Especialistas apontam que empresas ainda têm dificuldade de converter investimento em inteligência artificial em ganho operacional concreto, mesmo com orçamentos crescentes e projetos em produção. O diagnóstico não é novidade, mas ganha peso em um momento de expansão de infraestrutura. Para o varejo, o alerta é específico: a IA só melhora resultado quando está conectada a uma decisão que alguém toma todos os dias, com dado confiável e consequência mensurável.
O diagnóstico do especialista
A observação central é que a maioria dos projetos mede atividade, não resultado. Especialista aponta que empresas ainda têm dificuldade de converter IA em ganho operacional, o que se traduz em indicadores como número de modelos treinados, usuários ativos ou consultas processadas. Nenhum deles responde à pergunta que importa: qual decisão mudou, com que frequência e com qual efeito sobre custo, receita ou nível de serviço.
O segundo ponto é a distância entre o time que constrói e o time que opera. Quando o modelo é desenvolvido em uma área central e entregue a uma operação que não participou do desenho, a adoção tende a ser parcial: a ferramenta existe, mas o processo ao redor continua igual, e o ganho não aparece. Integração é menos sobre tecnologia e mais sobre redesenho de rotina.
Onde a IA trava na prática
O primeiro gargalo é dado de entrada. Previsão de demanda com histórico incompleto, cadastro de produto inconsistente e estoque com divergência entre sistema e loja produzem recomendações que a operação aprende a ignorar. Uma vez que o gestor deixa de confiar na sugestão, o modelo perde influência mesmo quando melhora, porque a confiança não se reconstrói com uma atualização de versão.
O custo invisível da baixa qualidade de dados
Empresas costumam orçar licença de software e horas de desenvolvimento, e raramente orçam a limpeza de cadastro. No varejo, atributos de produto incompletos afetam busca, recomendação e reposição ao mesmo tempo, o que multiplica o custo do erro. Um catálogo com 20% de atributos faltantes pode consumir mais tempo de equipe do que o próprio projeto de IA, e esse custo não aparece no business case inicial.
Metas que não conversam entre si
Outro travamento é a divergência de metas. A área de compras é medida por custo unitário, a de operações por nível de serviço, a de marketing por conversão. Um modelo que otimiza uma dessas metas pode piorar as outras, e sem um acordo explícito sobre o objetivo comum o projeto é abandonado na primeira divergência. Alinhar meta é trabalho de gestão, não de ciência de dados.
O que separa quem avança
As empresas que convertem investimento em resultado compartilham três características. Escolhem um problema pequeno e caro, com dono claro e métrica semanal. Colocam o modelo dentro do fluxo de trabalho existente, em vez de criar uma ferramenta paralela. E aceitam que a primeira versão será pior que o especialista humano, usando-a para reduzir trabalho repetitivo antes de tentar substituir julgamento.
O registro de experimentos
Há também um padrão de governança. Quem avança mantém um registro do que foi testado e do que falhou, o que evita repetir experimentos e acelera a segunda onda de projetos. investimentos globais em data centers devem superar US 21 trilhões até 2028, e com mais capacidade disponível o diferencial deixa de ser acesso a modelo e passa a ser qualidade de execução e memória organizacional.
Como medir retorno sem ilusão
A recomendação prática é medir três camadas. A primeira é adoção real, com percentual de decisões em que a sugestão foi vista e aceita. A segunda é efeito operacional, como redução de ruptura, de tempo de atendimento ou de devolução. A terceira é efeito financeiro, que só aparece depois das duas primeiras e não deve ser a única métrica do primeiro semestre.
O erro mais comum é declarar sucesso com base em correlação. Vendas subiram no trimestre em que o modelo entrou em produção, mas também havia promoção sazonal e mudança de sortimento. Comparar grupos de controle, lojas ou categorias sem o modelo, é o único caminho para separar efeito real de coincidência, e essa disciplina é o que diferencia programa de IA de projeto de marketing interno.
O que fazer no próximo ciclo
Para o varejo brasileiro, o próximo ciclo deveria começar por três decisões. Priorizar reposição e precificação, onde o ganho é mensurável e o ciclo de feedback é curto. Investir em cadastro de produto antes de expandir modelos, porque dado ruim limita qualquer avanço posterior. E definir um dono de negócio para cada modelo, com meta e orçamento, em vez de manter a iniciativa sob responsabilidade exclusiva da área de tecnologia.
A leitura final é que a dificuldade apontada pelos especialistas não é técnica, é organizacional. O varejo já sabe construir modelos; o que ainda falta é conectar a saída do modelo a uma rotina com consequência. Quando essa conexão existe, a IA deixa de ser projeto e passa a ser parte do processo, e é nesse ponto que o retorno deixa de ser promessa e passa a ser número.
