EN

Como os agentes de IA viraram o segundo público da sua loja, e o que muda no sprint de CRO quando eles chegam

Por , Fundador e líder de crescimento

Em março, o Walmart divulgou um número que deveria interessar a quem trabalha com conversão. Os produtos vendidos direto dentro do ChatGPT, a tão anunciada experiência de "comprar na conversa", converteram três vezes pior que os produtos em que o comprador clicava e ia para o site do próprio Walmart. Na mesma semana, a OpenAI recuou do checkout embutido, sem alarde, e disse que a primeira versão "não oferecia o nível de flexibilidade que queremos oferecer, por isso estamos permitindo que os lojistas usem os próprios checkouts enquanto concentramos nossos esforços na descoberta de produtos."

Dá para ler isso de dois jeitos. A leitura mais comum diz que a compra por agentes era exagero, que os painéis continuam iguais e que a vida segue. Este texto defende a segunda leitura. A compra não foi para dentro da conversa, mas o caminho até ela foi, e isso põe um público novo na sua superfície de conversão. Um agente é um software que navega, compara e, cada vez mais, compra em nome de uma pessoa. Ele agora lê a sua loja antes da pessoa. Se você roda sprints de CRO, isso muda o que a primeira semana precisa olhar. É disso que este texto trata.

Se você leu os textos anteriores sobre CRO deste blog, conhece o argumento que atravessa todos eles. Os experimentos começam pela pesquisa, e não pelo ajuste automático, e a unidade de trabalho é a intenção: o que o visitante está tentando fazer, antes de qualquer página em que ele tenha caído. Se não leu, essa linha basta. A pergunta que este texto acrescenta é outra: o que muda quando o visitante que carrega essa intenção nem sempre é uma pessoa?

O segundo público

Hoje, três tipos de agente aparecem numa loja, e eles não se comportam nem um pouco do mesmo jeito.

O primeiro tipo nunca vê as suas páginas. Quando um assistente de compras dentro do ChatGPT, do Gemini ou do Copilot recomenda um produto, ele está lendo um feed estruturado. É um arquivo atualizado com frequência, com identificadores, preços, estoque, imagens e opções de frete, que a plataforma importa e indexa. A própria documentação da OpenAI para lojistas diz com clareza que os campos obrigatórios garantem a exibição correta de preço e disponibilidade, enquanto "atributos recomendados, como mídia rica, avaliações e sinais de desempenho, melhoram o ranqueamento, a relevância e a confiança do usuário." A sua imagem principal, o seu pop-up de saída, a variante do seu teste A/B: nada disso existe nesse canal. Desde março, a Shopify ativa isso por padrão para milhões de lojistas e diz com todas as letras que "essas superfícies de IA favorecem dados estruturados, com atributos limpos e precisão em tempo real."

O segundo tipo vê as suas páginas, por meio de um navegador que ele controla. Os navegadores com agente abrem o seu site real, leem a sua página de produto real e passam pelo seu checkout real. Eles andam mais rápido que uma pessoa, não fecham nada por educação e abandonam fluxos que uma pessoa atravessaria de má vontade: sobreposições que bloqueiam a tela, cadastro obrigatório, formulários que não aceitam preenchimento automático.

O terceiro tipo é o que fracassou em público, o checkout completo dentro da conversa, e o número do Walmart é a medida franca de onde ele está. A leitura da Forrester de meados de 2026 é direta: "a autonomia de verdade é rara" e "o hype está correndo na frente do comportamento." O próprio Google, pela área de varejo, estimou o comércio concluído por agentes em menos de dois por cento das vendas digitais. Daniel Danker, vice-presidente executivo do Walmart, disse sem rodeios: "Essa ideia de que tudo vai ficar automatizado talvez seja um pouco exagerada."

O mapa sóbrio fica assim. Agentes que concluem compras são marginais hoje. Agentes que decidem em qual loja a pessoa vai cair, com qual contexto e em qual estado de espírito já aparecem nas suas métricas, e estão crescendo rápido.

Os dois números da Adobe

A área de analytics da Adobe, a partir de mais de um trilhão de visitas a sites de varejo dos Estados Unidos, publicou os dois números que transformam isso numa questão de experimentação, e não de futurologia.

O primeiro: o tráfego vindo de fontes de IA cresceu 393% em relação ao ano anterior no primeiro trimestre de 2026. Em março, ele converteu 42% melhor que o tráfego sem IA. É uma virada completa em relação a um ano antes, quando convertia 38% pior. Esses visitantes também ficam mais tempo e leem mais páginas. O perfil se explica quando você imagina o caminho: a pessoa já fez as perguntas dela na conversa. Ela chega qualificada, informada e já bem avançada na decisão. O agente fez a persuasão, e o trabalho que sobra para o seu site é confirmar.

O segundo: a mesma pesquisa da Adobe avaliou quanto do conteúdo de um site de varejo os modelos que fazem essa persuasão conseguem de fato ler. As páginas iniciais ficaram, em média, em 75%. As páginas de produto, onde mora o argumento de compra, ficaram em 66%. Um terço do conteúdo da página de produto média é invisível para quem decide se vai recomendá-la. A diferença entre os melhores e os piores sites chegou a quase trinta pontos.

Juntando os dois números, o desenho do problema fica claro. A fonte de tráfego que mais converte nas suas métricas é alimentada por um leitor para quem você nunca rodou um teste, e esse leitor não enxerga um terço da sua melhor superfície.

Schema e feeds de comércio

Existe uma objeção justa, sobretudo de quem leu os textos deste blog sobre visibilidade em buscas com IA. Não passamos maio mostrando que as receitas de legibilidade para máquinas são quase todas teatro? A orientação do próprio Google diz que a busca com IA não exige nenhuma marcação especial, e um estudo controlado da Ahrefs com 1.885 páginas mostrou que acrescentar schema não mudou em nada as citações em IA.

As duas coisas continuam valendo. A diferença está no canal. A tese do schema como caminho para a citação dizia que decorar as suas páginas com marcação faria os mecanismos de resposta citarem você. Ela falhou em todos os testes sérios, porque esses sistemas leem linguagem, e não rótulos. Os feeds de comércio são outro mecanismo: um contrato de importação documentado, com campos obrigatórios nomeados, publicado pela própria plataforma que faz a importação. O primeiro caso é uma camada de SaaS vendendo um efeito que a arquitetura não produz. O segundo é um encanamento que a plataforma manda você ligar, com especificação. Quem confunde os dois acaba comprando auditorias de marcação, quando a loja precisa de estoque correto num feed e de um checkout que um agente consiga concluir de fato.

O sprint de CRO com agentes

O ciclo de pesquisa mantém o formato. A intenção segue como unidade de trabalho, o mapa segue como produto do trabalho e a reunião de fechamento ainda registra o que se aprendeu. O que muda é quem carrega a intenção.

O fluxo clássico. As visitas indicadas por IA ficam misturadas no tráfego, sem análise. Entram como "referência" ou "direto", recebem as mesmas variantes que todo mundo e caem em páginas feitas para quem chega frio e pela primeira vez. As falhas com agentes não aparecem. Um agente de navegador que abandonou o seu checkout não reclama. Ele só compra em outro lugar, e a sessão parece mais uma saída qualquer.

A versão AI-native. Os cinco passos continuam. Dois deles ficam mais profundos.

Na primeira semana, o mapa de intenções ganha uma coluna: de quem é essa intenção, de uma pessoa navegando ou de um agente agindo por ela? Separe as sessões indicadas por IA antes de agrupar. As perguntas dessas pessoas já foram respondidas, e os pontos de falha são outros. Acrescente uma nova entrada na primeira semana, ao lado das respostas de formulário e das gravações de sessão: a passagem do agente. Aponte um navegador com agente para a sua própria loja, com três tarefas reais de compra, e veja onde ele trava. Baixe o seu feed de produtos e leia do jeito que o modelo que recomenda lê. O estoque está atualizado? Os atributos estão completos? O feed diz o que a sua melhor página de produto diz? A mesma rodada de agrupamento que nomeia as intenções das pessoas agora também nomeia os bloqueios dos agentes, ordenados do mesmo jeito: frequência vezes peso na receita.

As semanas dois a quatro seguem o que já está codificado: hipótese estreita, duas ou três variantes, teste declarado com antecedência e decisão tomada pela regra. O único acréscimo: se o gargalo é um bloqueio de agente, a "variante" pode ser uma sobreposição que deixa de aparecer, um caminho de compra sem cadastro ou um campo do feed que finalmente bate com a página. São testes sem glamour. Eles movem a coluna nova.

Na quarta semana, a reunião de fechamento registra a coluna dos agentes no mapa. Assim, a primeira semana do sprint seguinte já começa sabendo qual público travou e onde.

O fechamento do ciclo. Uma pessoa na fase de confirmação e um leitor que é software agora estão na mesma superfície, feita para convencer quem chega frio. As equipes que percebem isso primeiro testam para os dois públicos enquanto os concorrentes ainda tratam a linha de tráfego indicado por IA como curiosidade.

Onde falha. Há dois modos de falha. O primeiro é correr atrás da história da autonomia: reconstruir tudo para o checkout por agentes enquanto as compras concluídas por agentes ficam abaixo de dois por cento do mercado. O número do Walmart é o alerta. Veja qual fatia das suas sessões vem de indicação por IA antes de pôr qualquer coisa disso acima da intenção que hoje é o gargalo. O segundo é comprar a história da marcação: pagar por decoração com schema rebatizada de "prontidão para agentes". O trabalho de verdade é mais sem graça: um feed atualizado, um caminho sem bloqueio e uma página cuja substância continua de pé quando é lida sem o design.

Nota de implantação. No nosso trabalho com cada marca, isso entra como um arquivo novo no conjunto de skills cro/ dentro da implantação da marca. É uma checagem de prontidão para agentes que a equipe e a IA leem: precisão do feed, resultados da passagem do agente e a lista de bloqueios. Ela alimenta o mesmo mapa de intenções que todo o resto. É um arquivo só, porque hoje isso é uma coluna no mapa. O arquivo cresce conforme o público cresce.

A nova coluna do mapa

A disciplina que este blog defende é que o trabalho de conversão começa antes da variante, em quem está tentando fazer alguma coisa na sua superfície. Durante quinze anos, só havia uma resposta para quem podia ser: uma pessoa. Agora há uma segunda, um agente de IA comprando em nome de uma pessoa. Ele lê um feed que você nunca revisou, abandona checkouts em silêncio e, no caminho, entrega a você as pessoas que mais convertem nas suas métricas.

O número do Walmart, três vezes pior, mostra que a conversa não substituiu a loja. O número da Adobe, 42%, mostra o que de fato aconteceu: o topo do seu funil foi para uma conversa que você não vê, e quem chega ao seu site depois disso precisa de confirmação, velocidade e nada no caminho. A pergunta da primeira semana era "o que pedem a esta superfície, e quem pede?" A pergunta continua valendo. O quem pede acabou de ganhar uma segunda resposta.

O próximo texto desta sequência olha para as ferramentas que prometem rodar tudo isso por você: Toda ferramenta de conversão com IA agora diz que roda sozinha. Estes são os três passos que ficam com a sua equipe.

Leia também

O imposto da rotatividade: como agências de marketing guardam o que as pessoas sabem

Quando uma equipe adota IA pessoa por pessoa, cada saída leva junto as regras do cliente e um histórico particular com a IA. Duas regras de gestão e um piloto em uma unidade mantêm esse conhecimento na agência.

Leia mais

Sua ferramenta de conversão com IA entrega um vencedor por semana. Veja como saber quais são reais.

A vantagem de uma ferramenta de conversão com IA é a velocidade: mais testes, mais rápido. Mas mais testes fabricam, por pura mecânica, mais vencedores falsos. A pilha de ganhos reportados pode crescer enquanto a sua taxa de conversão real fica parada. A verificação que pega isso, e duas medidas que a ferramenta não vai entregar a você.

Leia mais

Conte para a gente sobre o seu projeto

Onde estamos

  • Lisbon
    Portugal
  • São Paulo
    Brasil
  • Rio de Janeiro
    Brasil