ChatGPT permite pedir comida e fechar compra dentro da conversa: veja o caminho oficial para o restaurante aparecer ali
A OpenAI documenta, no Apps SDK, como um negócio conecta seu sistema ao ChatGPT para oferecer reserva de mesa e checkout de pedido dentro da própria conversa. O processo existe, mas pede equipe técnica e passa por revisão.
Rafael AntunesColunista· 5 min de leitura
Este artigo foi escrito por Rafael Antunes. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
O chat virou um lugar onde se compra, não só onde se pergunta
A OpenAI mantém uma documentação pública, o Apps SDK, que explica como qualquer empresa pode construir um aplicativo que roda dentro do ChatGPT. Não é um app separado para baixar: é um serviço que o próprio ChatGPT aciona no meio da conversa, quando o cliente pede algo que aquele negócio resolve.
Dentro dessa documentação aparecem três formatos prontos, chamados de conversion specs (especificações de conversão): um para reserva de restaurante, um para checkout de produto e um para cotação de preço. São eles que tornam possível, em tese, pedir comida ou reservar mesa sem trocar de aplicativo no meio do caminho.
O ponto central para quem toca um restaurante, um bar ou um delivery é entender que isso não é um botão que a OpenAI liga para todo mundo. É uma integração técnica, construída pelo próprio negócio ou por uma plataforma que o atende, seguindo um protocolo chamado MCP (Model Context Protocol, o padrão que o ChatGPT usa para conversar com sistemas externos).
Como funciona por baixo: um servidor conversando com o ChatGPT
Todo aplicativo dentro do ChatGPT nasce de um servidor MCP. Esse servidor é o ponto que recebe a pergunta do cliente (traduzida pelo modelo em uma chamada de função) e devolve uma resposta estruturada, como o cardápio disponível, o valor da taxa de entrega ou a confirmação de uma reserva.
A documentação descreve o processo em quatro etapas, nesta ordem:
- Planejar: listar os casos de uso que fazem sentido para o negócio e definir quais ferramentas (
tools) o servidor vai expor para o modelo chamar. - Construir: montar o servidor MCP, adicionar interface visual quando necessário (os
widgets), configurar eventos e autenticar o usuário. A documentação lista esse passo de autenticação em separado, sem detalhar explicitamente qual método costuma ser usado. - Empacotar: organizar o plugin para publicação, preparando-o para que o ChatGPT entenda quando acionar aquele app em vez de outro.
- Testar e publicar: conectar o plugin em modo de teste, submeter para revisão e aguardar aprovação segundo as diretrizes de plugin e os requisitos de revisão de servidor MCP.
Só depois de passar por essa revisão o app fica disponível para qualquer usuário do ChatGPT acionar durante uma conversa comum.
As duas especificações que interessam a quem vende comida
Das três specs de conversão citadas na documentação, duas são as mais relevantes para restaurante e delivery:
| Especificação | Para que serve |
|---|---|
| Reserva de restaurante | Padroniza como um app oferece reserva de mesa dentro da conversa |
| Checkout de produto | Padroniza como um app fecha uma compra, incluindo um pedido de comida, dentro da conversa |
| Cotação | Padroniza como um app devolve um valor sob consulta, antes da compra, dentro da conversa |
A documentação consultada traz os títulos dessas três especificações como itens de navegação, mas não descreve em texto corrido como cada tela se comporta nem o que exatamente aparece ao usuário em cada caso; por isso a tabela se limita ao propósito de cada spec, sem detalhar a interface.
Na prática, um restaurante que quer aparecer quando alguém pede "reserva uma mesa para duas pessoas às 20h" implementa a spec de reserva. Já um delivery que quer fechar o pedido de uma marmita ou de uma pizza direto na conversa implementa a spec de checkout.
A documentação também lista, como exemplo de plugins já instalados em contas do ChatGPT, nomes como controle de computador, controle do navegador Chrome, planilhas, apresentações e integração com GitHub. Nenhum deles é de comida, mas todos rodam sobre a mesma base técnica: a prova de que o mecanismo já funciona para outros setores é o que sustenta a promessa de que funcione para restaurante também.
Quanto custa e quem precisa ter na equipe
A documentação do Apps SDK não lista nenhuma taxa cobrada pela OpenAI para construir ou submeter um plugin. O que ela deixa claro é o custo invisível: alguém precisa manter um servidor MCP no ar, cuidar da autenticação do usuário, responder às exigências de segurança e privacidade da revisão e acompanhar quando a OpenAI muda as regras de submissão.
Isso significa que, hoje, esse caminho serve bem a:
- Redes de restaurante ou delivery com time de desenvolvimento próprio, capaz de manter o servidor e acompanhar atualizações da especificação.
- Plataformas de reserva ou de pedido que já atendem vários restaurantes e podem construir a integração uma vez só, para todos os clientes delas.
E serve mal, por enquanto, a:
- Um restaurante de bairro ou um delivery de uma pessoa só, sem ninguém que saiba o que é um servidor MCP nem tempo para passar pelo processo de revisão.
Para esse segundo grupo, o caminho mais realista não é construir o próprio plugin, e sim esperar (ou cobrar) que o sistema de pedidos ou de reserva que já usa no dia a dia implemente a spec por conta própria e repasse o benefício para todos os restaurantes cadastrados nele.
O que muda e o que ainda fica em aberto
O que essa arquitetura substitui é o passo de abrir um aplicativo separado, ou procurar o cardápio no site, só para fechar um pedido que começou numa pergunta no ChatGPT. O que ela não resolve sozinha é a aprovação: a documentação deixa claro que existe uma fila de revisão, com diretrizes de segurança e privacidade, e que nem todo plugin submetido é aprovado de primeira.
A documentação consultada também não traz nenhum nome de parceiro de delivery ou de reserva já integrado, nem data de quando a spec de checkout ou a de reserva de restaurante entrou em vigor, nem disponibilidade específica para o Brasil. São perguntas em aberto que só a própria OpenAI, ou um case publicado por uma rede que já tenha passado pelo processo, vai responder.
Para quem administra um restaurante, bar ou serviço de delivery, o movimento prático agora é outro: perguntar ao sistema de pedidos ou de reserva que a casa já usa se existe plano de implementar essas especificações, em vez de tentar construir a integração do zero.
Escreve para o salão, a barbearia, o restaurante, o bar e o delivery. O post que enche a agenda, o cardápio que vende, a avaliação respondida sem briga. Toda dica vem com o que custa, o que é grátis e para que tamanho de negócio vale.
