2

Estou desenvolvendo uma ferramenta de comparação de preços com IA e gostaria de receber feedback da comunidade

Olá, pessoal!

Sou analista de sistemas e estou desenvolvendo um projeto chamado Compara Preço IA.

A ideia surgiu de uma situação bastante comum: quando queremos comprar algum produto, precisamos pesquisar em diferentes lojas, comparar preços, analisar vendedores, frete e especificações para tentar descobrir qual realmente oferece o melhor custo-benefício.

Resolvi explorar como a inteligência artificial poderia ajudar a tornar esse processo mais simples e inteligente.

Assim nasceu o Compara Preço IA:

🔗 https://comparaprecoia.com.br/

A proposta é utilizar IA para auxiliar na pesquisa de produtos, comparação de ofertas e análise das opções encontradas.

Gostaria de convidar a comunidade para experimentar a ferramenta.

Principalmente quem trabalha com:

  • Desenvolvimento web;
  • Inteligência artificial e LLMs;
  • Engenharia de software;
  • UX/UI;
  • Automação e integração de APIs.

Tenho algumas perguntas e gostaria muito da opinião de vocês:

  1. A proposta da ferramenta resolve um problema real?
  2. A experiência de utilização é intuitiva?
  3. A utilização de IA nesse processo realmente agrega valor?
  4. Quais funcionalidades vocês sentem falta?
  5. Que melhorias técnicas ou arquiteturais vocês sugeririam?

Não estou buscando apenas elogios. Quero identificar pontos fracos, possíveis falhas e oportunidades de evolução.

É um projeto independente que estou desenvolvendo e acredito que o feedback de outros profissionais de tecnologia pode contribuir bastante para seu amadurecimento.

Quem puder testar e deixar uma opinião sincera será muito bem-vindo!

Obrigado pela atenção! 🚀

Carregando publicação patrocinada...
1

Da forma como foi concebido te coloca em um oceano vermelho (Google Shopping, Buscapé, ...).
Libera um MCP apontando pra tua API e foca nas dúvidas dos usuários.

A proposta da ferramenta resolve um problema real?

Desculpe a franqueza, mas você deveria saber a resposta antes de comprar o domínio. Mas ok, vai tentando. Uma hora tu acerta e faz algo que gera um $capilé.
Sucesso aí.

1

A analogia com Google Shopping e Buscapé é natural à primeira vista, mas a dor que atacamos é justamente a falha deles: ambos são balcões de mídia paga (quem paga mais pelo clique aparece primeiro), e não ferramentas de auditoria de compra.

Quem compra online hoje sofre com:
Anúncios enganosos (buscar um console e vir anúncio de capa/acessório com preço baixo);
Preço de vitrine que não reflete o checkout (ignoram frete real, desconto Pix e cupons oficiais da loja);
Lojas e vendedores de marketplace com reputação zero ou anúncios suspeitos.
O Compara preço IA foi desenhado para auditar a oferta — inclusive colando o link direto do marketplace para validar se o vendedor é confiável e se aquele preço é real ou falso desconto.

E sobre o MCP, você tocou num ponto muito bom. Abrir nossa API para agentes de IA consumirem dados de preço estruturados e auditados faz todo o sentido e vou deixar no nosso radar.

Obrigado pelo feedback!

1
1

Uma sugestao tecnica: para comparar preco entre lojas, nao deixe a IA ser a fonte do preco. Colete os dados de forma estruturada (JSON-LD de schema.org Product/Offer, que muitas lojas ja expoem, ou API oficial dos marketplaces) e guarde num banco com historico: produto, loja, preco, frete, data. Assim voce calcula o menor preco real, detecta falso desconto e so usa o LLM para normalizar titulos e casar o mesmo produto entre lojas (EAN/GTIN ajuda muito). Cache de poucas horas e respeito ao robots.txt evitam bloqueio. Outra funcao util seria alerta de queda de preco por produto.

1

Muito obrigado pelo comentário! Você tocou exatamente no coração técnico do projeto.

A nossa arquitetura foi desenhada desde o dia zero seguindo exatamente essa premissa: a IA não é — e nunca foi — a fonte de preços. Os valores, fretes, cupons oficiais e condições de Pix vêm 100% de APIs estruturadas e dados reais dos marketplaces.

Usamos o LLM estritamente onde ele brilha: normalização de títulos, extração de atributos (marca, modelo, versão, capacidade, GTIN) e validação de compatibilidade (para garantir que um acessório, refil ou versão digital não concorra com o produto principal). A partir daí, o cálculo de pontuação, melhor custo-benefício e detecção de ofertas suspeitas é 100% determinístico e matemático, com histórico persistido em banco de dados.
E a sua sugestão sobre o alerta de queda de preço é muito boa! Já temos a base histórica rodando e essa funcionalidade está no nosso radar para as próximas versões.
Obrigado!