IA falha quando falta indicador de negócio

A maioria dos projetos de inteligência artificial não gera valor porque não tem dado confiável nem indicador de negócio associado, segundo análise publicada pelo portal Mercado & Consumo em 16 de outubro. O mesmo veículo mostrou, um dia antes, que nove em cada dez empresas não medem o resultado financeiro de iniciativas de IA. As duas informações, lidas juntas, descrevem um problema de método, não de tecnologia.

Conclusões Principais

Um projeto de IA fracassa de três maneiras previsíveis. A primeira é técnica: o dado que alimenta o modelo não representa a operação real, porque vem de sistemas que não conversam entre si. A segunda é organizacional: ninguém é responsável pelo resultado depois da entrega, e o modelo vira um painel consultado ocasionalmente. A terceira é financeira: não existe linha de base, então não há como atribuir ganho ao projeto.

No varejo, esses três modos se combinam com frequência. Estoque, preço e venda passam por sistemas distintos, e a integração costuma ser feita em planilhas intermediárias. Um modelo treinado nessa base aprende o comportamento da planilha, não o da loja. O resultado é uma previsão que parece razoável e erra exatamente nos eventos que importam.

A ausência de linha de base é o erro mais caro

Sem medir o indicador antes do projeto, qualquer melhora posterior é indefinível. A prática mais comum é comparar o período pós-implantação com o mesmo período do ano anterior, o que confunde sazonalidade, promoção e efeito do modelo. Definir a linha de base com pelo menos oito semanas de histórico é o mínimo para que a comparação tenha sentido.

Onde os projetos travam na prática

O primeiro travamento acontece na camada de dados. Levantamentos internos costumam mostrar que uma parcela relevante dos registros de estoque tem divergência entre o sistema e a contagem física. Um modelo que consome esses registros sem tratamento aprende a divergência e a reproduz com confiança.

O segundo travamento acontece na definição do indicador. Áreas diferentes medem a mesma coisa de formas diferentes: ruptura para o comercial é falta na gôndola, para a operação é falta no centro de distribuição, para o financeiro é perda de venda. Sem unificar a definição, o projeto otimiza um alvo que ninguém reconhece.

O piloto que nunca escala

Pilotos bem-sucedidos costumam ficar restritos a uma loja ou categoria porque foram desenhados para aquele contexto. Ao escalar, a variação de formato, sortimento e comportamento do consumidor quebra as premissas. Escalar exige revalidar o modelo por cluster, não apenas replicar a configuração.

Melhores Práticas

A primeira prática é começar pelo indicador e não pelo modelo. Definir qual decisão será tomada de forma diferente, quem a toma e qual é o custo do erro atual. Se essas três respostas não existem, o projeto não tem caso de negócio, independentemente da tecnologia disponível.

A segunda prática é criar um teste de valor antes do piloto. Consiste em simular o ganho com dados históricos, aplicando a regra que o modelo propõe sobre o passado e comparando com o que foi efetivamente decidido. O teste é barato e elimina projetos que não teriam efeito mesmo se funcionassem tecnicamente.

Governança de modelo é parte do projeto

Um modelo em produção se degrada. O comportamento do consumidor muda, o sortimento muda e a relação aprendida deixa de valer. Definir frequência de reavaliação, responsável pela monitoração e critério de desligamento é o que impede que o projeto se torne um custo fixo sem retorno.

Erros Comuns

O primeiro erro é medir sucesso pela acurácia do modelo. Acurácia alta com decisão inalterada não gera valor. O indicador relevante é a mudança de decisão e o efeito econômico dessa mudança, medidos contra a linha de base.Um modelo preciso que não altera nenhuma decisão é um custo, não um investimento.

O segundo erro é concentrar o projeto na área de tecnologia. Quando a liderança é técnica, o critério de sucesso tende a ser a entrega do sistema. Quando a liderança é de negócio, o critério tende a ser o resultado. A segunda configuração tem taxa de sucesso materialmente maior.

Não confunda dado disponível com dado utilizável

A maior parte das empresas tem volume suficiente de dados e qualidade insuficiente. A distinção é prática: dado utilizável tem definição estável, preenchimento completo nos campos críticos e rastreabilidade até o evento de origem. Sem essas três propriedades, o volume apenas amplifica o erro.

Perspectiva: a IA sai do palco e entra na rotina

A tendência para os próximos ciclos é a IA deixar de ser um programa separado e passar a ser um componente de processos existentes, como reposição, precificação e alocação de sortimento. Nessa configuração, o valor não é medido por projeto, e sim por melhoria contínua do processo que já tem dono e indicador.

Isso reduz o risco de projetos órfãos e aumenta a exigência sobre a qualidade do dado operacional. Também desloca a competência crítica: menos construção de modelo, mais engenharia de dado e desenho de processo. Para o varejo, é uma mudança de prioridade na contratação e na formação de equipes.

Resumo

A maioria dos projetos de IA não gera valor por falta de dado confiável e de indicador de negócio, e nove em cada dez empresas não medem o retorno financeiro dessas iniciativas. O problema é de método, não de tecnologia.

As práticas que mudam o resultado são começar pelo indicador e pela decisão, rodar um teste de valor com dados históricos antes do piloto e definir governança de modelo desde o início. Dado disponível não é dado utilizável.