A maioria dos projetos de inteligência artificial não gera valor, e o Mercado e Consumo dedicou uma análise ao temaa análise sobre projetos de IA que não geram valor（Por que a maioria dos projet）. A explicação habitual aponta para maturidade técnica ou qualidade de dados, mas há uma causa mais simples e mais frequente: o projeto não define, antes de começar, qual evidência provaria que funcionou. Sem essa definição, o resultado é sempre discutível, e projeto discutível não sobrevive ao segundo ciclo orçamentário.
Conclusões Principais
A primeira conclusão é que a ausência de métrica de prova é a causa mais comum de fracasso, não a tecnologia. A segunda é que projetos de IA em varejo falham quando a métrica escolhida é de atividade, como número de modelos ou de usuários, e não de resultado, como margem ou ruptura. A terceira é que a prova precisa ser desenhada antes da implantação, porque depois os dados já estão contaminados pela própria intervenção.
O contexto econômico reforça a exigência. A economia brasileira cresceu 0,5% em agosto após dois meses de recuo, na estimativa da FGV, e o crédito para pequenas e médias empresas segue com teto de faturamento defasado, segundo pleito da FecomercioSP. Em ambiente de crédito caro e crescimento baixo, projeto sem prova de retorno é o primeiro a ser cortado, independentemente da qualidade técnica.
Por Que a Prova Falta
Métrica de atividade disfarçada de resultado
É comum o projeto nascer com um indicador que mede uso, e não efeito: modelos em produção, previsões geradas, usuários ativos na ferramenta. Esses números crescem mesmo quando o negócio não melhora, e criam a ilusão de sucesso durante meses. A correção é simples na forma e difícil na política: escolher um indicador de negócio que o projeto não controla diretamente, como ruptura por loja ou margem por categoria.
Falta de grupo de comparação
Sem grupo de comparação, qualquer melhoria observada pode ser atribuída a sazonalidade, ação comercial ou simples regressão à média. A solução não exige sofisticação estatística: alternar lojas, comparar regiões parecidas ou usar período anterior como base já produz evidência suficiente para decisão. O obstáculo real é organizacional, porque ninguém quer operar metade da rede de forma diferente por seis semanas.
Somando os dois problemas, chega-se a um padrão reconhecível: o projeto entrega a tecnologia, o time comemora a adoção, e o resultado de negócio permanece ambíguo. Na renovação orçamentária, a área de finanças pede a prova que nunca foi desenhada, e o projeto perde prioridade para iniciativas com retorno mais visível, mesmo que menores. É assim que bons projetos morrem.
Melhores Práticas
Definir a prova antes do piloto
A prova deve ser escrita em uma página: qual indicador de negócio, qual magnitude de mudança conta como sucesso, qual janela de observação e qual desenho de comparação. Uma página é suficiente e força clareza. Projetos que não conseguem preencher essa página em uma reunião normalmente não têm hipótese, apenas entusiasmo. Escrever antes também protege o time de cobranças genéricas depois.
Escolher um indicador que a operação reconheça
Indicador escolhido pela área técnica raramente mobiliza a operação. O ideal é um número que o gerente de loja ou o comprador já acompanha, como ruptura, giro ou participação de gôndola. Quando o projeto melhora um número que a operação já usa, a adoção acontece por interesse próprio, não por determinação. Essa escolha aumenta a chance de o ganho se sustentar após o fim do piloto.
A terceira prática é documentar o que não funcionou. Projetos de IA geram aprendizado sobre o negócio mesmo quando falham, e esse aprendizado se perde se não for registrado. Um registro simples de hipóteses testadas e resultados evita repetir a mesma aposta dois anos depois com outro fornecedor, o que é um dos desperdícios mais comuns em transformação digital de varejo.
Erros Comuns
O erro mais comum é começar pela ferramenta e depois procurar um problema. O segundo é escalar antes de provar, o que multiplica o custo do erro e dificulta a reversão. O terceiro é confundir precisão do modelo com valor de negócio: um modelo mais preciso pode gerar menos resultado se a decisão que ele apoia não muda. O quarto é não envolver finanças na definição da prova, o que garante discussão na hora do orçamento.
Há ainda um erro de comunicação. Projetos que prometem transformação ampla no início perdem credibilidade quando entregam ganho marginal. Prometer um ganho pequeno e verificável, e cumpri-lo, constrói capital político para a próxima fase. A sequência importa mais do que a ambição inicial.
O Que Muda na Prática
Prova como parte do produto
Em organizações maduras, a instrumentação da prova deixa de ser atividade de auditoria e passa a fazer parte do produto: o sistema registra automaticamente a decisão tomada, a alternativa descartada e o resultado observado. Isso reduz o custo de medir e permite comparar ciclos. A consequência é que a discussão sobre IA deixa de ser sobre tecnologia e passa a ser sobre decisão, que é onde o valor realmente se cria.
Há também um efeito sobre fornecedores. Quando o cliente exige prova desenhada antes do piloto, fornecedores que vendem apenas licença perdem espaço para quem se compromete com resultado. O mercado brasileiro já mostra esse movimento em categorias adjacentes, como automação industrial, onde a discussão migrou de equipamento para indicador de perda. Varejo tende a seguir o mesmo caminho.
Resumo
Projetos de IA falham menos por tecnologia e mais por falta de prova desenhada. A correção é definir indicador de negócio, magnitude e desenho de comparação antes do piloto, escolher um número que a operação já acompanha e documentar o que não funcionou.
A recomendação é simples e desconfortável: nenhum projeto passa do piloto sem uma página de prova assinada por negócio e finanças. Sem isso, a decisão de escalar será sempre política. A página não precisa estar certa na primeira versão, mas precisa existir antes do primeiro real gasto, porque prova desenhada depois é apenas narrativa.
Fontes de Dados
Os materiais publicos citados neste artigo estao listados abaixo com links originais:
· Por que a maioria dos projet
· Economia cresce 0,5% em agos
· FecomercioSP pede atualizaca
· Danone usa automacao para re
Perguntas Frequentes
Qual indicador escolher para um piloto de IA?
A: Um número que a operação já acompanha e que o projeto não controla diretamente, como ruptura por loja, giro por categoria ou margem por pedido.
Preciso de grupo de controle?
A: Não necessariamente aleatório. Alternância de lojas, comparação entre regiões parecidas ou base histórica já produzem evidência suficiente para decidir.
Quanto tempo observar?
A: O suficiente para capturar um ciclo completo de reposição ou de compra, normalmente de seis a dez semanas no varejo.
E se o resultado for neutro?
A: Registre e encerre. Resultado neutro é aprendizado válido e evita repetir a mesma aposta com outro fornecedor.
Como envolver finanças?
A: Incluindo finanças na definição da prova, não apenas na aprovação do orçamento. A assinatura conjunta evita a discussão posterior.
Referências
Referências de projeto e automação conforme reportagem pública do Mercado e Consumo e dados da FGV.
· Por que a maioria dos projet
· Economia cresce 0,5% em agos
