A IA como nova interface de consumo: o que os dados mostram e o que muda na estratégia

Isabella Piratininga, Diretora de Tecnologia & Inovação do iFood, abriu sua apresentação na StartSe com uma pergunta desconcertante:

"Quanto do seu produto foi desenhado para mudar o comportamento do usuário?"

Dessa provocação entendemos que a mudança de comportamento é inevitável, já está acontecendo e cabe às empresas apenas se adaptar. A questão aqui é entender em que velocidade, com quais fricções e para qual parcela do mercado.

Cada era do consumo tem a sua interface principal

A história do comportamento do consumidor pode ser contada como uma sequência de interfaces dominantes que se acumularam e não foram substituídas.

Na loja física a interface é o vendedor: o poder está em quem sabe persuadir e tem o melhor ponto comercial, onde o consumidor entra, olha e decide;
No e-commerce a interface é a busca: o poder é de quem tem mais relevância no Google e o consumidor ganha autonomia, ele mesmo pesquisa, decide e compra;
Nos apps e feeds a interface é o algoritmo: o poder está com quem tem dados de comportamento e consegue prever o que o consumidor quer;
Na era da IA, a interface é a conversa: poder vai para quem tem o modelo mais bem treinado no comportamento do seu usuário.

Cada nova interface acrescenta uma camada, expande o mercado total e redistribui o poder dentro dele. A interface conversacional seguirá o mesmo padrão e não substituirá o que já existe, apenas se tornará um canal adicional de alta relevância para contextos específicos, deixando com o mercado a decisão de onde e para quem essa nova interface cria valor incremental.

O que muda quando a interface é a conversa?

Até a última era o consumidor chegava com uma ideia do que queria e navegava dentro de uma da grade de produtos, ordem de exibição e destaques do que a empresa decidiu mostrar, posicionando a intenção do comércio a frente da real intenção do consumidor.

Em uma interface conversacional, o consumidor chega com uma intenção e a IA trabalha para resolver. Um prompt é uma instrução, e a IA que executa essa instrução de forma precisa e confiável ganha a transação, independentemente de qual marca está por trás. Isso inverte a lógica que dominou o varejo digital por décadas, porque agora o produto mais relevante não é o que tem mais verba de mídia, é o que melhor responde ao comando que expressa a intenção do usuário.

A Shopify entendeu essa lógica de que as empresas que só existem dentro do próprio app, esperando que o cliente chegue até elas, possuem uma fragilidade real. Por isso, lançou o Storefront MCP, que permite a qualquer loja criar agentes de IA capazes de recomendar produtos, montar o carrinho e guiar o consumidor até o checkout, tudo dentro de uma interface conversacional.

E quem já saiu na frente?

O CEO do Nubank, David Veléz, declarou que eles não estão apenas adicionando IA ao banco, estão reconstruindo o banco em torno da IA. O AI Private Banker do Nubank chegou a 15 milhões de usuários ativos mensais. O Ailo, assistente de IA do iFood para pedidos pelo WhatsApp, registrou 48% mais chance de conclusão de compra e pedidos 33% mais rápidos nos primeiros meses.

Segundo o CEO Andy Jassy, o Rufus, assistente de compras da Amazon, gerou quase 12 bilhões de dólares em vendas incrementais com compradores 60% mais propensos a finalizar uma compra. Em maio de 2026, a Amazon incorporou as capacidades do Rufus ao Alexa for Shopping, unificando os assistentes sob uma única marca.

Esses números escondem métricas sobre satisfação real do usuário e impacto no longo prazo, mas ainda geram uma expectativa positiva. A McKinsey projeta que o agentic commerce, esse modelo em que agentes de IA entram se tornam a nova interface com o consumidor, pode movimentar entre 3 e 5 trilhões de dólares globalmente até 2030, uma margem que já diz muito sobre o nível de incerteza envolvido.

O que o entusiasmo tende a omitir?

Erros de execução têm consequências diferentes

LLMs cometem erros, e esse erro é ainda mais grave quando envolve uma transação. Quando o agente executa uma compra, o erro tem consequência financeira direta e, para esses casos, os mecanismos de confirmação, reversão e responsabilidade ainda estão sendo desenhados pela indústria de tecnologia.

Privacidade e consentimento são questões abertas

Para funcionar bem, um agente precisa do consentimento para acesso a dados financeiros, histórico de comportamento e preferências pessoais. No Brasil, a LGPD e futuras regulamentações específicas para a IA pressionam nesse sentido e, na Europa, o AI Act já cria obrigações concretas.

A experiência do usuário não é uniforme

Existe uma parcela significativa e persistente de consumidores - por faixa etária, perfil digital ou preferências pessoais - que simplesmente não quer uma IA tomando decisões por ela, pior ainda quando se trata de transações com impacto financeiro.

Como as empresas podem se adaptar?

O iFood tem 14 anos de dados comportamentais e o Nubank construiu seu modelo sobre mais de 100 terabytes de interações de crédito. Para uma empresa sem esse histórico, entrar no jogo de personalização via IA demanda uma infraestrutura que leva anos para ser construída.

Para empresas pequenas e médias, a janela de oportunidade está em ser encontrada pelos agentes, não em construir o seu próprio agente. Isso significa que elas devem estruturar dados de produtos em formatos que agentes conseguem ler, como APIs abertas e integração com WhatsApp Business, Shopify ou similares; construir uma reputação verificável que os agentes consigam analisar antes de recomendar; e escolher um problema inicial para tratar com a IA em vez de transformar tudo ao mesmo tempo, como atendimento, qualificação do lead ou triagem de pedido.

Para empresas médias e grandes, em que já existe histórico, é importante entender se os dados estão estruturados de forma amigável para que um modelo consiga aprender com ele. Na maioria das vezes precisa-se resolver uma fragmentação de dados entre sistemas, canais e equipes, resolvendo os chamados silos organizacionais.

Uma rota que ganhou viabilidade recentemente é a adoção de SLMs (Small Language Models), modelos de linguagem menores e especializados. Um modelo compacto treinado nos dados do próprio negócio tende a superar um LLM genérico nas tarefas específicas daquele contexto, com custo operacional menor, menor latência e sem precisar trafegar dados sensíveis para servidores externos. A IBM com o Granite, a Microsoft com o Phi e a Meta com o Llama têm apostado nessa direção.

Para qualquer tamanho de empresa, as métricas precisam mudar. Para a interface conversacional o que importa é o custo por tarefa concluída, taxa de resolução de intenção e qualidade da recomendação - custo por clique, taxa de abertura e tempo de sessão são métricas que podem levar a empresa a otimizar para o cenário errado.

A transição para interfaces conversacionais está acontecendo, mas a velocidade, a adoção real e o impacto vão variar enormemente por setor, por público e por qual problema a IA consegue resolver melhor do que o canal anterior.

O risco real é tomar decisões estratégicas caras com base em projeções otimistas antes que padrões e modelos de negócio sustentáveis estejam claros. Observar, testar e medir o que importa é o que separa a estratégia que gera valor do hype.