Agentic Foundations: Colmatar o Gap dos dados

A indústria está focada no front end do Agentic commerce. Interfaces de chat fluidas e assistentes capazes de interpretar intenções são fáceis de prototipar. No entanto, tal como referimos no artigo, não é aí que surgem as falhas. O primeiro ponto onde as demonstrações ao nível empresarial falham de forma consistente encontra-se numa camada mais fundamental: os dados.

A infraestrutura de comércio atual foi construída para humanos, e os consumidores humanos conseguem lidar bem com ambiguidades. Se a descrição de um produto não incluir um limite de peso, ou se a contagem de inventário estiver ligeiramente dessincronizada do armazém, conseguem inferir, esperar ou atualizar a página. Um agente autónomo não consegue.

Para um agente, esta ambiguidade representa uma falha crítica. Passar da descoberta para a transação exige um nível de precisão de dados para o qual a maioria dos sistemas atuais nunca foi concebida. E, para evoluirmos de um assistente útil que sugere ideias para um agente transacional que executa compras, precisamos de eliminar o gap dos dados.

O Agentic commerce à escala, resume-se em última análise, à execução. A execução depende de dados de produto estruturados de forma coerente, em tempo real e acessíveis às máquinas. O sucesso depende da legibilidade da máquina de um feed de produtos.

Os agentes consultam repetidamente o estado do produto ao longo de uma única sessão, e inconsistências que uma web IU conseguiria facilmente ocultar, como um atraso de 10 minutos nos níveis de stock, tornam-se bloqueadores sistémicos.

Essencialmente, um feed tradicional é um folheto promocional, mas um agente precisa de um manual técnico para funcionar. Depender de legacy feeds faz com que a base se desmorone, uma vez que os marketing feeds tradicionais não incluem dados transacionais, como peso dimensional ou disponibilidade regional. Sem estes campos específicos, um Large Language Model (LLM) irá frequentemente alucinar ou preencher lacunas, conduzindo a previsões imprecisas.

O Agentic commerce não consegue escalar com dados de produto legados, e as empresas que liderarem não estão a tratar isto como um simples exercício de limpeza de dados. Para vencer, as empresas precisam de assentar a sua estratégia nestes quatro pilares fundamentais de dados:

1. Integridade dos dados

Antes da otimização, precisamos de dar um passo atrás e responder: os dados existem?

É mais comum do que muitos imaginam que dados críticos estejam apenas parcialmente disponíveis. Já observámos grandes marcas de consumo onde o peso do produto se encontra num sistema e o restante catálogo noutro, sem qualquer ligação fiável entre ambos. Para um humano, isso é gerível; para um agente que calcula a viabilidade de envio, é um beco sem saída.

Esta camada garante também consistência, evitando que regional overrides e preços entrem em conflito entre sistemas.

2. Um agent-ready schema

Primeiro, é necessário identificar a fonte de verdade ou sistema de referência. Depois de identificada, esta precisa de estar preparada para o objetivo pretendido. Atualmente, a maioria dos feeds padrão não está otimizada para execução transacional.

Passar de um simples feed com 10 campos para um agent-ready schema (os 25 a 30 campos necessários para que uma máquina consiga agir) representa uma evolução arquitetural significativa. Mas não se trata apenas de adicionar mais campos. Trata-se de manter esse nível de detalhe de forma consistente em todos os produtos e de o manter continuamente atualizado.

3. Um distribution pipeline funcional

Mesmo que as duas camadas anteriores estejam implementadas, isso só criará valor se for utilizável.

Esta limitação está relacionada com a forma como um catálogo é traduzido e consumido. Os dados estão formatados de acordo com os protocolos esperados pelos programadores? São enviados para os endpoints corretos em tempo real? São fiáveis, de baixa latência e fáceis de integrar?

Se um agente não conseguir ingerir dados tão facilmente quanto os de um concorrente, isso representa uma desvantagem competitiva imediata.

4. Generative Engine Optimization

Por fim, depois de os dados estarem disponíveis e acessíveis, estão otimizados para ranking?

Tal como o SEO evoluiu para o Google, o Generative Engine Optimization (GEO) está a tornar-se uma disciplina própria. Estes modelos evoluem em tempo real. Tentar fazer engenharia reversa para perceber exatamente quais os atributos ou descrições que fazem com que um agente recomende um produto específico em detrimento de outro é um alvo em constante movimento.

O sucesso nesta área exigirá iteração constante e a disciplina necessária para ajustar a estratégia à medida que novos sinais emergem.

Se os dados de produto continuarem fragmentados entre sistemas, os agentes serão forçados a inferir em vez de executar.

A maioria dos comerciantes encontra-se algures ao longo da jornada de quatro etapas: garantir que os dados existem, torná-los consistentes, estruturá-los para máquinas e otimizá-los para agentic SEO. As duas primeiras etapas são pré-requisitos. A última é onde surgirá a verdadeira vantagem competitiva.

As empresas que liderarem não serão aquelas que construírem as interfaces mais apelativas. Serão aquelas que garantirem que os sistemas subjacentes estão preparados para as suportar.

Para uma análise aprofundada dos requisitos técnicos do catálogo de legibilidade pela máquina, leia o nosso artigo: Agentic commerce e feeds de produtos: um guia para retalhistas.