Consultora de beleza virtual integrada ao catálogo: como sair da recomendação genérica

Muita marca já testou algum tipo de assistente de beleza e saiu frustrada: o cliente pergunta "qual base combina comigo?" e recebe uma resposta de revista — "procure um tom que se aproxime do seu subtom". Uma consultora de beleza virtual integrada ao catálogo resolve exatamente esse ponto: em vez de conselho genérico, ela responde com o nome do produto, a cor, o SKU e o link de compra da própria marca. A diferença entre as duas experiências não é de tom de voz, é de arquitetura de dados.

Por que a maioria das consultoras virtuais não converte

Três problemas aparecem quase sempre.

O primeiro é a falta de entrada objetiva. Se a conversa começa com "qual é o seu tipo de pele?", a marca está transferindo para o cliente uma pergunta que ele frequentemente não sabe responder — e a recomendação herda esse erro.

O segundo é a falta de universo de resposta. Um modelo de linguagem solto conhece o mundo inteiro, menos o seu estoque. Ele pode sugerir uma cor que a marca descontinuou, inventar um nome de produto ou recomendar algo de um concorrente. Para varejo, isso é pior do que não responder.

O terceiro é a ausência de canal. Uma consultora que só existe num chat escondido no rodapé do site não encontra o cliente onde ele decide. A conversa de beleza acontece no WhatsApp, na página de produto, no pós-compra.

O que muda em uma consultora de beleza virtual integrada ao catálogo

A entrada vira dado, não palpite

Em vez de um questionário, o ponto de partida pode ser uma selfie. A análise de pele e cabelo por selfie do MaIA Scan devolve um perfil de beleza estruturado em JSON — tom e subtom de pele, tipo e condição aparente da pele, atributos de cabelo — com um nível de confiança campo a campo. O modelo foi treinado com pele brasileira, o que importa bastante quando a maior parte da sua base não está representada nos tons médios e profundos de catálogos internacionais.

Vale ser preciso sobre o que isso é: a análise descreve atributos visíveis de uma foto. Não é diagnóstico, não substitui dermatologista e não deve ser comunicada como avaliação clínica.

O campo de confiança é o que permite construir uma conversa honesta. Quando a confiança do subtom está baixa, a consultora pergunta em vez de afirmar. Quando está alta, ela já recomenda.

O catálogo vira o universo de resposta

Aqui está o núcleo do assunto. O MaIA Beauty Advisor é uma consultora de IA integrada ao catálogo da marca: ela lê o perfil de beleza e recomenda os produtos da própria marca, não sugestões abstratas. Isso exige um catálogo mapeado — cada SKU com os atributos que tornam uma recomendação defensável: tom, subtom, cobertura, acabamento, finalidade, faixa de preço, disponibilidade.

É um trabalho de curadoria, e é por isso que o Beauty Advisor é entregue como projeto junto com o time da B4A, e não como uma API self-service. A regra de negócio — qual base recomendar para um subtom neutro de pele seca quando o tom exato está fora de estoque — é uma decisão da marca, não do modelo.

O canal vira contexto

A mesma consultora se comporta de formas diferentes em cada lugar. No WhatsApp, ela conduz uma conversa curta e termina com um link de checkout. Na página de produto, ela responde a uma pergunta específica: "esse tom serve para mim?". No CRM, ela vira segmentação — campanhas por tipo de pele e subtom em vez de campanhas por faixa etária.

Como a prova virtual fecha o ciclo

Recomendar é metade do caminho; a outra metade é deixar a cliente ver. Depois que a consultora aponta dois ou três tons, a prova virtual de maquiagem do MaIA Try-On permite testar antes de comprar.

São duas formas, e elas servem a cenários diferentes. A API trabalha por foto: a cliente envia uma imagem, o produto — batom ou base — é renderizado sobre ela com paletas calibradas nos produtos reais da marca, e a imagem volta pronta. É o formato que funciona bem dentro de uma conversa de WhatsApp ou de um fluxo de CRM, porque não depende de câmera aberta nem de app.

O SDK de navegador, em early access desde setembro de 2026, cobre treze produtos — batom, base, blush, pó facial, corretivo de olheiras, sombra, máscara de cílios, maquiagem de sobrancelha, delineador, bronzer, contorno, iluminador e lápis labial — mais um Full Look combinado, em modo ao vivo pela câmera (renderizado localmente no navegador, sem upload) ou modo foto, com qualquer cor #RRGGBB e hospedagem pela própria marca. Esses treze produtos e o Full Look são exclusivos do SDK; a API renderiza batom e base por foto.

O que preparar antes de integrar

Catálogo limpo. Se os atributos de tom e acabamento não existem de forma estruturada, nenhuma recomendação será boa. Esse costuma ser o item mais demorado.

Regras de negócio escritas. O que fazer com ruptura de estoque, com produtos em lançamento, com clientes recorrentes.

Consentimento e tratamento de imagem. Defina se a foto é armazenada, por quanto tempo e para quê — e explique isso ao cliente em linguagem simples.

Métricas definidas antes. Taxa de interação com a consultora, taxa de clique na recomendação, conversão do segmento que usou versus o que não usou, e devolução por cor errada. Resultados variam conforme catálogo, tráfego e canal de cada marca; medir com grupo de controle é o único jeito de saber o seu número.

Comece pela peça que você consegue testar sozinho

O caminho mais rápido é inverter a ordem: antes de desenhar a conversa completa, valide a entrada. Crie uma conta, pegue uma chave na documentação da API e rode algumas centenas de selfies da sua própria base para ver como o perfil de beleza se comporta no seu público. Com esse dado em mãos, a conversa sobre a consultora deixa de ser hipotética.

Quer montar uma consultora de beleza virtual conectada ao seu catálogo? Crie sua conta e sua chave de API para testar a análise por selfie, ou fale com o time da B4A para desenhar o projeto do Beauty Advisor.