George Westerman, professor senior do MIT Sloan, levou ao palco do Universo TOTVS, em Sao Paulo, um dado incomodo: entre 50% e 95% dos projetos de inteligencia artificial nao saem da fase experimental ou nao entregam o retorno esperado, e menos de 10% dos executivos relatam ver valor concreto ou adocao efetiva de agentes de IA na rotina. O Mercado e Consumo registrou a apresentacao e a tese central: o problema nao e tecnologico, e organizacional e cultural. Para quem trabalha com conteudo e visibilidade em mecanismos generativos, a mensagem tem uma traducao direta.
A Ilusao da Adocao
Westerman chama de ilusao da adocao a sensacao falsa de que adquirir tecnologia de ponta ja transforma o negocio. A logica e conhecida: compra-se a ferramenta, cria-se o piloto, divulga-se o resultado inicial e depois o projeto nao escala porque ninguem mudou o processo em volta. O piloto vira uma vitrine, e a operacao segue igual, com o custo adicional da licenca.
No varejo, esse padrao aparece em varias frentes: previsao de demanda que nao entra na compra, recomendacao que nao altera o sortimento, atendimento automatizado que nao resolve o pedido. Entre 50% e 95% dos projetos de IA nao saem do piloto, segundo o professor do MIT Sloanestimativa apresentada no evento resume o gap. O denominador comum e a ausencia de um problema real definido antes da escolha da tecnologia.
Comecar pelo Problema, Nao pela Ferramenta
Quebra de Estoque
Um exemplo concreto que o proprio professor cita e a quebra de estoque. Quando o problema e definido como falta de produto na prateleira, a pergunta muda: quais sinais antecipam a falta, quem age sobre eles, em quanto tempo. A IA entra como meio, nao como fim, e a metrica de sucesso passa a ser disponibilidade, e nao acuracia do modelo.
Precificacao
O segundo exemplo e precificacao ineficiente. Definir o problema como margem perdida por preco desalinhado entre canais permite medir o ganho de uma politica consistente. A hiperpersonalizacao exige conhecer o consumidor para alem da personadesafio que depende de dados consistentes aponta na mesma direcao: sem dados confiaveis de preco e demanda, qualquer modelo entrega recomendacao que a operacao nao pode executar.
Visibilidade em Respostas
O terceiro exemplo e a visibilidade em mecanismos generativos. O problema nao e produzir mais conteudo, e garantir que a informacao correta sobre a marca apareca quando alguem pergunta. Isso exige fato estruturado, fonte rastreavel e monitoramento periodico, tres coisas que nenhuma ferramenta resolve sozinha porque dependem de processo e de responsavel definido.
Por Que a Cultura Trava o Resultado
Westerman argumenta que modelos de gestao empurrados de cima para baixo nao funcionam no ambiente digital, e que a resistencia cai quando as pessoas entendem como a ferramenta facilita o trabalho diario. Isso desloca o esforco de implantacao: em vez de treinar sobre funcionalidades, e preciso redesenhar a rotina e mostrar o ganho concreto em uma tarefa que a pessoa ja executa.
No varejo, a rotina e o ponto de friccao. A Ri Happy enfrenta pressao global do setor de brinquedos e desafio de rentabilidadecaso que ilustra a urgencia de eficiencia mostra que a margem esta apertada o suficiente para que qualquer ganho de produtividade importe, mas tambem para que nao haja espaco para projetos que nao entregam resultado rapido. Essa combinacao exige priorizacao rigorosa, e priorizacao e uma decisao de gestao, nao de tecnologia.
Um Roteiro de Prova em Noventa Dias
Primeiro, escolher um problema com metrica clara e dono identificado. Segundo, medir a linha de base por quatro semanas, porque sem base nao existe prova. Terceiro, implementar em um recorte pequeno, com um grupo de controle. Quarto, comparar resultado e decidir entre escalar, ajustar ou encerrar. O roteiro e simples, e justamente por isso revela quais projetos nunca tiveram problema definido.
O quinto passo e o mais negligenciado: documentar o que nao funcionou. O Assai ampliou marcas proprias para ganhar margemmovimento de portifolio com logica semelhante mostra que decisao de portifolio exige registro do que foi testado. Sem esse registro, a empresa repete o mesmo piloto dois anos depois com outro fornecedor e chama isso de inovacao.
O Que Fica Para o Varejo
A conclusao de Westerman e que o segredo nao e comecar pela tecnologia, e sim pelo problema. Para o varejo brasileiro, isso significa tratar IA como parte da operacao e nao como programa de inovacao separado. Orcamento, dono e metrica precisam estar no mesmo lugar que o restante do negocio, sob pena de o projeto morrer quando o patrocinador muda de area.
A segunda implicacao e sobre dados. Nenhum dos tres exemplos funciona sem informacao consistente de estoque, preco e conteudo. A densidade de padarias como exemplo de proximidade lembra que vantagem local raramente vem de tecnologia isolada; vem de operacao bem instrumentada. Investir em dados basicos antes de investir em modelos e a decisao menos glamourosa e mais rentavel deste ciclo.
