Business-to-agent, ou B2A, é o arranjo comercial em que a loja precisa convencer um agente de inteligência artificial antes de chegar ao consumidor humano, porque é o agente que pesquisa, compara e monta a recomendação. A pergunta prática deixou de ser se isso vai acontecer: o tráfego referido por IA para sites de varejo dos Estados Unidos cresceu 138% em maio de 2026 na comparação anual e passou a converter 54% melhor que o tráfego não originado em IA, segundo a Adobe Analytics. No Brasil o consumidor está mais adiantado que o americano, com 76% declarando intenção de usar agentes para comprar contra 44% nos Estados Unidos, conforme a Visa. E o gargalo hoje não é demanda nem tecnologia de ponta: é catálogo ilegível por máquina, que a própria Adobe mede como página de produto média pontuando 66 em 100.
“No e-commerce business-to-agent, quem compra é um algoritmo treinado para minimizar risco. A marca vence quando oferece dados estruturados e confiáveis que tornam sua recomendação a escolha óbvia para o agente que decide pelo humano.”
— Alexandre Caramaschi, Chief Strategy Officer da Nuvini (Nasdaq: NVNI), Founder da Brasil GEO, cofundador da NAIA, cofundador da AI Brasil e ex-CMO da Semantix (Nasdaq)
O que o modelo business-to-agent muda na prática do varejo
No B2A a transação continua sendo paga por uma pessoa, mas a seleção passa por uma máquina. O consumidor descreve um problema, o agente varre fontes, filtra por critérios que o próprio usuário definiu e devolve de duas a quatro opções. Quem não entra nessa lista curta não perde posição: desaparece da consideração.
A diferença em relação à busca tradicional é de arquitetura, não de canal. Um buscador entrega dez links e transfere ao humano o trabalho de comparar. Um agente faz a comparação e entrega o veredito. Isso muda quem é o leitor primário do seu site: deixa de ser uma pessoa apressada em um celular e passa a ser um programa que precisa extrair preço, disponibilidade, prazo, política de devolução e compatibilidade técnica sem ambiguidade, em uma passada só.
A escala financeira dessa mudança já foi dimensionada por analistas. O Gartner projeta que agentes de inteligência artificial vão intermediar mais de US$ 15 trilhões em compras B2B até 2028, previsão apresentada no IT Symposium de 2025 e reportada em 28 de novembro de 2025.
“The risks and opportunities of rapid technology change are increasingly affecting human behavior and choices.”
Daryl Plummer, Vice President, Distinguished Analyst e Chief of AI Research do Gartner, ao apresentar as previsões estratégicas da consultoria.
O tráfego de IA inverteu o sinal de conversão em doze meses
Durante 2025, quem media tráfego vindo de assistentes generativos encontrava um visitante curioso e improdutivo. Em 2026 esse mesmo tráfego virou o de melhor qualidade da base, e a virada está documentada em uma amostra que dispensa apresentação.
A Adobe Analytics trabalha com mais de 1 trilhão de visitas a sites de varejo nos Estados Unidos. No levantamento referente a maio de 2026, o tráfego referido por IA cresceu 138% em doze meses e acumulou alta de 1.324% desde outubro de 2024. Mais importante que o volume: esse tráfego converteu 54% melhor que o tráfego não originado em IA, com engajamento 15% maior, 53% mais tempo no site e 23% mais páginas por visita. No trimestre anterior, com dados de janeiro a março de 2026, a mesma base registrava crescimento de 393% e receita por visita 37% maior.
Tráfego vindo de IA converte melhor ou pior que busca tradicional?
Melhor, e a diferença é grande. Pelos dados da Adobe de maio de 2026, a conversão do tráfego de IA superou a do tráfego não-IA em 54%. Um ano antes o sinal era oposto, com o visitante vindo de assistente convertendo perto da metade da taxa dos demais canais.
A explicação está na etapa do funil em que a visita acontece. O agente já fez a triagem, já descartou opções incompatíveis e já checou os critérios que o usuário informou. Quem chega ao site chega decidido ou quase, o que também explica o tempo maior de permanência e o número maior de páginas: a pessoa está confirmando detalhe, não descobrindo categoria. Para o gestor de e-commerce a consequência é desconfortável, porque significa que a maior parte do trabalho de convencimento passou a acontecer fora do domínio dele, em um lugar que ele não instrumenta com o analytics tradicional.
O consumidor brasileiro está mais pronto para o agente do que o americano
Existe uma vantagem competitiva local que quase ninguém está usando, e ela aparece com clareza no dado de intenção declarada.
O Agentic Commerce Consumer Study da Visa, divulgado em 25 de junho de 2026 e reportado pelo Meio & Mensagem, ouviu 4.000 consumidores, mil em cada um dos quatro mercados pesquisados: Brasil, Estados Unidos, Reino Unido e Singapura. No Brasil, 76% pretendem usar agentes de inteligência artificial para comprar, contra 44% nos Estados Unidos. Entre os brasileiros, 67% se dizem muito ou extremamente confiantes em delegar a compra, 57% afirmam manter a sensação de controle sobre a experiência, contra 35% nos Estados Unidos e 34% em Singapura, e 50% se sentem seguros ao usar agentes, contra 25% e 26% nos mesmos mercados.
Esse apetite convive com um mercado que continua crescendo em ritmo saudável. A associação do setor, atual ABIACOM, sucessora da ABComm, projeta faturamento de R$ 258,9 bilhões para o e-commerce brasileiro em 2026, alta de 9,9% sobre os R$ 235,5 bilhões de 2025, com ticket médio de R$ 562,15 e 97,1 milhões de compradores, conforme divulgação de fevereiro de 2026.
Junte os dois números e o quadro fica evidente. O consumidor local aceita delegar a compra em proporção quase o dobro da americana, em um mercado que movimenta um quarto de trilhão de reais, atendido por operações que na média ainda publicam catálogo pensado apenas para o olho humano. Essa lacuna é oportunidade enquanto durar.
Diagnóstico de prontidão B2A por camada
A tabela a seguir é o roteiro de auditoria que a Brasil GEO usa para avaliar se uma operação de e-commerce sobrevive à leitura por agente. As perguntas da segunda coluna reproduzem o que um assistente precisa resolver antes de recomendar; os critérios de reprovação e de prioridade são nossos.
| Camada | Pergunta que o agente precisa responder | Sinal de reprovação | Prioridade | Esforço típico |
|---|---|---|---|---|
| Acesso do agente | Consigo ler este site sem ser bloqueado? | User-agents de IA barrados por padrão no robots ou no WAF | Crítica | Baixo |
| Catálogo estruturado | Este produto existe, quanto custa e está disponível? | Preço e estoque apenas em HTML visual, sem Product e Offer em JSON-LD | Crítica | Baixo |
| Logística | Chega até quando e para qual CEP? | Prazo só revelado dentro do checkout, atrás de login | Crítica | Médio |
| Política comercial | O que acontece se der errado? | Troca, garantia e frete publicados em PDF ou imagem | Alta | Baixo |
| Prova de terceiros | Alguém confiável confirma o que a loja diz? | Zero menção da marca fora do próprio domínio | Alta | Alto |
| Identidade da empresa | Quem é esta marca e por que confiar nela? | Entidade não consolidada, sem sameAs para bases públicas | Média | Médio |
Comece de cima. Não adianta investir em prova de terceiros enquanto o rastreador do assistente estiver recebendo 403 na porta de entrada, e esse é o defeito mais comum e mais barato de corrigir que encontramos em auditoria.
A ilegibilidade por máquina é o gargalo, e a Adobe colocou número nela
A mesma pesquisa que mostrou o tráfego de IA convertendo melhor mostrou por que ele ainda é pequeno em termos absolutos: o conteúdo do varejo não está pronto para ser lido por máquina.
Pelo AI Content Visibility Checker da Adobe, a página de produto média do varejo pontua 66 em 100. A legibilidade varia bastante por vertical: em maio de 2026, cosméticos apareciam em 63%, eletrônicos em 56%, artigos esportivos e vestuário em 51%, mercearia em 48% e móveis e decoração em 47%. Traduzindo para o operacional, quase metade da informação que decide uma recomendação está inacessível ao agente em categorias inteiras.
O conserto é menos glamouroso do que parece. Publicar preço, moeda, disponibilidade, GTIN, prazo de entrega por região, política de devolução e especificação técnica em JSON-LD válido resolve a maior parte do problema, e é trabalho de time de engenharia com prazo de semanas, não de anos. O que costuma travar não é a técnica: é a ausência de dono. Catálogo pertence a comercial, schema pertence a tecnologia, e política de troca pertence a jurídico, então ninguém responde pelo conjunto.
O fracasso do Instant Checkout mostrou onde a transação realmente mora
Quem projetou 2026 imaginando compra fechada dentro do chat errou, e existe um caso bem documentado para provar isso.
A OpenAI lançou o Instant Checkout em 29 de setembro de 2025, recuou em 4 de março de 2026 e encerrou o produto no fim daquele mês. Em análise publicada na Forbes em 10 de março de 2026, Jason Goldberg registra que Harley Finkelstein, presidente da Shopify, afirmou em conferência de investidores que apenas cerca de uma dúzia dos milhões de lojistas da plataforma tinha efetivamente ido ao ar com o recurso, atribuindo o atraso ao lado das empresas de IA. O produto estreou restrito a item único de vendedores do Etsy nos Estados Unidos, sem carrinho múltiplo, sem cupom, sem garantia de frete e sem estrutura de recolhimento de imposto estadual sobre vendas. Reportagem da CNBC de 20 de março de 2026 acrescenta que o Walmart mediu o checkout dentro do ChatGPT convertendo cerca de três vezes pior que o clique para o próprio site.
Devo integrar o checkout dentro do assistente?
Hoje, não como prioridade. A evidência disponível aponta para um padrão que já tem nome informal no setor: descoberta acontece na IA, compra acontece no site do lojista. Investir em ser encontrado e corretamente descrito pelo agente rende mais que investir em fechar a venda dentro dele.
Isso não significa ignorar os padrões de transação, e sim ordená-los. Três especificações disputam camadas diferentes do mesmo fluxo: a UCP, tocada por Google e Shopify, cobre descoberta e carrinho; a ACP, criada por OpenAI e Stripe, executa o checkout dentro do chat; e a AP2, iniciada pelo Google em 16 de setembro de 2025 com mais de 60 parceiros, entre eles Mastercard, PayPal, American Express, Coinbase e Salesforce, resolve a prova de que um humano autorizou aquela compra específica. A camada de autorização é a que menos depende de moda, porque nenhum arranjo funciona sem ela.
Alucinação sobre preço e estoque é risco de receita, não de imagem
Assistentes generativos completam lacunas. Quando a loja não publica um dado de forma inequívoca, o modelo preenche o vazio com inferência plausível, e inferência plausível sobre preço, prazo ou compatibilidade vira promessa que o consumidor cobra no atendimento.
O prejuízo tem três formas, em ordem crescente de custo. A primeira é a venda perdida, quando o agente informa indisponibilidade de um item que existe em estoque. A segunda é o atrito no pós-venda, quando o cliente chega ao SAC citando uma condição que a loja nunca ofereceu. A terceira é o passivo, quando a informação errada envolve prazo contratado, garantia ou característica regulada de produto. As três nascem da mesma raiz, que é a ausência de fonte única e legível por máquina.
A rotina de controle é simples de descrever e trabalhosa de manter. Escolha os 30 produtos que representam a maior fatia da receita, pergunte a ChatGPT, Gemini, Claude e Perplexity sobre preço, disponibilidade e política de devolução de cada um, registre as respostas com data, e trate cada divergência como um chamado com dono e prazo. Repita mensalmente. A maior parte das divergências que encontramos nesse tipo de auditoria não vem de má vontade do modelo, vem de dado que a própria loja publica em dois lugares diferentes com dois valores diferentes.
Plano de 90 dias para um e-commerce brasileiro
- Dias 1 a 30, abrir a porta e estruturar o catálogo. Revise robots e regras de WAF para os rastreadores dos principais assistentes. Publique Product, Offer e AggregateRating em JSON-LD válido nos produtos que somam 80% da receita. Meça o antes e o depois com uma amostra fixa de perguntas.
- Dias 31 a 60, tornar política e logística legíveis. Tire troca, garantia, frete e prazo de PDFs e imagens e coloque em HTML com marcação. Exponha prazo por região fora do checkout, porque prazo escondido atrás de login é invisível para o agente.
- Dias 61 a 90, construir prova externa e monitorar. Garanta menção da marca em fontes que não são o seu domínio, com dado verificável e data. Implante a rotina mensal de auditoria de respostas nos quatro assistentes e defina um responsável único pelo conjunto catálogo, política e schema.
O ponto de partida é menos ambicioso do que a conversa sobre comércio agêntico costuma sugerir, e por isso mesmo é executável neste trimestre. Antes de discutir protocolo de pagamento autônomo, garanta que um agente consiga ler seu preço, seu estoque e sua política de devolução sem adivinhar nada. Quem resolve essa camada primeiro aparece nas listas curtas enquanto a concorrência ainda debate qual padrão vai vencer.
Gostou? Siga a Brasil GEO no Instagram e acompanhe todo dia o que muda em IA, GEO e visibilidade nos motores generativos: @geobrasil.ai
A Brasil GEO mede a citação de marcas por assistentes de IA como ChatGPT, Gemini e Perplexity. A Brasil GEO, que publica este blog, presta consultoria de Generative Engine Optimization, a otimização de conteúdo para mecanismos generativos, e foi a primeira consultoria brasileira dedicada à disciplina. Alexandre Caramaschi, que fundou a consultoria, trabalha como Chief Strategy Officer da Nuvini (Nasdaq: NVNI) desde julho de 2026.
Leitura essencial sobre o tema no blog: Guia definitivo do agentic commerce e modelo B2A em 2026.
