Uma cliente compra no e-commerce, volta à loja e recebe uma oferta do produto que já levou. Para a empresa, os canais registraram interações diferentes. Para ela, a marca simplesmente não reconheceu o que aconteceu. A dificuldade aparece antes da escolha de uma ferramenta de inteligência artificial: está na forma como o negócio consegue representar a relação com o consumidor.
Alexandre Domingues descreveu esse problema na La Moda durante o painel “Varejo 2027: as oportunidades com IA”, na 14ª edição do Festival Fashion Meeting. Ao lado de Deivid Fernandes, da Água de Cheiro, e com mediação de Gustavo Gadotti, da CRMBonus, ele discutiu aplicações que vão da análise de campanhas ao atendimento e à orientação de compra.
Os casos mostram por que a qualidade da automação depende das decisões que a empresa consegue esclarecer. Reconhecer a cliente permite usar melhor o histórico, mas não resolve uma descrição incompleta do produto. Ter os dois registros tampouco determina quando oferecer desconto ou em que ponto uma conversa precisa de uma pessoa.
A discussão ganha densidade quando essas diferenças entram na avaliação do projeto. Cada uma exige um conhecimento e estabelece um limite para o que a IA pode executar.
O dado pode revelar uma compra sem explicar quem ela atende
Deivid trouxe uma dúvida concreta da Água de Cheiro. A operação, acostumada a um público de determinada faixa etária, começou a observar compradores mais jovens. Isso poderia indicar descoberta da marca por outro grupo ou compras feitas para mães e avós. O registro da transação, sozinho, não distinguia as duas situações.
Segundo ele, a IA ajudava a aproximar a análise dessa resposta, reunindo informações de campanhas e de público. A fala descreve uma investigação em andamento, sem apresentar uma conclusão sobre a origem da mudança.
A diferença interessa à gestão. Uma campanha voltada a quem escolhe para si pode exigir outra informação de uma comunicação para quem procura um presente. O mesmo produto vendido pode representar demandas distintas. Interpretar o sinal antes de ampliar o investimento evita tratar toda mudança de comprador como mudança do usuário.
Na própria análise de campanhas, Deivid relacionou a tecnologia à possibilidade de perceber problemas mais cedo e dar mais tempo à equipe para agir. O valor precisa ser examinado na decisão que essa leitura modifica: que hipótese foi revista, que gasto deixou de ser feito ou que necessidade passou a ser compreendida.
Uma base única precisa carregar critérios de negócio
Na La Moda, Alexandre explicou o trabalho de reconhecer um CPF independentemente do canal. A limpeza e a parametrização dos dados permitiram detalhar grupos antes tratados de forma mais ampla. Entre clientes fiéis, a operação passou a distinguir comportamentos ligados a preço cheio, datas especiais e uso de cashback.
Essas diferenças interferem no que deve ser oferecido. Uma recomendação promocional precisa considerar o comportamento da cliente e os limites comerciais que a empresa pretende respeitar. Dispor de uma ferramenta capaz de produzir a mensagem não estabelece esses critérios.
Alexandre apontou também uma fronteira do resultado relatado. A empresa observava maior engajamento na base mais fiel, enquanto consumidoras ocasionais continuavam comprando pouco. Havia menos informação e menos relacionamento para construir uma chamada efetiva. Sobre esse grupo, ele ponderou: “E a AI sozinha, as mecânicas sozinhas, eu acredito que não vão possibilitar isso. Porque tem uma outra conversa que é marca e posicionamento.”
A observação impede que a evolução de um segmento seja tomada como solução para toda a base. A capacidade de personalizar cresce com o conhecimento disponível, mas a conquista de relevância continua exigindo uma proposta que faça sentido para quem ainda tem pouca relação com a marca.
A descrição do produto precisa responder à situação de compra
O reconhecimento da cliente encontra outro limite quando o catálogo oferece pouca informação. Alexandre usou a numeração como exemplo: “o tamanho M, dentro de uma mesma coleção, ele veste diferente a depender do produto.” Medidas, composição, modelagem e comportamento da peça ajudam a interpretar uma necessidade que a letra da etiqueta não resolve.
Na conversa, a busca por um vestido preto para jantar, justo sem marcar, mostrou o tipo de intenção que a empresa precisa traduzir em opções. Cor e categoria participam dessa escolha, mas deixam em aberto aquilo que a cliente está tentando evitar ou conseguir.
Alexandre relatou meses de treinamento e testes em uma iniciativa de shopping com IA, então em fase de lançamento. Descreveu recomendações ruins no início, associadas a falhas no cadastro. A experiência apresentada liga o trabalho de informação ao alcance da recomendação; a fala não trouxe uma mensuração consolidada de conversão dessa aplicação recente.
A consequência para a operação vai além de escrever descrições mais longas. É necessário definir quais atributos ajudam a escolher, como serão mantidos e o que deve acontecer quando uma informação não estiver disponível. Preencher o catálogo com suposições apenas deslocaria a incerteza para a resposta oferecida à cliente.
O atendimento humano muda de função quando recebe apoio
Na Água de Cheiro, Deivid relatou que uma conversa inteiramente automatizada não funcionou para a operação. A aplicação passou a apoiar quem atende: “Então hoje a gente usa ele muito mais como um copiloto para coletar dados, para trazer algumas informações, trazer informação de produtos e afins.”
O exemplo envolve dúvidas entre fragrâncias de uma mesma família. A tecnologia pode ajudar a recuperar diferenças e reduzir o esforço de consulta. O atendente recebe esse apoio durante a interação com alguém que já procura entender qual opção levar.
Deivid delimitou o que continuava atribuindo à pessoa: “Mas a parte do convencimento, do elogio, a parte que envolve vaidade, eu preciso de um ser humano para poder alimentar.” A escolha do desenho do serviço parte, nesse caso, do trabalho que a conversa precisa realizar.
Deivid relatou conversão superior a 30% no conversacional e citou 2,3% no site. Ele próprio observou que quem chega ao WhatsApp já demonstra intenção de compra e procura esclarecer uma dúvida. Esses valores descrevem interações e públicos diferentes. Para avaliar o que o apoio da IA acrescenta, seria necessário acompanhar condições comparáveis, além do esforço empregado para atender.
A promessa precisa continuar coerente fora da conversa
Gustavo aproximou esses casos da discussão sobre descoberta por assistentes, reputação e presença da marca. O painel reuniu expectativas sobre mudanças no e-commerce, sem demonstrar uma regra universal para a seleção feita pelos modelos. O ponto útil para a gestão está na coerência entre aquilo que a empresa registra, comunica e consegue entregar.
Uma conversa pode ajudar a escolher uma peça e terminar em uma expectativa inadequada se a informação de caimento estiver errada. Uma oferta personalizada pode consumir margem sem acrescentar venda se o critério promocional ignorar o comportamento já conhecido. O problema se torna comercial quando uma resposta disponível passa a autorizar uma ação.
Os relatos sugerem separar o avanço da ferramenta da maturidade da decisão. A empresa pode automatizar uma consulta bem definida e manter uma aprovação ou um atendimento humano onde ainda há dúvida relevante. Esse limite pode mudar com o aprendizado, desde que a operação acompanhe o que a recomendação resolve e o que continua sem resposta.
O que continua sem resposta também precisa orientar o investimento
O dado incompleto sobre a cliente ocasional e a dúvida de caimento têm consequências diferentes. No primeiro caso, talvez seja necessário construir relacionamento e entender a intenção. No segundo, pode faltar uma informação objetiva que a empresa tem condições de produzir. Aplicar a mesma solução aos dois problemas tende a esconder onde o trabalho precisa acontecer.
O atendimento oferece uma forma de tornar essa diferença visível. As perguntas que exigem intervenção podem indicar atributos ausentes, conflitos na oferta ou uma necessidade que o cadastro ainda não representa. Transformá-las em uma pauta de melhoria permite decidir onde investir em informação e que decisões já podem receber apoio mais consistente.
A avaliação econômica da IA pode começar por esse deslocamento: quanto da incerteza a empresa conseguiu resolver antes de comprometer margem ou prometer algo ao cliente. O ganho passa a depender da qualidade do conhecimento que entra na operação e da autoridade dada à resposta que sai dela.
Galeria de fotos
Gustavo Gadotti / CRMBonus (mediação); Alexandre Domingues / La Moda; Deivid Fernandes / Água de Cheiro — “Varejo 2027: as oportunidades com IA”, na 14ª edição do Festival Fashion Meeting.



Áudio e transcrição
Varejo 2027: as oportunidades com IA
Registro da atração na 14ª edição do Festival Fashion Meeting. Alexandre Domingues / La Moda; Deivid Fernandes / Água de Cheiro; Gustavo Gadotti / CRMBonus (mediação).
Varejo 2027: as oportunidades com IA (32min44s)
Abrir ou baixar o áudio em MP3
Baixar a transcrição revisada em PDF (8 páginas)
Ler a transcrição revisada
Transcrição revisada a partir do registro textual fornecido, relativo à 14ª edição do Festival Fashion Meeting, sem certificação de conferência fonética integral da gravação. Foram ajustados pontuação, repetições sem conteúdo e grafias de nomes/marcas apoiadas na releitura canônica. Foram retirados preparo de microfones, anúncio duplicado e intervenções operacionais. Foram preservadas as perguntas, as respostas, as condições, os casos, os números e as previsões como apresentados pelos participantes naquele momento. Os parágrafos seguem conjuntamente; não receberam rótulos individuais nos pontos em que a troca de voz não está inequívoca no texto. Números, relações de causa, critérios atribuídos às plataformas e projeções reproduzem os relatos da conversa, sem validação independente nesta edição. Passagens e termos pouco claros estão assinalados nas notas.
Os desafios de aplicar IA na operação
Estamos no painel Varejo 2027: as oportunidades com IA. Vamos falar um pouco dessas oportunidades. Tem muitos tópicos para conversar hoje. Inclusive, já aproveito e faço um convite: às seis horas também vou fazer uma palestra para falar de agentes de IA. Para quem gosta do assunto e quiser aprofundar, no final do dia estarei aqui também.
Estou com o Deivid e com o Alê. Deivid é head de Marketing e E-commerce da Água de Cheiro. Passou por Piuca, Top Term e Havana [grafias de empresas incertas no registro], sempre nessa parte de e-commerce e operações. Alê é diretor comercial da La Moda. Passou por Nestlé e Boticário também.
Vai ser uma conversa para entender, na prática, os desafios de implementar inteligência artificial e as oportunidades que vocês estão trabalhando nas marcas para aproveitar essa nova onda. Vou começar com você, Deivid: o que já estão testando? Acabei de passar uma temporada de dois meses na Califórnia, com o objetivo de entender como as grandes marcas estavam fazendo.
Vejo um grande desafio e várias notícias falando que a maior parte dos projetos de IA em grandes empresas estão sendo cancelados ou suspensos por não conseguir entregar valor ou usar da melhor forma nas operações. Como vocês têm usado inteligência artificial, tanto no e-commerce quanto nas operações de forma geral da Água de Cheiro?
Boa tarde a todos. Primeiro, queria agradecer ao pessoal da organização pelo convite. É sempre muito bom falar do que gostamos. Na Água de Cheiro, na operação hoje — e em algumas outras marcas que acabamos representando — temos utilizado IA muito para a parte de dados: tratar dados, entender dados e conhecer um pouco mais o produto.
Produto, público e leitura das campanhas
Sempre achamos que temos uma visão muito nítida do produto, até colocar no papel e começar a entender que não é bem por aí. Você começa a entender que precisa trocar uma válvula, um rótulo, alguma coisa referente à qualidade. Hoje tenho, por exemplo, o Cloud [nome da ferramenta incerto no registro] conectado com Meta e Google Ads, onde consigo ter um panorama geral das campanhas, tratar os dados e melhorar o público também.
Tínhamos uma dúvida muito grande. Sempre foi assim: o nosso público parte de 35 anos, de modo geral. Começamos a ter compradores de 18 a 24 anos, e eu falava: o que está acontecendo? A pulguinha que sempre ficou na minha orelha era: essa galera está comprando porque está conhecendo a marca ou está comprando para a mamãe e para a vovó? Hoje estou mais perto de responder a essas perguntas, com base na IA.
Consigo melhorar a análise e evitar perda em alguns casos. Consigo fazer o analista de mídia ter um viés muito mais assertivo sobre as campanhas, mais rápido, porque sempre temos a questão da aprendizagem de campanhas. Hoje consigo prever uma tragédia muito mais cedo.
No resto do dia a dia, uma descrição de produto conseguimos fazer com muito mais qualidade. SEO para produto conseguimos estudar mais rápido. Acelerou processos para os quais precisava de gente focada o tempo todo. Hoje a equipe está mais solta.
É isso que os dados trazem. As principais iniciativas de IA estão principalmente em marketing e mídia, uma das áreas em que conseguimos ganhar produtividade e há pouco prejuízo em tentar alguma coisa com IA.
Alê, no caso da La Moda, vocês têm grandes marcas e um varejo grande no Brasil. Como têm usado? Você tem algum case interessante em marketing ou operações dentro do grupo?
Produtividade, margem e orientação de compra
Boa tarde, gente. Prazer estar aqui. Sempre recomendo começar por três pilares quando está entrando nesse mundo: IA para melhoria de produtividade, depois para ganho de margem e rentabilidade e depois para ter venda. Alguns cases em que estamos trabalhando são relativamente recentes, conectados com IA para elaboração de conteúdo. Em moda temos uma série de coleções, drops e um portfólio extenso para ativar durante o ano.
Em alguns momentos, para cobrir [trecho pouco claro no registro] o que chamamos de variante de imagem, esse tipo de descritivo dentro do site, de 20 a 30 dias num processo de produção. [A frase sobre o prazo está incompleta no registro textual.] Não precisa de estúdio, de shooting ou de modelo. Conseguimos por meio da IA…
Uma curiosidade: vocês pegam uma calça que até então não teria uma foto numa modelo e criam a modelo com agentes?
Exatamente. Fazemos todo o shooting via IA. Produto mais justo ou menos justo. Isso ajuda quando a consumidora chega à página de produto: tem muito mais assertividade na escolha, converte melhor porque o dado está disponível, e a devolução diminui porque é uma compra mais assertiva. Isso fala de produtividade.
Margem é basicamente precificação dinâmica. Já temos ferramenta para trabalhar precificação por praça e por produto. O preço ao consumidor é o mesmo independentemente do canal, mas as mecânicas têm a característica da praça. Posso ter maior intensidade promocional numa loja da região do Morumbi e menor intensidade em Salvador, na Bahia. Temos isso parametrizado: quais são os critérios para decidir o preço. Isso dá ganho de margem direto no ano. Conseguimos ter uma margem bruta bem saudável.
Em venda qualificada, começamos a atuar agora com shopping com IA [denominação incerta no registro] para ajudar nessa jornada. Uma consumidora que entra se perde muito fácil. O tempo de engajamento, principalmente no e-commerce, é muito baixo. Ela entra e já vai embora rapidamente. Esse shopping está permitindo uma sessão engajada por mais tempo: ela fica se relacionando e pesquisando a marca. Quando chega à página de produto, converte melhor também.
É uma aplicação recente e interessante. Para essa, não temos dados de conversão porque é muito nova. O que observamos é que boa parte das sessões já entram direto em PDP, mais rápido do que no passado. Antes ficava muito tempo na homepage e perdia rapidamente. Agora consigo partir da homepage para a página de produto muito rápido. E a conversão também melhora.
Deivid, no caso da Água de Cheiro, um dos grandes desafios dessa melhora de conversão passa pelo olhar conversacional. O WhatsApp tem um papel relevante no Brasil dentro da jornada do consumidor. Temos um caso incrível: o Magalu já fez mais de 100 milhões de reais em vendas dentro do WhatsApp. Como vocês têm integrado WhatsApp e agentes para facilitar a compra de uma cliente em dúvida entre três produtos, um perfume ou outro? O que estão usando de conversacional para melhorar a experiência?
IA como apoio ao atendente no WhatsApp
Duas coisas aconteceram com o conversacional. A primeira é que notamos que a conversa 100% automatizada não funcionava. Pelo menos para o nosso. Então hoje a gente usa ele muito mais como um copiloto para coletar dados, para trazer algumas informações, trazer informação de produtos e afins. Para diminuir a curva de aprendizado do atendente. Ele consegue informar e dar muito mais qualidade para o cliente, perguntando à própria IA interna.
Quando trazemos esse cenário para dentro de casa e começamos a tratar essas conversas com mais atenção, com a pessoa sentada, a nossa conversão chegou a aumentar 23%. No conversacional hoje temos uma conversão de mais de 30% no total. Tenho conversões no site que variam um pouco, mas estamos tentando estabilizar na casa de 2,3%. Já é bem bom: 2,3% no e-commerce é alto.
Em volume, o WhatsApp tem uma procura interessante de conversas iniciadas? A conversão muitas vezes é mais alta porque tem menos gente falando por ali, mas você vê adesão das pessoas buscando, tirando dúvida e comprando por conversa?
Sim. O WhatsApp hoje é responsável por mais ou menos 36% das nossas vendas. O cliente entra em contato direto no WhatsApp. Quem vai para o WhatsApp já tem a intenção de compra datada, já quer comprar. Quer tirar uma dúvida do produto.
Por exemplo, tenho Obelisk, Obelisk Nui e Obelisk Rouge [grafias incertas no registro]. São diferentes entre si, mas pertencem à mesma família de produtos. A pessoa quer tirar essa dúvida, saber o que tem de diferente de um para o outro. Isso é algo que o próprio bot consegue fazer. Mas a parte do convencimento, do elogio, a parte que envolve vaidade, eu preciso de um ser humano para poder alimentar. O ser humano consegue fazer a pessoa se sentir mais vaidosa. Acho que ainda é um gap da IA que talvez consigamos resolver no futuro.
Reconhecer o cliente entre canais e parametrizar a oferta
Alê, nesse desafio de jornada, vemos o cliente indo à loja, depois ao e-commerce, ao app muitas vezes, depois ao WhatsApp. Como estão organizando essa visão única do cliente e criando um relacionamento mais personalizado, que é sempre o sonho do marqueteiro: chegar ao um a um? O que tem visto como boas práticas e resultados reais de conseguir trabalhar os canais?
Primeiro, uma provocação ajuda muito o ser humano, que pode ser uma vendedora ou uma atendente digital. Acredito muito nesse equilíbrio que funciona bem: a capacidade aumentada da força de vendas. Não é a substituição. O desafio que você traz é a pergunta de um milhão de dólares. Estamos mais próximos disso.
Somos uma empresa omnichannel, com lojas próprias, multimarcas, e-commerce, marketplace, app, mobile, todo tipo de canal. O principal desafio é parametrizar e construir muito bem o fundamento e a base de dados, para enxergar um cliente como um único CPF independentemente do canal, com o dado muito bem sanitizado e parametrizado.
Pode ser um data lake. A partir dele, desse dado bem trabalhado, você pode ter ferramentas de CRM mais sofisticadas, um CDP para fazer a segmentação e saber com quem está falando.
Na La Moda, o grande desafio era a consumidora que comprava no e-commerce e na loja ser vista com duas jornadas e dois comportamentos distintos: tipo de produto, ticket médio. A forma de falar com ela também era distinta. Era uma bagunça. Ela dizia: você já falou comigo sobre isso, já ofereceu esse produto, eu já comprei, você não sabia? Estava bem desconectado. Hoje sanitizamos o dado primeiro.
Temos uma pirâmide em que reconhecemos da consumidora mais advogada de marca à mais ocasional. Eram quatro segmentos com que trabalhávamos, e hoje explodimos esses quatro em algumas dezenas. Quando pego a consumidora mais advogada, sei que, entre as fidelizadas, tenho quem gosta muito de comprar preço cheio, quem compra em datas especiais e quem usa muito cashback. Começo a gerar vários subperfis dentro de um perfil de cliente fiel.
Ter essa descrição bem parametrizada permite que a minha IA ou agente atue sobre isso. Se simplesmente jogar uma base de dados suja e pedir uma promoção, a IA não vai saber o limite de preço, se tem de descontar ou não. Pode dar desconto para uma cliente que compraria preço cheio ou vice-versa. Trabalhamos muito nesse fundamento para ter uma base única, um CPF único independentemente do canal.
O resultado que temos é um nível de engajamento muito maior. Principalmente no topo da pirâmide, na base mais fiel, conseguimos uma frequência média que varia entre 15 e 20 compras por ano, o que para a moda é muito alto: ela está comprando a coleção mais de uma vez, se não três. Reduzimos o churn, a taxa de abandono, de forma muito significativa.
Onde ainda não tivemos sucesso usando essa parametrização e IA para guiar estratégias promocionais e ofertas são as consumidoras mais ocasionais. Aqui ainda temos uma pergunta. Elas têm uma frequência de uma ou duas vezes. Mesmo tendo um dado mínimo para interpretar se gosta do canal X, Y ou Z, se compra vestido ou top, ainda não tenho dado e relacionamento suficientes para gerar um call to action efetivo. Essas consumidoras com frequência de um a dois permanecem em um a dois. O desafio agora é puxá-las para cima.
E a AI sozinha, as mecânicas sozinhas, eu acredito que não vão possibilitar isso. Porque tem uma outra conversa que é marca e posicionamento.
A ferramenta ajuda a entender, mas, se não tiver relevância como marca, posicionamento e diferenciais, fica muito difícil.
Reputação da marca e descoberta por assistentes
Esse é um ponto importante, principalmente com os LLMs, ChatGPT, Gemini e tudo mais. Um dado interessante: hoje o Brasil já tem mais de 200 milhões de conversas iniciadas no ChatGPT por dia. É o top 3 do mundo. Vemos o consumidor usando cada vez mais os LLMs.
Vivemos uma dualidade. Nos últimos anos, principalmente quem está no digital e no e-commerce investiu muito em performance: Meta, Google, compra de palavra-chave, construção baseada em SEO e mídia paga. Passamos por esse flip: os LLMs, o próprio ChatGPT, não necessariamente vão recomendar uma empresa ou marca que tenha um bom ranqueamento no Google. Na verdade, uma das últimas opções é olhar o seu site.
Ele olha muito para a marca. O que as pessoas estão falando dela? Como está o Reclame Aqui? E o Google Meu Negócio? Esses são fatores importantes na construção de marca. Ou aparecer na Vogue, coisas que olhávamos de PR, de que tiramos a mão para colocar todo o dinheiro nas plataformas de anúncio digital. Vamos ter de revisitar isso para construir confiança e um backlink maior no quesito marca.
Deivid, queria entender seu olhar para esses agentes de conversa e para o desafio de aparecer. Como vê a Água de Cheiro aparecendo? O que já está buscando atualizar? Esse GEO, essa forma de aparecer para os agentes, já começa a incomodar ou ser uma preocupação na agenda do e-commerce?
Agora, com GPT Ads e outras coisas aparecendo, passamos a enxergar o mercado com mais ferramentas e possibilidades. Acho isso muito positivo, porque vivíamos quase um monopólio das grandes empresas de ads e hoje conseguimos dissipar um pouco mais. Temos de dar um passo e entender como as pessoas buscam nossa marca, para antecipar a pergunta: o que a pessoa está perguntando sobre mim?
Uso muito o Grok no dia a dia para fazer pesquisas sobre a marca. Como está conectado com a base do X, é uma coisa mais atual, vamos dizer assim. Consigo trazer quase em tempo real o que as pessoas estão pensando da marca. Reassumi a Água de Cheiro há pouco tempo, e a marca está fazendo 50 anos, fez 50 anos agora, neste ano.
Uma das coisas a que atribuo essa passagem dos anos é a qualidade do produto. O nosso produto em si é muito bom, tem uma fragrância bacana. É relativamente acessível; cobrimos uma faixa que o mercado descobriu com as grandes perfumarias, que deram um salto e deixaram um pessoal meio carente. Todo mundo tem de ter acesso à beleza, sentir-se confortável consigo mesmo.
Faço uma pesquisa no Grok para trazer dados mais atualizados e entender o alcance da marca: onde estou indo, quem está me vendo, quem deixa de me ver e como chego onde não estou. Hoje ainda não estamos 100% eficientes nesse detalhe, mas estudamos bastante, tentamos trazer para a mesa mais gente com especialidade para lidar com isso.
É um grande desafio. Quem está ouvindo tem e-commerce? Temos uns dez. E quem já tentou ou anunciou no ChatGPT Ads? Ninguém. Como consumidores, já usamos muito o ChatGPT e estamos dentro dos agentes. Como marca, ainda não testamos coisas novas ou temos a preocupação de pesquisar: se eu busco camiseta de algodão Pima para o fim de semana, aparece a minha marca quando não busco o nome dela? Como aparecer?
Para quem está no digital, é um momento importante de acelerar esse conhecimento, um oceano azul de oportunidades. Se perguntasse quem tem e-commerce e investe no Google, provavelmente os braços continuariam em pé. Diferente de ChatGPT, por exemplo, uma oportunidade de pensar em GEO, porque as pessoas já estão lá. São 200 milhões de conversas iniciadas por dia no Brasil.
Na semana passada, fui ao evento do ChatGPT no Brasil, e outro dado: 50% das buscas no Brasil estão relacionadas a produtos ou indicações. Imagine a Água de Cheiro pensar em GEO em julho do ano que vem. Quanta oportunidade perderíamos na Black Friday e no Natal? A pessoa que quer dar um presente vai perguntar quais perfumes até 150 reais chegam em três dias. Muitas vezes vai ao ChatGPT, ao Grok ou ao Claude em vez de ao Google.
Uma coisa que aparece nas nossas buscas é perfume para usar no trabalho. O pessoal quer saber porque não pode ser um perfume muito marcante, forte, tem de ser mais acessível para o dia a dia. Perfume para trabalhar, perfume para casar. Tem esse tipo de coisa.
É interessante primeiro entender esses contextos, onde a marca está aparecendo e como melhorar a atribuição.
Cadastro, medidas e lançamento da busca assistida
Alê, tem uma questão nova: o Google está lançando nos Estados Unidos um agente para ajudar em sizing. Um dos grandes desafios de troca é comprar, por exemplo, na Aramis e não saber se é P ou M. Estão lançando novidades; inclusive, às seis horas vou falar dessas novidades do Google em agentes. Como estão organizando as informações e olhando para Google, ChatGPT, esse universo agêntico na La Moda?
A primeira reflexão é que vamos ter de entrar nesse mundo para não ficar obsoletos. Há um ano, numa reunião da La Moda, alguém perguntou quem acreditava que o e-commerce continuaria vivo como é dali a dois anos. Talvez seja menos.
Na jornada do e-commerce como conhecemos, esperamos a cliente entrar. Podemos fomentar com mídia paga ou CRM, mas esperamos que entre, navegue, conheça, procure, passe pelo frete. É uma jornada longa, com muito atrito potencial e dúvida. Falamos de paralisia da escolha: está mais difícil entrar num site e perder muito tempo. As clientes querem acesso às opções e preços e algo que responda à necessidade com informação que faz sentido.
Acredito que o e-commerce como conhecemos, muito em breve — um ano e meio, dois no máximo — deve ficar… Não digo menos relevante; continuam as [palavra pouco clara no registro] de mídia paga, CRM, social. Mas o primeiro ponto é organizar o dado. Não dá para implementar IA amanhã, conectar tudo e esperar que esteja bem indexado e funcionando se a própria base interna não está preparada.
A IA precisa entender quem é o cliente e o que busca. Estamos focando o processo de cadastro de produto: sair da descrição simples e falar de modelagem, de caimento, de tamanhos, de como o produto se comporta.
Os tamanhos: não é mais falar o que é um tamanho M ou G, porque o tamanho M, dentro de uma mesma coleção, ele veste diferente a depender do produto. Por produto, preciso ter as medidas e o tamanho, e a IA pode ajudar nisso. Composição: um produto com mais elastano veste diferente de um com outro componente. Isso precisa estar claro. Todo o processo de cadastro muito bem feito.
Acabamos agora de lançar também uma AI Shopping, para ter esse processo agêntico dentro do site. Antes de indexar nas principais plataformas, a cliente — a partir da semana que vem, aliás, lançamos na segunda-feira — entra e vai poder falar: quero um vestido preto para jantar, justo, mas que não marque. Ficamos seis meses treinando e testando para isso funcionar.
Hoje ela recebe um cardápio de opções. Nos primeiros meses era um horror, tudo errado, porque a nossa base estava errada. Não tinha cadastro, então a IA não conseguia funcionar. Hoje funciona muito bem. Com isso funcionando e melhorando a jornada da cliente, começamos a pensar em como indexar nas plataformas, como o Gus disse. Mas ainda há uma jornada para entrar.
Ao mesmo tempo que é uma oportunidade, é um desafio enorme, porque outras marcas estarão expostas no ChatGPT, no Gemini ou em qualquer plataforma. Para ser relevante, terá de construir essa relevância sem errar em dados. Isso é zero discussão. E ter esse posicionamento de marca que você trouxe, o que chamávamos de PR: precisa estar muito visível.
Se a loja não tem um cadastro bom no Google Locations [identificação do serviço incerta no registro], já é ruim. Vai ser desindexada de alguma forma. Algumas marcas olhavam para o Reclame Aqui, mas poucas… Vamos pegar todas as lojas: como está o review da minha loja do grupo em Jaraguá do Sul? Alguém está olhando para o Google Meu Negócio? Para o Reclame Aqui? Para onde a marca é citada, se gera branding? Esse é um dos grandes desafios.
Base de conhecimento, mudanças de jornada e próximos passos
Primeiro, essa camada de dados. Desde 2018 venho falando de organização de dados, numa visão unificada do cliente. Agora há uma camada adicional de produto muito mais bem especificado. O Google vai saber minhas medidas e buscar qual camiseta tem um caimento melhor. Uma vez que aprendeu a minha numeração, vai buscar os sites com informação correta. Posso ser M numa marca ou P em outra; para mim não importa, quero que funcione.
Essa construção de base de conhecimento e estruturação de dados de produto ainda tem uma grande oportunidade. O varejo avançou na base de clientes: hoje vemos a maior parte das marcas com CRM e conseguindo usar os canais. Mas desafio vocês a irem ao e-commerce das marcas de que gostam e fazer uma busca contextual.
Entrar no site da Água de Cheiro e falar no search como falaria com o ChatGPT: quais são os perfumes amadeirados até 250 reais? Será que volta resolvido? É um primeiro passo para entender se isso vai funcionar também no LLM.
Vivemos um momento de repensar o e-commerce. Uma das coisas mais interessantes que vi é que esse e-commerce de filtro, banner, acredito que em dois ou três anos vai morrer, essa forma como compramos hoje. Vejo esse olhar agêntico facilitando a jornada. É um desafio entender os próximos passos. Imagino quem está começando a fazer o e-commerce hoje como conhecíamos: vai ser um grande desafio.
O Magalu perdeu 20% do acesso do Google orgânico em um ano. As pessoas não vão mais ao Google buscar algo que leva ao Magalu. Por quê? Porque a resposta já vem no Gemini ou no ChatGPT. Quero comprar um ar-condicionado, qual é o melhor? Nessas plataformas responde a dúvida e vai direto ao checkout muitas vezes, porque ainda não tem um checkout no ChatGPT. É um dos sintomas de que o digital como conhecemos está numa grande transformação.
Obrigado pelo tempo de vocês, foi uma conversa rica. Deixem um último recado para o pessoal. Se quiserem compartilhar LinkedIn e Instagram ou um agradecimento final…
Parâmetros, participação humana e aprendizado da equipe
Agradecer. Poderíamos ficar falando muito tempo,30 minutos não dá. Se quiserem continuar essa conversa, me procurem no Instagram: Alexandre Domingues A. A única mensagem que deixaria é: foquem na organização dos dados da empresa. Cuidado para não cortar caminho. A IA sozinha hoje não vai funcionar, precisa dos parâmetros bem criados ainda.
Lembrem-se de que transbordar para o humano ainda é uma melhor opção. Usem o canal físico para construir esse meio a meio. E não desistam. O contexto vai mudar, vamos perguntar muita coisa para a qual não temos resposta. Vai doer um pouco, mas em dois ou três anos vamos sair numa situação interessante para o varejo.
Participem da palestra às seis, porque vou falar de outras coisas que complementam a visão do Alê.
Obrigado pela atenção e pelo tempo investido aqui. Deivid Fernandes no LinkedIn. Está fácil de me achar: é Deivid com EI, do jeito mais errado que conseguirem imaginar.
A mensagem para finalizar: não desista da IA. Tem muita gente que testa, não se adequa, não acerta de primeira, fala que não funciona ou não é para ela, e deixa quieto. Não é bem assim. Precisa ser aprimorada, aprender junto com vocês. É uma inteligência artificial, mas fica mais inteligente quando interage com vocês.
Para essas coisas funcionarem, tenham as pessoas certas na equipe. Valorizem as pessoas que têm dentro de casa. Acho que já passamos um pouco daquela fase de a IA dominar o mundo, mandar todo mundo embora e deixar todos desempregados. Precisa de gente boa. Peguem quem está interessado e invistam. Às vezes há um funcionário que ainda não é tão assertivo com IA, mas tem vontade. Invistam, coloquem para estudar, conversem. Vale a pena.
Obrigado, pessoal. Até a próxima.
Notas sobre o registro
O registro textual permite acompanhar as perguntas e os casos do painel. A revisão não corresponde a uma certificação fonética integral da gravação. Alguns pontos de troca de voz permanecem sem identificação individual.
As grafias de empresas do histórico profissional, do nome Cloud, de variações de fragrâncias e de Google Locations permanecem incertas no registro. A denominação da busca assistida aparece como e-shopping e AI Shopping.
A frase que menciona 20 a 30 dias na produção de imagens está incompleta. O registro não esclarece se o intervalo representa duração, redução ou outra referência de prazo.
Os indicadores de conversão, participação do WhatsApp e frequência de compra são relatos dos participantes, sem janela, amostra e base comparativa completas. A faixa de 15 a 20 compras por ano refere-se ao grupo mais fiel; o próprio relato informa que consumidoras ocasionais permaneciam com frequência de uma a duas compras.
Na fala sobre shopping com IA, a indicação inicial de lançamento é seguida pela referência à segunda-feira seguinte. A aplicação é descrita como recente e ainda sem dados consolidados de conversão.
Números atribuídos a ChatGPT, Magalu e vendas por WhatsApp, afirmações sobre plataformas e previsões de mudança no e-commerce foram preservados como falas situadas no momento do evento. Suas fontes, períodos e métodos não estão detalhados no registro.
