Commerce knowledge graph e o score de agentic readiness que cabe no P&L

A maioria dos projetos de IA em e-commerce falha antes da primeira inferência. Não por falta de modelo — modelos bons são commodity em 2026 — mas porque o agente recebe um mundo fragmentado para operar. Ele consulta um catálogo onde o atributo “voltagem” mora num campo de texto livre, um estoque que sincroniza de hora em hora, uma política de devolução escrita para humano ler e nenhum jeito confiável de saber se o “João” do site é o mesmo “João” da loja. Sobre essa base, o agente decide com confiança e erra com elegância.

A tese contraintuitiva é esta: o investimento que mais aumenta a prontidão agêntica não é em IA, e sim em estrutura de dados. Especificamente, num commerce knowledge graph — a camada que une as entidades do negócio com relações explícitas e legíveis por máquina — e numa disciplina de medição que diga, sem autoengano, o quão pronto você realmente está. Sem CDP e identity resolution por baixo, IA vira demo bonita de palco que não move EBITDA.

O que é um commerce knowledge graph e por que ele vem antes do agente

Um agente não compra do seu catálogo. Ele compra do seu modelo do mundo — a representação que você expõe. Se essa representação está fragmentada em silos (ERP, PIM, OMS, CRM, CMS), o agente precisa reconstruir o significado na hora, e reconstrução na hora é onde o erro nasce.

O commerce knowledge graph unifica nove entidades com relações declaradas:

Entidade	O que carrega	A pergunta que o agente faz
Cliente	Identidade, histórico, consentimento, preferências	”Quem é esta pessoa e o que ela já tem?”
Produto	Atributos, variantes, mídia, taxonomia, compliance	”O que é isto, exatamente?”
Oferta	Produto + preço + promoção + seller + elegibilidade	”Posso oferecer isto, a este cliente, agora?”
Conteúdo	Descrição, review, FAQ, guia, schema	”O que explica e prova o valor disto?”
Estoque	Disponibilidade vendável por local, canal e tempo	”Isto existe para entregar?”
Política	Devolução, frete, garantia, elegibilidade promocional	”Quais são as regras desta transação?”
Pedido	Compromisso confirmado, fulfillment, pós-venda	”O que foi prometido e em que estado está?”
Pagamento	Instrumento autorizado, token, liquidação	”Como isto é pago com segurança?”
Canal	Superfície de descoberta, relação e transação	”Por onde isto acontece?”

O valor não está nas entidades isoladas — quase toda empresa as tem, espalhadas. Está nas relações: oferta combina produto, preço, promoção, estoque e política; carrinho agrega ofertas; checkout converte carrinho em pedido; pagamento liquida o pedido; pós-compra atualiza cliente e sinal. Quando essas relações estão explícitas e legíveis por máquina, o agente lê o negócio. Quando estão implícitas no código de cada sistema, o agente adivinha.

Por que identity resolution decide se a IA gera EBITDA

Há um lugar onde o knowledge graph mais comumente quebra: o cliente. O mesmo comprador aparece como entidades diferentes em cada sistema — um e-mail no e-commerce, um telefone no app, um CPF na loja, um ID anônimo na mídia. Para a máquina, são quatro pessoas. Para o caixa, são uma só, com LTV partido em quatro.

Toda a promessa de personalização agêntica depende de uma resposta confiável a uma pergunta banal: “este é o mesmo cliente?”. Errar isso não é detalhe — é o agente recomendando o tênis que a pessoa comprou ontem, na loja, com confiança total.

Identity resolution é o processo de costurar esses fragmentos num Customer 360 governado por consentimento. É a função central de uma CDP madura, e é o que diferencia uma plataforma de dados de um data lake caro. As métricas que importam: match rate (quanto dos fragmentos você consegue unir), data freshness (quão atual é o perfil quando o agente o consulta) e activation rate (quanto desse perfil unificado chega à decisão em tempo real).

A consequência operacional é dura. Sem identity resolution, todo investimento em agentes de personalização, next-best-offer e recomendação rende uma demo impressionante e um resultado medíocre, porque a fundação está rachada. É por isso que projetos de IA que pulam a etapa de dados entregam tela bonita e EBITDA inalterado.

O score de agentic readiness em sete dimensões

Diagnóstico vago não muda orçamento. Por isso proponho um score operável: sete dimensões, cada uma com uma nota, e uma regra de agregação que reflete a realidade — a nota geral é a da dimensão mais fraca, porque o agente trava no elo que falta.

Dimensão	O que mede	Sinal de nota baixa
Product data	Riqueza, precisão e estrutura dos atributos	Atributos críticos em texto livre; variantes inconsistentes
Inventory	Disponibilidade vendável precisa e em tempo real	Sincronização em batch; estoque que promete o que não existe
Policy	Regras (devolução, frete, garantia) legíveis por máquina	Política como PDF para humano; agente não consegue aplicar
Checkout	Capacidade de aceitar agente, token e autorização clara	Checkout que só funciona com humano clicando
Identity	Cliente unificado com consentimento	Perfis fragmentados; match rate baixo
Governance	Permissões, guardrails, auditoria sobre o que o agente faz	Agente sem limites declarados; nenhum log de decisão
Measurement	Capacidade de atribuir resultado e detectar incidente	Não sabe se o agente ajudou ou prejudicou a margem

A disciplina aqui é resistir à tentação de exibir a dimensão forte. Um varejista com product data nota 9 e policy nota 3 tem agentic readiness 3: o agente lê o produto perfeitamente e depois não sabe se pode aceitar a devolução, então erra ou paralisa. O score serve para direcionar o próximo real investido para o elo mais fraco — não para o que já está bom.

As duas últimas dimensões, governance e measurement, são as mais negligenciadas e as que mais separam piloto de operação. Measurement responde se o agente move ou destrói margem; sem ela, autonomia é fé. Governance é o tema da próxima seção.

Governança de IA em três fases: Design, Runtime, Assurance

Autonomia sem governança não é prontidão — é exposição. A governança agêntica que sobrevive a uma auditoria opera em três fases, cada uma respondendo a uma pergunta de tempo diferente.

1. Design — antes. Define o que cada agente pode existir e fazer. Quais ferramentas ele invoca, sobre quais entidades do knowledge graph, com qual permissão, dentro de quais limites de valor e de risco. É onde se declara, por exemplo, que o agente de pricing pode sugerir desconto até X% mas não confirmá-lo sozinho acima de Y. Sem essa fase, você descobre o que o agente pode fazer quando ele já fez.
2. Runtime — durante. Monitora e controla o comportamento em tempo real. Guardrails que bloqueiam ação fora do envelope, detecção de anomalia, e o botão de interrupção. É onde se contém o agente que entrou em loop ou começou a recomendar algo absurdo às três da manhã.
3. Assurance — depois. Produz a prova. Logs estruturados de cada decisão, trilha de auditoria, explicabilidade do porquê de cada escolha. É o que responde, semanas depois, à pergunta do jurídico, do fiscal ou do regulador: “por que o agente fez isto?”.

As três fases não são sequenciais num projeto; são camadas permanentes. E elas dependem do knowledge graph: você só governa permissões sobre entidades que existem de forma explícita, e só audita decisões que foram tomadas sobre dados rastreáveis.

Há ainda um risco que essas fases contêm: Shadow AI — agentes conectados a sistemas de produção por fora da governança oficial, criando automações invisíveis até o incidente. Quando o caminho governado é o único caminho com acesso real às entidades do grafo, a sombra perde para onde ir. As métricas de governança que importam: human override (quantas vezes o humano teve de corrigir o agente), incident rate e audit findings.

A decisão e o próximo passo

A sequência correta de investimento inverte a intuição da maioria dos comitês. Primeiro o commerce knowledge graph e a identity resolution — a fundação legível. Depois a medição de agentic readiness nas sete dimensões, para saber onde o elo está fraco. Só então os agentes, ancorados na governança de três fases. Quem inverte a ordem compra modelo antes de fundação e descobre, caro, que IA sobre dado fragmentado é demo, não EBITDA.

O próximo passo é barato e revelador: rode o score de agentic readiness na sua operação atual, com honestidade, dando uma nota de 0 a 10 para cada uma das sete dimensões. A nota geral será a menor delas — e ela aponta exatamente para onde vai o próximo real. Se a menor for identity ou product data, você tem um projeto de fundação, não de IA. E é uma boa notícia disfarçada: fundação de dados é mais barata, mais durável e mais difícil de copiar do que qualquer modelo que seu concorrente também consegue licenciar.