Autoresearch: IA gera taxonomia de serviços em marketplace com 132 ocupações

O que aconteceu

O artigo "Autoresearch for Marketplace Catalogs: From Legacy Forms to AI-Native Matching" foi submetido ao arXiv em 31 de agosto de 2026, com primeira exibição em 2 de setembro (arXiv:2609.00274v1). A pesquisa, classificada na área de Inteligência Artificial, detalha um loop de pesquisa automática que substitui a coleta determinística de pedidos por um processo de matching probabilístico guiado por modelos de linguagem de grande porte (LLMs).

O autoresearch foi implantado em produção em um grande marketplace de serviços ao consumidor nos EUA desde abril de 2026, cobrindo 132 ocupações. Em vez de uma hierarquia global única, o sistema trata cada ocupação como um problema independente e executa ciclos iterativos de propor-avaliar-manter (propose-evaluate-keep). Cada conjunto de tags candidatas é pontuado por uma estrutura de LLM-como-juiz com seis rubricas recalibradas, e um painel de sete críticos com personas distintas contribui com penalidades ponderadas a uma pontuação ajustada, sem vetos rígidos.

Contexto

Marketplaces de serviços de dois lados historicamente dependiam de formulários fixos para capturar as necessidades dos clientes. Esses formulários, com campos pré-definidos, limitavam a expressão do usuário e exigiam manutenção constante. Com o avanço dos LLMs, as plataformas passaram a inferir intenções, preferências e restrições latentes a partir da linguagem natural.

Essa mudança força a regeneração da taxonomia de preferências do lado do provedor, que sustenta matching, busca e precificação. O desafio é gerar atributos que sejam interpretáveis para os prestadores de serviço e, ao mesmo tempo, úteis como sinal para decisões de mercado. O artigo propõe um loop de autoresearch que gera essa taxonomia ocupação por ocupação, em vez de criar uma estrutura hierárquica global.

Por que importa

O sistema representa uma mudança concreta na forma como marketplaces podem lidar com catálogos de serviços. Ao eliminar formulários rígidos, a plataforma passa a aceitar pedidos em linguagem natural, o que reduz atrito para o usuário e aumenta a capacidade de capturar necessidades complexas. Para os provedores, a taxonomia gerada automaticamente oferece atributos claros, facilitando a interpretação e a precificação.

A abordagem também ataca um problema prático: a migração de dados legados. A etapa de mapeamento de paridade (parity-mapping) converte pares de perguntas e respostas de formulários antigos para a nova taxonomia, inferindo o atributo do provedor que cada pergunta pretendia medir, em vez de traduzir literalmente as perguntas em tags. Isso gera um sinal de cobertura e uma interface para garantia de qualidade humana.

Impacto

O impacto imediato é a redução da dependência de formulários estáticos e a melhoria da qualidade do matching. Em 132 ocupações, o sistema já opera em produção, o que sugere que a metodologia é escalável. A ausência de vetos rígidos no painel de críticos permite que decisões sejam tomadas de forma ponderada, evitando impasses.

Outro efeito é a possibilidade de adaptação contínua. Como cada ocupação é tratada independentemente, ajustes podem ser feitos sem afetar o restante do catálogo. A inferência de atributos a partir de perguntas legadas também reduz o custo de migração e mantém a continuidade dos dados históricos.

O que vem agora

O artigo não especifica planos de expansão, mas o modelo de uma ocupação por vez sugere que novas ocupações podem ser incorporadas progressivamente. A validação em um marketplace dos EUA é um passo, mas a replicação em outras plataformas e setores ainda não foi detalhada.

Pesquisas futuras podem explorar o refinamento das seis rubricas, o papel dos sete críticos e a integração com sistemas de precificação dinâmica. O código e os dados associados ao artigo estão disponíveis por meio de ferramentas como alphaXiv e Hugging Face, o que pode acelerar testes independentes.

O autoresearch, portanto, não é apenas um experimento acadêmico: ele já opera em um ambiente real, mostrando que a transição de formulários legados para matching por IA é viável e mensurável.