Gigantes da Entrega e a Evolução da Busca com IA: DoorDash, Instacart e Uber Eats

A busca em plataformas de delivery não é trivial. Imagine encontrar um prato específico com variações de nome, erros de digitação, ou restrições dietéticas. A solução para esse desafio tem ganhado complexidade com a adoção de Large Language Models (LLMs) por gigantes como DoorDash, Instacart e Uber Eats, cada um com sua estratégia arquitetural.

A DoorDash, por exemplo, investiu no enriquecimento de seu grafo de conhecimento existente, utilizando LLMs para extrair atributos de dados de SKU offline. Em tempo de execução, os LLMs atuam como um guard-rail, segmentando as consultas e mapeando-as para o grafo. Isso garante que as saídas dos LLMs sejam sempre conceitos que o sistema já consegue processar, otimizando o uso da infraestrutura existente. Já a Instacart adotou uma abordagem em camadas, focando na compreensão da consulta. Eles usam Retrieval-Augmented Generation (RAG) com contexto específico da Instacart e aplicam fine-tuning em modelos como Llama-3-8B para tarefas mais complexas, especialmente para as chamadas tail queries (consultas menos frequentes). A Uber Eats, por sua vez, buscou unificar sua fragmentada infraestrutura de busca, que abrangia múltiplas verticais e idiomas. A solução foi um sistema de recuperação de duas torres, onde um LLM Qwen ajustado serve como camada de embedding para consultas e documentos. Essa arquitetura, combinada com otimizações como Matryoshka Representation Learning e quantização escalar, permite um sistema escalável e eficiente, garantindo que o LLM seja o núcleo da representação de dados para busca e recuperação.

Em 29 de julho de 2026, o CEVIU News já apontava a inovação de DoorDash, Instacart e Uber Eats com LLMs na busca. Agora, temos um detalhamento arquitetural robusto, mostrando como essas empresas implementaram suas soluções. O que antes era uma visão geral, agora explora as escolhas de engenharia, como o uso de RAG como guard-rail pela DoorDash, a estratégia de head vs. tail queries da Instacart com fine-tuning de Llama-3-8B, e a unificação da Uber Eats com um LLM Qwen como embedding backbone em um sistema de duas torres.

Para a Instacart, especificamente, a notícia de 18 de junho de 2026 já destacava a reconstrução do seu sistema de retrieval de anúncios com IA generativa, substituindo sistemas baseados em BERT. Essa nova matéria aprofunda a estratégia da empresa, mostrando que a adoção de LLMs para a busca de produtos segue uma evolução similar, consolidando o uso de IA generativa para otimizar a interpretação de consultas e a experiência do usuário em diversas frentes da plataforma.

Para desenvolvedores, a análise dessas arquiteturas é um estudo de caso fundamental na aplicação prática de LLMs em sistemas de produção de alta escala. Ela demonstra que a escolha do LLM é secundária à integração com a infraestrutura existente, um ponto crucial para a experiência do desenvolvedor (DX). Observamos como a performance e otimização são atingidas através de técnicas como RAG, fine-tuning e modelos de embedding otimizados, garantindo baixa latência e alta relevância.

As abordagens variadas (LLM offline, em camadas ou como embedding backbone) revelam trade-offs entre complexidade, custo e acurácia. Esses exemplos oferecem um modelo mental para integrar IA em qualquer sistema, priorizando padrões e boas práticas de código. Entender essas implementações é vital para quem projeta sistemas de busca ou recomendação inteligentes, pois sublinha a importância de arquiteturas flexíveis e escaláveis para lidar com a natureza dinâmica da interação humana e a vasta quantidade de dados.