Por que seu chatbot com IA não encontra produtos no seu catálogo (e como resolver)

Você instalou um chatbot com IA no seu site. Enviou seu catálogo de produtos. Um cliente pergunta: "Vocês têm tênis de corrida de menos de R$ 400 no número 41?". E o chatbot responde com algo vagamente relacionado — talvez um tênis de R$ 600, talvez um número 38, talvez nem seja tênis.

Soa familiar? Você não está fazendo nada errado. O problema é a tecnologia que o seu chatbot usa por baixo.

A maioria dos chatbots com IA do mercado — incluindo os de plataformas conhecidas como Intercom, Zendesk, Tidio ou Chatbase — usa uma tecnologia chamada RAG (Retrieval-Augmented Generation) que funciona muito bem para documentos de texto, mas que não foi projetada para filtrar dados estruturados. Se você precisa de um chatbot para ecommerce com catálogo amplo ou um chatbot para imobiliária com filtros de preço e localização, RAG não basta.

Neste artigo vamos explicar por que isso acontece e qual alternativa existe. Spoiler: a solução é combinar RAG com consultas SQL reais aos seus dados — o melhor dos dois mundos. Quase ninguém faz isso de forma nativa — na Bravos AI, sim.

Como um chatbot com IA funciona por dentro (sem tecnicismos)

Para entender o problema, você precisa saber — em linhas gerais — como um chatbot com IA busca informações quando um cliente faz uma pergunta.

O sistema RAG: buscar por significado

A maioria dos chatbots usa RAG (Retrieval-Augmented Generation). Funciona assim:

1. Fragmentar: quando você envia um documento (um site, um PDF, um texto), o sistema o divide em fragmentos pequenos.
2. Converter em números: cada fragmento é transformado em uma representação numérica (um "embedding") que captura seu significado.
3. Buscar por similaridade: quando um cliente pergunta algo, o chatbot converte a pergunta em números e busca os fragmentos cujo significado seja mais parecido.
4. Gerar resposta: com os fragmentos mais relevantes, a IA gera uma resposta em linguagem natural.

Esse sistema é brilhante para conteúdo textual. Se um cliente pergunta "qual é a política de devoluções de vocês?", o RAG encontra o fragmento do seu site que fala de devoluções e responde perfeitamente. O mesmo com horários, serviços, perguntas frequentes, instruções de uso.

Se você viu as manchetes sobre o PixelRAG (uma variante recente do RAG que trabalha com capturas em vez de texto), ele também não resolve este problema: não foi projetado para filtrar dados estruturados, e para catálogos sai mais caro sem ganhar precisão.

Onde o RAG falha: dados com atributos

Agora imagine que você tem uma loja de tênis com 500 produtos. Cada um tem nome, marca, preço, números disponíveis, cor, tipo (corrida, casual, trilha) e estoque. Um cliente pergunta:

"Tênis de corrida de menos de R$ 400 no número 41"

Para responder corretamente, o chatbot precisa:

• Filtrar por tipo = "corrida"
• Filtrar por preço ≤ 400
• Filtrar por numeração que inclua o 41
• Retornar somente os que cumprem as três condições ao mesmo tempo

O RAG não consegue fazer isso. O que ele faz é buscar fragmentos de texto que se "pareçam" semanticamente com "tênis corrida R$ 400 número 41". Pode encontrar um tênis de corrida de R$ 600 porque o texto é parecido. Ou um número 41, mas de caminhada. Ou simplesmente misturar informações de vários produtos em uma resposta que soa bem, mas está errada.

O próprio chatbot da Chatbase reconhece isso quando você pergunta se ele consegue filtrar produtos por preço:

"Approximate, not guaranteed perfect filtering."

Aproximado. Não garantido.

O problema real: o RAG trata seu catálogo como um livro

Quando você envia um CSV com o seu catálogo a uma plataforma que só usa RAG, isto é o que acontece:

É como entregar uma planilha Excel a alguém e pedir que busque dados... lendo-a em voz alta em vez de usar os filtros. Tecnicamente dá para fazer, mas o resultado é lento, impreciso e erra com frequência.

Isso afeta você?

Nem todos os negócios precisam de filtragem estruturada. Se o seu chatbot só responde perguntas frequentes ("qual é o horário de vocês?", "vocês entregam em Manaus?"), o RAG é perfeito.

Mas se você vende produtos com atributos filtráveis — preço, tamanho, cor, localização, categoria — ou se os seus clientes combinam 3 ou mais critérios em uma pergunta, um chatbot só com RAG vai dar problemas. Um chatbot para ecommerce precisa filtrar por preço e categoria. Um chatbot para imobiliária precisa filtrar por localização, quartos e metros quadrados. Escolas, concessionárias, consultorias: qualquer negócio com um catálogo de produtos estruturado.

Como saber se o seu chatbot atual tem este problema? Faça estas perguntas a ele:

1. "Mostre produtos de menos de [preço]" — todos cumprem o filtro?
2. "Quero [produto], mas que não seja [atributo]" — ele exclui corretamente?
3. Pergunte por algo que NÃO existe — ele diz que não tem, ou inventa?

Se falhar em 2 de 3, seu chatbot está usando só RAG. Não é um bug — é uma limitação da tecnologia.

O que as próprias plataformas dizem

Consultamos a documentação oficial das principais plataformas de chatbot. Isto é o que dizem sobre dados estruturados e catálogos:

Chatbase: não aceita CSV. O próprio chatbot deles recomenda converter o CSV em um documento de texto (PDF, DOCX) e enviar assim. Para filtragem real, dizem que você precisa construir sua própria API.

Intercom (Fin): não aceita CSV como fonte de conhecimento. Para filtrar um catálogo, você precisa montar sua própria API REST, seu próprio banco de dados, e configurar um Data Connector. A documentação diz explicitamente: a filtragem "should be handled at the API level".

Zendesk: aceita CSV, mas como artigos de texto (uma linha = um artigo). Não como dados filtráveis. Para filtragem real você precisa do Integration Builder (só disponível no plano mais caro) + sua própria API.

Tidio (Lyro): aceita CSV, mas só como pares pergunta/resposta (duas colunas). Não para catálogos. Catálogos de produtos só são suportados via integração com a Shopify, e só a estrutura padrão de dados — se você usa apps que modificam os dados de produto, não funciona.

Crisp: aceita CSV e o divide por produto para busca semântica. É o que melhor lida com isso desta lista, mas continua sendo RAG sobre texto — não faz filtragem SQL real.

Nenhuma dessas plataformas consegue executar uma consulta do tipo "produtos onde preço ≤ 400 AND categoria = corrida AND numeração inclui 41" sobre os seus dados. Todas tratam seu catálogo como texto.

A solução: combinar RAG com consultas reais

O problema não é que o RAG seja ruim. É que ele não basta para dados estruturados. O que se precisa é um sistema híbrido: RAG para conteúdo textual (políticas, FAQs, descrições) e consultas a banco de dados para catálogos com atributos filtráveis.

Quase nenhuma plataforma oferece isso de forma nativa. A maioria diz "monte sua própria API" ou "converta o CSV em PDF". Na Bravos AI fazemos diferente:

• Você envia um CSV — sem converter em PDF nem montar uma API
• A IA extrai os filtros automaticamente da pergunta do cliente: "apartamentos em São Paulo por menos de R$ 800.000 com 3 quartos" → Cidade = São Paulo, Preço ≤ 800.000, Quartos ≥ 3
• Executa consultas reais sobre os seus dados — filtragem exata, não aproximada
• Suporta exclusões — "sem garagem", "que não seja cobertura"
• Se não há resultados, ele diz — não inventa nem oferece "algo parecido"
• O RAG continua funcionando para o que ele é bom — políticas, FAQs, descrições de serviços — mas seu catálogo é filtrado com consultas reais

A diferença é que a filtragem é exata. Se um apartamento custa R$ 800.001, não aparece. Se tem 2 quartos, não aparece. Não existe "approximate, not guaranteed".

Conclusão

Os chatbots com IA avançaram enormemente, mas a maioria continua usando uma tecnologia (RAG) que não foi projetada para dados tabulares. Para FAQs e documentação, funcionam maravilhosamente. Para um chatbot com catálogo de produtos que precisa filtrar por atributos, não.

Se o seu negócio depende de um catálogo — seja de produtos, imóveis, cursos ou serviços — garanta que a plataforma escolhida faça filtragem real sobre dados estruturados. Não "aproximada". Não "converta seu CSV em PDF". Filtragem exata, automática, sem precisar programar.

Na Bravos AI você pode enviar um CSV com o seu catálogo — ou conectar diretamente sua loja Shopify, WooCommerce ou PrestaShop com integração nativa — e o chatbot filtra automaticamente por qualquer atributo: preço, localização, categoria, o que for. Sem código e sem configuração manual. Teste grátis por 7 dias e veja se os filtros respondem bem sobre o seu catálogo real.