Superinteligência em lojas de eletrônicos: garantia e troca

Superinteligência em lojas de eletrônicos, hoje, não é uma mente superior que decide sozinha. É um agente de IA que consulta catálogo técnico, política de garantia e regras de troca bem organizados e responde somente com base nisso. Quando a informação não existe ou o caso foge da regra, ele encaminha para uma pessoa. O resultado depende menos do modelo e mais da qualidade das regras que a loja escreve.

Principais pontos

• O agente deve responder a partir de documentos aprovados pela loja (catálogo, política de garantia, regras de troca), nunca a partir do que o modelo "acha" que é verdade.
• Garantia legal, garantia do fabricante e garantia da loja são coisas diferentes, e o agente precisa ter cada uma registrada separadamente por produto.
• Regra boa tem condição, exceção, fonte e responsável. Texto corrido de política, sem estrutura, convida à suposição.
• Casos de mau uso, dano físico, divergência de nota fiscal ou pedido de exceção devem ir para um atendente humano com o histórico já resumido.
• A implantação segue um caminho curto: mapear o processo atual, limitar dados e ações, pilotar um fluxo real e transferir a operação com critérios claros.

O que significa superinteligência numa loja de eletrônicos?

O termo superinteligência costuma designar um sistema que superaria a capacidade humana em praticamente todas as tarefas. Isso não existe em produção em nenhuma loja. O que existe é um agente de IA com um escopo estreito: responder dúvidas de produto, explicar garantia, abrir solicitação de troca e passar casos difíceis adiante. Quem quiser aprofundar a diferença entre o que modelos de linguagem fazem e o que o termo promete pode ler ChatGPT é superinteligência? O que ele é e o que não é.

Para o dono da loja, a pergunta útil não é "quão inteligente é o modelo?", e sim "o que o agente pode afirmar, com base em quê, e quando ele para?". Um agente que responde bem sobre garantia é aquele que sabe citar a regra que usou e admite quando não encontrou nenhuma.

Vale uma separação de honestidade. O que descrevemos aqui vem de documentação pública de arquitetura e de prática de implementação. Onde houver hipótese, ela será dita como hipótese. Não há números de clientes nem resultados medidos neste texto.

Por que garantia e troca são o ponto mais sensível?

Em eletrônicos, a dúvida de pós-venda carrega consequência financeira e legal. Uma resposta errada pode prometer uma troca que a loja não deve, ou negar um direito que o consumidor tem. O Código de Defesa do Consumidor trata de vícios do produto e do direito de arrependimento em compras feitas fora do estabelecimento, e a leitura de cada caso cabe ao jurídico da loja, não ao agente.

Os erros mais comuns de um agente sem regras estruturadas são previsíveis:

• Misturar a garantia do fabricante com a garantia da loja e prometer o que nenhuma das duas cobre.
• Inventar prazo ou condição porque o texto da política era ambíguo.
• Responder sobre um modelo parecido, mas não idêntico, ao produto que o cliente comprou.
• Aceitar como verdade o que o cliente afirma ("a loja já me prometeu a troca") sem conferir o pedido.
• Tratar como regra uma conversa antiga ou um e-mail de campanha que já perdeu a validade.

Todos esses erros nascem do mesmo lugar: o agente tem liberdade para completar lacunas. A solução é reduzir as lacunas na origem e proibir o preenchimento por suposição.

Como organizar o catálogo técnico para o agente?

Um catálogo pensado para vitrine e SEO nem sempre serve a um agente. Descrições comerciais misturam promessa de marketing com dado técnico. Para o agente, cada produto precisa de um registro estruturado, com campos separados e fonte identificada.

Campos que costumam fazer diferença em eletrônicos:

• Identificação exata: SKU, modelo, variante (cor, capacidade, voltagem, versão regional) e códigos do fabricante.
• Especificações técnicas confirmadas, com link ou referência ao manual ou ficha do fabricante.
• Compatibilidades e incompatibilidades declaradas (acessórios, carregadores, sistemas).
• Categoria de garantia aplicável: prazo do fabricante, prazo adicional da loja se houver, e quem atende cada uma.
• Itens que não entram em troca por regra da loja ou do fabricante (por exemplo, produto aberto de determinada categoria), com a fonte da regra.
• Data de revisão do registro e responsável por ele.

A técnica por trás disso é a geração aumentada por recuperação (RAG): em vez de confiar na memória do modelo, o sistema busca trechos dos documentos aprovados e os entrega ao modelo junto com a pergunta. A AWS explica o conceito de RAG de forma acessível, e a engenharia de contexto descrita pela Anthropic em Effective context engineering for AI agents ajuda a decidir o que entra no contexto do agente e o que fica de fora.

Um cuidado prático: não despeje o catálogo inteiro no prompt. Recupere apenas o registro do produto em questão e as regras que se aplicam a ele. Menos texto relevante costuma gerar respostas mais precisas do que muito texto misturado.

Como transformar a política de garantia e troca em regras?

A política que está no site, escrita em linguagem jurídica ou comercial, raramente está pronta para uso por um agente. O trabalho é traduzi-la em regras com formato repetível. Cada regra deve ter:

• Condição: quando ela se aplica (tipo de defeito, canal de compra, estado da embalagem, existência de nota fiscal).
• Ação permitida: o que o agente pode dizer ou registrar.
• Ação proibida: o que ele nunca deve prometer.
• Exceção: quando passa para humano.
• Fonte e dono: documento de origem, quem aprovou e quando foi revisada.

Três camadas de garantia devem aparecer separadas em qualquer resposta: a garantia legal, a garantia contratual do fabricante e a garantia estendida ou condição da própria loja. Se o agente não souber qual camada se aplica, a resposta correta é pedir os dados que faltam (número do pedido, data da compra, descrição do defeito) ou encaminhar.

Outro ponto: o agente não decide sobre mérito. Ele pode explicar o que a política diz, informar documentos necessários e abrir o chamado. A decisão de aceitar ou recusar uma troca em caso duvidoso fica com uma pessoa. Isso também conversa com a LGPD e as decisões automatizadas, que preveem o direito de solicitar revisão de decisões tomadas apenas por tratamento automatizado quando afetam interesses do titular.

Por fim, trate mensagens de clientes como entrada não confiável. Um cliente (ou um arquivo anexado) pode tentar induzir o agente a ignorar a política. O OWASP Top 10 para aplicações com LLM descreve esse tipo de risco, incluindo injeção de prompt, e vale como lista de verificação para quem desenha o agente.

Cenário ilustrativo: troca de um fone sem fio

Este é um cenário ilustrativo, não um caso real.

Uma loja online vende fones sem fio de duas marcas. Um cliente escreve no WhatsApp dizendo que o fone esquerdo parou de carregar e pede troca por um modelo superior, pagando a diferença.

O agente segue estes passos, todos baseados em regras registradas:

• Pede o número do pedido e confirma que a conta do cliente corresponde à compra, sem expor dados de outra pessoa.
• Recupera o registro do produto e identifica a garantia do fabricante e a condição da loja para aquele modelo.
• Verifica na regra de defeito se o relato (não carrega) se enquadra em defeito de funcionamento e quais documentos ou fotos são necessários.
• Informa o caminho de atendimento: abertura do chamado e encaminhamento conforme a política, sem prometer resultado de análise técnica.
• Reconhece que o pedido de troca por modelo superior com complemento de valor é exceção comercial. Não está na regra, então registra o pedido, resume o caso e transfere para um atendente.

O atendente recebe o resumo: produto, data de compra, relato do defeito, regra consultada e o pedido de exceção. O cliente não precisa repetir a história. Se o cliente afirmar "o outro atendente disse que podia", o agente não confirma nem nega; registra a alegação e a inclui no resumo.

Como implantar: mapear, limitar, pilotar, transferir

O método de Juan Carlo para esse tipo de projeto segue quatro movimentos, sem promessa de resultado e sem atalho.

• Mapear: levantar como garantia e troca funcionam hoje. Quem responde, onde estão as regras, quais exceções já foram concedidas, quais perguntas se repetem e onde há divergência entre canais. Aqui se define também o ponto de partida (baseline) para comparar depois.
• Limitar: decidir quais dados o agente acessa (pedido, produto, política) e quais ações ele pode executar (informar, coletar dados, abrir chamado). Autorizações como reembolso, troca imediata ou exceção ficam fora do alcance dele.
• Pilotar: escolher um fluxo real e estreito, por exemplo dúvidas de garantia de uma categoria de produto, com registro de cada resposta e da regra usada, e uma métrica de sucesso combinada antes de começar.
• Transferir: entregar a operação com documentação, responsáveis pela revisão das regras e um critério para decidir se o projeto expande, se ajusta ou se para.

Em operações gerenciadas, essa rotina pode ser conduzida pela Be Human, mas o princípio vale para qualquer equipe: sem dono para as regras, o agente envelhece junto com a política.

Se a loja também faz reparos ou encaminha produtos para assistência, o fluxo se conecta com o que descrevemos em IA para assistência técnica de celulares: triagem, status e garantia, onde o status do reparo entra como mais uma fonte consultável.

Como testar e monitorar o agente antes e depois de abrir?

Um agente de garantia não deve ir ao ar só porque respondeu bem a três perguntas de demonstração. Monte um conjunto de casos de teste com situações reais anonimizadas e inventadas: produto dentro da garantia, fora dela, sem nota fiscal, com sinal de mau uso, com pedido de exceção, com tentativa de manipular o agente. Para cada caso, defina a resposta esperada e quando o agente deve transferir. A abordagem de testar sem tocar em sistemas reais está em Como testar agente de IA com mocks e sandbox sem risco.

Depois da abertura, monitore o que importa para a decisão:

• Respostas sem regra de origem registrada.
• Transferências para humano e os motivos mais frequentes.
• Casos em que o atendente corrigiu o agente.
• Reclamações ligadas a promessa indevida.
• Mudanças de política ainda não refletidas nos documentos.

Cada correção deve virar ajuste na regra ou no catálogo, não só no prompt. Essa é a diferença entre um agente que melhora e um que apenas acumula remendos.

Sobre dados pessoais, o agente lida com nome, pedido, contato e, às vezes, fotos e documentos. Colete o mínimo necessário, informe a finalidade e defina por quanto tempo guarda o histórico. A ANPD é a referência oficial para orientações de LGPD no Brasil.

Perguntas frequentes

O agente de IA pode aprovar uma troca ou um reembolso sozinho? O mais prudente, na fase inicial, é que não. Ele pode explicar a política, coletar os dados e abrir a solicitação, mas a aprovação fica com uma pessoa. Só depois de um piloto com registros e critérios claros a loja pode avaliar liberar ações simples e reversíveis.

O que o agente deve fazer quando não encontra a regra para o produto? Deve dizer que não tem essa informação confirmada, pedir os dados que faltam se isso ajudar e transferir para um atendente com o caso resumido. Responder por semelhança com outro produto ou por "o que normalmente acontece" é exatamente o comportamento que a estrutura de regras existe para evitar.

Precisamos de um modelo próprio ou de treinamento especial para isso? Em geral, não como ponto de partida. Para conteúdo que muda, como catálogo e política, costuma ser mais controlável recuperar documentos atualizados a cada pergunta do que treinar o modelo, porque a fonte é visível e a atualização é imediata. A comparação entre recuperação e ajuste fino está descrita em materiais de arquitetura como o da AWS, e a escolha final depende do caso.

Quem deve manter as regras depois que o agente estiver no ar? Alguém da operação, com apoio do jurídico quando a política mudar, precisa ser o dono formal das regras e do catálogo. Defina uma rotina de revisão e um registro de alterações. Sem isso, o agente continuará respondendo com base em uma política que a loja já não pratica.

Fontes

• AWS: What is retrieval-augmented generation
• Anthropic: Effective context engineering for AI agents
• OWASP Top 10 for LLM Applications
• ANPD: Autoridade Nacional de Proteção de Dados