A segunda chance da sua busca.
Hackathon Agents for Commerce — Deco (2026)
A Recova é uma camada de IA para e-commerce que é acionada quando a busca da loja não encontra ou não entende o que o cliente procura. Ela conversa, mostra alternativas e ajuda a recuperar a venda — sem substituir a busca que você já usa.
- 10–20% das buscas internas em e-commerce retornam zero resultados (LATAM lidera por regionalismos)
- Quando o cliente encontra zero resultados, a conversão cai 50–87% e 12% dos compradores vão ao concorrente
- 63% dos lojistas estão insatisfeitos com a busca nativa da plataforma
- Usuários de busca convertem 3–5x mais que navegadores — é o canal de maior intenção de compra, e ele está vazando
Loja de alto volume: 40 mil buscas/dia · 12% zero-results = 4.800 buscas perdidas/dia · conversão base 3,1% · AOV R$ 120 = ≈ R$ 6,5 milhões/ano de receita em risco.
A Recova recuperando só 10% disso = +R$ 652 mil/ano, a custo de < R$ 0,05 por conversa (≈ R$ 8.760/ano).
A conta inteira (buscas → zero-results → conversão × AOV → receita recuperada) está no final do README e na apresentação — o júri não discute número com a conta na mesa.
Camada fina de IA que atua sobre a busca nativa (não substitui) — e funciona como um loop agêntico fechado (a linguagem da Deco: observar → diagnosticar → propor → executar → medir → aprender), não como um chatbot esperando prompt:
OBSERVAR busca nativa retorna zero results (ou baixa relevância)
↓
DIAGNOSTICAR understand_intent (LLM) → termos/categoria/preço + causa do vazamento
↓
PROPOR 3+ produtos REAIS do catálogo (Storefront API, grounded) em <2s + explicação
├── CLIENTE COMPROU → EXECUTAR (add-to-cart) → ✅ SUCESSO (verde)
├── CLIENTE RESPONDEU → 3+ produtos + explicação + nova pergunta (loop ↺)
└── NÃO RESPONDEU em 30s → reengajamento (máx 2) → ❌ sem conversão (vermelho)
↓
MEDIR/APRENDER analyze_zero_results → relatório de causas + correções (T4)
As 4 tools MCP mapeiam exatamente esse loop: search_recovery (observar/diagnosticar/propor), converse (refinar), reengage (não desistir), analyze_zero_results (medir & aprender — o que transforma o responder em agente operador).
| Player | Abordagem | Gap que exploramos |
|---|---|---|
| Constructor, Algolia, Bloomreach | Substituem a busca inteira (enterprise, caro) | Não atacam o zero-results da busca nativa |
| Alhena | Busca conversacional full-page (substitui a experiência) | Não é camada de recuperação |
| Doofinder, Klevu, Searchspring | Apps de busca (SMB/mid) | Trocar ≠ consertar |
| VTEX IS, Shopify S&D | Busca nativa (grátis) | Não conversam, não recuperam |
| Recova | Entra SÓ quando a busca falha, com loop de reengajamento | Ninguém faz isso como produto |
recova/
├── mcp-app/ # O AGENTE — tools MCP (search_recovery, converse, reengage, analyze_zero_results)
├── demo-storefront/ # O AMBIENTE DE DEMO — overlay conversacional na busca
└── docs/
├── PRD.md # Product Requirements Document (v2)
├── FLUXOGRAMA.md # Jornada do usuário (fluxograma)
└── search-recovery-fluxograma.excalidraw # Fluxograma editável
- mcp-app: Bun + @decocms/runtime (MCP server) + React 19 + shadcn/ui — tools com UI
- demo-storefront: TanStack Start + React 19 + Cloudflare Workers + Shopify Storefront API (loja demo
gimenesdevstore) - LLM: DeepSeek V4 Flash (API oficial do Ollama Cloud,
ollama.com/v1) — custo < R$0.05/conversa
# MCP App (o agente)
cd mcp-app
bun install
bun run dev # servidor MCP em http://localhost:3001/api/mcp
# Demo storefront (o ambiente)
cd demo-storefront
bun install
bun run dev # storefront com overlay conversacional| Métrica | Baseline | Alvo |
|---|---|---|
| Time-to-alternatives | N/A | <2s |
| Conversational conversion | 3.1% (sem IA) | 12%+ |
| Zero-results recovery | 0% | 30%+ |
| Recovery após timeout 30s | 0% | 5%+ |
| Custo por conversa | N/A | <R$0.05 |
- Nome: Recova (marca proprietária, sem tradução)
- Tagline: "A segunda chance da sua busca"
- Cores: Azul Recova
#155EEF, Azul Profundo#102A43, Laranja Resgate#F97316, Verde#16A34A - Tipografia: Manrope (display) + Inter (corpo)
- Brand book completo:
docs/brand_book.md(no vault do time)
- Claude Code / agentes de IA (ferramenta livre conforme regras do evento)
- Deco Studio (créditos) + MCP App + demo-storefront
- DeepSeek V4 Flash
- Bun, TanStack Start, React 19, Tailwind v4
Premissas de uma loja de alto volume. Cada linha tem fonte real (org + URL + ano) ou está marcada como premissa interna com justificativa.
| Linha | Valor | Fonte |
|---|---|---|
| Buscas internas/dia | 40.000 | Premissa interna — loja de alto volume (referência: Doofinder processa 175M buscas/mês em 10.000+ lojas ≈ 583 buscas/dia/loja média; 40k/dia é uma loja grande, não a média) |
| Taxa de zero-results | 12% | SearchMind/Barilliance (citado via Doofinder/Algolia) + Bloomreach 12–20% — https://www.bloomreach.com/en/blog/how-to-fix-zero-search-results-in-ecommerce (2026) |
| Buscas perdidas/dia | 4.800 | 40.000 × 12% (cálculo) |
| Conversão base (busca) | 3,1% | Rep AI 2025, citado via Alhena — https://alhena.ai/blog/alhena-ai-vs-dynamic-yield/ (2025-2026): shoppers que engajam com IA convertem 12,3% vs 3,1% |
| AOV | R$ 120 | Premissa interna conservadora — SMB brasileiro. Dado real de mercado: ABComm 2026 ticket médio R$ 564,96 (https://edrone.me/br/blog/dados-ecommerce-brasil) e Nuvemshop R$ 539 (https://www.nuvemshop.com.br/blog/dados-ecommerce/). Usamos R$ 120 como premissa SMB conservadora (loja menor que a média nacional) |
| Receita em risco/ano | ≈ R$ 6,5 M | 4.800 × 3,1% × R$ 120 × 365 |
| Taxa de recuperação da Recova | 10% | conservador; target do MVP 30%+ |
| Receita recuperada/ano | ≈ R$ 652 mil | 6,5 M × 10% |
| Custo por conversa | < R$ 0,05 | DeepSeek V4 Flash, cache, max_tokens baixo |
| Custo anual ≈ | R$ 8.760 | 4.800 × 365 × 10% × R$ 0,05 |
Nota de fontes: os números de volume de busca (40k/dia) e AOV (R$ 120) são premissas internas — não há fonte pública rastreável para uma loja específica de alto volume. O ticket médio real do e-commerce brasileiro (ABComm R$ 564,96 / Nuvemshop R$ 539) é maior; usamos R$ 120 como premissa SMB conservadora para não inflar a conta. A taxa de zero-results (12%) e a conversão base (3,1%) têm fonte citável.
Mesmo recuperando 1 em cada 10 buscas perdidas e com custo de centavos por conversa, o ROI é de centenas de milhares de reais/ano — sem trocar a busca, sem dev, sem custo de adoção.
Projeto desenvolvido durante o Hackathon Agents for Commerce (Deco), 01–09/08/2026.