Como achar os erros da sua loja antes da Black Friday.

O caso

Mais de 500 problemas, e o exemplo dela foi uma saia.

Quem contou foi Laura Cantor, VP de marketing e e-commerce da New York & Company, num vídeo publicado pela @dtcnewsletter em 14 de outubro de 2026 e patrocinado pela Zenyt, a ferramenta usada no teste.

O exemplo dela foi uma saia: a descrição dizia que tinha bolso, e a foto não mostrava bolso nenhum. No case publicado no site da Zenyt, a versão é a inversa: o cadastro dizia "sem bolso", e a foto mostrava a mão da modelo no bolso. Nos dois casos, a página dizia uma coisa e mostrava outra.

Parte dos erros veio de texto e imagem gerados por IA. E, pelo case, eles apareceram logo depois de a loja trocar a vitrine, da Hydrogen para um tema Liquid, as duas da Shopify. Estas são quatro falas dela no vídeo.

• "So much of what we produce on the back end is through AI: text, images, translations, but we don't have the ability to use AI to check and QA that data."

  Muito do que a gente produz por trás da loja sai de IA: texto, imagem, tradução. Mas a gente não tinha como usar IA para conferir esse material.

• "So we piloted this platform, an agentic AI, that shops your site and it quantifies the value of what those problems are."

  Então testamos essa plataforma, um agente de IA que navega no seu site como cliente e mede quanto valem esses problemas.

• "Those copy mistakes and photo mismatching and metafields being wrong affected people making purchase decisions."

  Os erros de texto, as fotos que não batiam e os campos do cadastro do produto errados afetavam quem estava decidindo a compra.

• "When they see a skirt that says pockets and then there's no pockets in the photo, you know some of the AI does create this issue. It doesn't show exactly what the description shows. Those were very confusing to a customer."

  Quando a cliente vê uma saia que diz ter bolso e a foto não tem bolso, parte disso a própria IA cria. A foto não mostra o que a descrição diz, e isso confundia a cliente.