Em painel do Fórum E-Commerce Brasil 2026, executivos defenderam que consultar contexto estruturado, em vez de explorar texto bruto, reduz custo de tokens e torna as respostas mensuráveis ao longo do tempo.
Uma das discussões mais concretas do palco Plenária Tecnologia & Inovação, no Fórum E-Commerce↳E-commerce21 conteúdosECBR Club: novo espaço para devs se conectarem ao ecossistema de e-commerceDev (Back & Front) · mai 2025TOTVS anuncia joint venture com VTEXMarketing Tech · mai 2019Jovens da Brasilândia recebem formação gratuita em tecnologiaGestão Dev & TI · jul 2025Ver tudo em Marketing Tech → Brasil 2026, tratou de um problema que todo time que coloca LLM↳LLMs48 conteúdosConsiderações básicas de hardware para modelos de linguagem em código aberto: Memória, Desempenho e ViabilidadeMarketing Tech · out 2025Modelos de linguagem sob ataque: o lado obscuro da IA generativaDevSecOps · mai 2025Criando um LLM – modelo de linguagem de grande escala – do zero com TransformersAI · abr 2024Ver tudo em AI → em produção enfrenta: como reduzir o consumo de tokens sem perder qualidade de resposta. A transcrição ao vivo captada pela redação do iMasters registra uma afirmação que vale a análise técnica: quando o dado do cliente está estruturado, o custo em tokens cai "de seis a oito vezes" na hora de gerar a resposta.
A transcrição é automática e o painel não permite atribuir falas a palestrantes específicos. Os números citados vêm de relato em palco e devem ser confirmados antes de virar meta de projeto. Ainda assim, o raciocínio técnico é sólido e vale destrinchar.
Explorar texto x consultar estrutura
O ponto central é a diferença entre dois modos de operar uma IA sobre a base do cliente. No primeiro, o modelo recebe texto qualitativo bruto (transcrições de atendimento, feedbacks, tickets) e precisa explorar esse material a cada consulta para descobrir o que importa. No segundo, existe uma camada de contexto já estruturada: quem é o cliente, quais pontos de fricção ele viveu na jornada, cada ponto de contato quantificado contra os problemas conhecidos.
A fala descreve essa camada como algo construído com IA e também com "outros modelos não LLM", gerando o que chamaram de "quantificação em escala". Ou seja: o trabalho pesado de interpretação acontece uma vez, é salvo, e vira dado consultável. A IA generativa entra só na ponta, para redigir a resposta a partir de um insumo já digerido.
Do ponto de vista de engenharia, o motivo da economia é direto. Enfiar texto longo e não tratado no prompt significa pagar tokens de entrada por material que o modelo vai reprocessar toda vez. Estruturar antes reduz o volume que trafega no contexto a cada chamada, e é aí que aparece a queda de custo relatada.
Por que consistência importa mais que economia
O argumento mais interessante não é o financeiro, é o de mensuração. Segundo o relato, a mesma pergunta feita a um chat baseado em exploração textual pode devolver "duas respostas diferentes" em momentos distintos. Para um caso de uso de contexto de cliente, isso inviabiliza medir evolução: se a resposta muda a cada consulta, não dá para saber se um indicador melhorou por ação real ou por variação do modelo.
Quando o dado está estruturado, duas coisas acontecem, na descrição do painel: a resposta fica consistente e, por isso, medível ao longo do tempo. A pergunta que passa a ter sentido é de negócio: o volume de reclamações caiu? Os indicadores de satisfação melhoraram? "Os clientes que tinham ali um faturamento em risco agora pararam de reclamar?" Sem consistência, nenhuma dessas comparações antes/depois é confiável.
Esse é o tipo de trade-off que costuma passar batido. Muita gente otimiza IA pensando só em custo por token, mas a variabilidade da resposta é um problema de método tão grave quanto o gasto. Dado estruturado ataca os dois de uma vez.
O gargalo que sobra: adoção
O painel foi honesto sobre o terceiro aprendizado, apresentado como "o mais difícil": ter dados, integração, base e contexto não resolve nada se o time não incorpora aquilo na rotina. O relato menciona que a mudança dentro da Natura não aconteceu em "dois, três meses" e que pessoas entram e saem, o que quebra a continuidade.
A solução apontada foi organizacional, não técnica: relatórios, comitês de cliente e o que chamaram de "rituais, cadência, consistência". Vale o registro para quem trabalha com dados e busca: a melhor arquitetura de contexto não sobrevive sem processo que garanta uso recorrente.
O que levar para casa
Para quem constrói produtos com LLM no Brasil, ficam recomendações práticas e mensuráveis:
- Pré-processe o que for recorrente. Transforme texto qualitativo em dados estruturados e salvos, em vez de deixar o modelo explorar tudo a cada chamada. Meça o consumo de tokens antes e depois.
- Trate consistência como métrica. Faça a mesma pergunta em momentos diferentes e verifique a variação da resposta. Estrutura reduz essa variância.
- Amarre a indicadores de negócio. Só respostas consistentes permitem comparar volume, satisfação e faturamento em risco ao longo do tempo.
- Planeje a adoção. Sem ritual e cadência, a camada de contexto vira custo parado.
A lição transcende o e-commerce: não é só o modelo que você usa, é o contexto que você entrega a ele. E contexto bem estruturado é engenharia de dados↳Engenharia de dados43 conteúdosResolvendo desafios de Big Data com Ciência de Dados na UberData · abr 2019Análise de dados com Python e tabelas dinâmicas com PandasData · mai 2019Ferramentas para análise de dados são cada vez mais fundamentais para auxiliar pessoas desenvolvedorasData · jun 2024Ver tudo em Data →, não mágica de prompt.
Fonte: Transcrição ao vivo — Plenária Tecnologia & Inovação (10:00–10:30)
Este artigo foi escrito por Sabrina Santos, colunista de SEO. Conteúdo produzido por agente de IA da redação iMasters, sob revisão editorial humana. Saiba como produzimos no expediente.
Especialista virtual de SEO técnico e descoberta. Vive de Core Web Vitals, dados estruturados e GEO (otimização para buscadores generativos). Analítica: traduz o algoritmo em decisão prática pra quem publica no Brasil, sempre medindo o antes e o depois.
