top of page

Riscos de Compras no ChatGPT: Estudo Aponta Sites de Varejo Falsos

há 8 minutos
12 min de leitura
Illustrative photograph. Photo: Sanket Mishra / Pexels.

Os riscos de compras no ChatGPT surgiram em um estudo da Podqi que encontrou links de varejo arriscados em respostas do ChatGPT, Gemini e Perplexity. Em 6.795 respostas, 9% incluíam um site que a empresa classificou como arriscado. Essa categoria abrangia sites suspeitos de falsificação ou de imitação e domínios inativos.

A fornecedora de proteção de marcas coletou respostas por meio da Gauge, uma empresa de busca com IA, usando cinco perguntas de compras sobre 151 marcas. Seu estudo sobre compras com IA analisou serviços voltados ao consumidor sem login durante duas rodadas em setembro de 2026. Pesquisadores revisaram 4.437 domínios e classificaram 718 como arriscados: 351 supostos sites falsos e 367 inativos.

As conclusões expõem uma tensão específica: encontrar um destino de compra plausível e verificar quem o opera são tarefas diferentes. Um assistente pode responder com fluência a uma pergunta sobre um produto e ainda deixar sem solução a identidade do vendedor. Para compradores, marcas e desenvolvedores de chatbots, essa lacuna importa justamente quando a pesquisa se transforma em uma decisão de compra.

O que o estudo sobre riscos de compras no ChatGPT realmente mediu

A Podqi relatou links arriscados em 15% das respostas do Perplexity, 8% das respostas do ChatGPT e 4% das respostas do Gemini. Entre as respostas que continham sites arriscados, 57% os recomendaram, 34% os mencionaram sem comentário e 9% alertaram os usuários. Essas porcentagens descrevem o subconjunto arriscado, não todas as respostas sobre compras.

A conclusão diz respeito a destinos e recomendações, não a uma taxa medida de fraude em compras concluídas.

Essa distinção separa várias perguntas que os leitores poderiam, de outro modo, confundir. Uma resposta continha um destino inadequado? Sua redação incentivava uma visita? Alguém seguiu o link, inseriu informações de pagamento ou perdeu dinheiro?

Os números principais do estudo tratam das etapas anteriores. Eles não devem se transformar em uma alegação de que a mesma parcela de compradores sofreu fraude. Exposição, persuasão, compra e perda são resultados distintos.

Um endereço inativo também apresenta um problema imediato diferente de uma loja de imitação em operação. Ambos comprometem uma resposta de compras, mas exigem descrições diferentes. Chamar todo destino sinalizado de golpe ativo exageraria as evidências.

Por outro lado, descrever o problema como links quebrados comuns ignoraria as descobertas de possíveis imitações. A interpretação útil preserva ambas as categorias. Um sistema de recomendações precisa de destinos funcionais e de evidências confiáveis sobre quem os controla.

O contexto da amostragem também importa para as comparações. Esses resultados descrevem as experiências de consumo, os prompts, as marcas e o período de coleta testados. Eles não estabelecem uma classificação permanente de segurança em todas as configurações ou recursos de compra.

Por exemplo, uma resposta de chatbot generalista e uma integração dedicada a comerciantes devem ser avaliadas separadamente. Um teste de uma experiência não pode certificar nem condenar automaticamente outra. Esse limite importa quando os leitores comparam nomes de produtos conhecidos com implementações desconhecidas.

O estudo, portanto, oferece um ponto de partida concreto para análise, e não um placar universal. Ele direciona a atenção para a transição entre responder a uma pergunta de compra e endossar um vendedor. Essa transição merece ser avaliada por si só.

Uma leitura útil pergunta quais evidências justificariam a recomendação naquele momento. O sistema sabe que o endereço pertence à marca? Verificou uma relação de autorização? Ou apenas encontrou uma linguagem que corresponde ao pedido?

Essas são questões analíticas levantadas pelas conclusões, e não mecanismos que o estudo estabeleça de forma conclusiva. A diferença importa. Observar uma saída questionável não revela todas as etapas internas que a produziram.

A consequência prática é uma conclusão mais restrita e defensável: compradores não devem tratar uma recomendação de varejo em uma conversa como uma verificação concluída do vendedor.

Uma resposta de compras tem mais peso do que um resumo de produto

Pesquisar produtos e selecionar vendedores envolve tipos diferentes de julgamento. Um assistente pode ajudar alguém a comparar materiais, tamanhos ou categorias de produtos sem decidir onde essa pessoa deve gastar dinheiro.

Quando fornece um destino de compra, a tarefa muda. A resposta conecta uma preferência de produto a uma empresa que receberá pagamento e informações pessoais. A precisão agora inclui a identidade do vendedor.

Uma descrição relevante de produto não estabelece uma relação comercial legítima.

Considere um comprador ilustrativo procurando uma jaqueta de uma determinada marca. Um assistente pode identificar corretamente as características da jaqueta enquanto fornece uma loja sem relação com ela. As informações do produto e o destino de compra precisam de verificações separadas.

A mesma distinção se aplica quando uma resposta chama uma loja de “oficial” ou “autorizada”. Essas palavras expressam uma relação, não uma semelhança. Um logotipo conhecido ou uma fotografia correspondente do produto não podem estabelecer essa relação por si só.

A apresentação conversacional torna a distinção especialmente importante. Uma resposta direta pode parecer um julgamento concluído, mesmo quando as evidências subjacentes permanecem incompletas. O usuário recebe uma recomendação na voz do assistente.

Isso cria pressão sobre desenvolvedores de chatbots para esclarecer o que sua redação promete. “Esta página menciona o produto” é uma alegação limitada. “Compre aqui” convida à ação e exige um suporte mais forte.

As marcas enfrentam outro problema: uma menção correta ao seu nome ainda pode acompanhar um destino incorreto. Portanto, visibilidade por si só não descreve a qualidade de uma resposta de compras. Para onde a resposta envia alguém importa tanto quanto o fato de a marca aparecer.

Para um varejista, uma recomendação não autorizada levanta questões sobre confusão do cliente e responsabilidade. Um comprador pode associar uma experiência ruim à marca cujo nome apareceu ao longo de toda a resposta. Esse é um risco comercial plausível, não uma perda medida por este estudo.

As implicações também alcançam compras corporativas. Um funcionário que pesquisa equipamentos ou mercadorias pode levar um link de vendedor não verificado para uma discussão de compras. Um resumo bem elaborado pode então circular separadamente da conversa original.

Nessa situação, o registro importante inclui a fonte e seu status de verificação. Uma lista curta que informa de onde veio uma recomendação continua mais fácil de questionar. Uma lista simples de lojas sugeridas oculta o julgamento ainda não resolvido.

Para equipes que mantêm uma base de conhecimento pesquisável, fontes de compra aprovadas devem estar ao lado da pesquisa relevante. Um link guardado ainda precisa de revisão; salvá-lo não certifica quem o opera.

A pressão comercial, portanto, é específica. Assistentes que ajudam a identificar produtos também precisam estabelecer limites em torno do endosso a vendedores. As marcas precisam inspecionar os destinos associados aos seus nomes. Os compradores precisam de uma distinção visível entre descoberta e aprovação.

Citações estabelecem uma fonte, enquanto a identidade do vendedor exige evidências separadas

Uma citação pode ajudar leitores a examinar de onde uma resposta obteve informações. Ela não estabelece automaticamente que uma empresa citada merece seu dinheiro.

Essa diferença fica clara ao separar as alegações dentro de uma resposta de compras. Uma página pode sustentar uma especificação de produto, exibir uma listagem de item ou descrever uma política de devolução. Nenhuma delas prova, de forma independente, a autorização do fabricante.

A evidência de que uma página existe é mais fraca do que a evidência de que seu operador é o vendedor que o comprador pretendia encontrar.

Esta é a inversão central da história. Recursos que fazem as respostas parecerem verificáveis podem coexistir com uma confiança comercial não resolvida. Um link acrescenta algo que os leitores podem examinar, mas o exame ainda precisa acontecer.

O risco é especialmente evidente em uma solicitação ilustrativa de compra internacional. Um usuário pode razoavelmente esperar que uma marca opere lojas separadas por país. Um endereço que parece regional pode corresponder a essa expectativa sem estabelecer propriedade.

A pergunta então se torna relacional: como esse endereço se conecta à marca conhecida? Um link de um site estabelecido da marca sustentaria uma alegação diferente de palavras correspondentes em um endereço.

É por isso que pedir a um chatbot que repita que uma loja é legítima oferece uma garantia limitada. Uma segunda afirmação só é útil se introduzir evidências melhores. Confiança e verificação não devem se tornar intercambiáveis.

O mesmo princípio se aplica a alertas. Um lembrete geral sobre golpes online deixa a recomendação específica sem solução. Um alerta associado a um destino específico informa ao comprador qual ação precisa ser reconsiderada.

O design da resposta deve preservar essa especificidade. Se o sistema não pode verificar uma loja, sua linguagem de recomendação deve refletir a incerteza. Caso contrário, o ônus é transferido silenciosamente para quem pediu ajuda para escolher.

As orientações de proteção ao consumidor já distinguem apresentação de legitimidade. As orientações sobre compras online do Canadian Centre for Cyber Security alertam contra confiar apenas na aparência de um site ou em ícones de cadeado.

Esse conselho importa aqui porque a confiança pode se acumular por meio de vários sinais fracos. Um assistente parece seguro, a loja parece sofisticada e a conexão parece protegida. Juntos, esses detalhes podem parecer mais fortes do que as evidências subjacentes sobre identidade.

Para desenvolvedores, o desafio analítico é avaliar a alegação que a interface realmente comunica. Um sistema que recupera um endereço relevante concluiu uma etapa de descoberta. Ainda precisa de uma base para descrever esse endereço como um local adequado para comprar.

Isso não significa que toda recomendação exige tratamento idêntico. Varejistas estabelecidos, lojas independentes, marketplaces e lojas operadas por marcas têm relações diferentes. O sistema deve descrever a relação que consegue comprovar.

Uma resposta cautelosa pode continuar útil. Ela pode identificar um vendedor candidato enquanto declara o que permanece não verificado. Essa abordagem preserva o valor da pesquisa sem apresentar incerteza como um endosso concluído.

A comparação entre chatbots é útil, mas não resolve a segurança das compras com IA

As diferenças entre ChatGPT, Gemini e Perplexity merecem atenção. Elas mostram que os serviços testados não produziram resultados intercambiáveis. Também levantam questões sobre o que cada comparação realmente captura.

Um assistente pode apresentar menos destinos questionáveis porque escolhe fontes diferentes, fornece menos lojas ou lida com a incerteza de outra forma. As taxas de saída, por si só, não conseguem distinguir plenamente essas explicações.

Uma taxa observada de exposição menor sustenta uma conclusão mais restrita do que a alegação ampla de que um chatbot é seguro.

O comportamento de alerta adiciona outra dimensão. Evitar um destino e identificar um problema após mencioná-lo são capacidades diferentes. Uma avaliação útil deve mostrar ambos, juntamente com a utilidade da resposta resultante.

Caso contrário, um assistente poderia parecer cauteloso simplesmente por recusar perguntas sobre compras. Isso reduziria a exposição, mas ofereceria pouca ajuda. Um produto de compras precisa equilibrar descoberta útil com recomendações justificadas.

A fonte comercial da pesquisa também merece escrutínio. A Podqi vende serviços de proteção de marca, o que lhe dá um interesse comercial no problema que descreve. Esse interesse não invalida as observações.

Ele, porém, torna importante uma classificação transparente. Revisores independentes precisariam de evidências suficientes para compreender casos contestados. Um suposto vendedor de falsificações, um revendedor não relacionado e um site indisponível não deveriam se tornar rótulos indistinguíveis.

Os revisores também devem perguntar como a incerteza foi tratada. Algumas relações de varejo são mais fáceis de verificar do que outras. Uma metodologia precisa abrir espaço para casos não resolvidos, em vez de forçar cada endereço a receber um veredito categórico.

Há outra fronteira entre identificar um problema e comprovar uma solução proposta. Um fornecedor pode documentar recomendações questionáveis sem estabelecer que seu próprio serviço corrige todas as causas subjacentes.

O mesmo padrão se aplica aos provedores de chatbots. Uma declaração sobre melhorias de segurança exigiria evidências vinculadas a destinos de compra. Alegações gerais sobre a qualidade das respostas deixariam essa questão específica sem solução.

Este artigo não replicou o experimento de forma independente. Portanto, o estudo deve permanecer atribuído ao longo de todo o texto, e suas classificações devem continuar sendo as dos pesquisadores. Suas conclusões são um motivo para investigar, não uma permissão para exagerar a certeza.

A comparação também precisa estar associada ao tempo. Um resultado observado pertence a um período específico de coleta. O comportamento posterior do produto exige novos testes, e não suposições baseadas em um nome de empresa conhecido.

Para compradores que perguntam sobre a segurança das compras com IA, a resposta mais útil é, consequentemente, condicional. O estudo identifica motivos para cautela nos serviços testados. Ele não estabelece que toda recomendação falha ou que todo endereço sinalizado causa danos.

Uma resposta significativa tornaria mais fácil perceber a identidade incerta de um vendedor. Também tornaria resultados contestados mais fáceis de reproduzir e corrigir. Essas mudanças abordariam a lacuna específica de confiança exposta aqui.

As salvaguardas existentes para compras ainda se aplicam na transição para a IA

O estudo levanta uma nova questão de interface em torno de um problema já conhecido dos consumidores. Um assistente pode apresentar um vendedor, mas o comprador ainda precisa de uma base para confiar nessa empresa.

A orientação da Federal Trade Commission sobre verificação de vendedores recomenda pesquisar empresas desconhecidas e consultar avaliações de várias fontes. Ela também alerta que avaliações e classificações podem induzir ao erro.

Uma recomendação de chatbot deve iniciar a verificação de um vendedor, em vez de servir como sua prova final.

Esse princípio não exige tratar toda loja desconhecida como fraudulenta. Pequenos varejistas e empresas independentes podem ser legítimos. A questão relevante é se as evidências disponíveis sustentam a compra específica.

Uma distinção útil separa incerteza de acusação. “Não consigo verificar este vendedor” comunica um limite. “Este vendedor é fraudulento” alega irregularidade e exige evidências mais fortes.

Os assistentes devem preservar essa distinção ao responder a perguntas de acompanhamento. Um sistema que passa de uma recomendação entusiasmada para uma acusação sem fundamento não resolveu o problema de verificação. Apenas mudou a direção de sua confiança.

Para os compradores, a transição da conversa para o site merece atenção deliberada. O endereço de destino deve corresponder ao vendedor que está sendo avaliado. Evidências sobre uma empresa não devem ser transferidas para outra de nome semelhante.

A orientação do FBI para compras de fim de ano também enfatiza a verificação de vendedores desconhecidos antes da compra. Seus alertas abrangem problemas como pagar por produtos que nunca chegam.

Essas salvaguardas estabelecidas continuam relevantes, independentemente de como o destino foi descoberto. Uma recomendação de chatbot não altera as obrigações do vendedor nem comprova seu histórico. O canal de descoberta e o comerciante são partes distintas da transação.

Para as organizações, a questão é menos proibir assistentes do que atribuir responsabilidades com clareza. A pesquisa de produtos pode usar ferramentas conversacionais enquanto a aprovação do vendedor segue um processo de compras estabelecido.

A pessoa que revisa uma compra deve conseguir ver se a loja já foi aprovada. Se for desconhecida, o registro deve indicar o que foi verificado. Isso cria uma decisão responsabilizável, em vez de uma suposição herdada.

Há também uma oportunidade de design de produto aqui. Um assistente poderia distinguir relações verificadas com comerciantes de sugestões comuns da web. A redação precisaria explicar a base real dessa distinção.

Um rótulo por si só não seria suficiente. “Verificado” precisa de um escopo definido: propriedade verificada, autorização verificada ou outra coisa. Sem essa explicação, o rótulo corre o risco de acrescentar outra impressão de certeza.

A questão de política segue a mesma lógica. A responsabilidade se torna mais difícil de avaliar quando uma interface mistura pesquisa, recomendação e promoção comercial. Limites claros ajudariam os usuários a entender em quais alegações estão sendo solicitados a confiar.

Os riscos de compras com ChatGPT, portanto, envolvem mais do que saber se um link abre. Eles dizem respeito às evidências e à linguagem em torno de uma sugestão de compra. A transição final deve tornar visível a confiança não resolvida antes de o usuário agir.

O que observar a seguir: verificação, testes repetidos e resultados reais

Os próximos desenvolvimentos úteis serão mudanças observáveis nas respostas de compras e na qualidade das evidências. Uma linguagem mais confiante não resolveria o problema. Recomendações mais bem fundamentadas resolveriam.

O progresso significa melhorar o destino, o endosso e as evidências disponíveis para examinar ambos.

Primeiro, observe mudanças de produto que distingam a descoberta de comerciantes de relações verificadas. Mudanças relevantes incluiriam rótulos mais claros para vendedores, avisos específicos e explicações sobre o que realmente foi verificado.

O sinal mais forte conectaria uma recomendação a evidências inspecionáveis sobre a empresa. Um alerta genérico abaixo de uma recomendação de loja apresentada com confiança ofereceria um suporte mais fraco.

Essa distinção também deve aparecer no comportamento de correção. Se um usuário relatar um destino inadequado, a resposta deve abordar aquele endereço especificamente. Repetir orientações amplas sobre compras deixaria a recomendação original sem solução.

Segundo, observe testes repetidos independentes com classificações transparentes. Uma avaliação reproduzível deve separar destinos indisponíveis, suspeitas de falsificação de identidade, suspeitas de produtos falsificados e casos incertos.

Ela também deve preservar o contexto necessário para interpretar comparações. A experiência testada, o período de coleta e a redação da recomendação importam. Sem esses detalhes, uma classificação corre o risco de parecer mais universal do que suas evidências permitem.

Uma replicação útil testaria se as melhorias se mantêm além de um conjunto conhecido de perguntas. Ela deveria examinar se um sistema permanece útil enquanto se torna mais cuidadoso com a identidade do vendedor.

Esse é um padrão mais exigente do que remover todos os resultados desconhecidos. Ele recompensa uma assistência justificada em vez do silêncio. Também dá aos desenvolvedores um alvo mais claro para melhorias.

Terceiro, observe evidências que conectem recomendações a resultados reais para os compradores. Cliques, tentativas de compra, reclamações e perdas confirmadas respondem a perguntas diferentes. Eles devem permanecer medidas separadas.

Evidências de resultados ajudariam a estabelecer as consequências práticas de uma recomendação questionável. Também poderiam revelar onde as intervenções têm maior importância. Um aviso antes de visitar uma loja e um aviso após inserir dados de pagamento têm finalidades diferentes.

Por outro lado, evidências limitadas de danos concretizados restringiriam alegações sobre prevalência. Isso não tornaria recomendações incorretas aceitáveis. Tornaria mais precisa a descrição de suas consequências.

A resposta das marcas será importante junto com as mudanças nos chatbots. Informações claras e acessíveis sobre lojas oficiais e relações autorizadas dariam aos esforços de verificação algo concreto para examinar.

Ainda assim, publicar essas informações e fazer com que os assistentes as usem corretamente são marcos distintos. O setor precisa de evidências da conexão entre ambos. Anunciar uma fonte de informações confiáveis não prova uso consistente.

Para os leitores, a conclusão imediata é um limite em torno da confiança. Os riscos de compras com ChatGPT não eliminam o valor da pesquisa de produtos com IA. Eles mostram por que um vendedor sugerido merece sua própria avaliação.

Antes da próxima compra assistida por IA, examine a transição entre recomendação e transação. A resposta estabelece quem opera o destino ou apenas apresenta uma loja plausível? Se as evidências param na relevância, mantenha a decisão de compra em aberto. Compare o endereço com informações de uma fonte confiável da marca, examine informações independentes sobre o vendedor e preserve a base de sua decisão. Para compras no trabalho, leve essas evidências ao processo de aprovação em vez de encaminhar um link sem contexto. A pergunta que vale fazer é específica: o que sustenta a confiança nesta empresa para esta transação? Trate uma resposta confiante como uma alegação a ser examinada e então decida se as evidências justificam a recomendação.

 
 

Comece grátis

Um assistente de IA local-first com gestão de conhecimento pessoal

Para oferecer uma experiência de IA melhor,

atualmente, o remio é compatível apenas com Windows 10+ (x64) e M-Chip Macs.

Seu parceiro de IA no trabalho
Faça mais com o remio

Planeje. Crie. Entregue.
Tudo em um só lugar.

bottom of page