What Makes a Sale? Rethinking End-to-End Seller--Buyer Retail Dynamics with LLM Agents

Título: O que Faz uma Venda? Repensando a Dinâmica Varejista de Ponta a Ponta entre Vendedor e Comprador com Agentes LLM

1. Problema e Motivação

O design de estratégias de varejo eficazes é complexo devido à natureza interdependente das interações entre vendedor e comprador, que se desenrolam em múltiplos estágios (persuasão, pré-compra, decisão de compra e pós-venda).

• Desafio Principal: Avaliar estratégias de varejo antes da implementação real é difícil, pois os resultados finais dependem de como decisões iniciais (ex: tom de voz do vendedor) afetam resultados downstream (ex: taxa de conversão, feedback pós-compra).
• Limitações do Estado da Arte: Simuladores de varejo existentes focam apenas em componentes isolados (apenas negociação, apenas suporte ao cliente ou apenas recomendação). Eles não modelam o pipeline completo nem capturam as dependências entre estágios, tornando impossível verificar se os comportamentos simulados são consistentes com princípios econômicos reais (como a relação preço-demanda).
• Necessidade: É necessário um ambiente unificado que permita a análise causal de ponta a ponta, onde decisões iniciais possam ser rastreadas até seus impactos econômicos finais, garantindo fidelidade comportamental e consistência econômica.

2. Metodologia: O Framework RetailSim

Os autores apresentam o RetailSim, um framework de simulação multi-agente baseado em Grandes Modelos de Linguagem (LLMs) projetado para modelar o processo de varejo como um pipeline unificado e causal.

Arquitetura do Pipeline (5 Estágios)

O framework simula a jornada do cliente em uma sequência estruturada:

1. Persuasão do Vendedor (Seller-side Persuasion): O agente vendedor gera um "script de vendas" baseado em uma estratégia estruturada em quatro dimensões: Expansão de Público-Alvo, Proposta de Valor, Urgência Contextual e Tratamento de Objeções.
2. Interação Vendedor-Comprador (Pré-compra): O comprador faz perguntas sobre especificações, preços ou prazos. O vendedor responde, mantendo a consistência com sua persona e o script inicial.
3. Decisão de Compra: O agente comprador decide comprar ou não, e em que quantidade, baseado no script, nas interações e em suas próprias características (persona).
4. Suporte Pós-compra: Se a compra ocorrer, simula-se interações sobre problemas reais (atraso na entrega, item errado, dano, etc.) e a resolução (reembolso, troca, entrega).
5. Geração de Resenhas: O comprador gera resenhas multidimensionais (eficácia do script, qualidade do suporte, satisfação com o produto).

Componentes Chave para Fidelidade

• Espaço de Produtos Diverso: Utiliza metadados do dataset Amazon Reviews '23, cobrindo 34 categorias agrupadas em 4 grandes grupos (Alimentos, Moda, Casa, Eletrônicos).
• Agentes com Personas:
  • Vendedores: Definidos por Assertividade (Assertivo vs. Passivo), Amabilidade (Amigável vs. Reservado) e Racionalidade (Racional vs. Emocional).
  • Compradores: Definidos por Exigência (Exigente vs. Despreocupado), Consciência de Preço (Sensível vs. Indiferente) e Racionalidade (Racional vs. Emocional).
  • Essas personas são injetadas via prompts no LLM para controlar o comportamento.
• Interações Multi-turno: Simula diálogos realistas antes e depois da compra, garantindo consistência factual ao longo da trajetória.

Protocolo de Avaliação

O RetailSim é avaliado em dois níveis:

1. Nível de Estágio (Fidelidade Comportamental): Avaliação humana (escala Likert 1-5) para verificar se os outputs seguem as diretrizes de cada estágio e se as personas são respeitadas (testes A/B para traços específicos).
2. Nível de Sistema (Consistência Econômica): "Meta-avaliação" para verificar se o simulador reproduz regularidades econômicas do mundo real, independentemente da fidelidade superficial.

3. Resultados Principais

Fidelidade da Simulação

• O framework foi testado com 8 LLMs diferentes (incluindo Qwen3, GPT-5, Gemini, DeepSeek).
• Fidelidade de Tarefa: Os modelos obtiveram pontuações altas (média > 4/5) na geração de scripts de vendas e resenhas. Tarefas mais complexas (decisão de compra, tratamento de dúvidas) exigiram modelos maiores ou proprietários para melhor desempenho.
• Fidelidade de Persona: Alta precisão (>95%) na manutenção dos traços de personalidade atribuídos aos agentes, indicando que os LLMs conseguem manter comportamentos consistentes com as personas definidas.

Consistência Econômica (Validação de Sistema)

O RetailSim demonstrou sucesso em reproduzir padrões econômicos fundamentais:

• Padrões Demográficos: Compradores masculinos mostraram maior taxa de compra em produtos voltados para homens, e femininos em produtos para mulheres, alinhado com a realidade.
• Relação Preço-Demanda: Ao variar os preços, o sistema reproduziu a lei da demanda: taxas de compra diminuíram monotonicamente à medida que os preços aumentaram.
• Elasticidade-Preço Heterogênea: Compradores classificados como "sensíveis a preço" exibiram uma elasticidade-preço significativamente maior (2.58) do que os "indiferentes" (0.76), confirmando que o simulador captura a heterogeneidade do comportamento do consumidor.

Casos de Uso Práticos

1. Estimativa de Personas Latentes: O framework conseguiu inferir com alta precisão (85-98%) os traços de personalidade intrínsecos de diferentes LLMs (ex: qual modelo é mais assertivo ou racional) apenas analisando suas interações, sem injetar personas explicitamente.
2. Impacto na Receita: A análise mostrou que a combinação de personas (Vendedor X Comprador) afeta diretamente a receita. Modelos assertivos e amigáveis geraram mais vendas, mas a combinação específica entre vendedor e comprador é crucial (ex: um vendedor muito assertivo pode não funcionar bem com um comprador racional).
3. Avaliação de Estratégias de Venda: O simulador permitiu testar o impacto de diferentes níveis de orientação humana nos scripts de vendas. Scripts totalmente guiados por humanos superaram os gerados apenas por LLMs, e o framework conseguiu prever essa melhoria de receita antes da implementação real.

4. Contribuições Chave

1. Framework Unificado End-to-End: Primeiro framework a modelar causalmente a dependência entre persuasão, interação e resultados econômicos em um único ambiente, permitindo análise de como decisões iniciais propagam-se para o final.
2. Ambiente Controlado com Personas: Criação de um ambiente onde traços comportamentais (sensibilidade a preço, racionalidade) podem ser variados sistematicamente para estudar seu impacto na dinâmica de interação.
3. Paradigma de Avaliação Baseado em Consistência Econômica: Propõe uma nova métrica de avaliação para simulações baseadas em LLMs, indo além da fidelidade superficial para verificar se o sistema obedece a princípios econômicos reais.
4. Testbed Científico para Agentes Econômicos: Demonstra o uso do RetailSim como um laboratório controlado para medir traços comportamentais latentes de LLMs e seus efeitos em resultados de negócios.

5. Significado e Impacto

O trabalho do RetailSim representa um avanço significativo na interseção entre IA generativa e economia/comportamento do consumidor.

• Para Pesquisadores: Oferece uma metodologia robusta para estudar dinâmicas sociais e econômicas complexas em escala, superando as limitações de simulações de estágio único.
• Para a Indústria de Varejo: Proporciona uma ferramenta de decisão poderosa para testar estratégias de vendas, treinamento de agentes de IA e políticas de suporte ao cliente em um ambiente seguro e controlado, reduzindo riscos e custos de implementação no mundo real.
• Para o Desenvolvimento de LLMs: Estabelece que a consistência econômica é um critério vital para validar agentes autônomos, sugerindo que modelos futuros devem ser avaliados não apenas por sua capacidade de diálogo, mas por sua capacidade de operar dentro de princípios econômicos válidos.

Em resumo, o RetailSim transforma a simulação de varejo de uma ferramenta de teste de tarefas isoladas para um ambiente de descoberta científica capaz de prever e otimizar resultados de negócios complexos.