A cena já acontece em operações brasileiras. Primeiro, o consumidor descreve o pedido em linguagem natural. Depois, um agente varre catálogos, compara preço, prazo e política de troca. Em seguida, ele devolve duas ou três opções prontas. Por fim, a compra acontece em poucos toques.
A consequência para o varejo aparece rápido. O agente assume a triagem. Assim, a loja disputa espaço na lista que ele monta.
De acordo com dados do Global Digital Shopping Index 2026 da Visa Acceptance Solutions, só 12% dos consumidores brasileiros disseram que nunca permitiriam compras autônomas por agentes de IA, contra 31% nos EUA. O comprador brasileiro resiste menos à delegação do que o americano, o que torna a cena descrita acima mais provável aqui do que no mercado que costuma servir de referência.
Os números reforçam a urgência. A McKinsey projeta que o comércio agenciado pode movimentar entre US$ 3 trilhões e US$ 5 trilhões até 2030. Enquanto isso, varejistas brasileiras já registram salto no tráfego vindo de modelos de linguagem, com casos de crescimento acima de 400%.
Segundo dados da Adobe, o tráfego vindo de ferramentas de IA generativa para sites de varejo dos EUA cresceu 693,4% na temporada de fim de ano de 2025 em relação a 2024, e, na mesma temporada, visitas vindas de assistentes de IA converteram 31% mais que as de outras fontes e ficaram 45% mais tempo no site. O dado é americano, mas mostra que o visitante trazido pelo agente chega mais perto da compra.
Generative Engine Optimization (GEO) organiza exatamente essa camada. Portanto, o trabalho começa no dado que o agente consegue ler.
Quatro checagens que o agente faz antes de concluir
Alexandre Caramaschi, Chief Strategy Officer da Nuvini (Nasdaq: NVNI) e Founder da Brasil GEO, descreve a lógica em condições objetivas. Quando todas estão em ordem, o agente fecha a compra. Já uma falha isolada elimina a loja da comparação.
- Estoque confirmado. A disponibilidade precisa estar publicada e atualizada, com prazo real por região.
- Pagamento compatível. O agente precisa de um caminho de autorização previsível, com regra clara de limite.
- Informação sem ambiguidade. Medida, material, compatibilidade, garantia e política de troca entram na conta.
- Reputação verificável. Avaliações públicas e histórico de entrega funcionam como prova.
A ordem importa pouco. Assim, a loja com quatro sinais completos vence a loja com três excelentes e um campo vazio.
A ficha de produto virou a vitrine que decide a venda
O agente lê dados estruturados antes de qualquer peça de campanha. Por isso, a ficha técnica passou a carregar o peso da conversão.
| Campo | O que precisa estar publicado | Efeito na decisão |
|---|---|---|
| Identificação | GTIN, marca, modelo, variação e SKU | Permite comparar o mesmo item entre lojas |
| Preço | Valor atual, moeda e validade da oferta | Habilita a comparação objetiva |
| Disponibilidade | Estoque em tempo real e prazo por região | Evita descarte por incerteza de entrega |
| Frete | Custo, prazo e cobertura por CEP | Define o custo total da compra |
| Política | Troca, devolução, garantia e prazo de arrependimento | Reduz o risco percebido pela máquina |
| Atributos | Medidas, material, compatibilidade e uso indicado | Sustenta a recomendação para o pedido específico |
A marcação técnica acompanha cada campo. Schema.org Product e Offer entregam esse conteúdo em JSON LD. Além disso, o feed do catálogo precisa refletir o mesmo dado que a página exibe.
O Google foi na mesma direção em janeiro de 2026, quando Vidhya Srinivasan apresentou atributos de produto pensados para o comércio agêntico. Quem já mantém Product e Offer consistentes parte na frente, e o próximo campo a preencher é o contexto de uso que o comprador pergunta ao agente: dúvida frequente, acessório compatível, substituto.
“Esses novos atributos complementam os feeds de dados que os varejistas já têm e vão além das palavras-chave tradicionais, incluindo respostas a perguntas comuns sobre o produto, acessórios compatíveis ou substitutos.”
Vidhya Srinivasan, vice-presidente e gerente-geral de Ads e Commerce do Google, em New tech and tools for retailers to succeed in an agentic shopping era (blog.google, 11/01/2026) (2026). Tradução livre.
Legibilidade técnica: o filtro anterior a tudo
Muitas lojas virtuais nasceram para navegação visual humana. Consequentemente, o agente encontra página pesada, preço em imagem e texto carregado apenas por JavaScript.
Três verificações resolvem a maior parte dos casos:
- Acesso liberado. Confira o robots.txt agente por agente e confirme pelos logs do servidor quais bots realmente entram.
- Conteúdo legível sem execução de script. Preço, estoque e atributos precisam aparecer no HTML entregue.
- Arquivo de orientação. O llms.txt descreve a loja, as categorias principais e os links essenciais.
Quando essas três condições falham, o agente abandona a página. Em seguida, ele busca um concorrente com dados organizados.
Protocolos de compra agenciada entram na pauta de tecnologia
O mercado já tem padrões em uso. Portanto, vale conhecer a função de cada um antes de investir.
O Agentic Commerce Protocol, criado por OpenAI e Stripe, permite que agente, comprador e lojista transacionem de forma integrada. Ele funciona com diversos provedores de pagamento e mantém o controle do lojista sobre pedido e atendimento. Além disso, viabiliza experiências de finalização direta dentro do ChatGPT.
Outras iniciativas seguem o mesmo caminho. Padrões de catálogo máquina a máquina criam linguagem comum para consultar estoque e preço. Enquanto isso, cartões virtuais descartáveis protegem o dado financeiro do consumidor a cada transação.
No Brasil, a camada financeira ajuda bastante. Pix Automático, Open Finance e Drex criam um ambiente de pagamento programável, com autorização e recorrência tratadas por regra.
Reputação virou dado de entrada com peso de decisão
O agente processa avaliação como evidência. Logo, nota, volume de comentários e recorrência de queixa influenciam a lista final.
Três frentes sustentam essa camada:
- Avaliações no próprio site, publicadas com AggregateRating e Review, incluindo respostas da loja.
- Plataformas públicas, como Google Business Profile, marketplaces e canais de reclamação com histórico ativo.
- Comunidades, porque fóruns e redes aparecem com frequência entre as fontes consultadas pelos motores.
Uma experiência ruim gera efeito duradouro. O relato negativo entra na base. Depois, ele reaparece em respostas futuras sobre a categoria.
Roteiro de 45 dias para deixar a loja pronta
O plano cabe na equipe atual, sem troca de plataforma.
- Dias 1 a 10. Audite o acesso de agentes, corrija o robots.txt e publique o llms.txt.
- Dias 11 a 20. Complete a marcação Schema.org de Product, Offer, AggregateRating e Organization em JSON LD.
- Dias 21 a 30. Padronize preço, estoque, frete e política entre site, feed e marketplaces.
- Dias 31 a 40. Publique páginas de troca, garantia e prazo em linguagem objetiva, com resposta direta no primeiro parágrafo.
- Dias 41 a 45. Rode um teste cego, pedindo a ChatGPT, Gemini, Claude e Perplexity que montem a compra do seu produto principal.
O teste final responde ao essencial. A loja aparece? A informação está correta? O agente chega ao fim do processo?
Método para medir a presença dentro da lista de escolha
O painel do varejo ganha três indicadores novos. Primeiro, a taxa de inclusão na lista curta por categoria. Depois, a precisão dos atributos citados pelo modelo. Por fim, a participação diante dos concorrentes na mesma pergunta.
A coleta segue um método simples. Monte de 30 a 50 pedidos reais em linguagem natural. Em seguida, rode cada um cinco vezes, em quatro motores. Então registre presença, posição e motivo declarado da recomendação.
A janela competitiva segue aberta, embora encolha a cada trimestre. Enquanto boa parte do varejo mede apenas sessões e conversão, quem organiza o catálogo primeiro ocupa espaço na resposta.
Se um agente montasse a compra do seu produto principal agora, em qual etapa ele desistiria?
Perguntas que o time de e-commerce leva para a reunião
GEO substitui o SEO da loja?
As duas frentes se somam. O SEO sustenta indexação e autoridade. Já o GEO prepara o catálogo para leitura e citação por agentes.
Preciso integrar protocolo para começar?
A base começa no catálogo. Primeiro, corrija dados, marcação e políticas. Depois, avalie protocolos conforme o volume de consulta automatizada.
Marketplace resolve essa presença?
O marketplace ajuda no alcance. Contudo, a loja própria precisa de dados consistentes, porque o agente compara fontes.
Como o agente escolhe entre lojas parecidas?
Ele cruza custo total, prazo, política e reputação. Assim, o campo vazio pesa mais do que o desconto.
Quanto tempo leva para aparecer nas respostas?
A fundação técnica leva cerca de 45 dias. Em seguida, a presença costuma evoluir entre 60 e 90 dias, com coleta mensal de acompanhamento.
A Brasil GEO é uma consultoria de GEO (Generative Engine Optimization) que mede a presença de marcas nas respostas de assistentes de IA, onde o agente de compra decide quais lojas entram na lista de escolha. Alexandre Caramaschi é Chief Strategy Officer da Nuvini (Nasdaq: NVNI) e Founder da Brasil GEO. Alexandre Caramaschi foi CMO da Semantix (Nasdaq) e é cofundador da AI Brasil e da NAIA.
