Eu forneço consultoria pro bono para um varejista localizado no Upper East Side de Nova York, e em nossa última reunião por vídeo, cobrimos alguns novos tópicos. Dados estruturados, feeds de catálogo, uma conexão com o Protocolo de Comércio Universal do Google ou o Protocolo de Comércio Agentic da OpenAI. Mas não falamos sobre o que determina se uma venda acontece: Uma vez que um agente de IA, e não uma pessoa, é quem está completando a transação, o checkout por trás ainda funciona?
O presidente da Shopify Harley Finkelstein respondeu parte dessa pergunta na teleconferência de resultados da empresa em fevereiro de 2026, e o número não é pequeno. Os pedidos que chegam através da busca alimentada por IA cresceram 15 vezes desde janeiro de 2025 e já estão passando por três protocolos separados construídos no último ano: o Protocolo de Comércio Universal do Google, o Protocolo de Comércio Agentic da OpenAI e o Agentforce Commerce da Salesforce, que optou por se alinhar com o UCP em vez de construir um padrão concorrente. Os vendedores do Etsy foram os primeiros a entrar no ChatGPT, com os comerciantes da Shopify, incluindo Glossier, Spanx e Vuori, seguindo. A OpenAI desde então recuou do checkout nativo no chat, movendo as compras para os aplicativos dos varejistas, o que torna a pergunta subjacente mais aguda em vez de menos relevante.
Eu enviei um e-mail para Konstantin Klyagin para descobrir o que acontece depois disso. Ele fundou a QAwerk em 2015 para dar ao software um parceiro de teste adequado, e a agência já testou mais de 300 projetos de clientes na América do Norte, Europa e África. Sua resposta à questão da visibilidade foi que fazer um produto aparecer nos resultados de uma plataforma de IA é a metade fácil, mas a maior parte da fricção atual está a montante, na parte que ninguém está testando ainda.
Um Agente Compra Nada Como Uma Pessoa
A formulação de Klyagin é simples uma vez que você a ouve: Um comprador humano navega em um ritmo inconsistente, se distrai, abandona um carrinho e volta a ele horas depois. Um agente de IA dispara chamadas de API rápidas e estruturadas, avalia um produto com base nos critérios que recebeu e executa uma decisão em segundos. Essa velocidade é exatamente o que quebra sistemas ajustados para humanos.
Limitação de taxa e detecção de bots existem para capturar comportamentos que parecem automatizados, que é precisamente o que um agente de compras legítimo parece. A lógica de sessão construída em torno de uma visita contínua de um humano engasga em um agente que consulta um produto, fecha a sessão e retorna mais tarde para finalizar a compra. A equipe de Klyagin testou sistemas multi-agente em outras indústrias regulamentadas e continua encontrando a mesma causa raiz: A maioria dos planos de QA verifica se um sistema produz a saída correta, e quase nenhum verifica se a infraestrutura circundante tolera um ator não humano se movendo através dela a velocidade de máquina.
É aqui que um produto bem classificado e bem otimizado ainda falha em converter. O SEO e o trabalho de visibilidade de IA no qual a maioria dos varejistas está focada agora está totalmente a montante disso.
O Padrão de Falha Não É O Que Você Acharia
Eu perguntei a Klyagin por um exemplo real de uma falha de checkout, de dados de produto ou de reembolso causada especificamente por um agente de IA, esperando uma história dramática. Ele não viu um incidente de produção verificado onde um agente causou a falha de checkout de um cliente, e ele não estava disposto a disfarçar um bug comum de ecommerce como uma falha de agente, e é exatamente por isso que sua resposta real vale mais do que um anedota fabricada.
O que sua equipe encontrou, repetidamente, é um problema mais sutil que se torna sério no momento em que o comprador é um software em vez de uma pessoa. Em um projeto de cliente, um funil chamado Pridefit, os engenheiros descobriram que dois componentes separados estavam mantendo suas próprias cópias dos mesmos dados de plano, com pequenas diferenças de preços e atributos entre os dois. Um comprador humano pode nunca notar, ou pode apenas atualizar a página. Um agente de IA não tem contexto visual e nenhum julgamento para se apoiar. Se ele seleciona um plano com base em uma fonte de dados e o checkout valida contra a outra, a discrepância no preço, SKU ou disponibilidade pode travar a transação em um estado que o agente não pode resolver por conta própria.
A equipe de Klyagin removeu a duplicação e centralizou os dados do plano, para que cada parte do funil puxasse de uma única fonte. Mas o padrão que ele espera ver com mais frequência no comércio agentic em geral não é um agente escolhendo o produto errado. É sistemas discordando sobre o estado de uma compra: Um feed de inventário diz que uma variante está em estoque enquanto o checkout diz que está esgotado, uma solicitação que expirou é tentada novamente contra um endpoint que não é devidamente idempotente, ou um reembolso é processado do lado do comerciante antes que o estado do pedido atualizado chegue ao agente que o iniciou. Uma pessoa pode muitas vezes ignorar uma inconsistência como essa e descobrir o que realmente aconteceu. Um agente precisa que todas as APIs, todos os feeds de produtos e todos os status de pedidos já concordem.
3 Verificações Que Valem A Pena Fazer Antes de Perseguir Um Quarto Protocolo
Klyagin orienta os clientes em direção a três testes específicos, e eu acho que todo varejista atualmente focado em sincronização de catálogo e marcação estruturada deve realizar os três antes de adicionar uma quarta plataforma de IA à lista.
- Teste de carga da API de checkout da maneira como um agente realmente a acessa. Não uma sessão humana lenta de cada vez, mas muitas chamadas paralelas disparadas em rápida sucessão. Um checkout que lidou com milhões de sessões humanas sem incidentes ainda pode falhar na primeira vez que encontra esse padrão de tráfego, e a maioria dos varejistas conectando-se ao UCP ou ACP agora realmente não sabe se o seu funcionará.
- Verifique a precisão dos dados do produto da maneira como uma máquina a lê, não da maneira como um navegador a renderiza. Uma página que parece perfeitamente consistente para um visitante humano pode estar puxando de duas fontes discordantes por baixo, e um agente não tem como notar a lacuna da maneira que uma pessoa rolando a página poderia.
- Verifique se os reembolsos e retornos são processados corretamente na primeira tentativa. Quando uma máquina inicia a solicitação, não há representante de atendimento ao cliente no loop para capturar uma falha parcial ou um status que nunca se sincroniza de volta.
Nenhuma dessas três requer esperar que o UCP, ACP ou Agentforce Commerce amadureçam ainda mais. Elas testam a fundação sobre a qual todos os três protocolos dependem, independentemente de qual um, ou
