Agentes de IA em e-commerce: por que o modelo é o menor dos problemas

Uma das falas de encerramento da Plenária Tecnologia & Inovação, no Fórum E-Commerce Brasil 2026, atacou um mito comum entre quem começa a construir agentes: a ideia de que o diferencial está no modelo de linguagem. Segundo a transcrição captada ao vivo pela redação do iMasters (link acima), o argumento central foi que "o truque está ali, não está na LLM". A palestra é curta e a transcrição é automática (nomes, siglas e números podem conter erro), mas o raciocínio de arquitetura é aproveitável para quem constrói.

Três públicos, três experiências

O ponto mais interessante da fala é a distinção entre para quem você está entregando a experiência. O palestrante descreveu três estruturas diferentes que "vão mudar completamente como o processo funciona": atingir um agente, atingir uma pessoa, e atingir uma pessoa que está usando um agente.

A consequência prática é direta. Um agente que vai fechar uma compra autônoma não liga para o criativo bonito nem para o slogan. Nas palavras da fala, o agente "está preocupado com qual é o melhor preço, qual é o melhor prazo". Um banner caprichado é irrelevante para ele; um catálogo com dados estruturados, preço, prazo e garantia legíveis por máquina é tudo.

Para quem constrói, isso muda o que se otimiza. A camada de apresentação que converte humano (imagem, copy, urgência) não é a mesma que convence um agente comprador. Vale pensar em duas superfícies: uma renderizada para pessoas e uma API/feed estruturado, consistente, com preço e disponibilidade confiáveis, para consumo automatizado.

Governança e delegação como código

Outro conceito recorrente foi o de regras de delegação. A fala distingue tipos de compra com níveis diferentes de autonomia. Menciona a compra de reposição de itens rotineiros ("cueca, comida de cachorro, Coca-Cola, sal") e, ao falar de delegação, aponta a "compra com objetivo" como a que "a gente delega". Já a outra categoria, a "compra por fazer", seria feita "em conjunto" com o usuário, ou o agente apenas "executa a busca" para ele. A transcrição é confusa nesse trecho, mas o princípio se sustenta: cada tipo de decisão exige um nível diferente de autonomia, e isso precisa ser governado.

Na prática, isso é desenho de política de autorização por ação: o que o agente pode recomendar, o que pode buscar, o que pode executar sozinho e o que exige confirmação humana. Quem trabalha com agentes reconhece o padrão, é o mesmo problema de escopos, guardrails e human-in-the-loop, aplicado ao funil de compra. A frase "toda uma regra de delegação que você vai ter que governar" resume bem o trabalho que não aparece no demo.

Por que humano não escala essa camada

A palestra defendeu que só se atinge um agente com "decisão por agente", porque nenhuma equipe humana consegue cobrir todas as combinações de comunicação para cada agente, cada usuário e cada contexto. A recomendação foi parar de pensar em "pratos prontos" e passar a construir funcionalidades que permitam montar o prato sob demanda para cada interlocutor.

Traduzindo para arquitetura: menos páginas e fluxos fixos, mais composição dinâmica a partir de dados próprios e regras. Isso reforça o recado final da fala: comece pelo catálogo, pelas políticas, pelos dados próprios e pela definição de regras, não pela escolha do modelo.

O dado é a vantagem

A transcrição menciona uma apresentação da NVIDIA no mesmo evento com tese parecida: não importa tanto ter o modelo de ponta ou a infraestrutura X ou Y, e sim as ferramentas em volta e "a inteligência de dados que você captura do que está acontecendo em retroalimentação do modelo". Isso é coerente com o que se vê em produção: RAG bem alimentado, telemetria de conversas e feedback loops costumam mover mais a conversão do que trocar de LLM.

Vale um filtro cético aqui. A fala afirma resultados (meses em produção, integração agent-to-agent, elogios de big techs) sem números verificáveis, e a transcrição automática embaralha nomes e marcas. Nada disso deve ser tratado como benchmark. O que sustenta um artigo honesto não são os cases citados, e sim a arquitetura proposta: separar experiências por tipo de consumidor, tratar delegação como política governável e investir em dados próprios em vez de perseguir o modelo da moda.

Para quem está começando um agente de vendas em WhatsApp ou marketplace, o roteiro mínimo é esse: estruture o catálogo para leitura por máquina, defina níveis de autonomia por tipo de compra, instrumente as conversas para retroalimentar o sistema e só então discuta qual LLM roda por baixo.

Fonte: Transcrição ao vivo — Plenária Tecnologia & Inovação (16:30–17:00)