Wayfair: Gemini enriquece um catálogo de 30M+ produtos 67% mais rápido e aumenta a conversão de filtros em ~2%

• Wayfair: Helping customers create spaces they love with AI-powered discovery — Google Cloud (customer story), 2025
• Wayfair and Google Cloud Announce Expanded Partnership to Transform Online Retail with Gemini — Google Cloud Press Corner, 2025-01-12
• Wayfair Deploys Google AI to Scale and Enrich Product Catalogs — PYMNTS, 2025-01-12

Contexto

Há mais de duas décadas, Wayfair está construindo "o destino para tudo que é relacionado a casa": o catálogo online da empresa conta com mais de 30 milhões de produtos de mais de 20 mil fornecedores em todo o mundo — para todos os orçamentos, estilos e espaços. A força da empresa — seu sortimento — é também sua maior dor operacional. Cada listagem de produto precisa de atributos precisos: cor, estilo, material, dimensões. Sem eles, os compradores não conseguem encontrar itens por meio de busca e filtros, e a enorme seleção se transforma de uma vantagem em uma fonte de frustração.

Em 12 de janeiro de 2025, coincidindo com a NRF Big Show em Nova York, Wayfair e Google Cloud anunciaram uma parceria expandida em torno do Gemini, Vertex AI e Google Workspace. O comunicado de imprensa focou em duas frentes de trabalho: enriquecer o catálogo de produtos com modelos Gemini e aumentar a produtividade dos funcionários por meio do Gemini no Google Workspace — desde rascunhos de e-mails no Gmail até resumo de documentos e modelos de apresentações, incluindo "Gems" personalizados para tarefas especializadas. Google Workspace está sendo implementado para milhares de funcionários em todo o mundo.

É importante entender a dinâmica do caso: ele não se congelou em janeiro de 2025. A versão atual do estudo de caso do Google Cloud mostra o projeto migrando de automação de marcação back-office para cenários voltados para o cliente: um piloto da ferramenta de design de IA Muse, uma aba Discover visual no aplicativo e co-desenvolvimento do Universal Commerce Protocol (UCP) — o padrão aberto do Google para compras agentic, onde Wayfair é um parceiro fundacional. A CTO do Wayfair, Fiona Tan, enquadra a ambição: "Queremos eliminar o atrito de nossos clientes, mas também explorar maneiras de disromper e potencializar o que eles faziam antes. A IA generativa e as capacidades agentic nos permitem ter uma nova perspectiva sobre qual é o processo e como podemos otimizá-lo."

O Google, por sua vez, posiciona a parceria como uma vitrine: "Wayfair está redefinindo o que é possível no varejo com a IA generativa do Google Cloud", disse Matt Renner, Presidente de Receita Global do Google Cloud, no anúncio. "Ao aproveitar o poder do Gemini e do Google Workspace, Wayfair não está apenas automatizando tarefas complexas e impulsionando a colaboração entre funcionários, mas também criando experiências mais personalizadas e envolventes para cada comprador."

Para o mercado, este é um dos deployments mais instrutivos de IA generativa no varejo: não começa com um chatbot chamativo, mas com a tarefa chata e fundamental de qualidade de dados do catálogo.

Problema

Marcar atributos manualmente para um catálogo de 30M+ itens é lento e caro, e não consegue acompanhar o fluxo constante de novos produtos de milhares de fornecedores. As lacunas e erros de atributos afetam a receita de várias formas: os compradores não conseguem encontrar itens por meio de filtros, dimensões incorretas nas listagens causam devoluções e produtos sub-descritos simplesmente desaparecem das recomendações.

A outra metade do problema está do lado do comprador. Comprar móveis é uma decisão de alta consideração: requer confiança e fricção mínima. Mas frequentemente os clientes não conseguem formular sua consulta em termos profissionais. "Parte do problema é que nossos clientes não conseguem dizer que querem um 'sofá mid-century'", diz Fiona Tan. "Eles podem saber que querem que seja verde, mas é aí que termina." O shopping online tradicional com rolagem manual de página rapidamente se torna opressor: um comprador pode ver centenas de sofás verdes diferentes e ainda ter dificuldade em estreitar as opções, porque não conseguem nomear o estilo que têm em mente.

Esses dois problemas estão interconectados: enquanto os atributos do catálogo forem incompletos e imprecisos, nenhuma busca "inteligente" ou recomendação de IA pode funcionar — não há nada em que se apoiar. Comprar para casa, como a própria empresa enfatiza, depende de construir confiança e reduzir o atrito — e a confiança desaba no exato momento em que um sofá entregue não corresponde às suas dimensões listadas. Finalmente, a escala torna a tarefa fundamentalmente impossível para pessoas: com 30 milhões de produtos, mesmo uma pequena fração de novas chegadas mensais é um volume de marcação que nenhuma equipe de conteúdo poderia ser contratada. Wayfair precisava de uma forma de enriquecer o catálogo automaticamente, rapidamente e com qualidade suficiente para construir toda a experiência do cliente sobre esses dados — desde filtros até ferramentas de design.

Solução

O primeiro passo de Wayfair foi mover o enriquecimento do catálogo para modelos Gemini no Google Cloud (na plataforma Gemini Enterprise Agent Platform na versão atual do estudo de caso; no Vertex AI no comunicado de imprensa de janeiro de 2025). Em vez de marcação manual, Gemini categoriza automaticamente produtos e preenche atributos como cor, estilo e assunto. O efeito é duplo: Wayfair pode integrar itens rapidamente e disponibilizá-los aos clientes com velocidade — enquanto fornece listagens com o máximo de detalhes ricos e precisos possível. "No final do dia, estamos tentando fazer match dos melhores produtos para nossos clientes", explica Tan. "Garantir que as informações do produto sejam o mais completas possível, enriquecê-las, é super importante. Com as capacidades que temos agora, podemos fazer isso em escala."

A multimodalidade do Gemini abriu cenários adjacentes que não estavam no plano original: captar automaticamente erros nas dimensões de produtos listados de fotos e sinalizar materiais inadequados no conteúdo de listagens. Este é um padrão típico de deployments maduros: o caso de uso principal puxa "secundários", cada um dos quais se paga — um erro de dimensão em um sofá quase garante uma devolução.

O estudo de caso do Google Cloud explicita a sequência: o "primeiro passo" de Wayfair foi melhorar significativamente seu catálogo de produtos automatizando o enriquecimento de dados, e esse movimento "forneceu uma base sólida para avançar a descoberta alimentada por IA" que é mais intuitiva e personalizada. Em outras palavras, a ordem do trabalho aqui não é acidental, mas a arquitetura deliberada do programa: dados primeiro, depois produtos para o cliente construídos sobre isso.

No topo do catálogo enriquecido, a empresa está construindo uma nova camada de descoberta de produtos. Wayfair está pilotando Muse — uma ferramenta de design de IA onde um comprador digita uma consulta de qualquer especificidade, desde "sala de estar estilo anos 1920 melancólica" até apenas "sala de jantar", e obtém imagens de sala fotorrealistas junto com sugestões compráveis do catálogo real. O aplicativo ganhou uma aba Discover com busca visual. A empresa está explorando como modelos da família Gemini, incluindo Nano Banana, ajudam os clientes a visualizar produtos e se concentrarem em seu estilo. "Agora, com IA generativa e as capacidades multimodais que vêm com Gemini, posso mostrar a você todos os estilos diferentes e conforme um cliente interage, podemos chegar a um estilo que você quer", diz Tan. "Você pode encontrar essa jornada muito visual e inspiradora que honestamente não existia antes." Sua fórmula para o objetivo final: "Todos deveriam sentir que têm um co-piloto de design de interiores com eles o tempo todo em que estão comprando no Wayfair."

O quarto elemento é o comércio agentic. Wayfair é um parceiro fundacional co-desenvolvendo o Universal Commerce Protocol (UCP) — o padrão aberto do Google estabelecendo uma linguagem comum entre superfícies de consumidor, negócios e provedores de pagamento. O UCP permitirá que clientes descubram produtos Wayfair, pesquisem-nos e façam checkout diretamente do AI Mode no Google Search e no aplicativo Gemini — sem sair do Google, enquanto o varejista permanece como merchant of record. "A realidade é que nossos clientes compram em nossas plataformas, mas agora também estão usando plataformas de IA", explica Tan. "Você quer ser capaz de fornecer as capacidades e a experiência consistente que permite que eles descubram nossos produtos na plataforma de IA." E ela enfatiza: "O fato de o merchant of record ainda ser o varejista é extremamente importante porque todos construímos sobre nossa promessa de marca."

A quinta frente é interna: Gemini no Google Workspace para milhares de funcionários (rascunho e resposta de e-mails no Gmail, resumo e revisão de documentos, modelos de apresentações) mais Gems personalizados para tarefas especializadas.

Resultado

Os números publicados focam na frente do catálogo. De acordo com o comunicado de imprensa conjunto Wayfair–Google Cloud: o tempo necessário para curar novas listagens de produtos e atualizar as existentes diminuiu 67% em um catálogo de mais de 30 milhões de produtos. Melhorar a precisão dos atributos de produtos (cor, assunto) e a cobertura dessas tags no catálogo melhorou as taxas de conversão quando os clientes usam filtros em ~2%. A empresa estima economias de desistir da marcação manual em centenas de milhares de dólares por ano.

O enquadramento importa. Todos os números são estimativas do Wayfair publicadas pelo Google Cloud — o parceiro fornecedor; não há auditoria independente. A métrica de ~2% se aplica à conversão em jornadas orientadas por filtros, não à receita em todo o site. As economias em dólares são fornecidas como um intervalo de "centenas de milhares" sem um valor exato. A diferença na redação entre documentos também é reveladora: o comunicado de imprensa diz que o tempo de curação foi reduzido "em 67%", enquanto a versão posterior do estudo de caso é mais cautelosa — "até 67% mais rápido." Finalmente, ainda não há métricas públicas para Muse, a aba Discover ou UCP — esses são pilotos e anúncios, não resultados medidos.

Análise editorial. Primeiro: este caso é um raro e limpo exemplo de estratégia "dados antes de vitrine". Wayfair primeiro corrigiu a base (atributos do catálogo) e só depois começou a construir produtos para clientes no topo — Muse, busca visual, comércio agentic. A ordem inversa — uma fachada de IA chamativa primeiro, dados depois — é o que geralmente produz pilotos decepcionantes. Segundo: um aumento de conversão de ~2% em filtros em um catálogo de 30M produtos é a economia clássica de grandes funis, onde pequenas porcentagens significam mais do que demos barulhentos; dito isto, o impacto em dólares absolutos não pode ser avaliado porque Wayfair não divulga a participação de sessões orientadas por filtros nas vendas.

A terceira observação diz respeito ao UCP: a aposta de Wayfair em um protocolo onde o merchant of record permanece com o varejista é uma tentativa de entrar na era das compras agentic sem ceder margem e relacionamento com clientes para as plataformas. Se o comércio agentic se tornar um canal significativo, a qualidade dos atributos do catálogo — onde este caso começou — será a entrada: um agente de IA precisa de dados de produtos precisos e legíveis para máquina ainda mais do que um humano. Nesse sentido, a marcação "chata" do catálogo parece ser a parte mais visionária de todo o programa. O contexto da indústria confirma a direção: de acordo com dados PYMNTS Intelligence citados na cobertura do caso, 92% das empresas usam personalização IA para crescimento e 77% dos líderes empresariais classificam a IA generativa como a tecnologia emergente mais impactante — a questão há muito tempo não é 'se' mas 'em que ordem'.

Lições aprendidas

1. Dados antes da vitrine: Wayfair começou não com um chatbot de comprador, mas com a qualidade de atributos do catálogo — a base sob busca, filtros, recomendações e cada produto de IA subsequente.
2. Um aumento de conversão de ~2% em filtros em um catálogo de 30M produtos é dinheiro real: pequenas porcentagens em grandes funis frequentemente vencem pilotos chamativos.
3. A multimodalidade compensa em cenários secundários: captar erros de dimensão de fotos e sinalizar conteúdo inadequado foram benefícios não planejados que reduzem devoluções e risco.
4. Meça o impacto como 'velocidade + qualidade' juntos: 67% mais rápido só importa junto com melhor precisão de atributos — caso contrário, você acelera a produção de lixo.
5. Um catálogo de qualidade é o ingresso para o comércio agentic: agentes de IA (UCP, AI Mode) precisam de atributos precisos e legíveis para máquina ainda mais do que humanos.
6. Em canais agentic, defend o papel de merchant of record: Wayfair co-desenvolve o padrão precisamente para que o checkout em superfícies de IA não despoje o varejista de margem e relacionamentos com clientes.
7. Números publicados por fornecedores sem auditorias independentes devem entrar em seu próprio caso de negócio com desconto e um teste A/B obrigatório interno — especialmente porque até a redação do fornecedor amolece com o tempo ('por 67%' → 'até 67% mais rápido').

Perguntas frequentes