Projetos de IA Sem Valor Exigem Metrica Financeira

A maioria dos projetos de inteligência artificial no varejo não gera valor mensurável, e a explicação mais comum não está na tecnologia, mas na ausência de uma métrica financeira definida antes do início do projeto. O debate foi tema de análise no Mercado e Consumo, que aponta a falta de vinculação entre iniciativa técnica e resultado de negócio como causa central do problema. O dado que sustenta o argumento é direto: nove em cada dez empresas não medem o resultado financeiro da IA que implantaram.

Conclusões Principais

Primeiro, sem métrica financeira o projeto de IA não tem como ser encerrado. nove em cada dez empresas（Mercado e Consumo） não medem resultado financeiro, o que significa que a maioria das iniciativas não tem critério de sucesso nem critério de fracasso. Na prática, o projeto continua consumindo orçamento até perder patrocínio, e a decisão de parar é política, não analítica, o que destrói a credibilidade da área para o ciclo seguinte.

Segundo, o valor da IA no varejo aparece em poucas alavancas e precisa ser isolado. Mercado e Consumo discute por que a maior parte dos projetos não gera valor e como mudar esse cenário, e o caminho apontado passa por escolher alavancas com efeito direto em margem: ruptura, estoque parado, custo de atendimento e preço. Cada uma dessas alavancas tem fórmula conhecida, e é essa fórmula que deve definir o escopo do projeto, não o contrário.

As Quatro Alavancas com Fórmula Conhecida

Quatro alavancas concentram quase todo o valor capturável de IA no varejo: redução de ruptura, redução de estoque parado, redução de custo de atendimento e melhoria de decisão de preço. Todas têm fórmula de impacto e todas podem ser medidas antes e depois. Projetos que não se encaixam em nenhuma delas podem ser interessantes tecnicamente, mas não têm como demonstrar retorno em linguagem financeira.

Ruptura Tem Fórmula

Ruptura tem fórmula simples: percentual de itens indisponíveis multiplicado pela venda média perdida e pelo número de ocorrências no período. Com essa base, o projeto de previsão de demanda passa a ter meta em reais, e a comparação entre cenários deixa de ser retórica. O ponto crítico é medir a ruptura na gôndola, não no sistema, porque o estoque registrado e o produto disponível divergem com frequência e a diferença esconde o problema real.

Estoque Parado Também

Estoque parado se mede pelo custo de carregamento mais a depreciação do período. Quando a IA melhora a alocação entre lojas, parte do excesso de uma unidade cobre a falta de outra, e o efeito aparece em duas linhas ao mesmo tempo: menos markdown e menos perda. Esse é o tipo de projeto que costuma se pagar rápido, porque não depende de mudança de comportamento do cliente, apenas de melhor distribuição do que já está comprado.

Melhores Práticas

Três práticas separam projetos que geram valor de projetos que apenas funcionam: definir a métrica financeira antes do escopo técnico, medir a linha de base por um ciclo completo e comparar com grupo de controle. As três são simples e raramente aplicadas, o que explica a distância entre adoção e retorno.

Métrica Antes do Escopo

Definir a métrica antes do escopo muda a natureza da conversa. Em vez de discutir qual modelo usar, a equipe discute qual número precisa mudar e em quanto tempo, e essa pergunta filtra iniciativas que não têm caminho claro para impacto. A prática também protege a área técnica, porque desloca a cobrança de resultados para um acordo explícito firmado com o negócio, e não para uma expectativa implícita que ninguém sabe medir.

Linha de Base e Grupo de Controle

Linha de base e grupo de controle são o que separa correlação de causalidade. Medir a ruptura antes e depois do projeto, sem controle, atribui à IA efeitos de sazonalidade e de mudanças de sortimento feitas no mesmo período. Rodar o projeto em parte das lojas e comparar com lojas semelhantes não utilizadas reduz esse erro e produz um número defensável, que sobrevive à revisão do time financeiro.

Erros Comuns

O primeiro erro é começar pela tecnologia e depois procurar um problema. Esse caminho produz pilotos elegantes que ninguém sabe como escalar, porque não há processo de negócio esperando a solução. O segundo erro é medir adoção em vez de resultado: número de usuários ativos e consultas ao modelo crescem sem que a margem mude, e a área comemora um indicador que não paga a conta.

O terceiro erro é escolher um caso tão complexo que o resultado não pode ser isolado. Projetos que mexem em sortimento, preço e atendimento ao mesmo tempo tornam impossível saber qual mudança produziu o efeito observado, e a empresa fica sem aprendizado transferível. A regra prática é começar por uma alavanca, com uma loja ou um conjunto pequeno, e ampliar só depois de fechar a conta da primeira.

Governança e Responsabilização

Governança é o que sustenta o resultado depois do piloto. Mercado e Consumo discute quem responde quando o sistema decide, e essa pergunta é decisiva no varejo: se o modelo de preço erra, a responsabilidade é da área que definiu a regra, do time que aprovou ou do gestor da loja que executou? Definir essa cadeia antes evita que a correção vire disputa interna e que a iniciativa perca velocidade justamente quando começa a funcionar.

A segunda camada de governança é o registro de decisões. Sem histórico de quais parâmetros foram alterados, quando e por quem, a empresa não consegue reproduzir um resultado positivo nem investigar um negativo. O registro também serve como memória organizacional: em um setor com alta rotatividade, o conhecimento sobre o que funcionou tende a desaparecer com as pessoas, e o dado é o único ativo que permanece.

Resumo

A constatação de que nove em cada dez empresas não medem o resultado financeiro da IA explica por que tantos projetos não geram valor. O problema não é falta de tecnologia disponível, e sim falta de vínculo entre iniciativa e alavanca de margem com fórmula conhecida.

O caminho prático é definir a métrica antes do escopo, medir a linha de base por um ciclo completo, usar grupo de controle e começar por uma única alavanca. Empresas que seguirem essa sequência terão projetos menores em número e muito maiores em retorno, e uma área de dados capaz de justificar o próprio orçamento com números.

Fontes de Dados

1. Mercado e Consumo: nove em cada dez empresas não medem resultado financeiro da IA

2. Mercado e Consumo: por que a maioria dos projetos de IA não gera valor

3. Mercado e Consumo: o sistema não aprovou, quem responde por isso

Perguntas Frequentes

Por que a maioria dos projetos de IA não gera valor?

A: Porque não há métrica financeira definida antes do início, o que impede distinguir sucesso de fracasso e mantém o projeto consumindo orçamento sem critério de parada.

Quais alavancas concentram o valor?

A: Redução de ruptura, redução de estoque parado, redução de custo de atendimento e melhoria de decisão de preço, todas com fórmula de impacto mensurável antes e depois.

Como calcular o impacto da ruptura?

A: Percentual de itens indisponíveis multiplicado pela venda média perdida e pelo número de ocorrências no período, medindo na gôndola e não no sistema.

Por que usar grupo de controle?

A: Para separar causalidade de sazonalidade: comparar lojas com o projeto e lojas semelhantes sem ele produz um número defensável perante o time financeiro.

Qual o erro de medir adoção?

A: Usuários ativos e consultas crescem sem que a margem mude, e a área comemora um indicador que não paga a conta nem demonstra retorno.

Por que registrar decisões?

A: Para reproduzir resultados positivos e investigar negativos, além de preservar memória organizacional em um setor com alta rotatividade de equipe.