### ASOS move vídeo de compras para mecanismos de resposta
A ASOS lançou uma integração que permite aos compradores descobrir e comprar seus produtos diretamente do ChatGPT usando vídeo de compras. Através da experiência ASOS Stylist, os usuários podem descrever o que procuram em linguagem natural - por exemplo, "um vestido floral de verão rosa" - e receber um conjunto de produtos selecionados do catálogo da ASOS. Cada resultado pode ser visualizado como um vídeo de formato curto e, em seguida, aberto em detalhes em ASOS.com para concluir a compra. O piloto está sendo lançado no Reino Unido e nos EUA e se baseia no AI Stylist já disponível no aplicativo ASOS.
A experiência é alimentada pela tecnologia de vídeo commerce da Bambuser, que converte o catálogo de produtos e os ativos de vídeo da ASOS em dados estruturados que podem ser recuperados em tempo real por modelos de linguagem grandes e renderizados como vídeo de compras. A ASOS posiciona isso como uma evolução além das ferramentas de compras de IA baseadas em texto e imagens estáticas, com o objetivo de tornar a descoberta de moda "mais rápida, fácil e inspiradora" em interfaces conversacionais como o ChatGPT.
### Da pesquisa de produtos ao "answer commerce"
A integração ilustra uma mudança mais ampla no e-commerce, passando de jornadas baseadas em pesquisa e listagem para "answer commerce", onde os usuários fazem perguntas conversacionais e esperam um pequeno conjunto de opções altamente relevantes, em vez de navegar por filtros e paginação. Nesse modelo, a qualidade e a estrutura dos dados do produto se tornam tão críticas quanto o preço ou o sortimento: o mecanismo de resposta não pode mostrar o que não pode analisar.
A iniciativa da ASOS é uma das tentativas mais avançadas no mercado do Reino Unido de conectar um catálogo de moda grande e em rápida mudança com um LLM de uso geral, de uma forma que preserve a lógica de merchandising. O fato de a experiência retornar não apenas painéis de produtos, mas também vídeo sugere que a ASOS investiu no mapeamento de produtos, atributos e ativos de mídia em uma camada indexável e legível por máquina que pode ser consultada por linguagem natural, em vez de uma sintaxe de pesquisa rígida.
### Implicações para feeds de produtos e infraestrutura de conteúdo
Para que uma jornada conversacional, com foco em vídeo, funcione dentro de uma interface externa como o ChatGPT, um varejista de e-commerce precisa tratar seu feed de produtos como algo mais do que uma simples exportação para plataformas de anúncios. Várias consequências se seguem.
Primeiro, os feeds precisam de atributos mais ricos. Uma solicitação como "vestido floral de verão rosa para um casamento diurno, por menos de £ 80" só pode ser respondida bem se os produtos subjacentes forem marcados com famílias de cores, padrões (florais), ocasião, preço e, muitas vezes, dimensões mais subjetivas, como "verão" ou "convidado de casamento". Muitos comerciantes ainda dependem de feeds limitados otimizados para mecanismos de comparação de preços; o comércio conversacional os impulsiona em direção a taxonomias de atributos muito mais granulares e vocabulários controlados.
Segundo, os feeds precisam de uma conexão mais forte com a mídia. O vídeo de compras em mecanismos de resposta requer o mapeamento entre SKUs e segmentos de vídeo: quais produtos aparecem em qual vídeo, em quais timestamps e em qual contexto (look completo, close-up, experimentação, dicas de estilo). Isso normalmente não é capturado em feeds de produtos padrão, que se concentram em imagens e metadados básicos. A ASOS e a Bambuser estão efetivamente tratando o vídeo como um objeto de dados de primeira classe vinculado ao catálogo, em vez de um ativo de marketing solto.
Terceiro, os feeds devem ser otimizados para recuperação em tempo real, em vez de exportação em lote. Para permanecerem relevantes, as recomendações exibidas por um LLM devem refletir os níveis de estoque, as alterações de preço e as atualizações do sortimento. Isso impulsiona os comerciantes em direção a APIs e atualizações de streaming, em vez de uploads noturnos de feed, e em direção a arquiteturas em que os dados do produto, o inventário e o conteúdo são sincronizados com a segurança necessária para serem expostos a mecanismos de resposta externos.
### Padronização de catálogo e legibilidade por máquina
A iniciativa da ASOS destaca como os padrões de catálogo estão se tornando uma camada de capacitação para compras baseadas em IA. A "Camada de Inteligência" da Bambuser é descrita como transformando o catálogo e a biblioteca de vídeos em dados estruturados consumíveis por LLMs. Na prática, isso provavelmente envolve várias etapas que estão se tornando padrão em pilhas de e-commerce avançadas:
- Normalizar os atributos do produto em esquemas consistentes, para que "floral", "estampa de flor" e "padrão de flor" entrem em colapso em um único conceito reconhecível por máquina.
- Enriquecer as entradas do catálogo usando visão computacional e modelos de linguagem para detectar cor, padrão, silhueta e até mesmo casos de uso inferidos quando os dados dos próprios comerciantes estiverem incompletos.
- Indexar o conteúdo para pesquisa semântica, de modo que prompts como "tecidos de verão macios e respiráveis" possam ser combinados com produtos descritos como "popeline de algodão" ou "mistura de linho", mesmo que o texto exato não esteja presente.
Para o mercado em geral, isso indica uma direção de viagem: os catálogos estão se movendo de descrições legíveis por humanos, mas frágeis para máquinas, para estruturas legíveis por máquinas projetadas explicitamente para recuperação de IA. Os varejistas que mantêm catálogos legados e não padronizados terão mais dificuldade em participar de mecanismos de resposta e ambientes de comércio conversacional.
### Elevando as páginas de detalhes do produto por meio de vídeo
Trazer vídeo para o ChatGPT não é apenas uma jogada de distribuição; ele tem implicações para o que uma "boa" página de detalhes do produto (PDP) parece. O vídeo de formato curto já provou ser eficaz no aumento da conversão e na diminuição das devoluções na moda, mostrando ajuste, movimento e contexto de estilo. Apresentar o mesmo conteúdo diretamente na camada de descoberta comprime o funil tradicional: inspiração, avaliação e seleção de produtos acontecem em uma única interação.
Para apoiar isso, o conteúdo subjacente do produto precisa ser mais profundo e consistente. O vídeo precisa estar disponível em uma alta porcentagem de SKUs, não apenas em produtos de destaque. Os detalhes de tamanho, ajuste e tecido devem ser precisos o suficiente para que os clientes possam agir com confiança com base no que veem no vídeo. PDPs incompletos ou inconsistentes se tornam pontos fracos mais visíveis quando a primeira impressão é um conjunto de vídeos de compras com curadoria de IA em vez de uma grade de fotos.
Há também um loop de feedback: as interações do usuário com o vídeo (quais produtos são pausados, reproduzidos, clicados) criam sinais comportamentais adicionais que podem ser inseridos de volta nos modelos de classificação e na priorização de conteúdo. Com o tempo, isso pode influenciar quais produtos recebem conteúdo mais rico e como os comerciantes investem na produção de vídeo.
### Velocidade de integração do sortimento e automação de conteúdo
Para grandes catálogos de moda, um dos principais gargalos na expansão do sortimento é a criação de conteúdo: títulos, descrições, atributos, imagens e, cada vez mais, vídeo. A implantação de vídeos de compras em mecanismos de resposta torna a velocidade ainda mais crítica: os produtos recém-integrados precisam se tornar descobertos em jornadas conversacionais rapidamente, não semanas após a listagem inicial.
IA e automação tornam-se centrais para resolver isso. A visão computacional pode extrair atributos de imagens, enquanto os modelos de linguagem podem gerar descrições iniciais com base em dados estruturados. Os fluxos de trabalho de vídeo podem ser parcialmente automatizados por meio de modelos, gráficos de movimento e edição assistida por IA, com equipes humanas focando em conteúdo essencial para a marca e controle de qualidade. Os comerciantes que sistematizam esses processos podem encurtar o tempo entre as decisões de compra e as entradas de catálogo prontas para IA, dando-lhes uma vantagem em categorias dinâmicas.
Ferramentas no-code também desempenham um papel. As equipes de marketing e merchandising confiam cada vez mais em interfaces que permitem que elas definam segmentos, regras e variantes de conteúdo sem o envolvimento de desenvolvedores. Quando conectadas a superfícies de descoberta baseadas em IA, essas ferramentas permitem que usuários não técnicos gerenciem quais coleções, tendências ou campanhas devem ser priorizadas em respostas conversacionais ("época de festas", "looks de festivais", "volta às aulas"), enquanto os sistemas centrais garantem que o esquema subjacente e a marcação permaneçam consistentes.
### Mecanismos de resposta como um novo canal de distribuição
Tratar o ChatGPT e sistemas semelhantes como mecanismos de resposta, em vez de canais de mídia tradicionais, reformula a distribuição do e-commerce. Em vez de comprar impressões ou palavras-chave, os varejistas devem competir em qualidade de dados, relevância e na capacidade de integrar com segurança com sistemas de IA externos. A integração da ASOS sugere um modelo em que:
- As camadas de catálogo e conteúdo são expostas por meio de APIs ou widgets seguros que os mecanismos de resposta podem chamar, sem lhes dar acesso direto aos sistemas internos.
- Os comerciantes mantêm o controle sobre preços, checkout e dados do cliente, trazendo os usuários de volta para seus próprios domínios para a conclusão da transação.
- A personalização pode ser compartilhada entre o mecanismo de resposta e os sistemas do comerciante por meio de sinais contextuais, ao mesmo tempo em que cumpre as restrições de privacidade.
Essa arquitetura tem implicações para análise e atribuição. As análises da web tradicionais são inadequadas para jornadas que começam dentro de um agente conversacional e continuam em várias superfícies. Os comerciantes que pilotam essas integrações precisarão reconciliar registros de plataformas de IA, camadas de vídeo commerce e suas próprias análises da web e de aplicativos para entender o impacto na conversão, valor médio do pedido e taxas de devolução.
### Significado estratégico para ecossistemas SaaS e e-commerce
De uma perspectiva SaaS, a iniciativa da ASOS ilustra um padrão: plataformas especializadas estão surgindo para ficar entre os dados brutos dos varejistas e as interfaces de IA de uso geral. Essas plataformas lidam com a ingestão, normalização, enriquecimento e exposição de dados de commerce em formulários que os LLMs podem usar com segurança e eficiência. Para empresas de e-commerce, isso pode reduzir a necessidade de construir infraestrutura de IA complexa internamente, mas aumenta a barra para governança de dados e higiene do catálogo a montante.
Para o setor de e-commerce como um todo, as implantações de compras conversacionais, com foco em vídeo, dentro de mecanismos de resposta aceleram várias tendências:
- Os feeds de produtos evoluem para gráficos de conhecimento ricamente atribuídos e em tempo real.
- Os padrões e taxonomias de catálogo se tornam ativos competitivos, em vez de preocupações de back-office.
- A qualidade do PDP é medida não apenas pela conversão no local, mas por quão bem os produtos podem ser representados em ambientes externos orientados por IA.
- A velocidade de integração do sortimento depende cada vez mais de conteúdo e produção de mídia assistidos por IA.
- Ferramentas no-code e de IA se tornam a camada operacional que permite que as equipes comerciais orientem jornadas orientadas por IA sem suporte constante de engenharia.
O piloto da ASOS está em fase inicial e seu impacto comercial ainda não foi quantificado, mas sinaliza uma direção em que o e-commerce de moda provavelmente se moverá: de listagens estáticas para descoberta conversacional, rica em mídia, que abrange várias plataformas, alimentado por conteúdo estruturado e legível por máquina no núcleo da pilha de commerce.
A integração da ASOS com o ChatGPT ressalta a crescente importância de dados de produto estruturados e de alta qualidade. Essa mudança em direção ao "answer commerce" destaca a necessidade crítica de gerenciamento e enriquecimento eficientes do catálogo. Para as empresas que buscam alcançar isso, [NotPIM](/blog/product-feed/) oferece uma solução robusta para garantir que os feeds de produtos sejam precisos, consistentes e prontos para aplicações baseadas em IA. Ao automatizar tarefas como mapeamento de atributos, enriquecimento de conteúdo e transformação de feed, a NotPIM ajuda as empresas de e-commerce a se adaptarem a essa paisagem em evolução, aprimorando a capacidade de descoberta de produtos e facilitando a integração perfeita com plataformas como o ChatGPT. Isso ajuda nossos clientes a ficar à frente da curva, otimizando seus dados para essas experiências de e-commerce novas e inovadoras. Isso é particularmente útil para melhorar [feeds de produtos](/blog/product-feed/), o que é crucial para a integração de IA. Com a ajuda da IA, você pode criar [descrições de produtos que impulsionam as vendas](/blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/) rapidamente. Compreender como esses sistemas funcionam permite que você não tenha medo de [integrações complexas](/blog/xml-data-format-how-one-online-store-stopped-fearing-complex-integrations/). Os comerciantes também podem se beneficiar do uso de um [price list processing program](/blog/price-list_processing_program/).