O colar que existia para o cliente, mas não para o agente
Semana passada sentei com a dona de uma marca de semijoias que vende bem no Instagram e em dois marketplaces. PDP linda: foto macro do banho dourado, vídeo girando o colar no pescoço de uma modelo, storytelling sobre a coleção inspirada no litoral. Conversão de humano acima da média da categoria. Aí pedi ao ChatGPT, na frente dela, "me sugira três colares dourados de semijoia brasileira para presente de Dia dos Namorados até R$ 300". A marca dela não apareceu. Apareceram três concorrentes — dois deles com fotos piores.
A reação dela foi a de quase todo lojista de moda em 2026: "mas o meu produto é melhor". Talvez seja, para o olho humano. O problema é que o agente de IA não viu o seu produto pelo olho humano. Ele não olhou a foto macro nem se emocionou com o litoral. Ele leu campos: título, atributos, preço, disponibilidade, schema, feed, avaliações. E onde faltava campo, ele simplesmente não teve o que comparar — então comparou os concorrentes que tinham.
Esse é o ponto contraintuitivo deste artigo: a PDP que mais converte humano pode ser exatamente a que o agente menos entende. As duas leituras coexistem, mas exigem coisas diferentes do mesmo HTML. Quem só otimiza para o humano está, sem perceber, ficando invisível na camada onde a decisão de compra começa cada vez mais a nascer. É a transição que descrevo em Business-to-Agent: quando a IA compra no lugar do cliente — e ela já bateu no varejo de moda.
Como o agente realmente lê a sua ficha de produto
Quando um agente de IA decide quais produtos entram numa resposta, ele não "navega" como um cliente. Ele monta uma comparação a partir de fontes estruturadas: o seu feed de produto (no caso do ecossistema Google, configurado no Merchant Center), o HTML da PDP com os dados estruturados embutidos, e sinais de contexto e autoridade da web. O guia de otimização de dados de produto para o AI Shopping descreve até a ordem de leitura: primeiro título e descrição, depois atributos explícitos (tamanho, cor, material, peso, dimensões), depois dados categóricos (categoria do produto), depois campos suplementares como perguntas e respostas, e por fim dados contextuais como avaliações e instruções de uso e cuidado (eFulfillment Service, jan/2026).
A documentação do Google Cloud Retail vai na mesma direção: o catálogo é estruturado em produtos primários, variantes e coleções, e o URL canônico da PDP é tratado como campo central — usado para rastrear a página, enriquecer a descrição e avaliar relevância e popularidade (Google Cloud Retail, 2026). Em moda isso é decisivo: você precisa definir se cada SKU de semijoia é produto primário ou variante de cor/tamanho, e como um conjunto de colar, brinco e anel vira uma "coleção" que o agente pode sugerir como kit coordenado. Errar essa modelagem faz o agente comparar laranjas com maçãs — ou não comparar nada.
A consequência prática é dura: existe uma camada inteira de tráfego e de descoberta que nasce dentro da IA, antes de qualquer clique no seu site. Um playbook de design "agentic-first" para lojas Shopify estima que, em muitos casos, mais de 40% do tráfego que chega às PDPs já vem de agentes ou de respostas generativas, e não de visita direta ou busca tradicional (Presta, 2026). É estimativa de fornecedor, não dado público auditável — mas a direção é inequívoca, e bate com o que a BCG chama de deslocamento da descoberta de "search" para "delegação" (BCG, 2025).
PDP para humano versus PDP para agente: a tabela que eu uso
Esta é a tabela que abro com cada cliente de moda. A coluna do meio é o que a maioria das lojas já faz bem. A coluna da direita é o que o agente precisa — e quase ninguém entrega. Note que não é "ou um ou outro": é o mesmo produto servindo as duas leituras no mesmo HTML.
| Elemento da ficha | PDP otimizada para o humano | PDP legível para o agente de IA |
|---|---|---|
| Título | Curto e emocional: "Colar Maré Dourado" | Descritivo e atributivo: "Colar Maré — semijoia banho ouro 18k, corrente 45cm, fecho mosquetão" |
| Descrição | Storytelling da coleção, sensação, lifestyle | Primeiras linhas respondem "por que comprar este", seguidas de materiais, medidas e cuidados em texto factual |
| Atributos | Implícitos na foto e no texto corrido | Explícitos e estruturados: cor, material, banho, comprimento, peso, ocasião, faixa de preço |
| Preço | Renderizado visualmente (às vezes via imagem ou JS) | Em schema.org/Offer com price e priceCurrency, legível sem executar script |
| Disponibilidade | Selo "em estoque" visual | availability em Offer (InStock / OutOfStock) atualizado, mais política de entrega |
| Variantes | Seletor de cor/tamanho no front-end | SKUs modelados como variantes do produto primário, cada uma com Offer próprio |
| Avaliações | Estrelas e comentários para persuadir | AggregateRating e Review estruturados, com nota, contagem e texto |
| Conteúdo de apoio | FAQ visual ou aba escondida | Perguntas e respostas em texto indexável (alergia, banho, garantia, troca) |
| Imagem | Foto macro e vídeo de impacto | Imagem com alt descritivo e campo image no schema/feed |
Quem domina a coluna da esquerda e ignora a da direita tem o que chamo de "produto bonito e mudo": encanta quem chega, mas não fala a língua de quem distribui. A boa notícia é que a coluna da direita não exige reescrever a loja — exige expor, em campo, o que já existe na sua cabeça e nas suas fotos.
Schema Product e Offer: o esqueleto que o agente lê primeiro
O par schema.org/Product + schema.org/Offer é o esqueleto mínimo de uma PDP legível por máquina. O Offer é onde moram os campos que mais pesam numa decisão agêntica: price, priceCurrency, availability e url (Schema.org/Offer). Se o agente precisa escolher "três colares dourados em estoque até R$ 300 hoje", ele filtra exatamente por esses campos. Sem eles em formato legível, o seu produto não entra no filtro — não importa quão bom seja.
Preciso ser honesto sobre uma divergência de evidências aqui, porque é a parte onde mais vejo loja gastar dinheiro errado. Há estudos sérios (Ahrefs, 2025-2026) mostrando que o schema JSON-LD tem impacto estatisticamente insignificante sobre citação em respostas de IA quando se isola a variável. Ou seja: schema não é bala de prata de visibilidade. Mas em e-commerce a função do schema Product/Offer é diferente da função em conteúdo editorial — aqui ele é o protocolo de transação. É como o agente sabe que o item custa R$ 280, está disponível e tem nota 4,8. Sem isso, não há comparação possível, há adivinhação. Aprofundo essa nuance em Como estruturar Schema.org para IA generativa.
Regra de ouro que repito até cansar: o agente em runtime lê o HTML visível, não metadados ocultos que contradizem a página. Se o seu schema diz "R$ 280, em estoque" e a página renderizada diz "esgotado", você não engana o agente — você queima confiança e some das próximas recomendações. Schema correto é schema que espelha exatamente o que o cliente vê. Plataformas como Shopify já emitem boa parte desse schema automaticamente via dados estruturados nativos; o trabalho do lojista é garantir que os campos estejam preenchidos e verdadeiros, não vazios.
O feed de produto: a porta de entrada que a sua PDP não controla sozinha
Em moda, é fácil obcecar com a PDP e esquecer o feed. Erro caro. No ecossistema do Google AI Shopping, a comparação começa no product feed do Merchant Center, com campos padronizados de título, descrição, atributos, categoria, perguntas e respostas e dados contextuais (eFulfillment, jan/2026). O feed é a porta de entrada para a comparação; a PDP é o destino que confirma e enriquece. Se o feed está pobre — título genérico, sem material, sem ocasião, sem faixa de preço — o agente nunca chega a apreciar a sua PDP caprichada.
Para moda e acessórios, os campos que mais movem o ponteiro são os que humanos consideram "óbvios demais para escrever": material e banho, comprimento e medidas, cor exata (não "dourado", mas "ouro 18k"), ocasião de uso (presente, casamento, dia a dia), tipo de relacionamento associado (para mãe, para namorada). Esses atributos transformam o seu produto de "um colar qualquer" em "o colar que responde exatamente à pergunta que o cliente fez ao ChatGPT". É o mesmo princípio dos quick wins de GEO para quem vende em marketplace e Instagram: pequenos campos preenchidos, ganho desproporcional.
Uma síntese de tendências de comércio agêntico da Commercetools resume bem onde estamos: a maior parte da capacidade agêntica hoje está no topo do funil — assistência à navegação, descoberta, matching de produto, listas personalizadas — e o avanço de médio prazo está em pedido, reabastecimento e transação recorrente, sempre dependente de dados, descobribilidade e integração fluida (Commercetools, 2026). Tradução para a sua loja de moda: mesmo que a compra ainda seja confirmada por um humano, a etapa em que o seu produto entra ou não na lista de sugestões já é decidida por dado de feed e PDP.
Preço, disponibilidade e reviews: os três campos que decidem a compra
Se eu tivesse que escolher três campos para acertar antes de qualquer outro, seriam estes — porque são os que o agente usa para a decisão final, não só para a descoberta. Preço precisa estar em Offer.price com moeda explícita, sem depender de JavaScript que o crawler pode não executar. Promoção precisa de priceValidUntil para o agente saber se ainda vale. Em datas comemorativas — Dia das Mães, Dia dos Namorados, Black Friday — esse campo é o que coloca o seu produto na faixa de orçamento que o cliente declarou ao agente (Bis2Bis, 2026).
Disponibilidade tem que ser verdadeira e fresca. Agente que recomenda produto esgotado erra na frente do usuário, e o sistema aprende a não confiar na sua loja. Mantenha availability sincronizado com o estoque real, em tempo quase real. Reviews entram via AggregateRating (nota média e contagem) e Review individuais com texto. Avaliação não é só prova social para humano: é sinal de consenso que o agente cruza com outras fontes para decidir em quem confiar. Marcas citadas e avaliadas em múltiplas fontes ganham peso na recomendação — é a lógica de consenso multi-fonte que aplico também fora do varejo.
Como o agente decide entre você e o concorrente quando os dois têm os campos preenchidos? Aí entra autoridade da marca: menções em sites de moda e lifestyle, backlinks, cobertura de tópico. O guia de otimização do próprio Google reforça que, por trás de siglas como AEO e GEO, o princípio segue sendo conteúdo útil e confiável mais dados estruturados que facilitem entender produtos, ofertas e avaliações (Google Search Central). Para medir onde você está nessa disputa, vale entender Share of Voice em IA: como medir se sua marca existe para a máquina.
Por que isso é urgente agora no varejo brasileiro de moda
Não é tendência distante. O mercado brasileiro de joias é estimado em torno de US$ 16,38 bilhões em 2026 (contra US$ 15,29 bi em 2025), com CAGR projetado de 7,12% até 2031, e o canal online — incluindo social commerce em Instagram e afins — deve crescer a 7,76% ao ano (Mordor Intelligence, 2026). É um mercado grande, em alta, com forte presença de semijoias e bijuterias e ciclos de coleção rápidos — exatamente o tipo de categoria onde a comparação assistida por IA pesa, porque o cliente quer opção, faixa de preço e ocasião resolvidas em uma resposta.
Do lado da adoção de agentes, as projeções convergem. A Deloitte estima que, até 2030, 55% dos consumidores digitais começarão a pesquisa de produto em plataformas baseadas em LLM, e que 25% das vendas globais de e-commerce serão habilitadas por agentes de IA (Deloitte, 2026). A McKinsey trata o fenômeno como mudança estrutural do varejo, em que o consumidor delega descoberta, comparação e até negociação a agentes (McKinsey, 2026).
Meu posicionamento, como alguém que viveu o lado de dados de uma empresa de capital aberto: não espere a maturidade plena para agir. O custo de preparar feed e PDP hoje é baixo e o ganho é cumulativo — cada produto bem estruturado já compete amanhã. Quem deixar para 2028, quando a Gartner projeta o auge da intermediação por agentes, vai chegar com catálogo mudo num leilão que já terá dono. O argumento financeiro completo está em Visibilidade em IA e linha de balanço.
O que eu faria na sua loja na próxima semana
Sem reescrever a loja, sem contratar agência cara. Esta é a sequência que eu rodaria, em ordem de retorno por esforço:
- Audite uma PDP campeã com o olho do agente. Pergunte ao ChatGPT, ao Gemini e ao Perplexity por produtos como o seu ("colar dourado de semijoia até R$ X para presente"). Anote se você aparece, e quem aparece no seu lugar.
- Reescreva os títulos com atributo, não só com poesia. Material, banho, medida e tipo entram no título e no feed. Mantenha o nome bonito, mas acrescente o que o agente filtra.
- Garanta Product + Offer válidos em cada PDP. Preço com moeda, disponibilidade real, URL canônico. Valide no Rich Results Test do Google. Não deixe campo vazio nem mentiroso.
- Encha o feed do Merchant Center. Cor exata, ocasião, faixa de preço, categoria correta. O feed é a porta; a PDP é o destino.
- Estruture as avaliações. Exponha
AggregateRatingeReviewem schema, não só como widget visual. - Modele variantes e coleções direito. SKUs de cor/tamanho como variantes; kits coordenados como coleção.
- Adicione um bloco de perguntas e respostas em texto (alergia, banho, garantia, troca) — em HTML indexável, não em aba escondida por JS.
Faça isso primeiro nos seus dez produtos mais vendidos e meça em 30 dias se você passou a aparecer nas respostas. É o mesmo método de fundação que ensino em GEO para e-commerce e o agentic commerce e em Como aplicar GEO na prática. O agente de IA já é o seu vendedor mais influente. A pergunta não é se ele vai ler a sua ficha de produto — é se vai entender o que está lendo.