lojistas passaram a compartilhar catálogos por esse protocolo para que os itens apareçam no ChatGPT.
Varejistas como Target, Best Buy e Wayfair já estão integrados. Lojas que usam Shopify entram automaticamente pelo Shopify Catalog.
A OpenAI também lançou, em março de 2026, o checkout instantâneo dentro do próprio chat, e agora permite que o lojista conclua a venda em seu próprio site. Ou seja, o ChatGPT ajuda a atrair o comprador, mas a página do produto ainda precisa fechar a venda.
Como funciona nas AI Overviews do Google
As AI Overviews do Google já exibem cartões de produto em diversas buscas de compra, puxando informações do Shopping Graph da empresa. Os lojistas entram nesse sistema principalmente enviando catálogos ao Google Merchant Center. Segundo o Google, o Shopping Graph reúne mais de 50 bilhões de listagens de produtos.
O AI Mode e o Gemini usam a mesma base de dados, e o Google também está expandindo o checkout automatizado para essas ferramentas. Nesse modelo, um agente do Google finaliza a compra de um item já identificado, usando o Google Pay, depois que o comprador confirma. Para participar, o lojista precisa ter conta no Merchant Center e integração com o Universal Commerce Protocol (UCP).
Quais erros fazem o cliente escolher outra loja?
Os problemas mais comuns se dividem em três grupos. O primeiro é o produto sumir dos resultados ou aparecer em posição inferior à dos concorrentes: um best-seller pode simplesmente não aparecer para uma busca como “jaqueta mais quente de inverno até R$ 1.500”, enquanto um item equivalente de outra marca ocupa o lugar.
O segundo grupo envolve preço, variante ou especificação errada. Um cartão pode mostrar um liquidificador por um valor desatualizado em plena Black Friday, indicar como disponível uma cor já esgotada, recomendar o modelo errado para o uso pedido, ou informar uma autonomia de bateria bem diferente da real.
O terceiro grupo é quando um revendedor inesperado fica com o link de compra. O produto pode até aparecer em primeiro lugar no cartão, mas o clique final vai para um vendedor terceiro em vez do site da própria marca. Isso nem sempre é ruim: se um marketplace está ganhando o clique com mais frequência que o site próprio, isso indica onde vale investir.
Na maioria dos casos, essas falhas são descobertas por acaso, quando alguém testa uma pergunta e percebe um preço errado. O problema é que, enquanto isso, centenas de outras buscas seguem sem revisão.
Como auditar os produtos mais vendidos
A auditoria recomendada segue quatro etapas. A primeira é montar um conjunto de perguntas de compra a partir do catálogo, agrupadas por categoria, uso, orçamento e ocasião de presente, evitando buscar apenas pelo nome do produto.
A segunda etapa é rodar cada uma dessas perguntas no ChatGPT, nas AI Overviews, no AI Mode e no Gemini, sempre em sessão sem login, para não distorcer os resultados com histórico de conversas anteriores.
A terceira é comparar com os concorrentes, registrando quais marcas aparecem justamente nas buscas em que o produto da própria loja está ausente. A quarta é priorizar as correções pelo impacto em receita, começando pelos itens mais vendidos e de maior margem, já que um preço errado no produto principal pesa mais do que um erro num acessório secundário.
Como corrigir os dados do produto
Os erros costumam vir de quatro fontes de dados, e o problema comum entre elas é a falta de consistência. Quando o feed, a página do produto e as listagens em outros varejistas mostram informações diferentes sobre preço, estoque ou nome, a IA precisa escolher uma versão, e nem sempre escolhe certo.
Uma análise divulgada pelo Search Engine Journal acompanhou as escolhas de produto feitas pelo ChatGPT a partir de catálogos integrados. Em um único dia de julho de 2026, a participação desses produtos saltou de 8,26% para 61,54%. Entre 517 lojas monitoradas com oscilação de visibilidade de 33% ou mais, 450 registraram queda.
A diversidade de vendedores recomendados também encolheu: a fatia de referências dos dez maiores varejistas passou de 22,5% para 41,8%. Isso significa que lojas sem catálogo integrado correm o risco de perder indicações que antes conquistavam.
Um mesmo produto costuma estar listado na Amazon, no Walmart, no Target e em outros varejistas, cada um com preço, título ou status de estoque diferente. A IA tende a linkar para a listagem que parecer mais completa, por isso alinhar preço e estoque entre feed, site e listagens externas é um ponto de partida importante.
Outro ponto é a identificação do produto. Dados estruturados (schema) e identificadores como GTIN, MPN, marca e variante ajudam a IA a reconhecer exatamente qual item está sendo oferecido. Sem essas informações, modelos, tamanhos e cores podem se misturar nos resultados.
Por fim, manter atualizadas as informações de uso e as avaliações também pesa bastante. Um estudo da Writesonic, realizado em junho de 2026 com mais de 2.000 marcas, mostrou que menções em vídeos do YouTube ou em posts do Reddit tornam uma marca cerca de três vezes mais propensa a aparecer em respostas de IA. Já menções no próprio site da marca aumentam essa chance em apenas 1,3 vez.
Monitoramento constante é o próximo passo
Corrigir os dados uma vez não resolve o problema de forma definitiva. Como os cartões de produto mudam conforme feeds são atualizados e novos concorrentes entram na disputa, o ideal é repetir periodicamente as mesmas perguntas de auditoria, sobretudo nos produtos de maior peso nas vendas, para flagrar rapidamente qualquer preço, estoque ou especificação que volte a sair do lugar.
Com informações de searchenginejournal.com.
