technical-article · 2026-10-06 · Victoria Fracari · 8 min · pt-BR

> Como conectar dados de clientes, agentes especializados e decisões automatizadas em um marketplace.

Marketplaces acumulam anos de dados sobre o que as pessoas pesquisam, visualizam e compram. Mas, ter esses dados não garante uma boa experiência para o cliente.

Acontece com frequência: compramos um suéter e continuamos vendo anúncios daquele produto por semanas. Inclusive, uma pessoa comentou recentemente que comprou a mesma blusa três vezes porque esqueceu que já tinha uma. Cada vez que via no site ou em um anúncio, pensava: “Nossa, é a minha cara.”

A história é meio tragicômica, mas mostra um desafio real para as empresas por trás dessa experiência de compra: o comportamento atual dos clientes, a eficiência de logística e os dados coletados no marketplace nem sempre se encaixam. Isso significa experiências desagradáveis para um lado (ver o mesmo produto várias vezes, devolver porque comprou repetido) e dinheiro perdido para o outro (esse orçamento em anúncios poderia ter sido melhor aproveitado, os custos de devolução para a empresa, etc.).

A essa altura, já é de conhecimento comum que a IA pode ajudar a conectar esses sinais. Mas, como tirar um projeto assim do papel? A solução precisa considerar o conhecimento existente na empresa (banco de dados, conhecimento interno, etc), como o novo esquema vai lidar com novas informações, quanto tempo uma automação ou um agente pode levar para responder e com que frequência esse conhecimento precisa ser atualizado

Como estruturar uma solução de IA para um marketplace

Em uma palestra, Nancy, arquiteta de soluções da AWS, apresentou três partes do problema: dados de clientes fragmentados, um grande volume de novas interações e situações do dia a dia que mudam o que cada pessoa precisa.

Um modelo treinado com o comportamento passado pode não considerar interações recentes, ou pode considerar com o peso errado novos dados: uma cliente pode normalmente comprar para si mesma e, em outro momento, procurar um presente de Dia das Mães. Se o marketplace interpretar essa compra como um sinal sobre o estilo pessoal dela, pode continuar recomendando aquele estilo de produto mesmo depois da ocasião.

Uma possibilidade é usar agentes de IA especializados. Um agente orquestrador recebe os sinais dos clientes e aciona outros agentes responsáveis por tarefas específicas, como recomendações, textos para anúncios ou ofertas de fidelidade.

O orquestrador é quem considera os objetivos mais amplos da empresa, enquanto os agentes especializados podem ter como meta resultados que ajudam a compor esse objetivo. Exemplo: enquanto um agente foca em aumentar a adesão ao programa de fidelidade, o orquestrador precisa levar esse resultado em conta junto com o objetivo de construir uma relação duradoura com os clientes.

<figure class="ma-diagram" role="img" aria-label="Fluxo geral dos sinais dos clientes até um orquestrador e agentes especializados"><figcaption>Fluxo geral dos sinais dos clientes até um orquestrador e agentes especializados</figcaption><div class="ma-flow"><div>Sinais dos clientes</div><div>Agente orquestrador</div><div>Agentes especializados<br>recomendações · textos para anúncios · fidelidade</div><div>Decisões e ações no marketplace</div></div><p class="ma-loop">Resultados das ações retornam como novos sinais</p></figure>

O sistema também precisa aprender com o que acontece depois de cada ação. A recomendação ajudou? A cliente respondeu à oferta? Esses resultados viram novos sinais para orientar decisões futuras.

<p class="ma-caption">A arquitetura completa estará disponível no guia para download.</p>

Como agentes de IA podem responder ao comportamento dos clientes

Considere Sophia, uma possível cliente que visitou o marketplace várias vezes, mas ainda não comprou. O sistema conhece, por exemplo, a região e a idade dela, além de ter sinais de que se interessa por roupas de trabalho e marcas premium.

Ela demonstra interesse. Como o marketplace pode ajudar na decisão de concluir a compra?

<figure class="ma-diagram" role="img" aria-label="Fluxo 1 — Primeiros sinais de Sophia"><figcaption>Fluxo 1 — Primeiros sinais de Sophia</figcaption><div class="ma-flow"><div>Pesquisa blazers</div><div>Clica em três peças</div><div>Aumenta o interesse por roupas de trabalho</div><div>O orquestrador aciona o agente de recomendações</div></div><p class="ma-loop">Sophia recebe sugestões para completar o look</p></figure>

Se Sophia adicionar uma peça ao carrinho e sair sem comprar, o agente especializado em ofertas também pode testar o frete grátis, caso esse tipo de campanha esteja dando resultado para um grupo de clientes com características parecidas com as dela. A decisão se baseia também no grupo à que ela pertence, não apenas no comportamento de Sophia.

O papel desse agente é descobrir quais ofertas ajudam clientes como Sophia a comprar naquele momento da jornada. Para isso, ele precisa de limites claros: o que pode testar e quais informações deve considerar. O contexto precisa ser específico o bastante para orientar a decisão, sem incluir ruído a ponto de dificultar uma resposta útil.

<figure class="ma-diagram" role="img" aria-label="O orquestrador aciona um agente especializado e fornece contexto"><figcaption>O orquestrador prepara o contexto para a tarefa</figcaption><div class="ma-arch"><div><strong>Orquestrador</strong>Escolhe o agente especializado</div><div><strong>Tarefa</strong>O que o agente precisa decidir</div><div><strong>Sinais e contexto</strong>Informações relevantes sobre a cliente e o momento</div><div><strong>Limites</strong>O que o agente pode testar e considerar</div><div class="wide"><strong>Agente especializado</strong>Recebe o contexto necessário para produzir uma resposta útil</div></div></figure>

Como usar automação para decisões em tempo real

No exemplo de Nancy, o sistema precisava atender até 300 milhões de usuários. Nessa escala, o marketplace precisa considerar quanto tempo cada decisão leva e o custo dela. Os clientes esperam uma experiência rápida. Sophia não vai perder tempo esperando se o marketplace, onde ela nunca comprou, parecer lento ou não responder.

O agente pode seguir caminhos diferentes conforme as informações disponíveis. Se tiver sinais recentes suficientes sobre a cliente, pode usar os dados já armazenados. Se isso não for suficiente, pode recorrer a padrões de um grupo de clientes relevante. É uma questão de quanto do conhecimento já está “pronto” para ser acionado, ou quanto é necessário colocar capacidade analítica de IA para definir o próximo passo.

<figure class="ma-diagram" role="img" aria-label="Fluxo 2 — Escolher um caminho mais rápido para decidir"><figcaption>Fluxo 2 — Escolher um caminho mais rápido para decidir</figcaption><div class="ma-branches"><div><strong>Sinais recentes desse cliente</strong>Usar as informações disponíveis sobre ele</div><div><strong>Pouco histórico do cliente</strong>Combinar o comportamento observado com padrões de compradores parecidos</div></div><p class="ma-loop">Enviar o contexto relevante ao agente; receber uma recomendação sem executar todo o processo de decisão</p></figure>

Vimos uma ideia relacionada em um marketplace de alimentos com que a Bleu trabalhou. A plataforma conecta fornecedores a compradores de médio porte, como supermercados. [Leia o case completo.](https://bleu.builders/cases/animal-protein/)

Um supermercado novo talvez ainda não tenha navegado o suficiente para que o marketplace entenda suas preferências. O sistema pode consultar o que supermercados parecidos na região costumam comprar e combinar esses padrões com os sinais do novo comprador, como cliques em produtos premium.

Como avaliar agentes de IA em um marketplace

Há várias formas de verificar se os agentes estão tomando boas decisões. Em operações de grande escala, um agente pode avaliar o trabalho de outro. Para uma empresa menor, pode ser mais prático incluir uma pessoa no processo: alguém analisa a ação proposta, corrige o que for necessário e envia esse retorno ao modelo.

A Bleu usou essa abordagem ao criar um modelo de segundo cérebro para uma empresa de consultoria. [Leia o case completo.](https://bleu.builders/cases/second-brain/) Um marketplace com milhões de clientes toma um volume muito maior de decisões. Por isso, o processo de avaliação precisa acompanhar essa escala e ajudar a equipe a encontrar problemas.

<figure class="ma-diagram" role="img" aria-label="Diagrama de sinais de negócio e avaliação em um marketplace"><figcaption>Sinais de negócio e avaliação dos agentes</figcaption><div class="ma-arch"><div><strong>Sinais do marketplace</strong>Cliques · etapas da jornada · adições ao carrinho</div><div><strong>Ação dos agentes</strong>Recomendação ou oferta apresentada</div><div><strong>Resultado observado</strong>Resposta da cliente · conversão · etapa abandonada</div><div><strong>Avaliação</strong>Outro agente ou uma pessoa revisa a decisão</div><div class="wide"><strong>Retorno para o sistema</strong>Correções e resultados alimentam as decisões futuras</div></div><p class="ma-loop">O guia para download mostra como isso se encaixa na arquitetura completa</p></figure>

Um marketplace não precisa começar com uma arquitetura completa de agentes. Pode começar identificando uma decisão sobre o cliente que vale a pena melhorar, quais informações ela exige, em quanto tempo precisa acontecer e como a equipe vai avaliar o resultado.

Por onde começar com IA em um marketplace

Distribuir agentes por toda a operação sem priorizar onde eles podem ajudar pode levar a uma solução que não funciona bem na prática. E, quando o marketplace já está em operação, introduzir agentes sem planejamento adequado pode trazer riscos de logística e de experiência do cliente.

Um começo mais seguro é escolher um fluxo que valha a pena melhorar, entender quais dados podem ajudar e definir como avaliar o resultado.

Se sua equipe está tentando decidir onde a IA pode fazer diferença, o [Guia de IA da Bleu](https://bleu.builders/guia-ia/) ajuda a comparar oportunidades e escolher um primeiro projeto para testar.

Themes: inteligência artificial · marketplaces · agentes