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

O modelo de contexto de carrinho da Zepto implementa uma arquitetura que trata sequências de compras como linguagem natural, aproveitando a mesma lógica dos Transformers mascarados usados em IA generativa. Ao treinar com padrões históricos enriquecidos por sinais temporais (quando compra), geográficos (onde está) e de produto (o quê compra), o sistema captura dinâmicas complexas de comportamento que vão além de simples correlações de itens. O mascaramento de frequência inversa é particularmente relevante para produtos de cauda longa (items raros ou sazonais), onde dados são escassos mas a precisão importa para aumentar cross-sell.

Essa abordagem alinha-se com a tendência atual de reutilizar contexto de forma mais eficiente em modelos de IA: assim como sistemas de retrieval modernos consolidam pipelines complexos em arquiteturas unificadas, a Zepto simplifica a predição de intenção ao modelar o carrinho como um texto coerente, onde cada produto é um token com semanticidade behavioral. A inferência em tempo real reduz latência e permite recomendações contextualizadas no momento em que o usuário navega.

Entender a intenção do usuário antes que ele termine de escrever (ou neste caso, antes que termine de montar o carrinho) é o Santo Graal do e-commerce: permite guardar espaço nas recomendações para produtos que o usuário provavelmente quer, aumentando conversão e AOV sem parecer intruso. A precisão em predição de compras futuras também reduz desperdício em inventory planning e publicidade segmentada, porque o modelo sinaliza demanda real, não ruído.

Do ponto de vista técnico, a padronização dessa lógica (carrinho como sequência interpretável) abre caminho para otimizações mais ousadas: desde cache inteligente de embeddings até engenharia de prompt para sugerir bundling e cross-sell de forma conversacional, alinhando-se com a direção que IA está tomando em produtos: não esconder a lógica, mas torná-la transparente e iterável.