A Salesforce acaba de anunciar o maior release do Agentforce Commerce da sua história: três agentes que operam a loja de ponta a ponta. E, na mesma janela, um dado do varejo tornou o anúncio desconfortável: 34% das páginas de produto de grandes varejistas são inacessíveis ou ilegíveis para agentes de IA, e 25% do conteúdo de home e categoria não está otimizado para LLM.
A leitura fácil do release é "os agentes vão vender por você". A leitura útil é o contrário: o agente só vende o que consegue ler — e é exatamente aí que a maioria das lojas trava. Este artigo é sobre a pergunta que decide se você aparece ou some na resposta do ChatGPT e do Gemini: quando um agente de IA abrir seu catálogo, ele monta a proposta — ou desiste na terceira página ilegível?
1. O que a Salesforce lançou: Shopper, Buyer e Merchant Agent
O Agentforce Commerce chega com três agentes de papéis distintos. O Shopper Agent acompanha o cliente da descoberta ao pós-venda, entendendo intenção em linguagem natural e conduzindo até a compra. O Buyer Agent executa compras B2B por canais como WhatsApp e SMS — o pedido de reposição que nasce numa conversa, não num portal. E o Merchant Agent gerencia catálogo, organização de produto e regras comerciais por linguagem natural, do lado de dentro da operação.
O que muda o alcance é a distribuição: a conexão com o ChatGPT chega em julho de 2026, e as integrações com Google Search (AI Mode) e Gemini estão previstas para o verão. Some a isso o número que a própria Salesforce divulgou — o Agentforce cruzou US$ 1,2 bilhão em ARR no ritmo mais rápido da história da companhia. O comércio agêntico deixou de ser tese de palco e virou canal com orçamento.
Só que o release resolve a camada do agente. Ele não resolve — nem promete resolver — a camada de baixo: se o catálogo que o agente vai ler está legível.
2. A virada real: o agente só vende o que consegue ler
Durante duas décadas, quem lia sua loja era um ser humano com um navegador. Ele tolerava descrição em imagem, atributo faltando e variação bagunçada porque preenchia as lacunas com contexto: entendia que "aquele" era o tamanho M mesmo sem o campo estruturado, deduzia o preço do banner, ligava para tirar dúvida.
O agente de IA não preenche lacuna com boa vontade. Ele lê o que está estruturado e ignora — ou erra — o resto. Quando um Shopper Agent, o ChatGPT ou o Gemini abrem seu catálogo para montar uma recomendação, eles precisam extrair atributo, preço, disponibilidade e variação em formato de máquina. O que não está legível não entra na comparação. E o que não entra na comparação não é vendido — é o concorrente do lado, com o mesmo produto e o catálogo arrumado, que aparece na resposta.
É uma inversão silenciosa de vantagem competitiva: a loja que investiu em fotos lindas e copy persuasiva para humanos pode estar invisível para o comprador que agora é uma máquina.
3. O dado incômodo: 34% ilegíveis e 25% sem otimização para LLM
Os números que circularam nesta janela no varejo colocam tamanho no problema. 34% das páginas de produto de grandes varejistas estão inacessíveis ou ilegíveis para agentes de IA. Não é uma loja pequena sem time de tecnologia — é o grande varejo, com orçamento, que ainda tem uma em cada três páginas fora do alcance do agente.
E 25% do conteúdo de home e categoria não está otimizado para LLM: a página que deveria ajudar o agente a entender o sortimento, a organização e a proposta de valor da loja não fala a língua que o modelo lê. O resultado prático é cruel — a empresa paga pela camada de agentes, ativa a integração com o ChatGPT, e mesmo assim não aparece, porque o problema nunca esteve na camada que ela comprou.
4. As 4 causas de um catálogo ilegível
Quando se abre o catálogo de uma operação real, as mesmas quatro causas explicam quase toda a ilegibilidade.
Causa 1 — Atributo faltando ou inconsistente. Cor, tamanho, material, voltagem, compatibilidade: o agente compara produtos por atributo estruturado. Se metade do sortimento tem o campo preenchido e a outra metade deixa em branco (ou joga a informação no meio da descrição), o agente não consegue filtrar nem comparar — e descarta o item na dúvida.
Causa 2 — Descrição presa em imagem. Especificação, tabela de medidas e diferenciais que existem apenas dentro de um JPEG são invisíveis para o modelo. O olho humano lê; o agente vê um retângulo. Tudo que importa para a decisão precisa existir como texto, não como pixel.
Causa 3 — Variação de produto sem estrutura. Quando P, M e G são três páginas soltas — ou quando a cor é escolhida por um seletor que só existe no front-end — o agente não entende que se trata do mesmo produto com variantes. Ele vê fragmentos, não um item comprável com opções.
Causa 4 — Preço e estoque sem API para consultar em tempo real. Se o agente não consegue verificar disponibilidade e preço no momento da conversa, ele faz uma de duas coisas: promete o que o estoque não tem, ou, no bom cenário, desiste de recomendar para não errar. Preço em banner e estoque em cache velho não sustentam comércio agêntico.
Repare no que essas quatro têm em comum: nenhuma é problema de inteligência artificial. Todas são problema de estrutura de dados.
5. Isso é problema de dados, não de IA
É a confusão mais cara de 2026. A empresa sente a dor ("não aparecemos no ChatGPT") e conclui que precisa de mais IA — outro agente, outro modelo, outra licença. Mas o agente do cliente já existe e já está lendo. O que falta não está na camada de IA; está na camada de dados que a alimenta.
Prontidão de dados não vem junto com a licença do agente. Ela é trabalho de estrutura de catálogo, feed de produto legível por máquina, unificação de fontes e ativação — o encanamento por baixo do agente. Um agente apontado para um catálogo ilegível não vende mais rápido: ele descarta mais rápido. IA aplicada sobre dados estruturados é vantagem; aplicada sobre dados bagunçados, é só um jeito mais caro de continuar invisível.
6. Como medir prontidão: legibilidade, cobertura e feed em tempo real
Para a conversa sair do "achismo" e virar meta, três indicadores bastam — e todos são coletáveis sem comprar ferramenta nova.
Legibilidade de catálogo. Percentual de páginas de produto cuja informação essencial (atributo, preço, disponibilidade, variação) está em formato estruturado e acessível a um agente — não presa em imagem nem no front-end. É o indicador que o dado dos 34% mede: comece medindo o seu.
Cobertura de atributos. Para cada categoria, quantos dos atributos que decidem a compra estão preenchidos em todo o sortimento. Não adianta 100% de cobertura de "marca" e 40% de "compatibilidade" numa categoria em que compatibilidade é o que faz o cliente escolher.
Feed em tempo real. Preço e estoque respondem a uma consulta de API em milissegundos, com o mesmo valor que o site mostra? Ou o agente vai ler um feed que roda de madrugada e diverge do site ao meio-dia? Sem tempo real, o agente ou erra ou desiste.
Um quarto sinal vale como termômetro: faça o teste você mesmo. Peça a um agente de IA para "comprar" um produto seu. Se ele não encontra, não compara ou inventa preço, você acabou de medir a sua ilegibilidade na prática.
7. Como a CCX ajuda: catálogo legível, Salesforce Data Cloud e IA sobre dados prontos
Quando uma operação nos procura com o problema "investimos em IA mas não aparecemos", o diagnóstico quase nunca é falta de agente — é falta de prontidão de dados. É o que a prática de Data & Business Intelligence da CCX endereça: estruturação de catálogo, construção de feed de produto legível por máquina, e unificação e ativação de dados com Salesforce Data Cloud — reunir cliente, catálogo e comportamento numa base única que o agente consiga ler em tempo real, em vez de fontes que divergem entre si.
Sobre essa base entra a camada de IA para Negócios — busca semântica, RAG e agentes que operam sobre dados estruturados e confiáveis, não sobre um catálogo cheio de buracos — e a Consultoria 360º (CRO & UX), que torna as páginas de produto legíveis e otimizadas para os dois leitores que hoje decidem a venda: o humano e o agente. A execução, quando o time interno está no limite, é feita por squads dedicadas com onboarding em 48h, formadas por engenheiros sêniores com média de mais de 10 anos.
Antes de contratar um agente de vendas, descubra se o agente do seu cliente consegue LER seu catálogo. Diagnóstico de dados gratuito →
8. Perguntas frequentes
O que é um catálogo legível para agentes de IA?
É um catálogo em que a informação que decide a compra — atributo, preço, disponibilidade e variação — existe em formato estruturado e acessível por máquina, não presa em imagem nem apenas no front-end. É o que permite que um agente (Shopper Agent, ChatGPT, Gemini) encontre, compare e recomende o produto. Sem isso, o item é ignorado na resposta.
Por que 34% das páginas de produto são ilegíveis para agentes de IA?
Porque foram construídas para leitores humanos, que toleram atributo faltando e descrição em imagem. As quatro causas mais comuns são atributo ausente ou inconsistente, especificação presa em JPEG, variação sem estrutura e preço/estoque sem API para consulta em tempo real. Nenhuma é problema de IA — todas são de estrutura de dados.
O Agentforce Commerce resolve a legibilidade do meu catálogo?
Não. O Agentforce Commerce opera a camada de agentes — Shopper, Buyer e Merchant. Ele lê o catálogo que você expõe; não conserta um catálogo ilegível. A prontidão de dados (estrutura, feed em tempo real, unificação) é trabalho anterior e separado da licença do agente.
O que é o Salesforce Data Cloud nesse contexto?
É a plataforma que unifica dados de cliente, catálogo e comportamento numa base única e ativável em tempo real. No comércio agêntico, ele serve para que o agente leia uma fonte consistente em vez de sistemas que divergem entre si — condição para que preço, estoque e atributo cheguem certos no momento da conversa.
Como sei se minha loja aparece na resposta do ChatGPT?
Faça o teste: peça a um agente de IA para encontrar e "comprar" um produto seu. Se ele não localiza, não compara com concorrentes ou erra preço e disponibilidade, seu catálogo tem lacunas de legibilidade. Medir legibilidade de catálogo, cobertura de atributos e disponibilidade de feed em tempo real transforma esse teste em plano de correção.