Seu carrinho conta uma história: como a Zepto aprendeu a interpretá-la

A Zepto não está só prevendo o próximo item do carrinho: está modelando a intenção de compra como uma sequência linguística com semântica de consumo. O modelo usa um Transformer mascarado treinado em milhões de sessões reais, mas com um ajuste crítico, o mascaramento de frequência inversa (IFM), que dá peso maior a itens de cauda longa (como especiarias raras ou produtos regionais), evitando que o sistema fique preso em padrões majoritários como arroz e leite. Isso é técnico e prático: em dark stores com estoque limitado, prever um item de baixa rotação com alta precisão reduz custos de reposição e melhora a taxa de conversão em até 12%, segundo dados internos citados em relatório da Bain & Company de maio de 2026.

O sistema opera em menos de 300ms, integrado diretamente ao backend de carrinho, sem depender de APIs externas. Diferente de recomendações baseadas em embeddings de produtos (como no Epicure, que mapeia ingredientes por similaridade culinária), o contexto de carrinho da Zepto é temporalmente condicionado: ele entende que 'molho de tomate' seguido de 'macarrão' tem significado distinto de 'molho de tomate' seguido de 'pão', e ajusta a probabilidade de 'queijo ralado' ou 'orégano' conforme o horário do dia e o histórico geográfico do usuário, algo que modelos estáticos de LLMs não capturam naturalmente.

Em dezembro de 2025, a Zepto lançou uma ferramenta experimental de IA para o Zepto Café, usando Claude e o Model Context Protocol (MCP) da Anthropic para interpretar pedidos em linguagem natural. Mas isso era um protótipo isolado, sem integração com o fluxo principal de compras. Agora, em junho de 2026, o mesmo princípio, interpretação de intenção como sequência, foi industrializado no core do aplicativo de supermercado, com inferência em tempo real no carrinho principal, não como um módulo paralelo. A diferença não é só técnica: é operacional. Antes, a IA agia como assistente; agora, ela é parte invisível da infraestrutura de decisão do carrinho, influenciando desde a exibição de banners até o pré-carregamento de inventário nas dark stores.

Isso muda a economia do quick-commerce: cada predição precisa reduz 0,8 segundo médio de abandono no carrinho, segundo dados da Clevertap reportados em abril de 2026. Para a Zepto, com mais de 250 dark stores e 10 minutos de SLA, isso significa evitar até 7.200 entregas perdidas por dia, um impacto direto na margem operacional. Mais importante: o modelo não depende de dados de terceiros nem de cookies. Ele se alimenta exclusivamente de sequências de comportamento dentro do próprio app, o que o torna resiliente a restrições de privacidade e escalável para mercados regulatórios exigentes, como a Índia pós-DSA local (Digital Services Act India, vigente desde janeiro de 2026).