Pesquisa: o marketing tradicional não funciona com agentes de compras baseados em IA

Uma parcela cada vez maior dos compradores não é humana. Trata-se de agentes de IA que pesquisam, comparam e, cada vez mais, realizam compras em nome dos consumidores. Recentemente, a OpenAI integrou o ChatGPT de forma mais profunda em aplicativos de descoberta de produtos e de comércio; o Google lançou um protocolo de comércio universal (UCP) para permitir que agentes de IA realizem transações entre diferentes varejistas; e a Amazon lançou ferramentas que permitem que seus agentes façam compras em sites de outros varejistas em nome dos clientes. As táticas de persuasão aperfeiçoadas pelos profissionais de marketing ao longo de décadas, baseadas em padrões bem documentados da cognição humana, não funcionam da mesma forma com agentes de IA. Algumas nem sequer funcionam. Outras têm o efeito contrário. Isso não é especulação. Quando testamos oito mecanismos promocionais comuns do comércio eletrônico em quatro modelos de IA, ao longo de milhares de rodadas de compras simuladas, descobrimos que apenas um se comportou de maneira consistente com o que esperaríamos de compradores humanos. A maioria das empresas não está preparada para isso. Em uma pesquisa exploratória com 50 executivos de comércio eletrônico nos Estados Unidos e no Reino Unido, a maioria afirmou já ter percebido mudanças no tráfego ou na conversão que atribuem aos agentes de IA e estar buscando ativamente maneiras de melhorar a forma como os agentes interagem com seus sites. No entanto, muitos desses mesmos executivos acreditam que os estímulos que persuadem os compradores humanos também tendem a influenciar os agentes de IA de maneira semelhante, e que já compreendem quais elementos de seus sites são mais importantes para o comportamento dos agentes. Nossa pesquisa sugere que essa confiança é infundada. Os mecanismos da persuasão foram desenvolvidos com base em seres humanos: na aversão à perda, no efeito âncora, no viés da escassez e na prova social. Para os compradores de IA, esses não são princípios confiáveis. São hipóteses a serem testadas. E as conclusões podem perder validade a cada atualização do modelo. O que descobrimos Desenvolvemos uma simulação proprietária que reproduz a forma como os agentes de IA interagem com páginas típicas de produtos de comércio eletrônico. Testamos quatro modelos diferentes de IA (GPT-4.1-mini, GPT-5, Gemini 2.5 Pro e Gemini 2.5 Flash Lite), cada um encarregado de selecionar entre os produtos apresentados em um layout de grade realista. Variamos oito tipos de selos promocionais comumente usados no varejo online: sinais de garantia (“Garantia de devolução do dinheiro”), contadores regressivos, preços riscados, indicações de escassez (“Restam apenas 2!”), prova social (número de compras), vouchers, pacotes e classificações por estrelas. As categorias de produtos alternaram entre quatro itens de uso diário — um telefone, um relógio de fitness, uma máquina de lavar e um mouse pad — para testar se os padrões se mantinham em contextos comuns de varejo. Para cada modelo e produto, realizamos 1.000 rodadas de compras simuladas, gerando mais de 16.000 situações de escolha no total. A principal conclusão foi clara: apenas as avaliações impulsionaram de forma consistente as escolhas em todos os quatro modelos e categorias de produtos, refletindo a confiança bem estabelecida das pessoas nos sinais de qualidade. Todos os outros indicadores produziram efeitos que variaram de acordo com o modelo e a categoria do produto, às vezes de forma dramática. A prova social foi o segundo sinal mais robusto, mas mesmo esse variou de caso para caso. Em contrapartida, táticas bem conhecidas, como preços com risca, temporizadores de contagem regressiva e pacotes, não mostraram nenhum padrão estável. Em alguns casos, aumentaram a seleção; em outros, não tiveram efeito; e, em pelo menos um caso, os pacotes a reduziram. Um padrão mais amplo se destacou: os modelos sem capacidade de raciocínio — Gemini 2.5 Flash Lite e GPT-4.1-mini — mostraram-se, em geral, mais receptivos a estímulos promocionais, enquanto os modelos com capacidade de raciocínio — GPT-5 e Gemini 2.5 Pro — demonstraram menor receptividade. No entanto, mesmo essa generalização tem limites: o mesmo selo poderia produzir efeitos opostos no mesmo modelo, dependendo da categoria do produto. Em seguida, fizemos uma pergunta mais profunda: por que essas táticas funcionam com os seres humanos, e será que essa mesma lógica explica como os agentes de IA respondem? Cada um desses estímulos promocionais funciona com as pessoas por uma razão psicológica específica. Os avisos de escassez despertam o medo de perder uma oportunidade ou a sensação de perda potencial, levando as pessoas a agir rapidamente antes que o item se esgote. No entanto, esse estímulo não surtiu efeito em alguns modelos, e o GPT-5 chegou a reagir negativamente em determinadas categorias de produtos, sugerindo um padrão que contraria o que normalmente se observa em seres humanos. Da mesma forma, os preços riscados criam uma referência que faz com que o desconto pareça um ganho, incentivando assim a compra. No entanto, não observamos um padrão consistente de resposta em consonância com essa lógica. De fato, no caso do Gemini 2.5 Pro, à medida que a indicação de desconto se tornava mais acentuada, seu efeito persuasivo adicional enfraquecia em vez de se fortalecer. O quadro geral é claro: os sinais promocionais às vezes influenciaram as escolhas dos agentes, mas não pelas mesmas razões que influenciam os seres humanos. O que os profissionais de marketing devem fazer a respeito? Nossas conclusões apontam para um imperativo estratégico claro: os princípios para persuadir compradores humanos não se aplicam de forma confiável a agentes de IA. Mas a pesquisa também revela uma estrutura prática por trás de todo esse ruído. Primeiro, entenda bem os fundamentos. Em todos os modelos que testamos, dois fatores se comportaram exatamente como fazem com os humanos: preço e avaliações. Preços mais altos reduziram consistentemente a seleção; avaliações mais altas a aumentaram consistentemente. Outros selos e sinais não foram confiáveis. Antes de investir em táticas específicas para agentes, as empresas devem garantir que seus fundamentos sejam sólidos: preços competitivos e perfis de avaliações fortes e autênticos. Trate cada modelo como um segmento de mercado distinto. Os profissionais de marketing passaram décadas segmentando compradores humanos com base em dados demográficos, geográficos, psicográficos e comportamentais. Nossos resultados sugerem que agora eles precisam considerar uma nova variável de segmentação: o próprio modelo de IA. Encarar cada modelo como um segmento distinto, com seu próprio perfil de resposta a estímulos promocionais, oferece uma estrutura familiar e prática para gerenciar essa complexidade. Adapte o que você apresenta a quem, ou ao que, está a procurar. Se cada modelo responde de maneira diferente, o próximo passo lógico é apresentar versões diferentes das informações do seu produto, dependendo de qual agente está interagindo com o seu site ou feed de dados. Um ponto de partida prático consiste em identificar quais modelos de IA geram mais tráfego ou transações em sua categoria e otimizar com base neles. Isso está se tornando mais fácil. À medida que as compras passam cada vez mais por protocolos de comércio como o UCP do Google, os comerciantes passam a ter visibilidade sobre quais plataformas de IA estão impulsionando suas transações. Isso reflete os primórdios da otimização para dispositivos móveis, quando as empresas inicialmente projetavam para o dispositivo dominante antes de criar experiências totalmente responsivas. Uma abordagem mais eficaz é dinâmica: detectar o modelo de agente e ajustar os sinais promocionais em tempo real — por exemplo, quais emblemas são exibidos, como os preços são apresentados, se pacotes ou vouchers são exibidos — com base em qual agente está avaliando a página. Hoje, isso ainda é difícil. A maioria dos agentes de compras baseados em IA navega por meio de navegadores web comuns, o que torna difícil distingui-los de visitantes humanos em tempo real. Mas, à medida que os protocolos de comércio amadurecem e a detecção comportamental melhora, essa diferença irá diminuir. As empresas que começarem a construir a infraestrutura de testes agora estarão em melhor posição para agir quando a personalização em tempo real se tornar cada vez mais viável. Entenda o prompt, não apenas o agente. Um agente de compras baseado em IA não vem com preferências próprias. Ele vem com o prompt do usuário. Um consumidor que diz ao seu agente “encontre-me os fones de ouvido sem fio com as melhores avaliações por menos de 100 libras” está dando a ele uma orientação muito diferente daquela de alguém que diz “encontre-me a opção mais barata que seja enviada amanhã”. O comportamento do agente é moldado por essas instruções. Compreender as estruturas de prompt mais comuns em sua categoria é uma forma nova e importante de pesquisa de consumo. As empresas devem começar a estudar o que os consumidores estão solicitando aos seus agentes para otimizar seus serviços. Isso pode ser feito por meio de pesquisas diretas, análise de padrões de prompt ou parcerias com plataformas de IA. As marcas que compreenderem como seus clientes se comunicam com seus agentes estarão melhor posicionadas para garantir que seus produtos sejam apresentados da maneira correta para as consultas certas. Espere que modelos mais avançados sejam céticos em relação às táticas de marketing, e não indiferentes a elas. Uma suposição comum é que, à medida que os modelos de IA se tornam mais capazes, eles se tornarão mais “racionais” — menos suscetíveis a sinais de marketing, mais parecidos com os maximizadores de utilidade perfeitamente informados da teoria econômica. Nossas descobertas contestam essa ideia. Modelos mais avançados, como o GPT-5 e o Gemini 2.5 Pro, mostraram-se menos receptivos a certas táticas promocionais, mas não as ignoravam simplesmente. Em vários casos, eles pareciam penalizar sinais evidentes de persuasão, como se os interpretassem como indícios de baixa qualidade ou manipulação. Isso significa que táticas promocionais agressivas, do tipo que ainda funcionam com muitos compradores humanos, podem se tornar cada vez mais contraproducentes à medida que os modelos de agentes avançam. A tendência não é no sentido de agentes que simplesmente ignoram seu marketing; é no sentido de agentes em que mais persuasão produz menos seleção. Construa uma infraestrutura de testes, não uma estratégia pontual. Talvez a lição mais importante seja de natureza estrutural. Os efeitos promocionais que medimos hoje não serão os mesmos após o próximo lançamento de modelo. Cada grande lançamento, ajuste de otimização ou nova configuração de segurança pode alterar a forma como um agente responde a estruturas de preços, sinais de urgência ou prova social. Qualquer “estratégia de otimização de agentes” fixa tem vida útil curta. As empresas devem criar ambientes de simulação onde possam testar sistematicamente agentes de IA em suas páginas de produtos, abrangendo modelos, categorias e configurações promocionais. Elas poderiam manter um banco de dados versionado do comportamento dos agentes, indexado por lançamento de modelo, para que possam detectar quando uma tática que funcionou no último trimestre deixou de funcionar ou começou a surtir o efeito contrário. . . . Durante décadas, os profissionais de marketing aperfeiçoaram todas as ferramentas de persuasão tendo em mente um único público: os seres humanos. Esse público está se dividindo. Uma parcela cada vez maior das decisões de compra será tomada — ou filtrada — por agentes que não respondem às suas estratégias cuidadosamente elaboradas da mesma forma que as pessoas. Alguns irão ignorá-las. Outros, como mostram nossos dados, irão usar isso contra você. Para os profissionais de marketing que dedicaram suas carreiras a aperfeiçoar a arte da persuasão, a conclusão incômoda é que, às vezes, a melhor estratégia é dar um passo atrás. As marcas que prosperarão serão aquelas disciplinadas o suficiente para saber quando a própria persuasão se tornou o problema.

Pesquisa: o marketing tradicional não funciona com agentes de compras baseados em IA

Resumo.

Partner Center