Como a especificação por IA mudou as compras B2B

O que mudou de fato?

A mudança não é o fato de os compradores usarem IA. É o ponto da sequência em que eles a usam.

Por trinta anos, a jornada de compra industrial começava com uma busca, o site de um distribuidor, um catálogo ou um representante, e terminava com uma lista curta. O trabalho do fornecedor era estar presente no início — via SEO, via distribuição franqueada, via engenheiros de aplicação de campo sentados ao lado dos projetistas. Presença cedo produzia consideração tarde.

Essa sequência se inverteu. O comprador agora começa por um assistente, chega a uma lista curta e só então toca em alguma superfície do fornecedor — normalmente para verificar uma decisão que já foi estreitada. A análise da Forrester de janeiro de 2026 constatou que 94% dos compradores corporativos usam IA em algum ponto do processo de compra, ante 89% um ano antes, e — mais significativo do que a manchete — que o dobro de compradores apontou a IA generativa ou a busca conversacional como fonte de informação mais relevante ou importante do que qualquer outra, à frente dos sites de fornecedores, dos especialistas de produto e dos vendedores.

Vale ler com atenção. Não se trata de a IA ser mais um canal entre vários. Trata-se de a IA ter deslocado os canais que o setor levou décadas para construir.

Onde a avaliação acontece de fato agora?

Três conjuntos de dados triangulam a mesma mudança a partir de ângulos diferentes.

Os números da Adobe são de varejo, e compra industrial não é varejo. Mas o mecanismo que eles expõem independe de canal: quando é o assistente que faz a filtragem, a visita que vem depois é uma decisão, não uma navegação. A Adobe também constatou que esses visitantes passaram 48% mais tempo no site e viram 13% mais páginas. Menos visitas, mais tarde, mais bem qualificadas — e inteiramente dependentes de o assistente ter escolhido você.

A escala por trás disso não é marginal. A OpenAI informou mais de 900 milhões de usuários ativos semanais do ChatGPT em fevereiro de 2026. Qualquer que seja a fatia deles composta por engenheiros conferindo um part number, é uma população maior do que a equipe de campo de qualquer distribuidor jamais alcançou.

Por que isso atinge a especificação com mais força do que o marketing?

Porque é na especificação que a margem industrial de fato se forma, e a especificação é incomumente fácil de uma máquina influenciar.

Um funil de marketing degrada de forma suave quando um canal enfraquece. Uma especificação não degrada — ela se resolve. Ou a peça está na lista de materiais, ou não está e, uma vez dentro, tirá-la sai caro. Ciclos de design-in de 12 a 36 meses significam que a decisão e a receita ficam separadas por anos.

O mecanismo tradicional para capturar esse valor é o design registration: o fornecedor recompensa o distribuidor cujo engenheiro de campo conseguiu que a peça fosse projetada no produto de um cliente, normalmente com margem adicional, proteção de preço ou fornecimento exclusivo naquele programa. Todo o aparato — contratos de franquia, metas de criação de demanda, quadro de FAEs — existe para responder a uma única pergunta: quem causou este design-in?

A especificação conduzida por assistente quebra a pergunta, não a resposta. Se um engenheiro de projeto descreve um requisito a um assistente, recebe três peças candidatas com seus parâmetros e registra um projeto sobre uma delas, nenhum engenheiro de campo criou aquela demanda. Foram os dados. E ninguém combinou ainda como creditar dados.

Esse mecanismo já vinha tensionado. O design registration há muito enfrenta dificuldades quando o cliente terceiriza a produção para um contract manufacturer, porque o projeto acontece em um lugar e o pedido de compra aparece em outro completamente diferente — o registro sobrevive no papel enquanto a lógica comercial se desfaz. Listas curtas montadas por máquina aplicam a mesma tensão no início do processo, em vez de no fim. O distribuidor que investiu nos dados não é necessariamente o que detém o relacionamento, e o fabricante cujos parâmetros eram legíveis pode nunca ter sido procurado.

O que determina se a sua peça aparece na resposta?

Vale ser concreto sobre o mecanismo, porque a maioria das equipes comerciais raciocina sobre ele como se fosse um ranking.

Um assistente que responde a uma pergunta de especificação faz basicamente quatro coisas: interpreta o requisito, traduzindo-o em restrições; recupera registros candidatos; filtra-os contra essas restrições; e então justifica os sobreviventes. Uma peça pode ser eliminada em qualquer uma das quatro etapas, e apenas a última se parece com algo que uma equipe de marketing já tenha otimizado antes.

A segunda linha é a assassina silenciosa. Um assistente a quem se pede uma peça AEC-Q100 Grade 1 não incluirá um componente cujo status de qualificação ele não consiga verificar. Ele não reporta a exclusão e não faz ressalvas. Ausência de dado é tratada como ausência da propriedade — o comportamento correto para uma ferramenta cautelosa e um desfecho catastrófico para um fornecedor cuja peça de fato se qualifica.

Quem captura o valor quando a lista curta é montada por uma máquina?

O padrão é consistente: o poder de barganha migra de quem você conhece para o que uma máquina consegue verificar sobre as suas peças. É uma constatação desconfortável para organizações cujo fosso competitivo é uma equipe de campo, e uma abertura genuína para quem tem bons dados e nenhuma equipe de campo.

Isto é uma ruptura ou apenas um novo canal?

A resposta honesta é que a mudança na descoberta está bem evidenciada e a mudança na transação, não.

O Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, citando custos crescentes, valor de negócio pouco claro e controles de risco inadequados. A previsão envelheceu bem: a OpenAI retirou o próprio Instant Checkout em março de 2026, depois que cerca de uma dúzia de lojistas Shopify entrou em operação, e a Deloitte informa que menos de um quarto dos fornecedores B2B sequer usa tecnologias de IA agêntica.

A compra industrial tem atritos adicionais que o varejo não tem. O preço contratual é negociado e confidencial. As aprovações envolvem os 13 stakeholders internos e 9 influenciadores externos que a Forrester contabiliza, com a área de compras atuando como decisora em 53% dos ciclos. A documentação de conformidade — RoHS, REACH, minerais de conflito, declarações UKCA e CE — precisa estar anexada à decisão, não apenas afirmada sobre ela.

Nada disso impede um assistente de escrever a lista curta. Impede um assistente de colocar o pedido. São afirmações diferentes, e confundi-las é o erro mais comum neste mercado.

O que um fabricante ou distribuidor deve fazer a respeito?

1. 01Descubra o que os assistentes dizem hoje sobre as suas peças. Faça cinco perguntas factuais de resposta conhecida sobre cinco part numbers reais, em três assistentes diferentes. A maioria das equipes descobre um erro específico e corrigível em menos de vinte minutos.
2. 02Busque as suas próprias páginas de catálogo com um cliente simples que não seja um navegador. Quando a Partsgraph auditou 984 domínios de distribuidores e fabricantes no mundo todo em agosto de 2026, 38% não entregaram nenhuma página de catálogo legível a um cliente padrão que não fosse um navegador, e a pontuação mediana de visibilidade para IA foi de 50 em 100. A renderização no lado do cliente é, isoladamente, a causa mais comum.
3. 03Torne um único registro canônico. Parâmetros espalhados por um PIM, um datasheet em PDF e um ERP vão produzir três respostas diferentes. Um assistente vai citar aquele que encontrou, sem dizer a ninguém qual foi.
4. 04Publique conformidade e status de ciclo de vida como dados, não como documentos. Obsolescência, datas de last-time-buy e aprovações regionais são os campos com maior probabilidade de estarem errados na resposta de um assistente e maior probabilidade de serem comercialmente fatais quando estão.
5. 05Dê aos agentes uma rota direta. A Microchip publicou em novembro de 2025 um servidor oficial de Model Context Protocol que expõe a clientes de IA especificações de produto verificadas, datasheets, estoque, preços e prazos de entrega. A lista continua visivelmente curta — na mesma auditoria de agosto de 2026, nenhum dos 984 domínios anunciava um endpoint MCP.
6. 06Reescreva as regras de criação de demanda antes que o seu canal o faça. Se o design registration não conseguir creditar a especificação originada por máquina, os distribuidores vão parar de investir nos dados que a produzem, e o fabricante herda o problema.

A parte que se acumula

Não há futuro plausível em que os compradores voltem a abrir doze abas. Uma vez que um assistente responde corretamente a uma pergunta de especificação, ele se torna a fonte padrão para aquela classe de pergunta, e os padrões se autorreforçam: a resposta que é citada é reforçada, e o fornecedor que é legível é citado.

A defasagem piora isso, não melhora. Uma especificação ganha em 2026 chega como receita em 2028. O que significa que as empresas que descobrirem em 2028 que a sua taxa de design-in caiu silenciosamente estarão olhando para decisões de qualidade de dados tomadas dois anos antes, por ninguém em particular, dentro de um sistema que ninguém era dono.

Se você quer saber o que os assistentes dizem hoje sobre o seu catálogo, o avaliador gratuito em [/audit](/audit) verifica como uma máquina de fato o lê.