Durante uma consultoria voluntária prestada a um varejista do Upper East Side de Nova York, uma conversa recente saiu do roteiro habitual sobre dados estruturados, feeds de catálogo e conexões com protocolos de comércio de IA. A pauta central passou a ser outra: quando um agente de inteligência artificial, e não uma pessoa, finaliza a compra, a estrutura de checkout por trás do site realmente aguenta?
O presidente da Shopify, Harley Finkelstein, deu pistas sobre a dimensão do fenômeno durante a teleconferência de resultados da empresa referente a fevereiro de 2026. Segundo ele, os pedidos originados por buscas com inteligência artificial cresceram 15 vezes desde janeiro de 2025. Esse volume já circula por três protocolos distintos, todos criados no último ano:
- Universal Commerce Protocol (UCP), do Google;
- Agentic Commerce Protocol (ACP), da OpenAI;
- Agentforce Commerce, da Salesforce, que optou por se alinhar ao UCP em vez de criar um padrão concorrente.
Vendedores da Etsy foram os primeiros a operar dentro do ChatGPT, seguidos por lojistas da Shopify como Glossier, Spanx e Vuori. Vale destacar que a OpenAI já recuou do checkout nativo dentro do próprio chat, direcionando as compras para os aplicativos dos varejistas — uma mudança que torna a questão sobre a solidez do checkout ainda mais relevante, e não menos.
Um agente compra de forma totalmente diferente de uma pessoa
Para entender o que acontece depois que o produto é encontrado pela IA, a busca por respostas levou a Konstantin Klyagin, fundador da QAwerk, agência criada em 2015 especializada em testes de software e que já avaliou mais de 300 projetos de clientes na América do Norte, Europa e África. Segundo ele, conseguir que um produto apareça nos resultados de uma plataforma de IA é a parte mais simples do processo. A maior parte do atrito atual está mais adiante, numa etapa que praticamente ninguém está testando.
A explicação de Klyagin é direta: um comprador humano navega em ritmo irregular, se distrai, abandona o carrinho e retorna horas depois. Um agente de IA, por sua vez, dispara chamadas de API rápidas e estruturadas, avalia o produto segundo critérios definidos e executa a decisão em segundos. É justamente essa velocidade que quebra sistemas projetados pensando em comportamento humano.
Mecanismos de limitação de taxa (rate limiting) e detecção de bots existem para identificar comportamento automatizado — exatamente o que caracteriza um agente de compras legítimo. Lógicas de sessão pensadas para uma única visita humana contínua travam diante de um agente que consulta um produto, encerra a sessão e volta depois para concluir a compra. Ao testar sistemas multiagente em outros setores regulados, a equipe de Klyagin encontra sempre a mesma causa raiz: a maioria dos planos de qualidade verifica se o sistema produz o resultado correto, mas quase nenhum verifica se a infraestrutura ao redor tolera um agente não humano se movendo em velocidade de máquina.
É nesse ponto que um produto bem posicionado e bem otimizado ainda assim deixa de converter. Todo o trabalho de SEO e de visibilidade em IA em que a maioria dos varejistas está concentrada hoje fica inteiramente antes dessa etapa.
O padrão de falha não é o que se imagina
Ao ser questionado sobre um exemplo real de falha em checkout, em dados de produto ou em reembolso causada especificamente por um agente de IA, Klyagin não recorreu a uma história dramática. Ele afirma nunca ter presenciado um incidente de produção verificado em que o próprio agente tenha causado a falha do checkout de um cliente, e evitou disfarçar um bug comum de e-commerce como se fosse uma falha de agente — o que torna sua resposta real mais valiosa do que qualquer anedota fabricada.
O que a equipe encontra, repetidamente, é um problema mais sutil, que se torna grave no momento em que o comprador passa a ser um software em vez de uma pessoa. Em um projeto chamado Pridefit, os engenheiros descobriram que dois componentes distintos mantinham cópias próprias dos mesmos dados de plano, com pequenas divergências de preço e de atributos entre eles.
Um comprador humano talvez nem percebesse, ou simplesmente atualizasse a página. Um agente de IA não tem contexto visual nem julgamento para contornar a inconsistência. Se ele escolhe um plano com base em uma fonte de dados e o checkout valida contra outra, a divergência de preço, SKU ou disponibilidade pode travar a transação num estado que o agente não consegue resolver sozinho.
A equipe de Klyagin eliminou a duplicação e centralizou os dados de plano, de modo que todas as partes do funil passassem a consultar uma única fonte. Mas o padrão que ele espera ver com mais frequência no comércio agentivo como um todo não é um agente escolhendo o produto errado — é sistemas discordando entre si sobre o estado de uma compra: um feed de estoque indica que uma variante está disponível enquanto o checkout diz que está esgotada; uma requisição que sofreu timeout é reenviada contra um endpoint que não é devidamente idempotente; ou um reembolso é processado do lado do lojista antes que o status atualizado do pedido chegue ao agente que iniciou a solicitação. Uma pessoa costuma relevar esse tipo de inconsistência e descobrir o que de fato aconteceu. Um agente precisa que cada API, cada feed de produto e cada status de pedido já estejam em concordância.
Três verificações antes de correr atrás de mais um protocolo
Klyagin recomenda a seus clientes três testes específicos, que deveriam ser prioridade para qualquer varejista hoje concentrado em sincronização de catálogo e marcação estruturada, antes de conectar a mais uma plataforma de IA:
- Testar a carga da API de checkout do jeito que um agente realmente a acessa — não com uma sessão humana lenta de cada vez, mas com muitas chamadas paralelas disparadas em sequência rápida. Um checkout que já processou milhões de sessões humanas sem problemas pode falhar na primeira vez que enfrentar esse padrão de tráfego, e boa parte dos varejistas que estão se conectando ao UCP ou ao ACP agora simplesmente não sabe se o seu vai resistir.
- Verificar a exatidão dos dados de produto do jeito que uma máquina os lê, não do jeito que um navegador os renderiza — uma página que parece perfeitamente consistente para um visitante humano pode estar puxando informações de duas fontes divergentes por baixo, e um agente não tem como perceber essa lacuna como uma pessoa rolando a página perceberia.
- Confirmar que reembolsos e devoluções são processados corretamente na primeira tentativa — quando é uma máquina que inicia a solicitação, não há atendente para identificar uma falha parcial ou um status que nunca sincroniza de volta.
Com informações de searchenginejournal.com.
