No e-commerce brasileiro, o WhatsApp virou canal de receita: dúvida de medida, prazo de envio, troca, cupom. Quem trata isso só com humano paga caro; quem trata só com FAQ perde venda. O meio-termo vencedor é agente com contexto de produto (PIM, ERP, políticas) + humano para exceções.

Mercado e métricas (com leitura crítica)

Artigos de conversational commerce descrevem migração de bots estáticos para assistentes que recomendam com base em catálogo e comportamento — com ganhos reportados em conversão quando o chat acontece antes da compra (sempre dependente de vertical). Exemplo de análise: Qualimero — AI chatbots in e-commerce 2025.

A Statista mantém dados globais sobre adoção de chatbots para suporte — útil para benchmarking regional. https://www.statista.com/statistics/1609263/use-of-chatbots-for-customer-support-worldwide/

Jornadas que pagam o investimento

Pré-venda: comparar modelos, compatibilidade, estoque em tempo real.
Carrinho abandonado: mensagem contextual (sem spam agressivo).
Pós-venda: troca, nota fiscal, rastreio.
Chargeback / insatisfação: classificar e escalar com histórico.

Cenário ilustrativo

Uma marca D2C de moda conectou o WhatsApp ao estoque. O agente respondia “tem P?” consultando API; sugeria tamanho com base na tabela oficial; humano entrava em casos de defeito ou mídia social sensível. O time de CX mediu redução de tempo médio de resolução e aumento de conversão em campanhas com UTMs de WhatsApp.

Stack mental: RAG + políticas

“RAG” (busca + geração) permite que o agente cite política de troca e descrição técnica versionadas — reduzindo alucinação. Isso conversa com recomendações amplas de governança em IA generativa (UNESCO/McKinsey) aplicadas ao varejo.

Conclusão

E-commerce é guerra de margem. Agente de IA no WhatsApp bem integrado é margem + NPS — desde que catálogo e políticas estejam sob controle de versão.