Érico Scorpioni, CEO da CheckCommerce, disse na ExpoGestão que o comércio agêntico — compras feitas por inteligência artificial em nome do consumidor — vai beneficiar mais os pequenos negócios do que as grandes marcas. Segundo ele, a relevância do conteúdo do produto vai pesar mais do que o investimento em mídia e em SEO que hoje garante visibilidade aos grandes players.

“O comércio agêntico vai dar muito mais poder para os pequenos do que para os grandes”, afirmou Scorpioni, ao explicar que, nesse novo modelo, agentes de IA decidem com base em relevância e capacidade de resolver o problema do cliente, não em backlinks ou audiência consolidada.

Scorpioni é desenvolvedor autodidata e publicitário, com formação na ESPM e na London Business School. Foi investidor da primeira plataforma de aluguel de roupas e acessórios do Brasil e, mais tarde, CMO da empresa, vendida em 2017 para um fundo de investimento internacional. Há dez anos fundou a CheckCommerce, consultoria estratégica em Shopify que atende marcas como Amaro, Arezzo, Vulcan, Granado, Boca Rosa e Schutz. Há dois anos, criou a Fulcom, plataforma de orquestração de e-commerce que hoje atende mais de 690 lojas na Shopify e processou 2 milhões de pedidos nos últimos doze meses.

Um canal de vendas, não uma revolução isolada

O palestrante começou diferenciando três tendências do varejo digital: o comércio social (compras via redes como TikTok e Instagram), o comércio unificado (evolução do omnichannel, com todos os canais de venda integrados em uma única plataforma) e o comércio agêntico, em que a compra acontece por meio de modelos de linguagem como ChatGPT, Gemini, Copilot e Perplexity.

Para Scorpioni, o comércio agêntico é “apenas mais um canal de vendas” dentro de uma plataforma unificada — não uma ruptura isolada. “Eu ainda não sei se ele vai aumentar ou diminuir as vendas, mas ele é um canal”, disse.

Como um agente de compra encontra uma loja

Scorpioni descreveu o conjunto de protocolos que sustentam o comércio agêntico. Lojas virtuais precisam publicar um arquivo chamado well-known agent.json, que informa a agentes de compra quais habilidades um “agente vendedor” tem — buscar produto, negociar preço, calcular frete, entre outras.

Outros protocolos:

KYA (Know Your Agent): inspirado no KYC (Know Your Customer) usado por bancos e meios de pagamento, verifica se um agente é legítimo e pertence à empresa que afirma representar, usando um sistema com blockchain.

UCP (Universal Commerce Protocol): desenvolvido por Google em parceria com a Shopify, lançado em janeiro. Já está disponível para clientes da Shopify nos Estados Unidos e, com funcionalidades limitadas, no Brasil.

A2A (Agent to Agent): protocolo de comunicação entre o agente comprador e o agente vendedor.

AP2 (Agents Payment Protocol): um dos protocolos voltados a pagamentos — etapa que, segundo Scorpioni, ainda é a mais desorganizada do processo. “A camada de pagamentos ainda está uma bagunça”, disse, citando iniciativas distintas de Visa, Mastercard, Stripe e PayPal sem uma convenção comum.

Por isso, segundo o palestrante, hoje os agentes de IA ainda recomendam produtos ou exibem o checkout dentro do próprio chat, mas a transação não ocorre de forma totalmente autônoma. Ele acredita que soluções para cartões e carteiras digitais devem avançar ainda este ano.

O maior valor da IA é a orquestração

Scorpioni defendeu que o principal ganho da inteligência artificial para o varejo não está no novo canal de vendas, e sim na orquestração de decisões operacionais complexas — como definir de qual centro de distribuição despachar um produto considerando benefícios fiscais, ou identificar anomalias em métricas de vendas.

Como exemplo, citou um caso em que o custo médio por item de um pedido caiu de R$ 80 para R$ 2: a anomalia não era um erro, mas um cliente que descobriu um produto-brinde de R$ 1 e comprou 60 unidades. “Isso é muito difícil de monitorar sem inteligência artificial”, afirmou.

O palestrante diferenciou IA preditiva (mais antiga, usada para calcular índices de confiança) e IA generativa (mais recente, usada para tomar decisões e criar conteúdo). Defendeu o uso combinada das duas: a generativa para criar e decidir, a preditiva para validar a confiança do resultado.

“Harness Engineering”: por que a IA sem contexto erra

Scorpioni apresentou o conceito de Harness Engineering — termo que, segundo ele, vem de um artigo da equipe de engenharia da OpenAI — para descrever a necessidade de dar regras, contexto e limites claros à IA generativa antes de delegar tarefas a ela. Sem esse direcionamento, disse, o resultado é imprevisível: “Dependendo do caminho que o seu prompt vai passar dentro de uma rede neural, você pode ter um resultado diferente.”

Ele citou como exemplo um pedido simples de e-mail marketing feito a um assistente de IA sem contexto sobre identidade visual, tom de voz e vocabulário da marca — o que produz um resultado genérico, que não corresponde ao padrão da empresa.

Para evitar isso, Scorpioni recomendou alimentar os agentes com “skills” (arquivos de instrução com políticas e padrões da empresa) e estruturar fluxos de trabalho com ferramentas como MCP (Model Context Protocol), que funciona como uma camada de abstração sobre APIs. Como exemplo, citou a integração entre a Shopify e a plataforma de automação de marketing Klaviyo, que permite a um agente de IA criar campanhas completas a partir de uma única instrução.

O palestrante recomendou manter aprovação humana sobre decisões da IA generativa até a adoção de modelos preditivos de apoio, citando testes internos em que o mesmo prompt gerou índices de confiança distintos (85%, 70%, 45%) em execuções diferentes. “O julgamento da IA generativa é ruim”, afirmou.

Na sessão de perguntas, ao ser questionado sobre como funcionaria a documentação de um agente de compra pessoal, Scorpioni reconheceu que o tema ainda não tem resposta definida, mas apontou que a verificação humana deve se concentrar na etapa de pagamento, por meio de contratos digitais com assinatura ou biometria.

Questionado sobre cenários de decisão combinando múltiplas fontes de dados em tempo real — como trânsito e previsão de vendas —, citou o caso de uma rede de sanduíches no Aeroporto de Congonhas que usa algoritmo preditivo para produzir antes do pedido, com base no fluxo de passageiros. Disse acreditar que situações mais complexas, com muitas variáveis cruzadas, ainda enfrentam limitações: “Quanto mais dado você coloca na janela de contexto de um agente, menor é a qualidade do resultado.”