De beleza e alimentos a eletrodomésticos, turismo e automóveis, a inteligência artificial avança sobre a descoberta e a consideração de produtos. Pesquisas de BCG, NielsenIQ, McKinsey, Gartner e outras organizações revelam uma transformação que exige das marcas e das Retail Media Networks uma nova estratégia de influência, dados e mensuração.
Por Retail Media News | Análise de mercado | Outubro de 2026
A próxima disputa do varejo não será apenas pela venda. Será pela formação da decisão.
Durante décadas, a indústria publicitária organizou a jornada de compra a partir de uma lógica relativamente previsível: gerar conhecimento de marca, estimular consideração, capturar intenção e converter consumidores em compradores.
O crescimento do comércio eletrônico e das Retail Media Networks (RMNs) aproximou publicidade e transação, permitindo conectar exposição à mídia, comportamento de navegação e vendas. Agora, uma nova camada tecnológica começa a modificar essa arquitetura.
A inteligência artificial generativa está se posicionando entre o consumidor e os ambientes tradicionais de descoberta de produtos. Antes de acessar um marketplace, visitar o site de uma marca ou entrar em uma loja, o shopper pode consultar um assistente de IA para compreender suas necessidades, comparar alternativas, identificar critérios de escolha e construir uma lista de marcas relevantes. Isso significa que uma parte da influência comercial começa a acontecer antes de o consumidor entrar nos ambientes em que as RMNs tradicionalmente monetizam sua atenção.
O fenômeno não é homogêneo. Sua intensidade depende da categoria, da complexidade da compra, do risco percebido, do repertório do consumidor e da necessidade de informações. Uma análise publicada por Mert Damlapinar no LinkedIn, utilizando indicadores atribuídos ao Boston Consulting Group (BCG), apresenta diferenças relevantes entre categorias e canais de influência.
O ponto central não é simplesmente descobrir quantos consumidores utilizam IA. É compreender em quais decisões a IA começa a interferir, que marcas ela coloca em consideração e quanto dessa influência se transforma em vendas incrementais.
O mapa da influência: IA e redes sociais já participam das decisões nas principais categorias
Os dados compartilhados por Damlapinar mostram a influência declarada das redes sociais e das buscas por grandes modelos de linguagem (LLMs) sobre diferentes categorias de consumo.
Influência declarada por categoria, em %. Dados atribuídos ao BCG e reproduzidos na publicação de Mert Damlapinar. Não representam penetração populacional, participação nas vendas ou conversão.
Fonte: publicação de Mert Damlapinar, com dados atribuídos ao BCG. Indicadores de influência autodeclarada, não efeitos causais sobre vendas.
A leitura revela três fenômenos:
Primeiro, a influência declarada das buscas via LLM é elevada nas seis categorias apresentadas, variando de 81% a 89% no recorte divulgado. Segundo, eletrodomésticos, turismo e automóveis apresentam diferenças particularmente pequenas entre os indicadores de influência de redes sociais e LLMs. São categorias nas quais informação técnica, comparação e avaliação de riscos frequentemente antecedem a decisão. Terceiro, a relevância da IA também aparece em categorias de consumo recorrente, como alimentos e bebidas e produtos de beleza.
Isso desafia a ideia de que assistentes inteligentes seriam relevantes apenas para produtos caros ou tecnologicamente complexos. Há, entretanto, uma ressalva metodológica essencial: esses percentuais não significam que 89% de todos os compradores de eletrodomésticos utilizem IA, nem que 89% das vendas tenham sido influenciadas por LLMs.
São medidas de influência declarada, reproduzidas em uma publicação secundária. Sem acesso, nesta análise, à documentação integral da pesquisa original do BCG, não é possível validar o universo, as perguntas e os critérios de ponderação utilizados. Portanto, os números devem ser interpretados como sinais da transformação dos canais de influência, e não como estimativas consolidadas de penetração global.
A adoção cresce, mas as pesquisas medem comportamentos diferentes
Outras fontes internacionais reforçam a importância da transformação, embora utilizem metodologias distintas.
A diferença entre utilizar IA para pesquisar um produto, receber recomendações, declarar influência e autorizar uma compra automatizada é fundamental. As evidências mostram um avanço mais rápido da IA como conselheira de compra do que da IA como compradora autônoma. Esse descompasso é decisivo para Retail Media: a influência pode migrar para novos ambientes antes que a transação abandone os marketplaces e varejistas tradicionais.
A descoberta mais importante do BCG: alcance e influência não são a mesma coisa
Uma pesquisa original do Boston Consulting Group sobre jornadas de compra orientadas por pesquisa fornece uma base especialmente importante para interpretar o fenômeno. Segundo o BCG, aproximadamente 50% das jornadas analisadas começam sem uma preferência definida por marca.
Entre os consumidores que pesquisam antes de comprar, 13% já interagem com ferramentas de IA generativa. Entretanto, entre aqueles que utilizam essas ferramentas, 85% as classificam entre os cinco pontos de contato mais influentes na decisão.
A pesquisa também aponta que 60% dos consumidores declaram confiar nos resultados gerados por IA. O significado estratégico é profundo: um canal pode apresentar alcance relativamente limitado e, ainda assim, exercer grande influência entre aqueles que efetivamente o utilizam.
Outra investigação do BCG, realizada em mercados asiáticos, reforça essa distinção.
Para o mercado de Retail Media, isso significa que avaliar o potencial da IA exclusivamente por tráfego, volume de cliques ou participação atual nas vendas pode produzir decisões equivocadas de investimento. A influência na formação da preferência pode anteceder, por meses ou anos, a captura comercial desse comportamento.
Quais categorias apresentam maior potencial de transformação?
A pesquisa da Stackline oferece outra perspectiva: comparar o volume de perguntas feitas à IA com o volume de buscas realizadas nos varejistas.
Esses resultados ajudam a construir uma interpretação mais sofisticada da jornada de compra.
Eletrônicos, tecnologia e eletrodomésticos
A IA ajuda a traduzir especificações técnicas em benefícios, comparar alternativas e reduzir a insegurança. É uma categoria prioritária para conteúdo estruturado, comparadores e mensuração da inclusão de marcas nas recomendações.
Beleza, cosméticos e cuidados pessoais
A IA pode ajudar a interpretar ingredientes, necessidades e rotinas. A influência combina recomendações algorítmicas, creators, avaliações e experiência real. Alegações sobre eficácia e saúde exigem validação e responsabilidade.
Alimentos, bebidas e supermercado
A oportunidade está em receitas, planejamento de refeições, ocasiões de consumo, restrições alimentares e listas de compras. Em produtos habituais, a automação da reposição pode ser tão importante quanto a descoberta.
Turismo e serviços
Assistentes podem organizar itinerários, comparar alternativas, interpretar avaliações e equilibrar orçamento e conveniência. O desafio é conectar influência e reservas efetivamente incrementais.
Automóveis
Financiamento, manutenção, segurança, consumo e custo total de propriedade favorecem pesquisas aprofundadas. A IA pode influenciar a shortlist antes do contato com a concessionária.
A conclusão é que não existe uma única jornada de compra mediada por IA. Cada categoria apresenta diferentes necessidades de informação, graus de envolvimento e possibilidades de delegação.
Uma RMN que utilize a mesma lógica de segmentação, formato publicitário e atribuição para todas essas categorias provavelmente deixará de capturar parte relevante de seu potencial.
O paradoxo do Agentic Commerce: a IA influencia a escolha, mas o varejo ainda captura a venda
A ascensão do comércio agêntico costuma ser apresentada como a possibilidade de assistentes realizarem compras completas em nome dos consumidores. Entretanto, as evidências atuais recomendam cautela.
Um levantamento da PYMNTS Intelligence, realizado em agosto de 2026 com 2.191 consumidores norte-americanos, estima que aproximadamente 61 milhões de consumidores nos Estados Unidos já utilizam IA como principal ponto de partida para pesquisar compras online.
Ao mesmo tempo, 60% dos participantes que utilizaram IA para compras concluíram sua última transação assistida na Amazon. Além disso, 59% dos usuários de IA para compras ou descoberta afirmaram pesquisar na IA informações que anteriormente buscavam na Amazon, mas somente 27% disseram comprar menos no marketplace.
Isso expõe uma transformação assimétrica: A IA começa a conquistar parte da descoberta e da consideração, enquanto os varejistas continuam preservando vantagens importantes na conversão, logística, pagamentos, confiança e relacionamento.
Essa separação cria um novo desafio para as RMNs. Uma marca pode aparecer em uma recomendação de IA, ser pesquisada posteriormente em um marketplace, receber exposição de mídia patrocinada e finalmente gerar uma venda.
Qual desses pontos de contato criou a demanda? Qual apenas capturou uma intenção já existente? A resposta não pode depender exclusivamente de modelos tradicionais de atribuição.
O BCG, em análise publicada em outubro de 2026 sobre agentes de compras, também aponta que 68% dos varejistas pesquisados esperam impactos significativos ou transformacionais do comércio agêntico em até dois anos. O estudo identifica dois desafios simultâneos: continuar sendo um destino escolhido diretamente pelo consumidor e tornar-se uma opção recomendada pelos agentes de IA.
Retail Media terá que disputar uma nova prateleira: a recomendação algorítmica
Durante anos, a prateleira digital foi definida principalmente por posicionamento em buscas, ranking orgânico, anúncios patrocinados e disponibilidade de produtos. Agora, surge uma nova camada de seleção. Os modelos de IA podem sintetizar informações de diferentes fontes e apresentar um conjunto limitado de alternativas ao consumidor.
Uma marca pode ter excelente distribuição, preços competitivos e investimentos significativos em Retail Media, mas permanecer ausente das recomendações de IA para determinadas necessidades de compra. Isso cria o que podemos chamar de Share of AI Recommendation, ou participação nas recomendações de IA. Não se trata de uma métrica universalmente padronizada, mas de um indicador que as marcas deveriam começar a monitorar.
A questão não é apenas saber se a marca aparece nas respostas. É compreender em quais contextos aparece, com quais concorrentes, em qual posição e associada a quais benefícios. Esse novo espaço de influência exige uma estratégia que integre três dimensões:
- GEO (Generative Engine Optimization): estruturar informações e conteúdos para ampliar a capacidade de sistemas generativos encontrarem, compreenderem e utilizarem informações confiáveis sobre produtos.
- AEO (Answer Engine Optimization): desenvolver respostas úteis e verificáveis para perguntas reais dos consumidores, incluindo características, diferenças e adequação dos produtos.
- Retail Media Intelligence: conectar esses sinais de descoberta à jornada comercial, aos dados transacionais e à mensuração de resultados.
É importante distinguir visibilidade orgânica em respostas de IA de publicidade paga. Ser citado por um modelo não comprova preferência comercial nem garante uma recomendação futura.
O principal ativo das RMNs continuará sendo o dado transacional, desde que consigam conectá-lo à influência
A IA não elimina o valor estratégico das Retail Media Networks. Na realidade, pode ampliar a importância dos varejistas capazes de conectar informações de produtos, comportamento do shopper e transações reais. O desafio está em evoluir de uma arquitetura concentrada na comercialização de inventário para um modelo de inteligência de decisões.
Uma RMN preparada para essa transformação precisará desenvolver cinco capacidades.
| Capacidade | O que muda para as RMNs |
|---|---|
| Inteligência por categoria | Compreender necessidades, dúvidas e critérios de decisão dos shoppers |
| Dados estruturados | Disponibilizar informações precisas sobre produtos, preços, disponibilidade e atributos |
| Integração de jornadas | Relacionar descoberta externa, comportamento onsite, mídia e compras |
| Orquestração full-funnel | Integrar influência, consideração, conversão e recompra |
| Mensuração incremental | Demonstrar o resultado adicional causado pela mídia, e não apenas vendas atribuídas |
A última capacidade merece atenção especial. Se a IA ajuda o consumidor a decidir antecipadamente qual marca comprar, um anúncio patrocinado exibido posteriormente pode receber crédito por uma venda que aconteceria mesmo sem aquela exposição.
Esse problema não é novo, mas tende a se tornar mais complexo com a multiplicação dos ambientes de influência. Por isso, o avanço do comércio mediado por IA exige que o setor diferencie pelo menos três resultados:
Visibilidade: a marca foi encontrada, citada ou recomendada.
Influência: a interação alterou conhecimento, consideração ou preferência.
Incrementalidade: a intervenção gerou um resultado adicional em relação ao cenário em que ela não teria ocorrido.
Somente o terceiro indicador permite avaliar causalmente o retorno adicional de uma intervenção publicitária, quando medido com um desenho experimental adequado.
Um framework para avaliar a maturidade de Retail Media na era da IA
Proposta analítica ABRAMEDIA — cinco pilares para orientar a evolução das marcas e das RMNs.
Esse framework parte de uma premissa: a eficiência de uma RMN não deveria ser avaliada apenas pelo ROAS das campanhas ou pelo crescimento de sua receita publicitária. A qualidade da operação também depende de sua capacidade de produzir conhecimento sobre o shopper, melhorar decisões de investimento e demonstrar crescimento incremental para marcas e varejistas.
Indicadores que deveriam entrar nos dashboards das marcas
Essas métricas não devem ser tratadas como equivalentes.
Share of AI Recommendation, por exemplo, pode ser calculado em um painel controlado de perguntas representativas:
O indicador exige padronização dos prompts, das plataformas, dos mercados, dos períodos e dos critérios de contagem. Além disso, modelos probabilísticos podem variar suas respostas. Por isso, medições pontuais não são suficientes para estabelecer tendências confiáveis. A mensuração de incrementalidade, por sua vez, requer grupos de controle, experimentos randomizados quando viáveis ou metodologias causais adequadas.
O risco estratégico: a comoditização das marcas pelos algoritmos
Existe uma dimensão menos discutida dessa transformação. Ao facilitar a comparação entre produtos, a IA pode reduzir custos de pesquisa e tornar mais visíveis alternativas que anteriormente não faziam parte do repertório do consumidor. Isso representa uma oportunidade para marcas emergentes, mas também um risco para marcas estabelecidas que dependem excessivamente de reconhecimento e distribuição.
Quando um shopper pergunta qual produto oferece a melhor combinação entre preço, desempenho e características, o assistente pode apresentar alternativas que não correspondem às marcas líderes da categoria. Nesse cenário, diferenciais objetivos, informações confiáveis, reputação, avaliações e experiências anteriores podem ganhar importância. Entretanto, isso não significa o desaparecimento do valor emocional das marcas.
Desejo, identidade, confiança e familiaridade continuam influenciando decisões que não podem ser reduzidas a comparações técnicas. O desafio passa a ser construir marcas desejáveis para pessoas e, simultaneamente, compreensíveis para sistemas de IA.
A McKinsey identifica essa transformação como parte de um novo caminho tecnológico para a compra, no qual redes sociais, buscas inteligentes, plataformas de comércio e ambientes físicos passam a exercer papéis complementares.
A consultoria também destaca que 28% dos shoppers da geração Z pesquisados utilizam IA generativa para compras, contra 16% dos baby boomers, indicando diferenças geracionais relevantes.
O que marcas e RMNs deveriam priorizar em 2027?
A partir das evidências disponíveis, a agenda estratégica deveria avançar em três horizontes.
Primeiro: entender a nova formação da demanda.
Mapear perguntas, necessidades e critérios de escolha por categoria, identificando onde os consumidores já utilizam IA para explorar alternativas.
Segundo: conquistar relevância nas recomendações.
Melhorar a qualidade das informações de produtos, fortalecer a reputação das marcas, monitorar sua presença em respostas generativas e integrar esse conhecimento às estratégias de mídia.
Terceiro: demonstrar resultados incrementais.
Conectar dados de exposição, consideração e vendas, desenvolvendo experimentos capazes de separar influência efetiva de simples atribuição. Para as RMNs, isso também implica rever o posicionamento comercial.
Vender impressões e cliques continuará fazendo parte do negócio. Mas o diferencial competitivo poderá estar cada vez mais na capacidade de ajudar as marcas a compreender e influenciar decisões de compra em diferentes ambientes.
A pesquisa da Adobe oferece um sinal adicional: em maio de 2026, o tráfego originado por IA para sites de varejo norte-americanos apresentou conversão 54% superior à de fontes não originadas por IA, no recorte analisado.
É um indicador relevante de qualidade do tráfego, mas não prova que a IA causou esse aumento. Diferenças no perfil dos visitantes e na intenção de compra podem explicar parte do resultado. O mercado precisará avançar justamente nessa distinção entre correlação, atribuição e causalidade.
Conclusão | Retail Media precisa deixar de medir apenas onde a compra aconteceu e começar a entender onde a decisão foi construída
O avanço da inteligência artificial na jornada de compra não deve ser interpretado apenas como a chegada de um novo canal de mídia. Trata-se de uma transformação potencialmente estrutural na maneira como consumidores formulam necessidades, interpretam informações, comparam alternativas e desenvolvem preferências.
As pesquisas internacionais apontam que essa transformação já ocorre em diferentes intensidades, de eletrônicos e eletrodomésticos a beleza, alimentos, turismo e automóveis, mas também deixam claro que a utilização da IA não significa necessariamente delegação de compras, transferência de transações ou comprovação de vendas incrementais. Essa distinção é essencial para evitar que o setor transforme mais uma inovação tecnológica em uma corrida por indicadores de vaidade.
A próxima fronteira competitiva de Retail Media não será apenas conquistar espaço nas buscas dos varejistas. Será compreender como as decisões são construídas, disputar relevância nas recomendações algorítmicas e comprovar quanto dessa influência efetivamente gera crescimento incremental.
As RMNs que conseguirem integrar inteligência do shopper, dados transacionais, IA e mensuração causal poderão ocupar uma posição muito mais estratégica na relação com as marcas. As que permanecerem concentradas exclusivamente na comercialização de inventário publicitário correrão o risco de capturar apenas a etapa final de decisões tomadas em outros ambientes.
O verdadeiro desafio para 2027, portanto, não é simplesmente colocar inteligência artificial dentro de Retail Media. É transformar Retail Media em uma plataforma de inteligência capaz de compreender, influenciar e mensurar a jornada de compra em um mundo cada vez mais mediado por algoritmos.
