Assistentes de compra escolhem vencedores diferentes: o que fazer

Assistentes de compra escolhem vencedores diferentes: o que fazer

Três modelos de IA receberam a mesma lista de 20 produtos e o mesmo pedido de compra e não chegaram ao mesmo vencedor, segundo teste publicado pelo Search Engine Journal com buscas feitas em outubro. Na consulta por café em grão, Claude Haiku 4.5 e Claude Sonnet 5 escolheram o torrado escuro com mais avaliações, enquanto Claude Opus 5 escolheu o torrado médio em 48 de 50 rodadas. Para quem escreve página de produto, o recado é direto: não existe um texto único que agrade a todos os assistentes de compra, e a saída é escrever na linguagem do comprador e tornar a informação recuperável por qualquer sistema.

O que o teste com três modelos Claude mostrou

O experimento começou com uma busca por café em grão no catálogo da Shopify, feita via Shop MCP, a conexão que a Shopify abriu para agentes de IA. O autor salvou os 20 primeiros resultados e entregou exatamente essa lista a três modelos Claude, com a mesma instrução e o mesmo pedido, repetidos 50 vezes para cada modelo, em quase 2.000 chamadas. O único elemento que mudou foi o modelo.

Os modelos viram apenas título, loja, preço, nota em estrelas, número de avaliações, o resumo de uma linha do catálogo e as três primeiras características listadas, numeradas de 1 a 20. O pedido do comprador era o mais vago possível: só o produto, sem orçamento, sem histórico e sem preferência declarada. E as respostas divergiram de forma sistemática.

Haiku 4.5 e Sonnet 5 favoreceram o torrado escuro com o maior número de avaliações. Opus 5 preferiu o torrado médio em 48 das 50 rodadas e explicou o critério: “sem preferências declaradas, um torrado médio é a opção mais segura para agradar a maioria”, tradução da frase original em inglês registrada no teste.

A base de produtos também foi ampliada. Segundo o Search Engine Journal, as buscas cobriram oito consultas de skincare e mais seis categorias: mochila, café em grão, tênis de corrida, garrafa de água, fone sem fio e tapete de ioga. Duas consultas foram descartadas, vela aromática e ração para cães, porque uma única loja ocupou os 20 resultados de vela e três lojas ocuparam a lista de ração.

Por que a escolha do modelo vira decisão de sortimento

Uma lista não é uma compra. Alguém precisa escolher um item da lista, e quando o agente roda sobre um modelo de linguagem, quem escolhe é o modelo. Segundo o Search Engine Journal, a empresa que constrói o agente escreve instruções por cima desse processo, e essas instruções são privadas e diferentes de um agente para outro. O teste isolou justamente a camada de baixo, o modelo sozinho, sem as instruções do agente.

A infraestrutura que alimenta o fluxo foi aberta pela Shopify. Conforme a descrição da própria Shopify, o Shop MCP “permite que seu agente ou app pesquise o Catálogo Shopify, monte carrinhos e conclua o checkout com Shop Pay por meio de uma única conexão MCP”. A conexão cobre mais de um bilhão de produtos e a busca não exige chave de API, o que baixa a barreira para qualquer empresa construir um agente de compras.

O Search Engine Journal já havia observado, em teste anterior citado no artigo, que o catálogo da Shopify ordena produtos com mais avaliações em posições superiores. O novo teste começa onde o anterior parou: definida a ordem da lista, o que o modelo escolhe a partir dela. Para um lojista, a leitura é que aparecer bem na lista e ser o item escolhido são duas etapas distintas, e a segunda não está sob controle do catálogo.

Como escrever a página para o comprador e para o modelo

Em webinar do Search Engine Journal com a seoClarity, Chris Sachs, VP de Value Enablement, e Aris Vrakas, Product Lead na seoClarity, apresentaram quatro movimentos conectados: tornar as páginas de produto legíveis, enriquecer o conteúdo na linguagem do comprador, sincronizar feeds e páginas e medir o que mudou. O ponto de partida é técnico, não editorial.

Vrakas abriu pela pré-condição: o conteúdo do produto precisa estar disponível para robôs, não apenas visível no navegador. Ele descreveu páginas pesadas em JavaScript em que o comprador vê detalhes que uma coleta automatizada não expõe, e recomendou verificar o que o crawler realmente recebe, se os dados centrais estão no HTML e se informações importantes dependem de execução no cliente. Onde a renderização é gargalo, ele citou prerenderização e HTML em cache como alternativas. Descrição melhor não ajuda um sistema que nunca a recebe.

O segundo movimento é de vocabulário. Os palestrantes usaram meias como exemplo recorrente: cor e composição de fibra são atributos úteis, mas não respondem a perguntas sobre calor, espessura, durabilidade ou uso pretendido. A recomendação é ligar características do produto às decisões que o comprador tenta tomar, em vez de deixar o modelo inferir um caso de uso a partir de uma especificação curta. Vrakas também defendeu usar evidência de avaliações com atribuição para sustentar afirmações sobre desempenho.

Vrakas observou ainda que mesmo um pedido amplo por um bom produto pode levar um sistema de IA a considerar atributos mais específicos. A consequência para o texto da página é direta: um pedido amplo não elimina a necessidade de atributos específicos.

Sachs alertou contra tratar o feed de produtos como projeto separado, tocado por outra área. Informação incluída no feed deve também aparecer na página de produto e nos dados estruturados, em vez de parar no feed. Os palestrantes chamaram isso de fechar o ciclo entre SEO, merchandising, mídia paga e desenvolvimento.

O que medir antes de reescrever o catálogo

Os palestrantes separaram três áreas de medição. Visibilidade na grade de produtos: com que frequência itens prioritários aparecem em carrosséis de compra para as buscas relevantes. Menções e citações em IA: se a resposta nomeia um produto ou cita seu conteúdo de apoio, e como a marca é descrita. Desempenho do feed pago: impressões, cliques e conversões de campanhas alimentadas pelo feed. São sinais diferentes, não definições intercambiáveis de sucesso.

Para equipes pequenas, a análise editorial possível é organizar a produção em torno desses sinais, e não de uma lista de palavras-chave. Um caminho de trabalho: mapear as perguntas que o comprador faria sobre o item (uso, espessura, manutenção, durabilidade), escrever uma frase de resposta por pergunta na página, garantir que esse texto apareça no HTML entregue ao robô e repetir a mesma informação no feed e nos dados estruturados. Duas ou três perguntas reais por produto já criam a camada de contexto que o resumo de uma linha do catálogo não cobre, como mostra o levantamento sobre páginas de produto para agentes de IA.

O teste com os três modelos Claude não diz qual texto vende mais. Diz que, com o mesmo insumo, a decisão muda conforme o modelo que roda o agente, e que instruções privadas em cada agente tornam impossível otimizar para um único árbitro. O que está sob controle de quem escreve é a matéria-prima: dados do produto acessíveis ao robô, atributos ligados a decisões de compra e a mesma informação em página, feed e dados estruturados. Quem quiser transformar esse mapeamento em texto de página e de anúncio sem começar do zero pode criar uma conta no Copy Mágico e aplicar a mesma base de linguagem do comprador nos diferentes formatos.