Superinteligência em lojas de moda: catálogo, tamanhos

Superinteligência em lojas de moda, hoje, quer dizer agentes de IA mais capazes atendendo clientes, sugerindo peças e consultando estoque. Não é uma inteligência acima da humana. O que decide se esses agentes funcionam é a base que a loja prepara: catálogo com atributos claros, medidas por peça, regras de troca escritas e estoque consultável. Sem isso, um agente melhor apenas erra com mais convicção.

Principais pontos

• Um agente mais capaz não compensa dado ruim: se a tabela de medidas está errada ou ausente, ele responde com segurança algo que ninguém verificou.
• O catálogo precisa de atributos estruturados (tecido, caimento, modelagem, cor real, cuidados), não só de uma descrição de marketing.
• Tamanho é o ponto mais sensível: o agente deve consultar medidas da peça e recomendar com ressalva, nunca prometer caimento.
• Regras de troca devem estar escritas com exceções claras, e os casos fora da regra vão para uma pessoa.
• Estoque e coleção são consultados em tempo de resposta, nunca lembrados pelo agente. O piloto começa por um fluxo só, com registro das decisões.

O que superinteligência significa para uma loja de moda?

O termo costuma gerar expectativa errada. Para uma loja, o que existe e pode ser operado agora são modelos de linguagem capazes de conversar bem, ler um catálogo, chamar ferramentas e seguir instruções longas. Isso já é suficiente para mudar o atendimento. Mas é diferente da ideia de uma inteligência que decide por conta própria o que a empresa deve fazer. Quem quiser separar bem esses conceitos pode ler mitos sobre superinteligência que atrapalham decisões na empresa.

Para este artigo, vale uma regra de leitura: o que vem da documentação oficial dos fornecedores é fato técnico, o que vem de experiência de implementação é prática observada em projetos desse tipo, e o que é projeção é hipótese. A orientação de que agentes funcionam melhor com ferramentas bem descritas e fluxos simples aparece em materiais públicos, como o guia da Anthropic sobre como construir agentes eficazes. A aplicação à moda, com suas particularidades de tamanho e troca, é leitura de implementação, e não resultado medido.

Que dados do catálogo o agente precisa para não inventar?

Em moda, a foto vende e a descrição enfeita. O agente, porém, só consegue responder com o que está escrito ou estruturado. Se a pergunta é "esse tecido amassa?" e o catálogo diz apenas "peça versátil e elegante", o agente tem duas saídas: admitir que não sabe ou improvisar. Cabe à loja tornar a primeira saída possível e a segunda desnecessária.

Um checklist mínimo de atributos por produto:

• Código único da peça e de cada variação (cor e tamanho), igual ao do sistema de estoque.
• Composição do tecido e se há elastano ou forro.
• Modelagem: justa, regular ou ampla, e se o fabricante considera que "veste pequeno" ou "veste grande".
• Comprimento, cintura, busto, quadril e outras medidas da peça pronta, em centímetros.
• Altura e tamanho que a modelo da foto veste.
• Cor real em palavras, porque a foto muda com a luz e a tela.
• Cuidados de lavagem e se a peça é lavável em casa.
• Ocasião de uso apenas quando a marca realmente definiu (por exemplo, linha de festa).
• Status de coleção: linha permanente, coleção atual, última unidade ou saída de linha.

Não é preciso preencher tudo antes de começar. Escolha as categorias mais vendidas e perguntadas, complete esses atributos e deixe o resto fora do escopo do agente. Uma categoria bem descrita rende mais do que o catálogo inteiro pela metade.

A técnica mais comum para o agente buscar essas informações é a recuperação de dados antes da resposta, conhecida como RAG. A AWS explica o conceito em o que é geração aumentada por recuperação. Na prática, significa que o agente consulta o catálogo a cada pergunta, em vez de depender do que "sabe". Quando o dado não existe, a instrução deve mandar dizer isso e oferecer um atendente.

Como tratar tamanhos e medidas sem prometer caimento?

Tamanho é onde o atendimento de moda mais gera troca, e onde um agente confiante demais mais prejudica. A numeração varia entre marcas, entre coleções da mesma marca e até entre tecidos. Um agente que diz "o M serve em você" sem base está apostando com o dinheiro da loja.

A abordagem mais segura tem três partes:

• Medidas da peça, não só da etiqueta. O agente compara a medida que o cliente informa com a medida real da peça e explica a folga esperada.
• Linguagem de recomendação, não de garantia. "Pelas medidas que você passou, o M tende a ficar confortável, e o G ficaria mais solto" é honesto. "Vai servir perfeitamente" não é.
• Pergunta de contexto. Se a cliente prefere caimento justo ou folgado, o agente deve perguntar antes de recomendar.

Há também uma questão de dados pessoais. Medidas corporais, fotos e informações de saúde ligadas ao corpo merecem cuidado. Peça apenas o necessário para recomendar o tamanho, avise para que a informação será usada e não guarde mais do que o fluxo exige. Para orientação oficial sobre proteção de dados no Brasil, o ponto de partida é a ANPD. Se a loja tiver dúvida sobre base legal, vale revisar com quem cuida de LGPD na empresa antes do piloto.

O que escrever nas regras de troca e devolução?

Regra de troca é o tipo de conteúdo em que a imprecisão custa caro. Se o agente diz um prazo ou uma condição que a loja não pratica, o cliente tem o registro da conversa na mão. Por isso a política precisa existir em forma de texto curto e sem ambiguidade, mantido em um único lugar.

Para cada situação, escreva três coisas: a regra, o que o agente pode fazer sozinho e o que exige uma pessoa. Um guia de decisão simples:

• Troca por tamanho de peça sem uso e com etiqueta: o agente explica o procedimento e abre o pedido, se a loja permitir.
• Peça com defeito aparente: o agente coleta fotos e número do pedido e transfere para a equipe, sem prometer o desfecho.
• Peça em promoção, personalizada ou de linha especial: o agente cita a regra específica da loja e, se houver dúvida, transfere.
• Pedido fora do prazo ou do padrão: o agente não negocia, apenas registra e encaminha.
• Cliente irritado ou com ameaça de reclamação pública: transferência imediata com resumo da conversa.

O limite entre automatizar e manter com gente também é tema de SAC com inteligência artificial: o que automatizar e o que manter. A lógica vale aqui: o agente resolve o que tem regra clara e passa adiante o que depende de julgamento ou de exceção comercial.

Como o agente deve consultar estoque e coleção?

Um agente não deve "lembrar" que existe um modelo em determinada cor. Deve consultar o sistema no momento da pergunta, por uma ferramenta com permissão de leitura. Isso evita dois erros comuns: oferecer o que acabou e esconder o que acabou de chegar. O guia da Anthropic sobre como escrever ferramentas eficazes para agentes reforça que ferramentas com nomes e retornos claros ajudam o modelo a usá-las bem.

Algumas decisões práticas:

• A ferramenta de estoque retorna quantidade por variação e a data da última atualização, para o agente saber se o dado é fresco.
• Reserva de peça é uma ação separada, com regra de tempo definida pela loja e confirmação do cliente.
• Peças de coleção anterior ou saída de linha têm um marcador no catálogo, para o agente não vendê-las como novidade.
• Se o estoque da loja física e o do e-commerce são diferentes, o agente diz de onde está consultando.

Quando o atendimento acontece no WhatsApp, entram também as regras do canal. A conversa tem limites de tempo para respostas livres, e mensagens ativas dependem de modelo aprovado e de permissão do cliente. Vale ler janela no WhatsApp API: como o agente de IA deve agir antes de desenhar avisos como "a peça que você queria voltou ao estoque".

Cenário ilustrativo: vestido para um casamento

Este é um cenário ilustrativo, sem relação com cliente real. Uma cliente escreve no WhatsApp pedindo um vestido midi para casamento de dia e pergunta se o tamanho M serve, informando busto, cintura e quadril.

O agente consulta o catálogo filtrando por ocasião definida pela marca e comprimento. Encontra dois modelos. Para o primeiro, compara as medidas informadas com as medidas da peça e responde que o M tende a ficar justo no quadril, e o G, mais confortável, mas folgado na cintura. Para o segundo, que tem elastano, diz que a margem de ajuste é maior. Antes de indicar a cor, consulta o estoque e informa que o G do segundo modelo tem poucas unidades, com a hora da última atualização.

A cliente pergunta se pode trocar caso não sirva. O agente cita a regra escrita da loja, sem acrescentar prazo por conta própria. Ela então pede um desconto por levar duas peças. Isso está fora do que o agente pode decidir: ele registra o pedido, resume a conversa e transfere para uma vendedora, que continua do ponto onde parou.

No cenário, o agente não inventou medida, não prometeu caimento, não improvisou política e não negociou preço. A qualidade da resposta veio da base preparada, e não de um modelo mais "inteligente".

Como aplicar com método: mapear, limitar, pilotar, transferir

O caminho que costumamos recomendar para esse tipo de projeto segue quatro passos. Para uma visão mais ampla da arquitetura por trás, veja a camada de superinteligência da empresa em cinco blocos.

• Mapear: levante as perguntas reais que chegam por WhatsApp, Instagram e loja física, os motivos de troca mais frequentes e onde a equipe perde tempo. Registre como o atendimento funciona hoje e defina o que será medido, como tempo de resposta ou taxa de transferência.
• Limitar: escolha poucas categorias, dê ao agente acesso de leitura a catálogo e estoque e deixe fora ações sensíveis, como reembolso ou desconto. Defina o que ele nunca responde e quando passa para uma pessoa.
• Pilotar: rode um fluxo real, por exemplo dúvida de tamanho e status de troca, com registro de cada resposta e das consultas feitas. Revise as conversas com a equipe e ajuste catálogo e instruções, não só o prompt.
• Transferir: entregue a operação com documentação, responsáveis e critérios. Depois decida com base nos dados do piloto se expande, ajusta ou encerra.

Um detalhe que costuma ser subestimado: o piloto revela buracos no catálogo mais do que falhas do modelo. Cada vez que o agente diz "não tenho essa informação", há uma linha de planilha para completar.

Perguntas frequentes

Um agente de IA pode substituir a vendedora da loja de moda? Não é o melhor desenho. Ele responde bem dúvidas repetitivas, consulta estoque e organiza trocas, mas estilo, relacionamento e negociação continuam com pessoas. O ganho está em liberar a equipe para o que exige olhar humano.

Precisamos de um modelo próprio treinado com nosso catálogo? Em geral, não como ponto de partida. Deixar o catálogo organizado e consultável por recuperação costuma ser mais simples de manter, porque a atualização de coleção entra sem retreinar nada. A decisão técnica depende do caso e deve ser testada no piloto.

O que fazer quando o agente erra uma medida ou uma regra de troca? Trate como falha de dado ou de instrução até que se prove o contrário. Localize a conversa no registro, veja o que o agente consultou, corrija a fonte e inclua o caso nos testes de revisão. Se o erro afetou um cliente, a equipe humana deve contatá-lo diretamente.

Por onde começar se o catálogo está desorganizado? Comece por uma categoria de alto volume de perguntas e complete medidas da peça, composição e modelagem. Rode o piloto só nessa categoria. Isso mostra rápido o esforço necessário para o restante, sem apostar a operação inteira.

Fontes

• Anthropic: Building effective agents
• Anthropic: Writing effective tools for agents
• AWS: What is retrieval-augmented generation
• ANPD: Autoridade Nacional de Proteção de Dados