A diferença técnica entre ler um arquivo congelado e consultar um banco de dados em tempo real — e por que isso define quem será recomendado.
Muita empresa acredita que resolveu o problema da visibilidade em IA quando publica um arquivo llms.txt ou um PDF com o catálogo de produtos. A lógica parece fazer sentido: "se a IA ler isso, ela vai saber o que eu vendo".
Mas RAG (Retrieval-Augmented Generation) estático — a técnica de recuperar informação de arquivos congelados — tem uma limitação intrínseca: ela só sabe o que estava escrito no momento em que o arquivo foi gerado.
Se o preço mudou, se o produto esgotou ou se um novo serviço foi lançado, o arquivo continua lá, propagando informação errada com aparência de certeza.
O fluxo do RAG estático é conhecido:
O problema não está na técnica, mas na natureza do dado. Um catálogo de e-commerce pode ter milhares de SKUs, preços que mudam diariamente e estoque que varia por hora. Nenhum PDF ou llms.txt consegue capturar isso em tempo real.
O resultado é o que chamamos de alucinação por defasagem: a IA não inventa do nada, mas usa um dado velho como se fosse atual.
O Model Context Protocol (MCP) inverte a lógica. Em vez de a IA "ler um arquivo", ela consulta um endpoint que responde com dados atualizados naquele instante.
É a diferença entre:
Com MCP, a IA não precisa adivinhar. Ela chama a ferramenta buscar_produtos, recebe a lista com preço e estoque reais, e monta a resposta com precisão.
| Dimensão | RAG Estático (llms.txt / PDF) | Dados Vivos (MCP Server) |
|---|---|---|
| Atualização | Manual (precisa regerar o arquivo) | Tempo real (consulta a fonte) |
| Precisão de preço | Baixa (pode estar defasado) | Alta (preço oficial no momento) |
| Filtros | Limitados (busca por similaridade) | Avançados (preço, categoria, estoque) |
| Estoque | Não confiável | Verificado em tempo real |
| Alucinação | Média (dado velho vira "verdade") | Baixa (fonte oficial responde) |
| Manutenção | Alta (regerar embeddings) | Baixa (endpoint atualiza sozinho) |
RAG estático não é inútil. Ele é excelente para conteúdo institucional: quem é a empresa, qual o escopo de um serviço, quais são as políticas de troca. Esse tipo de informação muda pouco e se beneficia de um índice curado.
MCP é indispensável para dados transacionais: preço, estoque, disponibilidade, planos, condições comerciais.
O modelo mais robusto é o híbrido:
llms.txt → contexto e identidadeai-catalog.json → inventário estruturado (estático)MCP Server → consulta em tempo real (vivo)É exatamente isso que a Scrypta entrega: os três arquivos + o endpoint, para que a IA tenha tanto o mapa quanto o balcão.
Veja como a IA resolve uma pergunta que o RAG estático falharia:
Pergunta do usuário:
"Quais fones de ouvido até R$ 300 estão em estoque?"
Fluxo com MCP:
1. IA chama a ferramenta "buscar_produtos" com filtro de preço
2. O MCP Server consulta o ERP/banco de dados
3. Retorna lista com nome, preço, estoque e URL
4. IA monta a resposta com dados reais
Resposta:
"Encontrei 2 opções em estoque:
• Fone Bluetooth X — R$ 249,00
• Fone Gamer Y — R$ 289,00"Sem MCP, a mesma pergunta provavelmente geraria: "Não tenho informações sobre estoque atual" ou uma lista genérica com preços desatualizados.
A visibilidade em IA não termina em ter um site bonito ou um llms.txt. Termina quando a IA consegue consultar a verdade sobre o seu negócio no momento em que o cliente pergunta.
Se você quer entender a arquitetura completa de implementação, leia nosso Guia de Implementação de Servidor MCP.
Se quer a visão estratégica de por que isso muda a jornada de compra, leia o Guia Definitivo de GEO e MCP.
E se o seu foco é comércio agêntico — quando a IA não só consulta, mas compra — o Hub de Agentic Commerce mostra o próximo passo.