Um estudo com quase 6.800 respostas de assistentes de IA revelou que ChatGPT e Gemini podem indicar lojas falsas em pesquisas de compra. Para empresas, o episódio expõe um novo vetor de risco: a camada de recomendação automatizada, que combina fraude, reputação de marca e governança de IA.
Introdução contextual
Os assistentes de inteligência artificial generativa deixaram de ser apenas ferramentas de produtividade e passaram a ocupar um papel de intermediação na jornada de compra. Consumidores perguntam ao ChatGPT, ao Gemini e a outros modelos quais lojas são confiáveis, onde encontrar determinado produto e qual fornecedor oferece melhor relação custo-benefício. Essa mudança cria uma nova camada de descoberta comercial — e, com ela, um novo vetor de risco. Um estudo da empresa de proteção de marca Podqi, divulgado pelo UOL, analisou quase 6.800 respostas de assistentes de IA em pesquisas de compras e encontrou recomendações de lojas falsas. O achado é relevante não apenas para o consumidor lesado, mas para todo o ecossistema empresarial que depende de confiança digital.
O episódio não deve ser lido como uma falha isolada de um modelo específico. Ele sinaliza uma questão estrutural: quando a IA se torna a porta de entrada para o comércio, a qualidade das fontes que ela consulta e a forma como ela pondera sinais de confiabilidade passam a ter consequências econômicas diretas. Para executivos de marketing, risco, compliance e tecnologia, o tema exige atenção imediata.
O que aconteceu
Segundo a reportagem, a Podqi conduziu um teste estruturado com assistentes de inteligência artificial, submetendo a eles perguntas típicas de quem pretende comprar online. Foram avaliadas quase 6.800 respostas, e o resultado apontou que os modelos, em determinados cenários, recomendaram lojas falsas — isto é, estabelecimentos inexistentes ou fraudulentos, criados para capturar pagamentos e dados de consumidores.
O mecanismo por trás disso é conhecido por quem trabalha com modelos de linguagem. Assistentes generativos não navegam o comércio de forma onisciente: eles sintetizam informações a partir de dados de treinamento, de indexação web e, em alguns casos, de busca em tempo real. Sites fraudulentos podem ser construídos para parecer legítimos, com domínios plausíveis, avaliações fabricadas e conteúdo otimizado para mecanismos de busca e para os próprios modelos. Quando esses sinais não são suficientemente contrastados com fontes confiáveis, a recomendação pode favorecer o golpe.
O estudo não afirma que todos os assistentes erram sempre, nem que a prática seja generalizada. O ponto central é a existência de uma superfície de ataque: a camada de recomendação automatizada, que hoje influencia decisões de compra e, portanto, tem valor econômico para fraudadores.
Por que isso importa para empresas
Para marcas legítimas, o primeiro impacto é de desintermediação invertida. Se o consumidor confia na resposta do assistente e o assistente indica um site falso, a marca real perde a venda, mas o prejuízo vai além: o cliente pode associar a experiência ruim ao setor, ao produto ou até ao nome da marca que procurava. A confiança, ativo intangível central do comércio digital, é corroída por um erro que a empresa não cometeu.
Há também um efeito competitivo. Empresas que investem em SEO, reputação e canais oficiais podem ser ofuscadas por agentes fraudulentos que otimizam conteúdo especificamente para modelos de IA. Isso desloca a disputa: não basta ser encontrado pelo consumidor, é preciso ser corretamente interpretado e priorizado por sistemas automatizados.
- Risco de marca: associação indevida a lojas falsas e a experiências de fraude.
- Risco comercial: perda de conversão para agentes maliciosos que capturam o tráfego de recomendação.
- Risco regulatório: pressão crescente por responsabilização de plataformas e por transparência em recomendações automatizadas.
- Risco operacional: necessidade de monitorar como a própria marca aparece em respostas de IA.
Impacto para cibersegurança, governança, IA ou continuidade
Do ponto de vista de cibersegurança, o fenômeno amplia a superfície de ataque. Fraudes que antes dependiam de e-mails de phishing ou anúncios patrocinados agora podem explorar a credibilidade percebida dos assistentes de IA. O consumidor tende a tratar a resposta do modelo como uma curadoria, o que reduz o ceticismo natural diante de um link desconhecido.
Na governança de IA, o caso reforça a necessidade de controles de qualidade sobre fontes, de avaliação contínua de respostas e de mecanismos de correção. Organizações que usam IA em atendimento, vendas ou recomendações precisam tratar a saída do modelo como um produto sujeito a auditoria, não como um oráculo. A ausência de rastreabilidade sobre por que uma loja foi recomendada é um problema de governança, não apenas de tecnologia.
Para a continuidade de negócios, o alerta é sobre dependência de canais. Se parte relevante do tráfego de descoberta migra para assistentes, a empresa precisa diversificar presença, monitorar menções em respostas de IA e manter canais oficiais claramente identificáveis. A continuidade comercial passa a incluir a integridade da representação da marca em sistemas de terceiros.
A confiança do consumidor está migrando para a camada de recomendação. Quem não governa essa camada terceiriza parte da própria reputação.
Leitura executiva da WSVP
A WSVP entende que o achado do estudo da Podqi deve ser tratado como sinal de maturidade de mercado, não como curiosidade tecnológica. A recomendação automatizada já é infraestrutura comercial e, como toda infraestrutura, exige monitoramento, controles e responsabilização. Empresas que ignorarem esse canal ficarão expostas a dois riscos simultâneos: perda de receita para fraudadores e dano reputacional por associação indevida.
A leitura estratégica é que a disputa por confiança se desloca para a camada algorítmica. Isso exige uma postura proativa: mapear como a marca aparece em respostas de IA, estruturar dados oficiais que os modelos possam consumir, denunciar domínios fraudulentos e pressionar por padrões de transparência. A governança de IA deixa de ser tema exclusivo de comitês técnicos e passa a integrar a agenda de risco corporativo e de reputação.
Por fim, a WSVP reforça que a resposta não é abandonar a IA, mas instrumentalizá-la com critérios. A mesma tecnologia que pode recomendar uma loja falsa pode ser usada para detectar padrões de fraude, validar fontes e proteger o consumidor — desde que haja intenção, processo e accountability.
Recomendações práticas
- Monitore respostas de IA sobre sua marca: realize testes periódicos com perguntas de compra e registre como os principais assistentes respondem.
- Estruture dados oficiais: mantenha informações consistentes em canais verificáveis, como site oficial, perfis corporativos e cadastros de reputação.
- Crie um protocolo de denúncia: identifique domínios e lojas falsas que usam sua marca e acione provedores, plataformas e autoridades competentes.
- Inclua a camada de IA no mapa de riscos: trate recomendações automatizadas como canal comercial e vetor de fraude.
- Exija transparência de fornecedores: ao contratar soluções de IA, questione fontes, critérios de recomendação e mecanismos de correção.
- Comunique-se com o consumidor: oriente sobre canais oficiais de compra e sinais de fraude, reduzindo a eficácia de lojas falsas.
- Prepare resposta a incidentes: defina quem responde, como e em quanto tempo caso a marca seja associada a uma recomendação fraudulenta.
Fontes consultadas
- UOL — ChatGPT e Gemini recomendam lojas falsas em compras online
- UOL Tilt — cobertura de tecnologia e comportamento digital
Disclaimer
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.

