No SXSW 2026, um dos painéis mais diretos sobre o próximo ciclo do varejo digital tratou de uma mudança objetiva: agentes de IA começam a participar da jornada de compra como filtros, recomendadores e, em alguns casos, executores de transações. Com executivos de Bain, Mastercard, Mars e IAB, colocou o tema no centro da agenda ao discutir um cenário em que a IA deixa de apoiar a decisão e passa a operar partes da compra em nome do consumidor.
Dias antes, porém, a OpenAI sinalizou um ajuste relevante nesse roteiro. Reportagem do The Information informou que a empresa reduziu a ambição de fazer checkouts diretamente dentro do ChatGPT e passou a priorizar compras concluídas em apps conectados à plataforma. Segundo a publicação, os usuários pesquisavam produtos no chatbot, mas a conversão dentro do próprio ambiente era baixa; a base ativa de comerciantes também era pequena, com algo em torno de uma dúzia de merchants da Shopify operando nesse formato.
Esses dois movimentos, lidos em conjunto, ajudam a organizar o tema. A compra mediada por IA deixou de ser apenas uma hipótese de produto. Ela já mobiliza plataformas, redes de pagamento, provedores de infraestrutura e varejistas. Ao mesmo tempo, o recuo da OpenAI sugere que o trecho mais difícil da cadeia continua sendo a execução: dados de catálogo atualizados, autorização de pagamento, fraude, compliance tributário, integração com estoque, logística e experiência de confiança suficiente para o usuário delegar gasto a software.
Esse descompasso já aparecia no próprio discurso da OpenAI. Em 24 set 2025, a empresa apresentou o “Instant Checkout” no ChatGPT, dizendo que usuários Free, Plus e Pro nos EUA poderiam comprar diretamente em conversa com suporte inicial a vendedores dos EUA no Etsy e com mais de 1 milhão de merchants da Shopify previstos “em breve”. O anúncio também dizia que o checkout, naquele estágio, funcionava para um único item por vez e seria expandido para carrinhos com múltiplos itens e mais regiões. Menos de 6 meses depois, o plano foi revisto.
Onde a execução começa a travar
A leitura mais útil para executivos é que a disputa atual não está concentrada no melhor assistente de compra. Ela está na padronização dos trilhos. O mercado começa a se organizar em camadas distintas. O Google trabalha para definir como agentes descobrem produtos, consultam atributos, comparam opções e iniciam uma intenção de compra. Visa e Mastercard concentram esforços na identidade, autorização e proteção contra fraude quando um agente recebe permissão para gastar. A Stripe tenta padronizar o momento programável do checkout, com objetos e fluxos de pagamento que possam ser executados por software sem expor credenciais sensíveis.
O caso do Google é o mais ambicioso na camada de orquestração. Em 11 jan 2026, a empresa detalhou o Universal Commerce Protocol, o UCP, como um padrão aberto para comércio agêntico, desenvolvido com parceiros como Shopify, Etsy, Wayfair, Target e Walmart e endossado por mais de 20 empresas do ecossistema, entre elas American Express, Mastercard, Stripe e Visa. Na documentação pública, o Google descreve o UCP como um padrão para transformar interações com IA em vendas instantâneas no AI Mode e no Gemini, apoiado por dados de catálogo, pagamentos, identidade e logística.
Esse desenho interessa ao Google porque desloca parte do valor da busca tradicional para a mediação da intenção comercial em ambientes conversacionais. Se o usuário pesquisa menos em páginas de categoria e mais em respostas sintéticas geradas por IA, a vantagem competitiva passa a depender de quem consegue organizar o inventário, interpretar a intenção, priorizar atributos do produto e encaminhar a transação com menor fricção. O UCP, nesse contexto, funciona como instrumento técnico e também como estratégia de distribuição. A abertura do protocolo reduz a barreira de adesão. A centralidade do Google na descoberta mantém o poder de encaminhamento de demanda. Isso tende a concentrar poder em quem controla a camada de descoberta e priorização, com impacto direto na margem de varejistas e na dependência de plataformas.
Nas redes de pagamento, a lógica é diferente. A Visa apresentou o Visa Intelligent Commerce em 2025 como uma forma de abrir a rede para agentes de IA com ênfase em consentimento, controles de pagamento e segurança compatíveis com a infraestrutura já existente. A Mastercard fez movimento semelhante com o Agent Pay, apoiado em tokenização e integração às redes atuais. Em ambos os casos, o objetivo observável é preservar o papel das bandeiras no momento em que decisões de gasto deixam de ser iniciadas por cliques humanos e passam a ser disparadas por software operando sob regras delegadas.
A Stripe ocupa uma terceira posição. Sua documentação para agentic commerce e o protocolo desenvolvido com a OpenAI apontam para um problema mais operacional: como permitir que um agente finalize pagamento, compartilhe sinais de risco e use credenciais tokenizadas sem ampliar exposição a fraude ou quebrar a governança do merchant. A empresa descreve objetos específicos, como Shared Payment Tokens, limitados por transação e tempo, e um modelo de catálogos e fluxos que reduz dependência de interfaces humanas. Para empresas, isso mostra onde o custo real começa: integração de pagamento é só a superfície; o esforço principal está em governança transacional — autorização, reconciliação, observabilidade e auditoria — com impacto direto em custo operacional e risco.
O recuo da OpenAI reforça esse ponto. A reportagem do The Information registra que a empresa ainda não havia montado sistemas para coletar e remeter sales taxes estaduais nos EUA, algo que seria necessário caso o volume de compras ganhasse escala, e que o próprio trabalho de ativação com merchants exigia acompanhamento manual. Isso sugere que, na prática, o comércio por IA esbarra menos na qualidade do modelo e mais na complexidade herdada do e-commerce. Catálogo, preço, disponibilidade, imposto, devolução, chargeback e atendimento continuam existindo. A diferença é que agora precisam ser legíveis por agentes e executáveis via protocolo.
É por isso que a análise da Forrester é útil: o recuo da líder mais visível do tema não invalida a tese de agentic commerce, mas mostra que o mercado entrou numa etapa em que confiança do consumidor, cobertura operacional e padronização passam a importar mais do que a demonstração inicial de produto. A consultoria também registra que a Shopify confirmou que continua oferecendo aos merchants a distribuição para o ChatGPT, embora o checkout nativo tenha saído de cena. A infraestrutura de descoberta segue; a ambição de fechamento universal foi reduzida.
As três camadas do problema: confiança, operação e comportamento
Em resumo, para que agentes de IA realizem compras de forma autônoma, o ponto central passa a ser confiança operacional. Isso envolve autenticação de agentes, verificação de identidade, proteção de dados e definição de responsabilidades em caso de erro ou fraude. No e-commerce tradicional, essa camada já existe — ainda que invisível — e sustenta a transação entre consumidor, varejista e sistema de pagamento. No contexto de agentes, essa infraestrutura precisa ser adaptada para decisões tomadas por software. Isso inclui mecanismos de autorização delegada, limites de gasto, rastreabilidade e auditoria das decisões. Empresas como a Mastercard já trabalham nessa direção ao estender modelos de identidade e antifraude para agentes de IA, indicando que a evolução do commerce passa pela reconfiguração dos sistemas de confiança existentes.
Tem mais: a compra não termina no pagamento. Ela depende de uma cadeia que inclui logística, devoluções, atendimento, gestão de estoque e regras fiscais. Essa arquitetura levou mais de duas décadas para se consolidar no e-commerce. No contexto de agentes, essa estrutura precisa ser exposta e integrada de forma programável. Sistemas de varejo, pagamentos e logística passam a operar via APIs consumidas por software, com exigência de dados atualizados e consistentes em tempo quase real. Isso desloca custo para integração de sistemas, padronização de catálogos e revisão de processos comerciais, com impacto direto em CAPEX inicial e aumento de OPEX em dados e governança.
Do lado da demanda, há sinais de mudança comportamental, mas eles ainda não são equivalentes a delegação plena de compra. A Harvard Business Review relatou, em edição de mar 2026, que em 2024 o grupo Pernod Ricard se surpreendeu ao descobrir que dois terços da geração Z e mais da metade dos millennials já usavam LLMs para pesquisar produtos. Pesquisa, comparação e triagem passaram a acontecer em ambientes de IA antes da visita ao site do fabricante ou do varejista. Isso altera métricas de marketing, governança de conteúdo e desenho de funil. Ainda assim, pesquisar com IA é diferente de autorizar gasto recorrente ou compra de alto valor por IA.
A delegação da decisão de compra segue mais restrita. Envolve risco financeiro, preferência individual e percepção de controle. Esses fatores tendem a desacelerar a adoção de agentes em transações de maior valor ou menor recorrência. O padrão mais provável, neste estágio, é o uso híbrido: agentes atuam como filtro e recomendação, enquanto a decisão final permanece com o usuário.
O tema importa também no B2B. A análise do site MarTech sugere que fornecedores precisam preparar conteúdo e dados estruturados para serem compreendidos por agentes que fazem o trabalho de descoberta e shortlist. Em mercados empresariais, onde a decisão depende de documentação técnica, integração, SLA, preço e risco de implementação, agentes tendem a valorizar sinais objetivos mais do que branding isolado. Para times de marketing e produto, isso desloca parte do esforço para taxonomias, metadados, comparabilidade entre ofertas e documentação verificável.
Em termos de negócios, o quadro de ganhadores e perdedores começa a ficar mais legível. Ganham, em primeiro lugar, plataformas com capacidade de orquestrar descoberta e demanda em escala, como mecanismos de busca, assistentes conversacionais e ecossistemas com distribuição instalada. Ganham também redes e processadores que conseguirem adaptar autenticação, tokenização e controles de risco a agentes de software. E ganham merchants com dados de produto bem estruturados, APIs confiáveis e operação apta a responder em tempo quase real com preço, disponibilidade, política comercial e logística.
Perdem espaço relativo empresas que continuam tratando comércio digital como problema de interface. Em um ambiente mediado por agentes, descrição de produto mal padronizada, estoque inconsistente, política comercial pouco clara e catálogo sem atributos comparáveis deixam de ser defeitos de usabilidade e passam a ser falhas de elegibilidade. O produto existe para o consumidor humano, mas pode deixar de existir para o agente que faz a triagem. Isso traz um custo oculto relevante: o CAPEX e o OPEX da preparação de dados, da integração com protocolos e da governança de risco aparecem antes da captura de receita incremental.
Há também uma reorganização do trabalho. Se a descoberta e parte da comparação migram para agentes, funções ligadas a performance, CRM, merchandising digital, atendimento e operações de catálogo passam a operar com uma camada adicional de exigência técnica. Cresce a importância de times que conectem conteúdo, taxonomia, risco, pagamento e observabilidade. Em linguagem corporativa, isso aproxima marketing, tecnologia, operação comercial e compliance. Em linguagem financeira, significa que o ROI do comércio por agentes depende menos de um piloto isolado e mais da capacidade de coordenar processos entre áreas.
O tema encosta diretamente em governança. Delegar compras a agentes exige regras explícitas sobre limite de gasto, escopo de decisão, preferência de fornecedores, critérios de substituição, retenção de dados, rastreabilidade e tratamento de exceções. Esse ponto importa para consumidores, mas pesa ainda mais em empresas. Um agente corporativo que faz compras recorrentes ou seleciona fornecedores sem trilha adequada de decisão amplia risco contratual, tributário e reputacional. A promessa de eficiência existe, porém a eficiência só é auditável se a empresa souber por que o agente escolheu A em vez de B e sob quais parâmetros ele foi autorizado a agir.
Os limites técnicos e regulatórios permanecem concretos. Fraude, alucinação, manipulação de ofertas, conflito de interesse na priorização de resultados, opacidade de ranking e responsabilidade em caso de erro continuam pouco resolvidos. A análise publicada pelo Politico em 30 jan 2026 apontou justamente problemas associados a sistemas de compra por IA, inclusive o risco de intermediação excessiva por plataformas e a dificuldade de definir responsabilidade quando uma recomendação automatizada vira decisão econômica. Esse ponto deve ganhar tração à medida que compras por agentes avancem em categorias mais caras, reguladas ou recorrentes.
Existe, por fim, um aspecto menos visível e mais estrutural: a compra por IA aumenta a dependência de conectividade, latência previsível e integração entre sistemas. Em muitos mercados, isso recoloca em primeiro plano a infraestrutura que permite consulta de catálogo, verificação de preço, autenticação e autorização em tempo hábil. Para o varejo e para plataformas, a discussão sobre agentes tende a puxar investimentos em APIs, observabilidade, governança de dados e arquitetura transacional. Não se trata apenas de “colocar IA” no canal. Trata-se de tornar o canal executável por software sob regras claras e com baixa taxa de erro.
O próximo passo observável não será uma declaração ampla sobre “o futuro das compras”. Ele deve aparecer em métricas mais concretas. Quantos merchants conseguem operar catálogos e políticas comerciais em padrões compatíveis com agentes. Quantos usuários autorizam pagamentos recorrentes ou compras de maior valor por IA. Quantas transações passam a ocorrer com trilha auditável de ponta a ponta. Um indicador adicional será a participação de transações mediadas por agentes no volume total de e-commerce, hoje ainda marginal e sem divulgação consolidada.
A partir daqui, executivos têm uma agenda objetiva. Preparar dados para IA, revisar a arquitetura de pagamentos, definir regras de governança para agentes e observar onde o valor está sendo capturado: descoberta, autorização, checkout ou relacionamento pós-compra. O debate do SXSW e o recuo da OpenAI apontam na mesma direção. A compra mediada por agentes avançou o suficiente para exigir estratégia, mas ainda está longe de ter resolvido a execução em escala.
A definição de quem captura valor nesse modelo dependerá da capacidade de operar essas camadas com menor custo marginal e maior controle sobre dados e decisão.
Mudança estrutural: o contrato entre marca e consumidor
O avanço dos agentes altera três fundamentos:
1) Interface deixa de ser o principal ativo
Se a decisão passa por um agente, a interface perde relevância relativa.
2) Marca perde controle direto da jornada
Intermediação algorítmica redefine acesso ao cliente.
3) Dados estruturados viram pré-requisito competitivo
Sem dados legíveis por agentes, produtos deixam de existir no processo decisório.
Implicações práticas para empresas
1) Preparar dados para agentes
Catálogo estruturado, APIs abertas, integração com protocolos emergentes.
2) Redefinir estratégia de marketing
Otimização deixa de ser só para humanos (SEO/UX) e passa a incluir agentes (AEO — Agent Engine Optimization).
3) Revisar governança de transações
Autorização, limites de gasto e auditoria para agentes.
4) Escolher posição na cadeia
Orquestração (Google), execução (Stripe), autorização (Visa) ou nichos específicos.