Pedes à IA para cruzar a exportação de produtos do Shopify com o ficheiro de stocks do fornecedor. Ela devolve uma tabela limpa, diz que está tudo certo, e tu importas. Semanas depois descobres que dez referências ficaram com o stock de outras. A IA não mentiu; interpretou uma coluna como facto e nunca te disse que tinha decidido isso.
A IA engana-se mais do que pensamos, e diz que está tudo bem quando não está. O método para não ficar refém disso não é confiar menos; é montar um processo em que os erros aparecem antes de chegarem à loja. O centro desse processo é um par de instruções: uma que trata os dados com o máximo rigor, e um auditor que avalia o resultado.
O par: tratamento e auditor
Nas ferramentas de IA atuais, uma “skill” é um conjunto de instruções guardadas que a IA aplica quando reconhece a tarefa. Para dados, precisas de duas.
A skill de tratamento de dados. Aplica-se a qualquer trabalho com folhas de cálculo, ficheiros CSV ou dados complexos. Exige o máximo rigor: não inventar valores, não assumir correspondências, assinalar tudo o que não conseguiu confirmar. Existem skills genéricas para folhas de cálculo; esta serve para dizer, a cada tarefa de dados, “aqui quero rigor máximo, seja qual for o formato”.
O auditor técnico. É uma instrução separada, que recebe o resultado do tratamento e o avalia: aprova para implementação, ou reprova e diz o que tem de ser corrigido. Trabalham em conjunto porque só o rigor pedido não chega. Uma segunda passagem, com o único objetivo de encontrar erros, apanha o que a primeira deixou passar.
Com este par, tarefas que antes não pareciam viáveis passam a sê-lo: cruzar toda a informação de uma migração de WordPress para Shopify, incluindo os redirecionamentos, com confiança suficiente para avançar. E o auditor reprova mesmo: um ficheiro de sincronização de stocks com erros a mais não passa, e é melhor sabê-lo antes da importação.
Se a tua ferramenta não tem skills, faz o mesmo com dois pedidos separados, de preferência em conversas diferentes: um para tratar os dados, com as regras de rigor escritas, e outro que recebe o ficheiro e a descrição do que devia ter sido feito e tem uma única tarefa, encontrar erros e dizer se aprova.
As falhas típicas com dados de loja
Esta lista serve como checklist para o auditor:
- Ficheiros inconsistentes. Colunas com nomes diferentes para a mesma coisa, formatos de número misturados, linhas em branco a meio. Aparecem quando cruzas dados de duas origens, e é ao cruzar que se notam.
- Permissões insuficientes. A IA tenta atualizar um ficheiro ou um conector que só tem leitura e pede autorização a meio. Ou não tem a capacidade e improvisa. Confirma o que o conector pode fazer antes de pedir a tarefa; vê como ligar a IA à loja e que permissões dar.
- Correspondências erradas e mapeamentos incorretos. A referência do fornecedor não bate com o SKU do Shopify, e a IA “aproxima”. Define a chave de correspondência no pedido e pede para listar as referências sem correspondência em vez de as resolver sozinha.
- Interpretações tomadas como factos. A IA lê “stock em agosto” e assume que é o stock atual. É a falha mais silenciosa, porque o resultado parece coerente.
Um exemplo que junta várias: uma loja com várias fontes de stock, sem regra sobre qual é a certa. Se pedes só “atualiza o stock”, a IA escolhe uma fonte, e vais descobrir o erro sem perceber como aconteceu. A regra tem de estar no pedido: “a fonte de verdade para o stock é o ficheiro X; ignora as outras”.
Três hábitos que apanham os erros
Analisar e diagnosticar antes de executar. Pede sempre à IA que explique o que vai fazer e que verifique se os dados têm erros antes de tratar seja o que for. A razão é dupla: ajuda-te a decidir e a validar, e ajuda a própria IA a perceber que se enganou. Um pedido que começa por “analisa estes dois ficheiros e diz-me o que não bate certo” produz uma lista de problemas antes de produzir um resultado.
Verificar se fez o que querias, não só se o resultado parece bem. Uma tabela sem células vazias e com totais coerentes pode ter sido construída a partir da interpretação errada. Compara com a intenção: os SKUs que esperavas ver estão lá? Os produtos sem correspondência foram listados ou desapareceram? Escolhe dez linhas e confirma-as contra as fontes originais.
Documentar alterações, decisões e pendentes. No fim de cada tarefa, o que foi alterado, o que foi decidido e o que ficou por resolver vai para um documento. Serve para continuares noutra conversa sem depender desta, e para o auditor da próxima ronda saber o que devia ter acontecido. O método está em onde guardar a memória da IA entre conversas.
Quando o resultado vai para a loja
Tudo isto acontece antes de qualquer alteração no Shopify. Quando o ficheiro passar no auditor, ainda falta o passo de o levar para a loja com segurança: backup em CSV, pré-visualização, amostra de dez registos depois de importar. Essa lista está em checklist de segurança antes de deixar a IA alterar a loja.
O ponto de partida é aceitar que a IA vai errar e desenhar o processo para o apanhar. É menos confortável do que acreditar no “está tudo bem”, e é o que permite delegar tarefas que de outra forma não delegarias.
Este artigo foi preparado a partir dos conteúdos da Academia Shopifyers sobre o trabalho com agentes de IA sobre dados de lojas online.
