Popsa automatiza títulos personalizados em 12 idiomas com Amazon Nova

A Popsa mostrou como a IA generativa aplicada pode mexer em uma métrica concreta de produto, e não apenas em cenários de demonstração. A empresa reformulou a função Title Suggestion com o Amazon Bedrock e a família de modelos Amazon Nova para oferecer automaticamente aos clientes títulos e subtítulos personalizados. O resultado não é cosmético: o sistema ficou mais rápido, mais barato e de melhor qualidade, e o número de títulos personalizados gerados em 2025 passou de 5,5 milhões.

O desafio da Popsa era pé no chão, mas difícil de executar. Não basta criar uma legenda bonita; ela precisa ser adequada ao produto específico, ao conteúdo visual e ao tom de marca do serviço. Para isso, a empresa montou um pipeline que combina vários tipos de sinais: metadados, dados de visão computacional e retrieval-augmented generation, ou seja, geração apoiada em contexto previamente preparado. Essa abordagem impede que o modelo fantasie descolado do produto e o ancora em características reais do pedido e nas regras da marca.

Tecnicamente, a solução foi construída sobre o Amazon Bedrock, que ofereceu uma API única para trabalhar com diferentes modelos. A Popsa usou o Anthropic Claude 3 Haiku, além do Amazon Nova Lite e do Nova Pro. Pela descrição, a empresa não colocou um único modelo em todas as etapas, mas escolheu ferramentas para tarefas específicas dentro do pipeline. Isso é importante: em vez de discutir qual modelo é o "melhor", o caso mostra uma abordagem mais prática, em que a empresa orquestra vários modelos para chegar ao equilíbrio certo entre qualidade, velocidade e preço.

A escala de idiomas merece destaque. A função atualizada agora gera automaticamente títulos e subtítulos em 12 idiomas. Para um produto de consumo, isso é crítico, porque a localização nesse tipo de cenário não é um item decorativo, mas parte da experiência do usuário. Se o título soa natural, considera o contexto e não quebra o tom da marca, fica mais fácil para o cliente aceitar a sugestão pronta em vez de editá-la manualmente. Com isso, diminui o atrito na interface e o caminho até a compra fica mais curto.

Os indicadores de negócio também contam no caso. A Popsa informa que, após a migração para a nova arquitetura, a satisfação dos clientes aumentou, os custos caíram e o tempo de resposta diminuiu. Além disso, a empresa registrou um aumento mensurável no engajamento e na conversão em compra. Os percentuais exatos não são divulgados no trecho publicado, mas a formulação é relevante: não se trata de resultados subjetivamente "mais criativos", e sim de métricas que podem ser ligadas à receita e ao comportamento dos usuários. Para equipes de produto, isso é bem mais convincente do que qualquer conversa genérica sobre o potencial da IA.

Outra conclusão da história da Popsa é que funções generativas funcionam melhor quando têm uma tarefa estreita e bem delimitada. Aqui, o modelo não tenta substituir toda a experiência do produto nem atua como assistente universal. Ele resolve um problema específico: ajuda o usuário a obter mais rápido um título bom e personalizado, alinhado ao conteúdo visual e ao estilo da marca. Esse tipo de formulação costuma dar o melhor resultado: há menos espaço para erros, é mais fácil verificar a qualidade e mais simples calcular a economia da implementação.

Para o mercado, é um sinal de que a próxima onda de adoção de IA em produtos de consumo não vai girar em torno de interfaces de chat barulhentas, mas de microfunções embutidas que eliminam pontos de atrito pequenos, porém massivos. O caso da Popsa e do Amazon Nova trata justamente disso: quando os modelos estão integrados ao fluxo do produto, sabem considerar o contexto e operam no modelo de preço adequado, passam a influenciar satisfação, conversão e frequência de uso sem barulho desnecessário em torno da tecnologia em si.