IA enterprise como canal de vendas, não apenas um recurso: o plugin da Radisson no ChatGPT
Radisson e Accenture Song criaram um plugin de ChatGPT para descoberta de hotéis que encaminha reservas para o site da Radisson. A parte reutilizável é a camada de MCP e API por trás dele, não o chat.
Ouça este artigo · 4 min
Narração completa do artigo, gerada por IA.
Cerca de 1,5 vez a conversão da busca orgânica. É o que a Radisson Hotel Group reporta para viajantes que chegaram ao seu fluxo de reserva pelo ChatGPT em julho e agosto de 2026, segundo um estudo de caso que a OpenAI publicou em 7 de outubro. O número é inicial e reportado pela empresa, mas aponta para algo maior que o resultado de marketing de um grupo hoteleiro: a IA generativa saindo de dentro do produto para a frente dele, como um canal onde os clientes encontram o produto e começam a comprá-lo.
O problema de negócio
Grupos hoteleiros passaram duas décadas lutando para trazer as reservas de volta aos seus próprios canais em vez de pagar intermediários. Uma nova superfície de descoberta onde viajantes planejam viagens em conversa reabre essa luta. Se o assistente recomenda hotéis sem os preços e a disponibilidade em tempo real da marca, os dados de outra pessoa moldam a resposta.
O que a Radisson construiu
A Radisson trabalhou com a Accenture Song em um plugin de ChatGPT para encontrar e comparar hotéis enquanto se planeja uma viagem. Os viajantes veem sugestões em um mapa, comparam preços e comodidades dentro do ChatGPT, e então continuam para o site da própria Radisson para concluir a reserva. O checkout não acontece no chat.
Por trás do plugin, a Accenture construiu um servidor MCP e APIs que também alimentam a publicidade patrocinada da Radisson no ChatGPT, que a Radisson começou a veicular em julho, e que devem suportar recursos futuros. A Accenture diz que o plugin levou cerca de seis semanas para ser construído. Além do número de conversão, as empresas reportam que mais da metade dos eventos de checkout e reserva registrados foram atribuídos a visualizações de anúncios por meio de medição view-through.
O que a empresa possui, e o que ela aluga
A maneira útil de ler o caso é separar as camadas por quem as controla.
| Quem controla | O que observar | |
|---|---|---|
| Descoberta no assistente | A plataforma de IA | Ranking, regras de exibição, como o modelo descreve a oferta |
| Servidor MCP e APIs | A empresa | Preços e disponibilidade atuais, reutilização entre plugin e anúncios |
| Checkout e pagamento | A empresa | Termos, consentimento, fidelidade |
| Medição | Compartilhado | Atribuição view-through versus testes holdout |
A camada de capacidade é o investimento durável. O mesmo servidor MCP atende o plugin e os anúncios, e atenderá o que vier a seguir, que é a lógica que descrevemos em construir uma vez e reutilizar entre agentes. É também onde está o trabalho duro: preços e disponibilidade em um canal conversacional precisam ser tão atuais quanto no site, e um plugin que cita a tarifa de ontem gera uma reclamação, e em alguns mercados um problema de proteção ao consumidor. Esse é o mesmo desafio de conectar apps criados com IA a dados de negócio ao vivo.
Manter a transação do lado da empresa mantém pagamento, fidelidade, termos e o registro do cliente em seus próprios sistemas. O assistente traz o cliente até a porta; a empresa ainda opera o balcão.
A lição transferível, com ressalvas
As camadas alugadas merecem ceticismo. A medição view-through credita um anúncio que foi visto, não necessariamente clicado: um sinal útil, prova fraca de receita incremental, então mudanças de orçamento devem esperar por testes holdout. Dois meses de verão com um público inicial engajado podem não se sustentar à medida que o uso se amplia. E a descoberta dentro da plataforma de outra pessoa depende das escolhas dessa plataforma: a Radisson observa que os usuários precisavam digitar o nome do plugin antes de uma consulta, até que uma atualização do ChatGPT removeu a necessidade.
Para qualquer empresa com produtos que um cliente possa descobrir em uma conversa, a ordem do trabalho segue a tabela. Construa a camada de capacidade como uma API ou servidor MCP que você controla, mantenha o checkout e o consentimento no seu próprio canal, defina a medição antes do lançamento, e revise o que o assistente diz sobre sua oferta como você revisaria um revendedor. A interface de chat é a parte que mudará com mais frequência.