Preparando sua marca para a Inteligência Artificial Agentiva

Os agentes de IA estão transformando as relações entre marcas e consumidores. Os autores desse artigo publicado no periódico HBR em 2026 exploram como as marcas precisam se adaptar a um novo ambiente de varejo no qual os consumidores dependem cada vez mais da IA generativa para pesquisar produtos, receber recomendações e realizar compras. Hoje existem três modos de interação agentiva: os consumidores:

1. interagem com agentes das marcas;
2. buscam produtos usando agentes de terceiros que personalizaram ao longo do tempo e;
3. capacitam a IA a interagir com outras IAs em seu nome. 

As marcas devem desenvolver uma estratégia híbrida que equilibre a automação com as preferências humanas de compra. Empresas bem-sucedidas utilizam dados proprietários de clientes e produtos para oferecer experiências agentivas personalizadas. Mas o processo não é tão simples quanto adquirir um novo software. Experimentação contínua, otimização baseada em prompts e integração com outros ecossistemas de IA são etapas essenciais.

Em 2024, Gokcen Karaca, chefe de digital e design da Pernod Ricard, ficou surpreso ao saber que dois terços da geração Z e mais da metade dos Millennials haviam começado a usar modelos de linguagem de grande escala (LLMs) para pesquisar produtos. Ele concluiu que era hora de estudar formalmente o que os LLMs estavam dizendo sobre suas marcas de bebidas. Assim, uniu-se à agência de serviços de marketing digital Jellyfish para analisar como os principais modelos de IA representavam suas marcas. As conclusões o desanimaram. Os dados dos LLMs frequentemente estavam incompletos ou incorretos. Um modelo popular de IA, por exemplo, classificou incorretamente o uísque escocês Ballantine’s, uma oferta acessível voltada ao mercado de massa, como um produto de prestígio.

A Pernod Ricard é uma empresa francesa especializada na fabricação e distribuição de vinhos e outras bebidas alcoólicas. É o segundo maior grupo de bebidas alcoólicas do mundo, atrás da Diageo e à frente da Bacardí-Martini.

Para combater esse problema, Karaca e sua equipe lançaram uma iniciativa para monitorar e remodelar o que chamam de “share of model” — a medida de com que frequência e quão favoravelmente as marcas aparecem nos resultados de IA em comparação com seus concorrentes. Para melhorar o share of model de suas marcas, a equipe agora consulta regularmente todos os modelos populares, fazendo perguntas sobre os produtos da Pernod Ricard e catalogando as respostas. Em seguida, os membros da equipe atualizam o conteúdo do site e os textos publicitários para fazer com que os LLMs reproduzam sua mensagem. Por meio de iteração e ajustes minuciosos, conseguiram ajustar com precisão as percepções dos modelos de IA sobre o portfólio de marcas da empresa. Ballantine’s agora é corretamente identificado pelos LLMs como um uísque escocês mais acessível.

A experiência da Pernod Ricard ilustra uma mudança fundamental que todas as marcas enfrentam. Nas últimas duas décadas, as marcas aprenderam a otimizar suas estratégias de palavras-chave para aparecer no topo dos resultados dos mecanismos de busca. Agora enfrentam um novo desafio: otimizar a marca para a IA. Como Karaca e sua equipe constataram, muitos consumidores já utilizam LLMs para pesquisar produtos ou comparar preços.

Uma pesquisa realizada em julho de 2025 com 750 consumidores dos Estados Unidos, conduzida pela consultoria de gestão Kearney, constatou que 60% dos compradores esperam usar IA agentiva para realizar compras nos próximos 12 meses. Todas as grandes empresas de IA estão desenvolvendo agentes em antecipação à adoção em massa. Para citar um exemplo, a OpenAI está colaborando com processadores de pagamento como Stripe e PayPal e com varejistas como Walmart e a plataforma de compras Shopify para facilitar compras dentro do ChatGPT. Isso está estabelecendo as bases para uma jornada do cliente automatizada e completa. Isso significa que as empresas em breve estarão gerenciando suas marcas em uma era em que a IA agentiva, construída sobre LLMs, trabalha em nome dos clientes, concluindo transações sem assistência humana.

A maioria das marcas não está preparada para essa mudança. Executivos terão de se fazer perguntas críticas, como:

• Como adaptar nossa estratégia de comunicação quando nosso público principal pode não ser humano? 
• O que acontece com os relacionamentos de marca em um mundo mediado por agentes de IA?
• Como podemos nos preparar para um futuro em que ambos os lados do relacionamento com o cliente são cada vez mais gerenciados por IA? 

Essa questão não será resolvida com uma simples solução técnica. As empresas precisam repensar fundamentalmente como marcas, clientes e IA interagem.

Neste artigo, com base em nossa ampla pesquisa com milhares de consumidores de vários países, incluindo Estados Unidos e Reino Unido, e em nosso trabalho desenvolvendo estruturas de adoção de IA para empresas e startups, apresentamos o espectro de relações entre marcas e consumidores que está emergindo com o uso de agentes de IA. Mostramos como empresas com visão de futuro, como AG1, Lamborghini e ServiceNow, já estão adaptando suas estratégias para otimizar para a IA. Também fornecemos um roteiro para ajudar executivos a começar.

Os três tipos de interações com agentes de IA

A maioria dos consumidores ainda não está delegando o ato da compra à IA. No entanto, eles estão usando cada vez mais LLMs como o ChatGPT da mesma forma que utilizam o Google: para pesquisas antes da compra. Perguntam sobre características de produtos, comparam opções e leem avaliações sintetizadas por IA antes de tomar suas próprias decisões de compra. Como mostra o exemplo da Pernod Ricard, as empresas precisam monitorar e otimizar sua presença em IA, independentemente de os consumidores estarem ou não delegando decisões de compra. Os tipos de agentes que descreveremos representam a evolução natural desse comportamento de pesquisa, à medida que a coleta passiva de informações amadurece para uma intermediação ativa. Felizmente, muitas das estratégias que ajudam empresas a gerenciar compras mediadas por IA também as ajudam a ter melhor desempenho com consumidores que realizam pesquisas básicas usando LLMs.

À medida que os agentes de IA se tornam mais comuns, a relação tradicional entre marcas e consumidores dá lugar a um novo conjunto de modos de interação — alguns mediados por IA e outros totalmente conduzidos por ela. Além do engajamento direto entre pessoas, três tipos emergentes de interação começam a coexistir no mercado.

• 1

No primeiro tipo de relação, agentes da marca interagem diretamente com clientes humanos. Diferentemente dos chatbots tradicionais, que apenas respondem perguntas, esses agentes ajudam os consumidores a explorar produtos, tomar decisões e acessar serviços de novas maneiras. O Auto Navigator Chat Concierge da Capital One é um excelente exemplo. Ele pode verificar o estoque das concessionárias, agendar test-drives, estimar valores de troca e responder perguntas sobre financiamento. Os clientes podem completar grande parte da jornada de compra por meio de um agente de IA antes mesmo de entrar em uma concessionária.

• 2

No segundo tipo, agentes do consumidor atuam em nome dos indivíduos em múltiplas marcas. A capacidade de “uso do computador” do Claude, por exemplo, permite que um agente navegue autonomamente por telas, preencha formulários e conclua compras. Ele atua quase como um representante digital pessoal do consumidor.

• 3

No terceiro tipo, a intermediação completa por IA, agentes de IA interagem autonomamente em ambos os lados da transação, sem envolvimento humano direto. Nesse modo, intenções, emoções e preferências humanas são pré-filtradas por algoritmos. Já estamos vendo os estágios iniciais disso: o agente do ChatGPT pesquisa no OpenTable, seleciona restaurantes, preenche automaticamente detalhes de reserva e conclui agendamentos. O concierge de IA da Hostie gerencia consultas, avalia disponibilidade e envia confirmações de reserva em nome dos restaurantes. A supervisão humana pode ser a norma hoje, mas esses sistemas são exemplos iniciais de processos totalmente autônomos, desde a pesquisa inicial de produtos até a conclusão da transação.

As marcas precisam avaliar quais aspectos das relações tradicionais com os clientes devem preservar e quais devem evoluir. Para orientar essa transição, gestores de marca devem se concentrar em três estágios críticos da adoção agentiva:

• Primeiro, determinar se é necessário implementar um agente de IA;
• Segundo, se for o caso, persuadir os consumidores a usar o agente da sua marca em vez do próprio;
• Terceiro, para consumidores que preferem seus próprios agentes de IA, garantir que esses intermediários autônomos escolham sua marca.

Estágio 1

Decida se você precisa de um agente de IA

A primeira questão que as marcas devem responder é se seus consumidores realmente desejam interagir com um agente. Implementar IA em contextos nos quais os clientes preferem interação humana é ineficaz e pode prejudicar ativamente o relacionamento com a marca. A resposta depende de vários fatores: a natureza do seu produto ou serviço, o contexto de consumo, a importância da conexão humana na sua proposta de valor e a percepção dos clientes sobre a IA.

Pesquisas dos acadêmicos Bingqing Li, Edward Yuhang Lai e Xin Wang sugerem que as pessoas estão dispostas a usar agentes de IA em contextos de baixo risco, decisões rotineiras e resultados previsíveis. Poucas empresas entendem isso melhor do que a Amazon, que vem automatizando silenciosamente esse tipo de decisão há quase uma década. Em 2015, a Amazon lançou o Dash Button, um pequeno dispositivo conectado por Wi-fi que os clientes podiam pressionar para reabastecer instantaneamente itens domésticos. À medida que as expectativas dos clientes evoluíram, a abordagem da Amazon também evoluiu. A empresa introduziu os botões virtuais Dash e os serviços Dash Replenishment, permitindo que dispositivos inteligentes reordenassem suprimentos automaticamente com base no uso.

Mas o verdadeiro salto ocorreu com a expansão do Subscribe & Save em 2019, que permitiu aos clientes automatizar entregas recorrentes em centenas de categorias de produtos, de lenços umedecidos para bebês a lâminas de barbear, em intervalos de sua escolha. Em 2024, 23% dos clientes da Amazon nos Estados Unidos tinham um pedido ativo no Subscribe & Save. Hoje a Amazon entra em uma nova fase de sua estratégia agentiva com o Alexa+ AI, um assistente inteligente projetado para interpretar intenções, tomar decisões e executar tarefas de compra em várias etapas de forma autônoma. Um comando como “reabasteça minhas compras de supermercado” pode acionar uma cadeia de ações, incluindo verificar níveis da despensa via integrações de casa inteligente, consultar pedidos anteriores, selecionar marcas preferidas e confirmar horários de entrega — tudo sem intervenção do usuário.

As marcas devem ser cautelosas em domínios nos quais os consumidores são menos receptivos, ou até resistentes, à IA. A pesquisa de Li, Lai e Wang, que abrange múltiplos estudos e 119.000 participantes, destaca vários desses contextos. A relutância tende a ser alta durante compras com significado pessoal — quando consumidores, como entusiastas cuja identidade pessoal está associada à compra, preferem envolvimento direto. Da mesma forma, em domínios nos quais o esforço humano sinaliza cuidado e consideração — como dar presentes ou escrever mensagens pessoais — a participação da IA parece impessoal, pois as pessoas valorizam o esforço humano percebido em interações emocionalmente significativas. Decisões de alto risco são outro domínio de resistência: os consumidores tendem a preferir manter controle sobre escolhas com consequências relevantes.

Por exemplo, pesquisas da Boston University e uma pesquisa de consumidores da Salesforce revelam que as pessoas frequentemente hesitam quanto ao uso de IA na área da saúde. As pessoas também se sentem mais confortáveis usando IA para tarefas que percebem como objetivas (como analisar dados ou fornecer direções) em vez de subjetivas (como recomendar um parceiro romântico ou um filme). A oposição é maior em domínios nos quais relações humanas e serviço personalizado são críticos, como produtos de luxo ou experiências premium. Nessas situações, as pessoas muitas vezes estão pagando tanto pela orientação humana quanto pelo próprio produto.

As preferências em relação à IA diferem entre gerações, culturas e categorias de produtos, e mudam à medida que a tecnologia avança. Como os LLMs podem evoluir rapidamente, as marcas devem monitorar as mudanças nas atitudes dos clientes para adaptar seus métodos e usar IA de maneiras que realmente atendam às necessidades dos consumidores. A Lamborghini exemplificou isso em sua abordagem à tecnologia de direção autônoma. Enquanto empresas como a Tesla tornaram as capacidades de direção autônoma um pilar de seu roteiro de inovação, a Lamborghini deliberadamente traçou um caminho diferente.

“O propósito de um carro como um Lamborghini é dirigi-lo, não ser conduzido nele”, disse certa vez o CEO Stephan Winkelmann.

Ele acredita que a motivação central de seus clientes não é conveniência ou eficiência, mas a experiência visceral de controlar uma máquina de alto desempenho. A mesma lógica se aplica a experiências de compra premium, nas quais os consumidores frequentemente valorizam a jornada de descoberta. Um cliente que compra um relógio Patek Philippe ou uma bolsa Hermès aprecia o processo de pesquisa, a expectativa e a expertise na loja. Essa jornada não deve ser automatizada por um agente de IA.

Sua escolha não precisa ser binária. Mesmo em domínios nos quais se espera resistência do consumidor, a IA pode desempenhar um papel importante. Experiências híbridas cuidadosamente projetadas, por exemplo, permitem tanto a eficiência da IA quanto a orientação humana.

Quando a AG1, empresa global de nutrição anteriormente conhecida como Athletic Greens, começou a enfrentar dezenas de milhares de consultas de clientes em meio à rápida expansão global, a pressão sobre sua equipe de suporte era intensa. Leala Francis, vice-presidente sênior de insights do cliente e experiência do membro, viu uma oportunidade de repensar como a marca poderia atender os clientes. Em vez de fazer uma escolha excludente entre automação e serviço pessoal, ela desenvolveu uma estratégia seletiva de IA que preserva a conexão humana central à missão da marca. O plano baseia-se em dois princípios.

• Primeiro, treinar o agente de IA como se fosse qualquer novo representante de suporte. Dar acesso aos sistemas internos, incorporar o tom de voz da marca e orientá-lo com dados de clientes em tempo real. Por exemplo, se alguém estiver viajando, o agente pode sugerir pausar uma assinatura ou oferecer kits de viagem.
• Segundo, manter interações de construção de comunidade estritamente humanas. Por exemplo, a equipe humana da AG1 responde pessoalmente a todas as avaliações de clientes. Desde o lançamento em 2024, os resultados do programa têm sido encorajadores: os agentes de IA alcançaram pontuações perfeitas em 99% das interações, igualando os altos padrões de atendimento humano da marca. E, em vez de resistência, a AG1 viu os clientes adotarem a mudança.

A empresa registrou uma migração de dois dígitos percentuais de interações por e-mail para interações com seu agente de IA. Mais importante, os ganhos de eficiência permitiram que os representantes humanos dedicassem mais tempo a questões complexas que se beneficiam de empatia e solução criativa de problemas.

A Vuori, uma marca premium de roupas esportivas, enfrentou pressões semelhantes em suas operações de suporte ao cliente. No início de 2023, a empresa fez parceria com a plataforma de atendimento ao cliente Kustomer para desenvolver agentes de IA ajustados para refletir a voz da marca, definindo cuidadosamente parâmetros de linguagem, tom e acesso ao conhecimento. Assim como a AG1, a Vuori adotou uma abordagem híbrida: utilizou IA para consultas rotineiras e encaminhou questões complexas para especialistas humanos. Os resultados foram encorajadores. Com a IA gerenciando cerca de 40% das conversas por chat, os funcionários puderam se concentrar em interações nas quais a atenção pessoal cria maior valor e conexões mais profundas com os clientes.

Prevemos que a maioria das empresas adotará uma estratégia híbrida. Agentes de IA lidarão com algumas solicitações e também direcionarão clientes para atendentes quando necessário ou quando for favorável ao cliente. A questão estratégica é como implementá-los adequadamente: onde os clientes valorizam o envolvimento direto? Quando a assistência da IA melhora a experiência? Encontrar esse equilíbrio exige experimentação contínua e feedback dos clientes.

Estágio 2

Faça os clientes usarem o seu agente

Uma vez que seus clientes estejam abertos a usar agentes de IA, surge um novo desafio: persuadi-los a escolher o agente da sua marca em vez de alternativas de terceiros. Considere a escolha entre o Rufus da Amazon e o agente do ChatGPT. Ambos podem auxiliar nas compras, mas refletem dinâmicas fundamentalmente diferentes. O Rufus é controlado pela Amazon, enquanto o agente do ChatGPT é um agente do consumidor projetado para agir em nome dos usuários. O agente do ChatGPT tem acesso às informações pessoais fornecidas pelo usuário e não foi projetado para servir à Amazon ou a qualquer varejista específico. Do ponto de vista do consumidor, agentes de IA independentes oferecem vantagens inerentes em duas áreas: confiança e dados. As pessoas naturalmente confiam mais em agentes que controlam diretamente, percebendo-os como defensores imparciais que atuam exclusivamente em seus interesses, de forma semelhante a consultores financeiros com dever fiduciário. Em contraste, agentes de marcas podem ser vistos com ceticismo, pois são projetados principalmente para atender aos objetivos da empresa.

A Consumer Reports, organização sem fins lucrativos conhecida por avaliações independentes de produtos que vão de carros a eletrodomésticos e softwares, já reconheceu esse desafio de confiança. “O caso de uso mais convincente para agentes pessoais de IA é sua capacidade de defender os interesses dos consumidores sem viés ou conflitos de interesse”, afirmou Dazza Greenwood, líder de protocolos do Consumer Reports Digital Lab. A organização lançou o AskCR, um chatbot para ajudar consumidores a acessar informações confiáveis rapidamente, e está explorando agentes de IA desenvolvidos especificamente para “priorizar os interesses do usuário acima de tudo”, com base em estruturas regulatórias consolidadas que anteciparam o surgimento de agentes eletrônicos atuando em nome dos indivíduos.

Agentes do consumidor também possuem vantagem em dados. Eles podem coletar, analisar e aproveitar informações que abrangem múltiplos domínios e marcas. Isso lhes confere uma compreensão mais abrangente das preferências e comportamentos individuais. A função de memória do ChatGPT, por exemplo, permite reter informações do usuário a partir de conversas anteriores, formando ao longo do tempo um perfil detalhado que abrange todas as marcas. Essa amplitude e profundidade de insights permitem recomendações altamente personalizadas e sensíveis ao contexto.

As vantagens inerentes dos agentes do consumidor criam uma tensão estratégica: as marcas desejam manter relacionamentos diretos com os clientes por meio de seus próprios agentes para ter maior controle, enquanto os consumidores têm fortes motivos para preferir agentes independentes. Para enfrentar esse desafio, as marcas precisam reforçar capacidades que agentes pessoais não conseguem replicar facilmente. Uma vantagem significativa dos agentes de marca é sua capacidade de recorrer a conhecimento profundo e proprietário sobre produtos. Diferentemente de agentes de uso geral, como o ChatGPT, que dependem de dados de terceiros e informações genéricas que podem estar desatualizadas, agentes de marca têm acesso a dados estruturados em tempo real e podem responder a consultas complexas com um nível de precisão que ferramentas genéricas não conseguem oferecer. Quando combinados com dados primários de clientes, esses agentes podem oferecer experiências consultivas e personalizadas baseadas em uma compreensão rica das preferências, comportamentos e histórico de cada cliente com a marca. Por exemplo, faz mais sentido conversar com o agente de um consultor financeiro sobre decisões de investimento do que com a versão profissional padrão do ChatGPT. O desafio das marcas é convencer os consumidores dessa lógica.

Quando a Sephora decidiu integrar IA à experiência do cliente, a empresa construiu sobre suas forças existentes. Originalmente lançado em 2012 e aprimorado com recursos avançados de IA em 2021, o sistema agentivo aproveita ativos proprietários aos quais agentes genéricos não têm acesso, incluindo um catálogo de produtos com taxonomias detalhadas de tons e fórmulas, a tecnologia Color IQ que diferencia 140.000 tons de pele e perfis próprios de mais de 34 milhões de membros Beauty Insider.

Quando um cliente pede recomendações de base, a IA consulta o tom de pele específico da pessoa, compras e devoluções anteriores e o estoque disponível em tempo real. Clientes da Sephora que utilizam essas ferramentas têm três vezes mais probabilidade de concluir compras. As ferramentas também ajudaram a reduzir devoluções de produtos em 30%.

Outro diferencial poderoso para agentes de marca é a capacidade de incorporar o modelo human-in-the-loop. Marcas que constroem sistemas agentivos com supervisão humana e que encaminham questões complexas de forma fluida para especialistas humanos podem obter vantagem sobre agentes do consumidor e reduzir a lacuna de confiança. Esse tipo de modelo híbrido geralmente não está disponível para agentes do consumidor, pois as únicas pessoas envolvidas são os próprios usuários.

O agente de IA criado pela ServiceNow, empresa de automação de fluxos de trabalho, exemplifica essa abordagem. A empresa implementou um agente capaz de resolver autonomamente 80% das consultas recebidas, como atualizações de pedidos, acesso a sistemas e solução básica de problemas. Nos 20% restantes, que envolvem maior complexidade ou nuances, o sistema encaminha automaticamente a questão para profissionais que revisam as respostas geradas pela IA, aplicam julgamento especializado e tomam as decisões finais. Essa fusão entre IA agentiva e intervenção humana reduziu o tempo de resolução de casos complexos em 52%, demonstrando como as marcas podem aumentar a eficiência mantendo confiança, precisão e controle.

É importante destacar que o valor tradicional da marca ainda importa para fazer os clientes utilizarem o agente da sua marca. Quando os consumidores têm experiências positivas prévias com uma marca, são mais propensos a confiar no agente dessa marca. Mas essa base, por si só, não é suficiente. A confiança também precisa ser conquistada pelos próprios agentes de IA.

Uma pesquisa recente da Salesforce constatou que a maioria dos consumidores não acredita que as empresas usarão IA de forma ética, e 72% dos entrevistados exigem transparência sobre quando estão interagindo com IA em vez de uma pessoa. Isso representa uma oportunidade estratégica. Marcas que adotam e comunicam claramente práticas responsáveis de IA podem não apenas construir confiança em seus próprios agentes, mas também reduzir parte da lacuna de confiança inerente entre agentes de marca e agentes do consumidor.

Para explorar como a IA responsável influencia a escolha do consumidor, um dos autores desse artigo (Oguz) trabalhou com colegas para conduzir três experimentos de escolha discreta em larga escala envolvendo 3.268 participantes do Reino Unido. Os consumidores foram convidados a fazer trocas realistas entre produtos de IA com diferentes níveis de recursos de IA responsável — como privacidade, auditabilidade e compreensibilidade — e outros atributos comuns como preço, desempenho, personalização e autonomia.

Os resultados foram marcantes.

Em um estudo focado em um aplicativo de planejamento de aposentadoria com IA, a privacidade emergiu como o fator mais influente na tomada de decisão (31%), seguida pela auditabilidade, ou supervisão humana (26%). Em outro estudo, envolvendo uma ferramenta de investimentos baseada em IA, a privacidade novamente se destacou, quase igualando o preço em importância. Mesmo quando opções de alto desempenho estavam disponíveis, atributos de IA responsável influenciaram significativamente as preferências dos consumidores. Talvez o mais revelador seja que, quando recursos de IA responsável foram incorporados ao design do produto, as taxas previstas de adoção saltaram de 2,4% para 63,2% no aplicativo de aposentadoria e aumentaram 27,5% no aplicativo de investimentos.

Persuadir consumidores a escolherem o seu agente em vez de alternativas independentes exige duas práticas essenciais. As marcas devem explorar aquilo que agentes independentes não conseguem replicar: experiências altamente contextualizadas impulsionadas por conhecimento proprietário de produtos. Também precisam construir sistemas flexíveis que permitam que os agentes encaminhem conversas para especialistas humanos. Oferecer esse nível de personalização e adaptabilidade dá aos clientes uma opção inteligente que podem usar — ou ignorar — de acordo com suas preferências.

Estágio 3

Faça com que outros agentes de IA escolham a sua marca

Mesmo enquanto as marcas promovem seus próprios agentes de IA, muitos consumidores provavelmente optarão por confiar em agentes independentes como ChatGPT, Claude ou Gemini. Isso cria um novo imperativo estratégico: garantir que sua marca seja visível para agentes de IA do consumidor e, em última instância, recomendada por eles.

Alcançar esse objetivo exige mais do que construir seu próprio agente. As marcas também precisam desenvolver pontos de integração fluidos com o ecossistema mais amplo de IA. Considere a rápida adaptação da Instacart às compras assistidas por IA. Quando a OpenAI introduziu os plug-ins do ChatGPT, em 2023, a Instacart respondeu com uma estratégia dupla. Criou o Ask Instacart, uma ferramenta de busca baseada no ChatGPT dentro do seu aplicativo. Também desenvolveu um plug-in do ChatGPT que permite aos usuários adicionar itens diretamente ao carrinho durante conversas com o chatbot dentro do aplicativo ChatGPT. Os clientes começam com uma consulta, como “Como faço um bolo de cenoura fácil?”. O plug-in da Instacart então fornece uma receita e coloca automaticamente os ingredientes em um carrinho de compras dentro do aplicativo ChatGPT. Essa abordagem destaca por que desenvolver pontos de integração com agentes de IA do consumidor é essencial. Ao incorporar seus serviços tanto no próprio aplicativo quanto em plataformas externas de IA, a Instacart posicionou-se para atender uma ampla gama de consultas relacionadas a alimentos para muitos consumidores, independentemente de onde a conversa tenha começado.

Preparar as marcas para agentes de IA também exige aprendizado contínuo, experimentação e adaptação. Por exemplo, quando a OpenAI introduziu os GPTs personalizados (transformadores generativos pré-treinados; versões especializadas do ChatGPT), a Instacart se adaptou novamente, lançando seu próprio GPT para manter sua posição na plataforma. Uma parte central dessa adaptação é avaliar o desempenho da sua marca nos principais LLMs e otimizá-la para eles. De maneira semelhante à abordagem da Pernod Ricard, a Danone monitora regularmente como os LLMs retratam suas marcas e realiza intervenções direcionadas para gerenciar percepções impulsionadas por IA em tempo real. Quando surgem discrepâncias ou representações incorretas, a empresa faz ajustes específicos em suas comunicações de marketing e acompanha melhorias mensuráveis na forma como agentes de IA descrevem e recomendam seus produtos.

Pesquisas recentes da Harvard Business School exploram ferramentas adicionais para gerenciar como agentes de IA percebem sua marca. Em um estudo, os pesquisadores examinaram o uso de uma sequência estratégica de texto (STS). Em termos simples, uma STS é uma sequência de texto gerada algoritmicamente, muitas vezes sem sentido para leitores humanos, adicionada à página de informações de um produto para aumentar a probabilidade de ele ser listado como a principal recomendação dos LLMs. Os investigadores testaram duas marcas fictícias de café, ColdBrew Master e QuickBrew Express. A ColdBrew foi inicialmente excluída das sugestões por causa do preço mais alto, mas tornou-se uma das principais recomendações após a inserção de uma STS. A QuickBrew Express, que já aparecia nos resultados, também se beneficiou da inserção de STS e ganhou maior destaque nos LLMs. Outros estudos destacam vieses positivos da IA em relação a marcas globais ou conteúdos gerados por IA, oferecendo mais alavancas estratégicas para as marcas.

Modelos de raciocínio de nova geração adicionam outra ferramenta poderosa ao conjunto de otimização de marcas. Esses modelos revelam o processo de tomada de decisão dos LLMs, permitindo que as marcas entendam por que certos produtos são recomendados em detrimento de outros. Considere um exemplo prático: um consumidor utilizando o modelo R1 da Perplexity para buscar um carregador sem fio no Reino Unido. Quando solicitado “Quais são os melhores produtos disponíveis online?”, o modelo exibe de forma transparente seu processo. Mostra que extrai informações de fontes de mídia confiáveis e conduz o cliente por critérios como preço, compatibilidade e avaliações de usuários. Sua principal recomendação, nesse caso, foi o carregador Qi2 da Ugreen. Para gerentes de produto de marcas concorrentes, isso oferece um roteiro claro de alinhamento.

Ao enfatizar características valorizadas pelos consumidores, como carregamento Qi2 ou suporte para múltiplos dispositivos, e ao definir preços percebidos como justos, é possível garantir que seu produto apareça quando sistemas de IA forem consultados — e aumentar significativamente as chances de que assistentes de IA o escolham. No entanto, os esforços de otimização podem falhar se não houver compreensão clara de como os consumidores realmente formulam solicitações para agentes de IA. Pesquisas recentes da Carnegie Mellon mostram que até mudanças sutis na redação das buscas podem alterar significativamente as recomendações de marcas. Os pesquisadores utilizaram sinônimos para modificar solicitações básicas, como “Ajude-me a escolher o melhor serviço de VPN”, e descobriram que simples reformulações podem aumentar a probabilidade de consumidores escolherem uma marca em até 78,3%. Em resumo, entender como os consumidores formulam suas consultas deve ser a base para refinar e otimizar o conteúdo de marketing. Isso significa testar regularmente como as informações de produtos se comportam em diferentes variações de prompts e monitorar, por meio de registros de busca e interações de atendimento ao cliente, as expressões realmente utilizadas pelos consumidores. À medida que os sistemas de IA evoluem, a otimização baseada em prompts deverá ser um esforço contínuo, e não uma iniciativa pontual.

Olhando para o futuro, as marcas devem começar a adotar padrões emergentes de acessibilidade para IA. Uma proposta que vem ganhando força é o llms.txt, um formato legível por máquina projetado especificamente para LLMs. Diferentemente do conteúdo web tradicional, o llms.txt permite estruturar e apresentar informações de produtos de modo que agentes de IA possam analisá-las e priorizá-las facilmente. Marcas inovadoras como Cloudflare, HubSpot e Stripe já estão adotando esse formato. Os resultados iniciais são promissores: algumas marcas observaram benefícios mensuráveis, desde um aumento de 12% no tráfego gerado por IA em duas semanas até um crescimento de 25% no tráfego orgânico.

As marcas também devem se preparar para o surgimento de modelos de monetização baseados em IA. Estruturas de pagamento por destaque, semelhantes às da publicidade em mecanismos de busca, podem influenciar quais produtos os agentes de IA recomendam. Para permanecer competitivas, as marcas precisarão de estratégias para manter visibilidade em mercados mediados por IA, ao mesmo tempo garantindo transparência em promoções pagas, em conformidade com regulamentações globais em evolução.

O crescimento dos agentes de IA está redesenhando fundamentalmente o contrato entre empresas e consumidores. Conexões que antes formavam a base dos relacionamentos de marca estão sendo reformuladas, frequentemente mediadas e, às vezes, totalmente gerenciadas por IA. Para ter sucesso, as empresas devem operar com eficácia em todo o espectro de interações — desde trocas totalmente humanas até interações com agentes de marca e agentes do consumidor, chegando à intermediação totalmente autônoma por IA.

O uso de agentes pelos consumidores variará de acordo com o relacionamento do cliente com a marca e a natureza do produto ou serviço. Mesmo dentro de uma única marca, um consumidor pode preferir modos mistos, como delegar tarefas rotineiras a agentes do consumidor, consultar agentes da marca para dúvidas detalhadas e concluir transações importantes com atendentes humanos. Avalie quais opções funcionam melhor para seus clientes e utilize-as nos momentos adequados para ajudar sua marca a prosperar.

Fonte dessa publicação: uma versão deste artigo foi publicada na edição de março-abril de 2026 do periódico Harvard Business Review. O material foi traduzido pelo ChatGPT.

Autores: Oguz A. Acar e David A. Schweidel

Glossário: O Novo Vocabulário do Marketing na Era da IA Agentiva

1. Introdução ao Novo Paradigma

O marketing digital atravessa sua maior transformação desde o surgimento dos buscadores: a migração da otimização para motores de busca (SEO) para a otimização para modelos de IA (AIO). Este glossário prepara você para um mercado onde o consumo é mediado por algoritmos que não apenas informam, mas tomam decisões em nome do usuário.

2. Conceitos Fundamentais da IA no Consumo

IA Agentiva  Representa o salto da IA generativa passiva para sistemas que executam ações de ponta a ponta. No cenário de 2026, a interação marca-consumidor se divide em três modos essenciais:

• Modo 1: Agente da Marca para Humano:  IAs corporativas (como o  Auto Navigator  da Capital One) que guiam o cliente por jornadas complexas, como agendar test-drives e simular financiamentos.

• Modo 2: Agente do Consumidor:  IAs pessoais (como o "computer use" do Claude) que navegam por sites, preenchem formulários e realizam compras em nome do indivíduo.

• Modo 3: Intermediação IA-IA:  Transações totalmente autônomas onde o agente do consumidor (ex: ChatGPT) negocia e conclui reservas com o agente da marca (ex: Hostie) sem intervenção humana.LLMs (Large Language Models)  Os Modelos de Linguagem deixaram de ser apenas "chatbots" para se tornarem motores de busca de produtos. Pesquisas mostram que dois terços da Geração Z e mais da metade dos Millennials já utilizam LLMs para comparar características e sintetizar avaliações antes de comprar.Otimização para IA (AIO)  Diferente do SEO tradicional, que foca em palavras-chave e ranqueamento, a AIO foca em como a marca é interpretada, catalogada e recomendada pelos modelos. O objetivo é garantir que a "personalidade" e os dados da marca sejam assimilados corretamente pelos algoritmos.À medida que o comportamento do consumidor migra da busca por links para a busca por respostas diretas, novas métricas de visibilidade tornam-se o novo padrão de sucesso.

3. Métricas e Estratégias de Visibilidade

Share of Model  É a evolução do  Market Share  na era algorítmica. Mede a frequência e a favorabilidade com que uma marca é mencionada pela IA. Um exemplo clássico é o da  Pernod Ricard : inicialmente, o uísque  Ballantine’s  era classificado incorretamente pelos modelos como "prestigiado" (luxo), quando seu posicionamento real era "acessível/mercado de massa". A marca precisou readequar seus dados para corrigir essa percepção algorítmica.| O que é? | Como é medido? || ------ | ------ || A fatia de visibilidade e recomendação de uma marca dentro das respostas geradas por LLMs. | Através de  prompts iterativos e catalogação de sentimentos , monitorando como a IA descreve a marca em relação aos concorrentes. |

Otimização baseada em Prompts  Processo contínuo de ajuste fino do conteúdo digital para influenciar a forma como os LLMs respondem. Envolve testar variações de linguagem (prompts) para garantir que a mensagem da marca seja reproduzida fielmente pela IA, ajustando textos publicitários e metadados.Sequência Estratégica de Texto (STS)  Conceito técnico que utiliza sequências de texto geradas algoritmicamente para "induzir" a IA a recomendar um produto.⚠️ Atenção:  Também chamada de "Adversarial Marketing", a STS pode ser invisível ou sem sentido para humanos, mas é crucial para algoritmos. Um estudo da Harvard Business School mostrou que a marca fictícia  "ColdBrew Master" , inicialmente ignorada por ser cara, tornou-se a recomendação número um após a inserção de uma STS em seu site, superando a concorrente  "QuickBrew Express" .Além da influência textual, as marcas estão reestruturando sua infraestrutura técnica para facilitar a leitura das máquinas.

4. Ferramentas Técnicas e Padrões Emergentes

llms.txt  Novo padrão de arquivo (adotado por gigantes como Cloudflare e Stripe) que oferece uma versão do site otimizada exclusivamente para leitura de modelos de linguagem.

• Acessibilidade:  Dados estruturados para consumo imediato por robôs.

• Priorização:  Indica à IA quais informações são mais relevantes.

• Aumento de Tráfego:  Implementações iniciais mostram um crescimento de  12% no tráfego gerado por IA  e até  25% no tráfego orgânico .Plug-ins e GPTs Personalizados  Ferramentas de integração que permitem que a marca "viva" dentro do ecossistema de terceiros. A  Instacart , por exemplo, permite que usuários do ChatGPT adicionem ingredientes de uma receita diretamente ao carrinho de compras sem sair da conversa, garantindo presença no momento exato da intenção de compra.Modelos de Raciocínio (Processo de Decisão)  Modelos como o  R1 da Perplexity  que expõem de forma transparente sua "cadeia de pensamento". Para gestores de marca, isso é um divisor de águas, pois permite visualizar exatamente quais critérios (preço, compatibilidade, avaliações de mídia) a IA utilizou para recomendar o concorrente em vez da sua marca.Toda essa infraestrutura técnica, no entanto, só é eficaz se estiver ancorada em diretrizes de governança e confiança humana.

5. Dinâmicas de Confiança e Governança

Human-in-the-loop (Supervisão Humana)  Modelo híbrido onde a IA cuida do volume e o humano cuida da exceção. A  ServiceNow  aplica a  regra do 80/20 : a IA resolve autonomamente 80% das consultas rotineiras, enquanto os 20% restantes — casos complexos que exigem empatia e julgamento ético — são transferidos para especialistas humanos.IA Responsável (Privacidade e Auditabilidade)  A confiança na IA tornou-se um atributo de produto. Em estudos de adoção, a  Privacidade (31%)  e a  Auditabilidade (26%)  foram os fatores mais decisivos para o consumidor. Marcas que garantem que seus agentes são transparentes e éticos registram saltos de adoção de 2,4% para mais de 60%.Dever Fiduciário dos Agentes  Conceito de que o agente do consumidor deve agir como um "defensor imparcial", similar a um consultor financeiro. O projeto  AskCR  (Consumer Reports) exemplifica isso: agentes que priorizam o interesse do usuário acima de comissões de marcas, gerando uma confiança que agentes corporativos dificilmente alcançam sozinhos.

6. Síntese para o Aprendiz (O "So What?")

Resumo: O Novo Contrato Marca-Consumidor

Na Era Agentiva, sua marca não é apenas o que você diz aos humanos, mas o que os algoritmos conseguem provar sobre você. Para aplicar este vocabulário na prática, siga estes passos:

1. Monitorar:  Realize auditorias constantes de  Share of Model  para identificar distorções (como o caso Ballantine’s) e entender sua posição nos modelos de raciocínio.

2. Experimentar:  Teste o uso de sequências estratégicas e otimização de prompts para refinar a percepção algorítmica sobre seus produtos.

3. Integrar:  Implemente o arquivo llms.txt e desenvolva pontos de presença (Plug-ins/GPTs) em ecossistemas como OpenAI e Perplexity para não ser invisível aos agentes de terceiros.A jornada para o sucesso neste novo cenário exige ser um  experimentador contínuo . O marketing de 2026 não se trata de convencer apenas pessoas, mas de ser a escolha lógica para a inteligência que as assiste.

Fonte: Glossário gerado pelo NotebookLM, do Google

Artigo atualizado na Agência EVEF em 19/02/2026 por Everton Ferretti