Do e-commerce ao agentic commerce: a arquitetura por trás dos assistentes de moda da Renner

A agenda oficial do Fórum E-Commerce Brasil 2026 traz uma palestra que merece atenção de quem constrói sistemas de IA em produção. Em "Do E-commerce ao Agentic Commerce", Flavio Reis (Chief Digital Officer) e Leila Martins (Diretora de Dados), ambos das Lojas Renner, apresentam iniciativas em que, segundo a descrição, "agentes inteligentes passam a atuar como verdadeiros assistentes conversacionais dos clientes", ajudando em descoberta de produtos, composição de looks e consultoria de moda.

A fonte é um briefing de agenda, então não há detalhes de implementação. Mas o caso de uso descrito é bem definido, e dá pra discutir com honestidade o que precisa existir por baixo desse tipo de experiência. É isso que faço aqui: o mapa técnico de um agente de moda em produção, não o que a Renner de fato usa.

O que muda de e-commerce para "agentic commerce"

No e-commerce clássico, a busca é reativa: o usuário digita, o sistema devolve uma lista rankeada. O termo agentic commerce implica algo diferente: um agente que mantém contexto de conversa, faz perguntas de volta ("pra qual ocasião?"), e orquestra várias ações (buscar produto, checar estoque, montar look) para chegar a uma recomendação.

A diferença prática é que você sai de um endpoint de busca para um loop de raciocínio com ferramentas. O modelo decide qual tool chamar, lê o resultado e decide o próximo passo. Isso é mais poderoso e mais frágil ao mesmo tempo.

O stack, camada por camada

Um agente conversacional de varejo costuma ter estas peças:

• LLM + camada de orquestração: o modelo de linguagem faz o entendimento e a geração; a orquestração (LangGraph, um framework próprio, ou uma implementação enxuta de function calling) controla o fluxo de tools.
• Retrieval híbrido para catálogo: aqui o RAG puro não basta. Busca de moda combina embedding semântico ("vestido leve pra casamento de dia") com filtros estruturados (tamanho disponível, faixa de preço, categoria). Vector search sozinho ignora estoque e regras de negócio.
• Recomendação como tool: o motor de recomendação existente (colaborativo, baseado em histórico) não some. Ele vira uma ferramenta que o agente invoca, o que separa bem as responsabilidades: o LLM conversa, o recommender rankeia.
• Pipeline de dados em tempo real: personalização "em escala" exige features atualizadas (o que o cliente viu, comprou, devolveu). Um feature store alimentado por eventos (CDC, streaming) é o que evita recomendar o que a pessoa já comprou ontem.

Onde esse tipo de sistema quebra

Quem já colocou agente em produção conhece os pontos de tensão:

• Latência do loop: cada passo de raciocínio é uma chamada ao LLM. Três ou quatro hops e você está em 8 a 10 segundos de resposta, inaceitável num chat. Mitiga-se com modelos menores para roteamento e cache agressivo de embeddings.
• Alucinação de produto: o agente pode descrever uma peça que não existe no catálogo. A defesa é sempre ancorar a resposta no resultado da tool de busca, nunca deixar o LLM "inventar" SKUs.
• Custo por conversa: multiplicar tokens por milhões de sessões não é trivial. Roteamento inteligente (modelo barato para intenções simples) vira questão de margem, não só de engenharia.
• Avaliação: como medir se o look sugerido é bom? Métricas de negócio (conversão, taxa de add-to-cart pós-conversa) importam mais que benchmarks genéricos de LLM.

Por que isso importa pra quem constrói no Brasil

O caso da Renner sinaliza que agentic commerce está saindo do slide de tendência e entrando em roadmap de varejo grande no país. Para o desenvolvedor, a boa notícia é que o stack é montável com peças acessíveis: um BaaS como Supabase (com pgvector) dá busca vetorial e dados estruturados no mesmo Postgres, function calling está disponível em praticamente todos os provedores de LLM, e MCP começa a padronizar como agentes expõem ferramentas.

A palestra acontece na Plenária Tecnologia & Inovação, em 29/07/2026, das 11:50 às 12:30. Vale acompanhar se a Renner revelar números concretos, taxa de adoção, impacto em conversão, latência real, porque é aí que a conversa sai do institucional e vira aprendizado técnico. Enquanto isso não chega, o exercício de arquitetar o sistema por trás da promessa já é um bom teste de fôlego para qualquer time.

Fonte: Agenda oficial — Plenária Tecnologia & Inovação