IA no comércio eletrônico

Mapa de aplicações na jornada de compra

IA pode atuar em aquisição, busca, recomendação, conteúdo, preço, atendimento, pagamento, fraude, estoque, logística, pós-venda e previsão. Cada etapa tem dados e riscos diferentes. Um gerador de descrição não deve acessar cadastro financeiro.

Comece pela fricção: cliente não encontra produto, catálogo é inconsistente, resposta demora ou previsão erra. Meça linha de base e alternativa. Uma boa taxonomia ou regra pode superar modelo caro.

Defina responsável de negócio e critério de parada. Métrica local não pode prejudicar o todo: recomendação que aumenta clique e devolução reduz valor. Inclua consumidor e operação no desenho.

Busca semântica e descoberta de produtos

Busca tradicional depende de palavra; a semântica entende intenção e atributos. Antes, corrija título, categoria, unidade, variante, estoque e sinônimo. IA não compensa catálogo contraditório.

Avalie consultas reais, inclusive erros, linguagem regional, voz e necessidades de acessibilidade. Meça zero resultado, reformulação, sucesso, tempo e devolução. Inspecione se produto patrocinado invade relevância sem identificação.

Quando a pergunta exige compatibilidade, saúde ou segurança, use dados estruturados e regra. Não deixe modelo inventar dimensão ou certificação. Mostre filtros e permita ordenar sem personalização.

1. Limpar taxonomia e atributos.
2. Construir conjunto de consultas e intenção.
3. Definir relevância com avaliadores.
4. Comparar busca atual e semântica.
5. Testar idioma, grupos e casos raros.
6. Monitorar falhas e atualizar catálogo.

Recomendação e personalização responsáveis

Recomendadores usam comportamento, item, contexto e popularidade para ordenar opções. O objetivo deve combinar utilidade, margem, estoque e satisfação. Se otimizar apenas compra imediata, pode estimular repetição, vício ou gasto inadequado.

Explique por que algo aparece e dê controle para limpar histórico, reduzir personalização ou escolher ordem. Não infira condição de saúde, gravidez, renda ou vulnerabilidade para explorar. Crianças e idosos merecem proteção reforçada.

Avalie cold start, diversidade, novidade, cobertura e grupos. Produto de baixa exposição pode desaparecer num ciclo. Reserve espaço para catálogo novo, local ou relevante por curadoria e não discrimine vendedor sem justificativa.

Conteúdo de catálogo, imagens e publicidade

Modelos podem preencher título, descrição, atributo, tradução e SEO. Use fonte oficial do produto, esquema e validação. Não permita inventar material, medida, origem, garantia, selo, benefício ou compatibilidade.

Imagem gerada deve representar com fidelidade e ser identificada quando puder confundir. Não altere cor, tamanho, quantidade ou resultado. Em moda, beleza e decoração, composição sintética pode criar expectativa irreal e aumentar devolução.

Publicidade assistida continua sujeita a regras de oferta e identificação. Revise alegação comparativa, saúde, sustentabilidade e promoção. Influenciador virtual e depoimento sintético não devem simular experiência real.

Atendimento com chatbot e copiloto

Assistente pode responder política, rastrear pedido e iniciar troca. Deve identificar-se, citar fonte interna e encaminhar. Não esconda atendimento humano nem faça o consumidor repetir tudo. Preserve contexto ao transferir.

Use RAG com documentos vigentes e acesso por cliente. Valide identidade antes de revelar pedido. Ferramentas de ação precisam de permissão mínima e confirmação para cancelamento, estorno ou alteração de endereço.

Meça resolução correta, reincidência, tempo, abandono, reclamação e satisfação, não apenas contenção. Audite recusas e grupos. Se o bot impede direito ou cria ciclo, ele falhou mesmo com custo menor.

• Aviso claro de atendimento automatizado.
• Fonte e política atualizadas.
• Autenticação antes de dado pessoal.
• Encaminhamento humano acessível.
• Confirmação para ação financeira.
• Registro, correção e canal de reclamação.

Preço, promoção e risco de discriminação

Modelos podem prever demanda e recomendar preço, mas personalizar valor por inferência de disposição a pagar pode ser opaco ou discriminatório. Diferencie promoção segmentada, preço dinâmico por contexto e condição individual.

Estabeleça limites, motivo legítimo, transparência e revisão jurídica. Não use atributos sensíveis ou proxies para explorar vulnerabilidade. Monitore distribuição por região e grupos. Preço anunciado, desconto e condição precisam ser verdadeiros.

Teste elasticidade sem prejudicar consumidor cativo. Preserve histórico, aprovação e possibilidade de reverter. Algoritmos de concorrentes podem interagir; política de competição e revisão humana continuam necessárias.

Fraude, pagamentos e falsos bloqueios

Detecção combina identidade, dispositivo, comportamento e transação para estimar risco. O custo não é apenas fraude aceita; falso positivo bloqueia cliente legítimo, gera constrangimento e exclui pessoas com padrão incomum.

Escolha limiar por valor e canal. Use autenticação adicional e revisão em vez de negar automaticamente quando possível. Explique procedimento e ofereça recurso. Não revele detalhes que facilitem ataque.

Monitore drift, ataque, grupos, chargeback e recuperação. Proteja dados de pagamento e segredos. Terceiros precisam de contrato e evidência. Modelo generativo não deve tomar decisão de crédito ou fraude sem controles determinísticos.

Previsão de demanda, estoque e logística

Previsão ajuda reposição, distribuição, escala e rota. Separe demanda de venda observada: ruptura oculta procura, promoção desloca tempo e devolução corrige resultado. Inclua calendário, preço, clima e evento com cuidado.

Use intervalo e cenários. Eventos extremos tornam histórico frágil. Decisão deve considerar prazo, mínimo, validade, margem e substituição. Uma previsão global pode falhar por loja, região e SKU.

Avalie excesso, ruptura, descarte, prazo, custo e emissão. Otimização não deve impor rota insegura ou meta impossível ao trabalhador. Mantenha intervenção e plano para indisponibilidade.

Privacidade, LGPD e governança de dados

Mapeie coleta de navegação, compra, localização, atendimento, perfil e terceiros. Defina finalidade, necessidade, acesso, retenção, compartilhamento e direitos. Consentimento não deve ser manipulado e não é a única base possível; consulte responsável e jurídico.

Minimize eventos e separe análise agregada de decisão individual. Não reutilize dado para treinar modelo sem compatibilidade. Perfil pode revelar informação sensível por inferência. Dê controle e informação compreensível.

Proteja APIs, pixels, data warehouse, prompts e logs. Contrato com plataforma deve tratar suboperadores, treinamento, incidente, exclusão e transferência. Teste vazamento entre clientes.

1. Inventariar fonte, dado e finalidade.
2. Eliminar coleta sem necessidade.
3. Definir acesso, retenção e descarte.
4. Avaliar decisão automatizada e direitos.
5. Contratar e monitorar terceiros.
6. Preparar incidente e atendimento ao titular.

Dark patterns, autonomia e consumidor vulnerável

IA permite testar e personalizar interfaces em escala. Isso pode melhorar clareza ou explorar cansaço, urgência e vulnerabilidade. Contagem falsa, custo escondido, cancelamento difícil e opção pré-selecionada prejudicam decisão.

A OCDE destaca danos digitais e proteção de consumidores vulneráveis. Use experimento para reduzir esforço, não para induzir escolha não pretendida. Compare compreensão, arrependimento, cancelamento e reclamação.

Ofereça informação clara sobre fornecedor, produto, preço, entrega, atendimento e arrependimento conforme regras brasileiras. Acessibilidade e linguagem simples fazem parte da proteção.

Como testar e medir uma aplicação

Antes do A/B, valide offline com casos rotulados e análise de erro. Depois faça piloto com guardrails. Randomização precisa de tamanho, duração e métrica definidos; não interrompa ao primeiro resultado favorável.

Meça margem incremental, devolução, resolução, custo, latência, erro crítico, grupos e satisfação de longo prazo. Conversão isolada pode esconder dano. Inclua custo de tokens, revisão, plataforma e manutenção.

Documente modelo, prompt, dados e versão. Atualização requer regressão. Tenha rollback e fallback. Reclamação vira caso de teste; fraude e abuso precisam de monitoramento separado.

Roteiro para loja pequena ou grande

Pequena loja deve começar por catálogo e atendimento interno, com planilha limpa, template e revisão. Não entregue decisão de preço ou pagamento a modelo. Use ferramenta que exporte dados e tenha custo previsível.

Operação maior precisa de inventário, plataforma de experimentos, governança de features, privacidade, segurança e equipe multidisciplinar. Classifique casos e separe modelos de alto impacto.

Em ambos os casos, escolha uma dor, registre linha de base, pilote e acompanhe por semanas. Se ganho depende de revisão inviável ou aumenta reclamação, reduza escopo. Automatizar menos com confiança é melhor que escalar erro.

1. Escolher jornada e problema mensurável.
2. Corrigir catálogo e governança de dados.
3. Comparar regra, fornecedor e solução própria.
4. Testar qualidade, consumidor e segurança.
5. Pilotar com grupo e rollback.
6. Medir resultado completo e grupos.
7. Escalar ou encerrar com evidência.

Checklist antes de colocar IA na loja

Use a lista na aprovação. Aplicações de crédito, preço individual, fraude e dados sensíveis exigem revisão jurídica e de risco reforçada.

1. Há um problema e uma linha de base claros.
2. Catálogo e dados têm qualidade e finalidade.
3. A oferta representa produto, preço e condição reais.
4. Personalização pode ser entendida e controlada.
5. O consumidor alcança atendimento e recurso humano.
6. Privacidade, segurança e contrato foram revisados.
7. O teste mede margem, devolução, erro e grupos.
8. A operação tem monitoramento, fallback e rollback.
9. Benefício supera custo e risco de longo prazo.