Como um prompt transforma a IA de um brinquedo impressionante em verdadeiro apoio às vendas

A certa altura, quase todos os projetos de IA em e-commerce passam pela mesma fase. No início, tudo parece promissor. O modelo responde rapidamente, soa fluente, escreve frases bem construídas e dá a impressão de que «sabe» do que está a falar. Fica bem numa demo. Fica ainda melhor numa apresentação ao cliente.

Depois chega a realidade.

Um cliente abre uma página de produto e pergunta:

• este módulo funciona com a minha versão do Magento?
• este produto suporta Amasty?
• em que é que este modelo é diferente de outro?
• esta solução é adequada para uma loja com várias store views?
• posso implementá-la sem trabalho de desenvolvimento adicional?

E é aí que se torna claro que a IA não precisa apenas de um «bom modelo». Precisa de limites. Precisa de prioridade das fontes. Precisa de saber quando responder diretamente, quando fazer uma pergunta de esclarecimento e quando dizer honestamente: «essa informação não está nos dados».

É aqui que entra o prompt.

No nosso caso, este não é um tema abstrato. O prompt afeta diretamente a forma como o Kowal Ask About Product funciona e como utiliza o conhecimento estruturado fornecido pelo Kowal AI Product Feed for OpenAI Vector Store.

O mesmo modelo, dois comportamentos muito diferentes

Ao trabalhar com módulos integrados com IA, uma coisa torna-se óbvia muito rapidamente: o mesmo modelo pode comportar-se como um consultor muito competente ou como um vendedor que preenche demasiadas lacunas. Isso raramente vem do próprio modelo. Na maioria das vezes, vem do prompt.

Se o prompt for demasiado genérico, a IA tentará ser útil a qualquer custo. Na prática, isso significa:

• preencher informação em falta,
• construir respostas a partir de conhecimento geral em vez de dados da loja,
• misturar factos com suposições,
• soar demasiado confiante quando, na verdade, deveria dizer «não tenho dados suficientes».

Se o prompt for bem concebido, o modelo começa a comportar-se de outra forma:

• respeita as fontes,
• dá prioridade às FAQ e à recuperação de informação,
• mantém-se focado no produto atual,
• não promete coisas que não estão nos dados,
• e, mais importante, ajuda o cliente a tomar uma decisão sem o induzir em erro.

É nesse momento que a IA deixa de ser uma funcionalidade impressionante e começa a tornar-se uma parte útil do módulo.

Um prompt não substitui os dados, mas define as regras do jogo

A forma mais simples de pensar num prompt é vê-lo como um guia de integração para um novo membro da equipa.

Imagine que uma nova pessoa entra na sua equipa de apoio ao cliente. Dá-lhe acesso a:

• a descrição do produto,
• FAQ aprovadas,
• resultados do Vector Store,
• o histórico de conversa do cliente.

Dar-lhe simplesmente acesso a estes dados não garante que responda bem. Continua a ser necessário dizer-lhe:

• que fonte deve usar primeiro,
• o que não está autorizada a assumir,
• como deve reagir quando faltam dados,
• se deve responder de forma breve ou detalhada,
• se deve fazer perguntas de esclarecimento,
• e quando deve encaminhar o cliente para um formulário de contacto.

Um prompt faz exatamente o mesmo. Não cria conhecimento. Não corrige descrições de produto fracas. Não preenche lacunas de documentação. Define como o modelo deve lidar com a informação que lhe foi fornecida.

É por isso que, nos nossos módulos de IA, o prompt não é um extra. É uma camada de controlo.

Onde o prompt realmente afeta o comportamento do módulo

Em teoria, um prompt é apenas algumas frases. Na prática, orienta comportamentos muito específicos.

No AI Assistant na página de produto, disponível no Kowal Ask About Product, o prompt influencia, entre outras coisas:

• o tom da resposta,
• o idioma da resposta,
• o quão concisa é a resposta,
• os limites do conhecimento do modelo,
• a prioridade das fontes: contexto local, FAQ, recuperação de informação, histórico de conversa,
• o comportamento quando a pergunta é ambígua,
• a forma como perguntas comparativas e de recomendação são tratadas,
• como o assistente reage a dados incompletos ou contraditórios.

É por isso que duas lojas que usam o mesmo módulo e o mesmo modelo de IA podem obter resultados completamente diferentes. Não porque uma tenha «melhor IA», mas porque uma definiu o papel e as limitações do assistente com mais clareza.

O primeiro erro: um prompt que quer ser simpático em vez de preciso

O erro de implementação mais comum é algo deste género:

Responde como um assistente de loja prestável e ajuda o cliente a escolher o melhor produto.

Soa bem. Mas, para o modelo, não é suficiente. «Ajudar o cliente» sem limites adicionais muitas vezes significa:

• ser educado,
• ser convincente,
• tentar manter a conversa a avançar,
• não deixar o cliente sem resposta.

E é exatamente assim que surgem respostas que soam bem, mas são fracas em substância.

Um cliente pergunta sobre compatibilidade com uma versão específica de um sistema. O modelo não consegue ver essa informação nos dados, mas quer ajudar, por isso responde com demasiada segurança.

Um cliente pergunta sobre implementação. O modelo não tem o contexto técnico completo, mas ainda assim constrói uma resposta que soa confiante.

Um cliente pergunta sobre diferenças entre produtos. O modelo conhece bem apenas um deles, mas ainda assim constrói uma comparação porque o prompt não lhe disse para não o fazer.

Este tipo de prompt não é fraco por ser curto. É fraco porque não define limites.

O segundo erro: assumir que o modelo vai descobrir as prioridades sozinho

Se o módulo inclui:

• dados de produto,
• FAQ aprovadas,
• histórico de conversa,
• Vector Store,
• AI Feed,

então o modelo precisa de saber o que é mais importante. Na prática, esta arquitetura mostra claramente o valor de combinar o Kowal Ask About Product com o Kowal AI Product Feed for OpenAI Vector Store, porque só então o prompt começa a trabalhar com dados estruturados e prontos para recuperação.

Sem esta orientação, o modelo começa a tratar tudo como igualmente importante. E então surgem situações em que:

• o resultado da recuperação está correto, mas o modelo apoia-se demasiado no contexto local mais antigo,
• a FAQ diz algo específico, mas o modelo dilui a resposta com comentários adicionais,
• o histórico da conversa transporta tom e emoção, mas não deve sobrepor-se a dados de produto concretos.

É por isso que um bom prompt deve indicar isto de forma clara:

1. primeiro a recuperação de informação e as FAQ aprovadas,
2. depois os dados estruturados do produto,
3. e por fim o histórico de conversa como contexto de apoio.

Isto não é uma formulação cosmética. É a diferença entre uma resposta controlada e uma resposta que apenas soa inteligente.

Quando o prompt começa a compreender a loja, não apenas a IA

O momento mais interessante no trabalho com prompts surge quando deixamos de escrever «para o modelo» e começamos a escrever «para o tipo de loja».

Porque uma loja que vende módulos Magento não enfrenta os mesmos riscos que uma loja de moda.

Numa loja de software, os clientes perguntam sobre:

• compatibilidade,
• integrações,
• requisitos,
• âmbito das funcionalidades,
• limitações de implementação.

Aqui, a IA tem de ser específica, cuidadosa e técnica. É melhor responder de forma breve mas honesta do que apresentar uma resposta polida sem base.

Numa loja de eletrónica, as prioridades são diferentes:

• especificações técnicas,
• compatibilidade de dispositivos,
• diferenças entre variantes,
• limitações de hardware.

Aqui, o prompt deve conter fortemente o modelo sempre que este começa a adivinhar compatibilidade.

Numa loja de moda, o centro de gravidade muda novamente:

• material,
• caimento,
• tamanhos,
• estilo,
• utilização.

A IA pode soar mais natural neste caso, mas ainda assim não deve prometer um ajuste perfeito se a loja não fornecer tabelas de tamanhos ou orientações claras.

Numa loja B2B ou técnica, o prompt deve ser ainda mais disciplinado:

• sem floreados,
• sem adornos de marketing,
• comunicação clara de requisitos e limitações,
• disponibilidade para dizer «não sabemos isso» em vez de tornar a questão difusa.

Esta é uma lição importante: não existe um prompt único perfeito para todas as lojas. Existe, no entanto, um conjunto de bons princípios e muitas especializações válidas.

Como é um bom prompt inicial

Um bom prompt inicial para um assistente de IA na página de produto não deve ser demasiado criativo. Deve ser estável.

Na prática, deve responder a cinco perguntas:

1. Quem é o assistente?
2. Que dados está autorizado a usar?
3. O que não está autorizado a fazer?
4. Como deve responder?
5. O que deve fazer quando não sabe?

É por isso que um prompt base sensato soa mais como uma instrução operacional do que como um slogan de marketing.

O objetivo não é fazer a IA «parecer inteligente». O objetivo é garantir que:

• não inventa dados,
• não vai além do contexto fornecido,
• responde no idioma da loja,
• consegue admitir quando algo está em falta nos dados,
• faz uma pergunta curta de esclarecimento quando necessário.

Esse tipo de prompt não impressiona numa apresentação. Mas funciona muito bem numa conversa real com um cliente.

O verdadeiro impacto de um prompt aparece nas perguntas difíceis

Perguntas fáceis não são um bom teste para a IA. Se um cliente pergunta sobre algo claramente descrito nas FAQ, quase qualquer prompt terá um desempenho razoável.

A verdadeira diferença aparece com perguntas mais difíceis:

• «isto vai funcionar com a minha configuração?»
• «este módulo é melhor do que outro?»
• «posso implementar isto sem um programador?»
• «este produto vai resolver o meu problema específico?»
• «isto é compatível com a minha versão, tema ou extensão?»

Estas são as perguntas em que um prompt fraco empurra o modelo para a adivinhação.

Um bom prompt faz o oposto. Ensina o modelo que deve:

• manter-se nos factos,
• manter-se focado no produto atual,
• assinalar claramente a informação em falta,
• evitar responder de forma demasiado ampla quando o contexto é restrito.

É por isso que um prompt bem concebido reduz respostas arriscadas de forma mais eficaz do que outra alteração cosmética na interface.

O prompt deve amadurecer juntamente com o módulo

Há mais uma coisa que é fácil ignorar: um prompt não é algo que se configura uma vez e se esquece para sempre.

No início, uma loja pode funcionar apenas com:

• dados de produto,
• algumas entradas de FAQ,
• contexto simples de conversa.

Depois surgem mais camadas:

• FAQ melhor estruturadas,
• store views,
• versões linguísticas,
• analítica de perguntas,
• candidatos a FAQ,
• Vector Store,
• AI Feed,
• retrieval-first.

Este é também o ponto em que o Kowal AI Product Feed for OpenAI Vector Store deixa de ser apenas um add-on técnico e se torna uma das principais fontes de conhecimento para o assistente que corre no Kowal Ask About Product.

E, nesse momento, o prompt também deve evoluir.

Numa fase inicial, o principal objetivo é disciplinar o modelo e reduzir alucinações.

Numa fase mais madura, pode controlar de forma mais forte:

• a prioridade da recuperação de informação,
• como são respondidas perguntas de comparação,
• o comportamento quando os dados estão incompletos,
• o estilo de resposta adaptado a uma loja específica.

Essa é uma das coisas mais interessantes no trabalho com módulos de IA: o prompt evolui juntamente com a arquitetura de conhecimento da loja.

Porque este é um tema forte para um blog sobre implementações de IA

Porque o prompt é uma daquelas coisas que parecem menores vistas de fora, mas que têm um grande impacto na qualidade da implementação na prática.

É fácil focar-se no modelo, na API, no Vector Store ou na integração com um feed de produto. Tudo isso é importante. Mas o prompt é o que faz com que esses elementos comecem a trabalhar segundo regras claras. É por isso que, na prática, faz sentido pensar na implementação do Kowal Ask About Product juntamente com a camada de dados e recuperação fornecida pelo Kowal AI Product Feed for OpenAI Vector Store.

Pode resumir-se assim:

• o modelo fornece capacidade,
• os dados fornecem substância,
• a recuperação fornece acesso ao conhecimento,
• mas o prompt define o método de funcionamento.

E é exatamente por isso que duas implementações construídas sobre a mesma tecnologia podem produzir dois resultados de negócio muito diferentes.

O que valeria a pena abordar num artigo seguinte

Este tema abre naturalmente a porta a vários outros artigos:

• como testar um prompt com perguntas reais de clientes,
• quando passar do modo híbrido para retrieval-first,
• como construir FAQ para IA, e não apenas para SEO,
• como verificar nos logs se o modelo está realmente a usar o Vector Store,
• como preparar diferentes prompts para lojas técnicas, de moda e B2B.

Reflexão final

Se houvesse apenas uma ideia a reter deste artigo, seria esta:

o prompt não é um add-on da IA. O prompt é a política de resposta.

Ele decide se o modelo é apenas impressionante ou se é realmente fiável. Se adivinha ou protege as suas fontes. Se soa «comercial» ou se ajuda genuinamente o cliente a tomar uma boa decisão.

No e-commerce, isso faz uma enorme diferença. Porque os clientes não precisam de IA que apenas soa bem. Precisam de IA que responde de forma responsável.