A Klarna colocou um assistente de IA no ar e, só no primeiro mês, ele conduziu 2,3 milhões de conversas, dois terços de todo o atendimento da empresa.
A resolução caiu de 11 minutos para menos de dois. O número é da própria Klarna, e o State of Immersive & Agentic Commerce 2026 registra o caso como marco da virada conversacional.
Olha só o que esses números têm em comum. Todos são economia. Nenhum deles é venda. E é exatamente nesse ponto que a maioria dos projetos de chat para de evoluir.
Aqui na mK a gente lê esse relatório toda semana. O chat da sua loja responde quase tudo, menos as três perguntas que de fato travam o carrinho em categoria visual.
Fica bom em mim? Cabe no meu espaço? Essa cor é a minha? Texto não responde nenhuma das três. E são elas que decidem a compra de roupa, de óculos, de maquiagem e de sofá.
O estudo é direto sobre qual é o trabalho real dessa camada: o objetivo não é só melhorar a experiência, mas reduzir a incerteza, a principal fricção do funil.
Essa é a frase que muda o escopo do projeto de chat. Você pode baixar o estudo aqui e ler o capítulo inteiro de decisão assistida.
O que é um chatbot de e-commerce (e o que ele deixou de ser)
Chatbot de e-commerce é a interface conversacional que recebe a pergunta do cliente em linguagem natural, consulta os sistemas da loja e devolve resposta ou ação. A definição é simples. A implementação mudou três vezes em oito anos.
Primeira geração: a árvore de decisão
O bot de menu numerado, aquele de "digite 1 para rastrear pedido". Funciona para fluxo previsível e quebra no primeiro desvio. O cliente que escreve fora do roteiro cai no atendente humano ou desiste.
Segunda geração: o bot com processamento de linguagem
Entende a intenção escrita e classifica em categorias treinadas. Já aceita pergunta solta, mas depende de uma base de intenções que alguém precisa manter. Catálogo novo, intenção nova, retrabalho.
Terceira geração: o agente com acesso ao catálogo
Modelo de linguagem conectado ao estoque, ao preço, à política de troca e ao histórico do cliente. Consegue recomendar, comparar, simular frete e levar até o checkout. É a geração que hoje chamam de agente.
A diferença entre as três não está na fluência da conversa. Está no acesso: quanto da sua operação o bot consegue consultar e executar de verdade.
Nosso artigo sobre assistente virtual de compras detalha o que cada nível já resolve na jornada e onde cada um ainda trava.
Chatbot e-commerce: o que a planilha mede e o que ela ignora
Quase todo projeto de chat nasce na área de atendimento, com meta de atendimento. Daí vêm as métricas: taxa de deflexão, tempo médio de resolução, custo por ticket, volume absorvido sem humano.
São boas métricas. São métricas de centro de custo. Elas provam que a operação ficou mais barata e não dizem uma linha sobre quanto a loja vendeu por causa da conversa.
O estudo lembra o tamanho do problema que ninguém resolveu nesse caminho: a conversão média do e-commerce segue abaixo de 2%, enquanto o custo de aquisição subiu cerca de 60% em cinco anos, segundo a McKinsey.
Ou seja, a loja ficou mais eficiente em atender os 98 que não compram. O abandono continua exatamente no mesmo lugar, e o chat não foi convidado para resolver isso.
Dinheiro na mesa, com o cliente ainda digitando na janela.
Qual é o teto do texto no atendimento ao e-commerce?
A gente dá um nome a esse padrão aqui dentro: o teto do texto. O chat resolve com folga toda dúvida informacional e trava no instante em que a dúvida vira visual.
Repare na diferença de natureza. "Quando chega?" tem resposta em dado. "Esse caimento serve no meu corpo?" não tem resposta em dado nenhum, só em imagem do produto no cliente.
É por isso que categoria visual devolve tanto. O estudo registra taxas de devolução que chegam a 30% em categorias como moda, número da National Retail Federation.
Devolução nessa faixa tem nome, e o nome é dúvida que passou do checkout. O cliente comprou sem saber, recebeu, conferiu no espelho e desistiu.
As perguntas que o chat não alcança sozinho
- Caimento: como a peça se comporta no corpo real, não no manequim do estúdio.
- Tom: se a base, o batom ou a coloração conversam com a pele de quem está perguntando.
- Escala: se o móvel cabe entre a janela e a tomada da sala.
- Acabamento: textura, brilho e volume que a foto de catálogo achata.
Tabela de medidas e descrição detalhada são tentativas honestas de responder isso por escrito. Elas melhoram a página e continuam exigindo que o cliente imagine o resultado.
Spoiler: quem precisa imaginar, adia.
Como o chatbot passa do atendimento à venda?
A passagem tem quatro movimentos. Nenhum deles é troca de fornecedor de chat, e todos exigem decisão de quem responde pela receita, não só pelo atendimento.
1. Dar contexto de catálogo ao bot
Sem acesso a estoque, grade, variação de cor e política de troca, o bot improvisa. Com acesso, ele recomenda com base no que existe para vender hoje, naquele tamanho, naquela cor.
2. Entregar prova visual dentro da conversa
O movimento que quase ninguém faz. Em vez de descrever o produto, a conversa abre o provador virtual ou o visualizador 3D e mostra o item no cliente ou no ambiente dele.
3. Combinar o handoff com o humano
Ticket alto e dúvida complexa seguem pedindo gente. O bot que entrega contexto completo para o atendente humano encurta a conversa inteira. O que joga o cliente no início da fila queima a venda.
4. Medir por receita, não por deflexão
Enquanto o indicador principal for ticket evitado, o projeto vai continuar otimizando custo. Troque o indicador e o time passa a perseguir adição ao carrinho e conversão de quem conversou.
O estudo chama essa camada de decisão assistida: visualização imersiva em 3D, realidade aumentada e try-on, somadas a interação em tempo real. A conversa é a interação. O 3D é a visualização. Separadas, as duas entregam metade.
O que acontece quando a conversa ganha prova visual
Vale olhar um fluxo que já funciona assim. O mK SkinAI faz pergunta, interpreta a resposta, escaneia o rosto e recomenda rotina dentro do catálogo da marca.
Antes: a cliente da Simple Organic abria uma vitrine de skincare com dezenas de referências e nenhum critério próprio para escolher entre elas. Escolha difícil, carrinho vazio.
O que foi feito: a metaKosmos entregou um questionário de hábitos e objetivos combinado com análise facial por imagem, lendo oleosidade, poros, hidratação, linhas finas e vermelhidão, com processamento no próprio aparelho.
Depois: mais de 5 mil diagnósticos concluídos no primeiro mês, com 70% de adições ao carrinho direto da recomendação, e queda de 13% nas devoluções nos primeiros meses.
Uma ressalva honesta sobre esse último número, porque ela importa: a diferença de devolução é de 54 itens, base pequena, e a vantagem vem diminuindo ao longo dos períodos. É sinal forte, não lei da física.
"Estamos muito felizes com a parceria com a mK no desenvolvimento dessa experiência hiperpersonalizada de skincare. A solução ajuda o consumidor a encontrar recomendações mais assertivas entre dezenas de produtos, de acordo com as características e necessidades específicas da sua pele. Agora, queremos expandir essa frente para outras marcas do grupo, levando a experiência para eventos, pontos de venda, influenciadores e materiais com QR Code, ampliando a personalização em escala e aumentando a confiança na jornada de compra." Carla Dias Araújo, CMO Hypera
Nada mal para um fluxo que o mercado ainda classifica como atendimento.
Volume: a prova visual escala muito além do humano
Quando a prova entra na jornada, o uso explode. A Boca Rosa ativou o mK Beauty e registrou, nas duas primeiras semanas de lançamento, 1,68 milhão de provas feitas por 228 mil usuárias.
São 44 mil adições ao carrinho no período, com cada usuária voltando várias vezes. Nenhum time de atendimento humano, de qualquer tamanho, mostra um produto 1,68 milhão de vezes em 14 dias.
Quanto a conversa com IA já movimenta de verdade?
O dado que mais importa aqui não é de bot, é de comportamento. O estudo registra que o tráfego de referência de compras vindo de plataformas de IA generativa cresceu 752% ano a ano em 2025, pela Stackline.
No mesmo estudo, dados da Adobe medem a qualidade desse tráfego: alta de 693% no volume vindo de IA para sites de varejo, com conversão 31% maior e receita por visita 254% superior à do visitante comum.
Conversão 31% maior e receita por visita 254% superior em quem chega pela IA. Quem já conversou antes de clicar chega com a dúvida menor e o carrinho maior.
E a demanda não é hipótese: 71% dos consumidores declaram querer experiências de compra com IA generativa, segundo a Capgemini, no mesmo levantamento do estudo.
Repare na inversão. A conversa parou de ser o lugar onde a venda termina em reclamação. Virou o lugar onde a venda começa a ser decidida.
Por que a janela brasileira para isso é agora?
O Brasil tem duas vantagens raras ao mesmo tempo. A primeira é velocidade de adoção: o mercado de agentes de IA no país cresce a 47,9% ao ano, pela Grand View Research, acima da média global.
A segunda é cultural. O brasileiro já compra conversando, por mensagem, com perguntas soltas e foto de produto indo e vindo. A superfície conversacional aqui não precisa ser ensinada ao consumidor.
Isso muda a ordem do projeto. Em mercado onde a conversa é exceção, o desafio é criar hábito. Aqui, o hábito existe e o que falta é a marca ter algo digno de mostrar quando o cliente pergunta.
Nossa missão na metaKosmos é aumentar a confiança na compra online, e confiança não se constrói com resposta rápida. Constrói com evidência.
O chatbot é o ensaio do agente de compra
Tem um detalhe importante aqui. Enquanto as marcas discutem se vale ter chat no site, o estudo descreve a etapa seguinte, que já começou: o agentic commerce.
Nele, descoberta e seleção de produto deixam de ser conduzidas só pelo usuário e passam a ser influenciadas ou executadas por sistemas automatizados. O cliente delega. O agente pesquisa, compara e compra.
O estudo nomeia três ativos críticos para competir nesse cenário, e o primeiro é estrutura de catálogo: dados ricos, padronizados e compatíveis com interpretação por máquina. Quem não construir isso antes sofre desvantagem estrutural em distribuição.
Olha a ironia boa dessa história: o trabalho de alimentar um bom chatbot é o mesmo trabalho de ficar visível para os agentes. Catálogo limpo, ativo 3D, descrição estruturada, política explícita.
É o mesmo esforço que faz a sua marca aparecer como fonte citada pela IA. Quem fez a lição para o chat da própria loja já fez metade da lição do varejo que vem depois do carrinho.
Como integrar um chatbot de e-commerce ao catálogo 3D
Essa parte é para quem vai executar. A conversa não precisa aprender a renderizar produto: ela precisa ter um ativo pronto para chamar no momento certo.
É o que a metaKosmos chama de Your 3D Everywhere: um único ativo 3D do produto alimentando vários canais ao mesmo tempo, em vez de um render descartável por campanha.
O mesmo ativo serve o visualizador da página, o AI Shooting de fotos e vídeos, o filtro AR do ponto de venda e, agora, a camada de conversa.
O que isso exige na prática
- Digitalização do portfólio: começar por POC com poucos SKUs de giro alto, não pelo catálogo inteiro.
- Integração low-code: as soluções da metaKosmos conectam em mais de 200 plataformas, incluindo VTEX e Wake.
- Gatilho na conversa: definir em quais intenções o bot abre o provador e em quais ele responde em texto.
- Suporte no fuso certo: SLA de resposta em até cinco minutos, em português, no horário de quem opera a loja.
- Evento no analytics: marcar abertura, conclusão de prova e adição ao carrinho vindas do chat.
Vou ser justo com a concessão: qualquer time interno sobe um chatbot em uma semana, e foi por isso que tanta gente subiu.
O que não se sobe em uma semana é o acervo 3D que dá ao bot algo para mostrar quando a pergunta for visual.
A ferramenta de conversa virou commodity. O acervo visual da marca, não.
Quais erros derrubam um projeto de chatbot em e-commerce?
Cinco erros aparecem em quase toda operação que nos procura dizendo que "testou chat e não deu em nada".
- Medir só deflexão: o projeto entrega o que você mede. Meça custo e receba economia.
- Esconder o gatilho visual: botão de provador no fim da página longa é botão que ninguém encontra.
- Deixar o bot sem catálogo: recomendação de produto esgotado destrói a confiança de uma vez.
- Tratar o handoff como derrota: passar para o humano com contexto é parte do fluxo, não falha dele.
- Lançar sem evento de analytics: sem marcação, o chat nunca vai provar que vendeu, mesmo vendendo.
O quinto é o mais caro, porque mata o projeto na reunião de orçamento do trimestre seguinte. Conversão sem medição vira achismo, e achismo perde para a planilha de mídia paga sempre.
Como medir se o chatbot está vendendo (e não só respondendo)
Você abre o relatório na segunda de manhã e precisa levar número para a diretoria às 10h. A pergunta que vem é sempre a mesma: quanto disso é venda nova?
Então vale saber ler os dois recortes que existem, porque eles contam histórias diferentes e muita gente mistura os dois de propósito.
Last click contra receita influenciada
Last click conta só o pedido fechado no clique seguinte à interação. Receita influenciada conta toda a compra de quem usou a ferramenta no período. O segundo é bem maior e bem mais generoso.
Nenhum dos dois é errado. Errado é apresentar receita influenciada chamando de venda direta. Aqui na mK a gente mostra os dois lados no mesmo dashboard, e explica a diferença antes de alguém perguntar.
Uplift entre grupos, com a ressalva na mesa
Na mK Fashion+ da Marisa, quem usou o provador converteu 130,5% mais por sessão e adicionou 105% mais ao carrinho que quem não usou, com aprovação de 92,1% entre quem deu retorno.
A ressalva: isso compara dois grupos de gente diferente, e não é teste A/B. Quem abre um provador já chegou mais interessado. O dado é bom e precisa ser lido com esse desconto.
Na Osklen, o Shop The Look somou 2.919 interações e 311 adições ao carrinho em três meses, 10% de quem interagiu, contados por last click, que é o recorte mais conservador.
Esse é o tipo de conversa que a gente prefere ter com quem opera a loja de verdade: dado aberto, recorte explicado, ressalva no texto.
A sua loja responde rápido. Ela já consegue mostrar?
Responder virou o mínimo. Quase toda operação séria no Brasil já responde em segundos, em vários canais, com histórico. Isso deixou de diferenciar alguém.
O que separa a loja que atende da loja que vende é o que acontece quando o cliente pergunta "fica bom em mim?". Nesse segundo exato, ou você mostra, ou você pede para ele imaginar.
Quanto menos o cliente precisa imaginar, mais fácil fica decidir.
Dá para começar pequeno, com poucos SKUs de giro alto e a conversa chamando o provador no momento da dúvida. Em semanas você tem dado próprio para levar à diretoria, em vez de benchmark de terceiro.
Se quiser, a gente te mostra como isso ficaria no seu catálogo, com os seus produtos e o seu volume. Para marcar essa conversa, clique no botão abaixo.
Fale com um mentor da metaKosmos
E se você quer antes os números que sustentam este artigo, o State of Immersive & Agentic Commerce 2026 traz o recorte completo de agentic commerce, decisão assistida e Brasil. Baixe o estudo na página oficial.
Perguntas frequentes sobre chatbot no e-commerce
O que é um chatbot de e-commerce?
Um chatbot de e-commerce é a interface conversacional que recebe perguntas do cliente em linguagem natural, consulta os sistemas da loja e devolve resposta ou ação, como rastrear pedido, checar estoque ou recomendar produto. Existem três gerações em uso hoje: a árvore de menu numerado, o bot com processamento de linguagem e o agente conectado ao catálogo. A diferença entre elas está no acesso que o bot tem à operação, não na fluência do texto.
Como funciona um chatbot de e-commerce com IA?
Funciona em quatro etapas: o modelo de linguagem interpreta a pergunta, consulta as fontes conectadas (catálogo, estoque, preço, política de troca, histórico do cliente), monta a resposta e executa a ação possível, como adicionar ao carrinho. Nas implementações mais avançadas ele também aciona ferramentas visuais, abrindo um provador virtual ou visualizador 3D dentro da conversa. Sem essas conexões, o bot vira um FAQ mais educado e improvisa quando a pergunta sai do roteiro.
Chatbot e-commerce aumenta vendas ou só reduz o custo do atendimento?
Depende do que ele consegue acessar e do que a empresa decide medir. Projeto que nasce com meta de atendimento entrega redução de custo: a Klarna absorveu dois terços dos atendimentos no primeiro mês do assistente de IA. Para virar venda, o bot precisa de contexto de catálogo e de prova visual na conversa. No mK SkinAI da Simple Organic, o fluxo de diagnóstico gerou 70% de adições ao carrinho direto da recomendação.
Qual a diferença entre chatbot, assistente virtual e agente de IA?
A diferença está no grau de autonomia. Chatbot responde dentro de um escopo definido. Assistente virtual interpreta linguagem aberta e orienta a jornada, sugerindo caminhos. Agente de IA executa tarefas de ponta a ponta, consultando sistemas, decidindo e completando a compra pelo consumidor. O State of Immersive & Agentic Commerce 2026 chama essa última etapa de agentic commerce, em que a seleção de produto passa a ser influenciada ou executada por sistemas automatizados.
Quanto custa colocar um chatbot no e-commerce?
O custo se divide em três partes que têm pesos muito diferentes: a licença da ferramenta de conversa, a integração com os sistemas da loja e a produção dos ativos que o bot vai usar. A ferramenta virou commodity e pesa pouco. O que concentra o investimento é a digitalização de catálogo e a criação dos ativos 3D, porque é o que dá ao bot algo para mostrar. Começar por POC com poucos SKUs reduz esse valor inicial.
Quanto tempo leva para implantar um chatbot de vendas?
A camada de conversa sobe rápido, em dias ou poucas semanas, inclusive com time interno. O prazo real do projeto é definido pela digitalização do catálogo e pela integração com a plataforma. Na metaKosmos, uma POC com 2 a 5 SKUs costuma ficar pronta em 2 a 4 semanas, e a integração técnica low-code roda em mais de 200 plataformas, incluindo VTEX e Wake. O gargalo nunca é o bot.
Chatbot de e-commerce funciona no WhatsApp?
Funciona, e no Brasil essa é a superfície com mais hábito formado, porque o consumidor brasileiro já compra conversando por mensagem. O ponto de atenção é o mesmo do site: o canal entrega texto muito bem e precisa de apoio visual para responder dúvida de caimento, tom ou escala. O mercado de agentes de IA no país cresce a 47,9% ao ano, segundo a Grand View Research, acima da média global.
O chatbot pode mostrar como o produto fica no cliente?
Pode, desde que exista ativo visual para ele chamar. A conversa aciona um provador virtual com IA ou um visualizador 3D com realidade aumentada, e o cliente vê a peça no próprio corpo ou o móvel no próprio ambiente. É a etapa que o estudo chama de decisão assistida, somando visualização imersiva e interação em tempo real. Sem esse acervo, o bot só descreve, e descrição não elimina dúvida visual.
Vale a pena para loja pequena ou só para grande marca?
Vale para quem vende categoria visual, independentemente do porte, mas a ordem muda. Operação menor ganha mais começando pelos cinco ou dez produtos de maior giro, com prova visual neles, em vez de cobrir o catálogo todo. Marca grande tem outro problema: volume de SKUs e grade complexa, que torna o tagueamento manual inviável e exige automação. Em ambos os casos, o critério é a dúvida visual da categoria.
Como escolher uma solução de chatbot para e-commerce?
Avalie cinco pontos, nesta ordem: acesso real ao catálogo e ao estoque, capacidade de acionar prova visual dentro da conversa, qualidade do handoff para atendimento humano, eventos de analytics que separam receita influenciada de venda por last click, e SLA de suporte no seu fuso e idioma. Peça demonstração com produtos do seu catálogo, nunca com o portfólio de demonstração do fornecedor. Exija também exemplo de dashboard antes de assinar.
Chatbot de e-commerce substitui o atendente humano?
Não substitui em ticket alto, negociação ou problema sensível, e os projetos que tentaram isso voltaram atrás. O arranjo que funciona combina automação no volume repetitivo com passagem para humano quando a conversa pede julgamento, sempre entregando o contexto já coletado. A Klarna mostra a escala possível do lado automatizado: 2,3 milhões de conversas em um mês, com resolução em menos de dois minutos, contra 11 minutos antes.
Como começar um projeto de chat que vende?
Comece definindo a métrica de receita antes de escolher a ferramenta, porque o projeto entrega o que você mede. Depois escolha de cinco a dez SKUs de maior giro em categoria visual, digitalize esses itens, defina em quais intenções a conversa abre o provador e marque os eventos no analytics desde o primeiro dia. Em algumas semanas você tem dado próprio para defender a expansão, em vez de benchmark de terceiro.
