As três maneiras como a AI impulsiona a transformação no varejo, viagens e bens de consumo

São 5h45 de uma manhã de sexta-feira, e a gerente de uma loja está no escritório dos fundos perdendo uma discussão com o seu próprio prédio. Quatorze dashboards estão abertos em duas telas. Uma fila de tarefas, montada durante a noite por quatro sistemas que nunca se comunicaram, exige a atenção dela em três ordens de prioridade diferentes. Em algum lugar no corredor sete, o SKU de maior giro da loja está fora de estoque desde terça-feira. A câmera da prateleira detectou isso na terça-feira. O sistema de reposição inferiu isso na quarta-feira. A tarefa para corrigir o problema surgiu esta manhã, classificada em décimo primeiro lugar, abaixo de uma auditoria de planograma e de um lembrete de treinamento. Ela vai encontrar o item em sua ronda, do jeito que os gerentes encontram as coisas há cem anos, e, a essa altura, o movimento do fim de semana para o qual o produto foi encomendado já terá vindo e partido.

O sinal existia há quatro dias. O que nunca existiu foi uma maneira de agir sobre ele antes que o momento passasse.

Essa manhã se repete, com uniformes diferentes, em todos os setores de consumo. A Forrester estima que entre 60% e 73% de todos os dados dentro de uma empresa não são utilizados para analytics. Em bens de consumo, cerca de 85% dos lançamentos de novos produtos falham em até dois anos, e a Nielsen atribui a maioria das falhas não à qualidade do produto, mas à má interpretação das necessidades e do posicionamento do consumidor, ou seja, a sinais que existiam e não foram lidos. E quando a pesquisa NVIDIA 2026 State of AI in Retail and CPG perguntou às empresas o que as impede de escalar a AI, a barreira mais citada não foi a tecnologia. Foram os dados. Esses não são três problemas. É um único problema, cobrado de três formas: você não conseguiu confiar no sinal o suficiente para agir (confiança), não conseguiu agir antes que o momento passasse (tempo) ou não teve recursos para ler e agir na escala necessária (custo). A tese deste artigo é que AI, implantada como um sistema e não como uma coleção de projetos-piloto, é a primeira tecnologia que ataca esses três "impostos" de uma só vez, e que as empresas que entendem isso estão prestes a se distanciar daquelas que apenas compraram os pilotos.

Por que vinte anos de dashboards não fecharam essa lacuna

A resposta do setor para o sinal não lido foi o business intelligence, e foi uma resposta razoável. O BI profissionalizou os relatórios, padronizou as métricas que as diretorias utilizam e deu a uma geração de comerciantes e operadores uma base factual compartilhada. Ele merece seu espaço. Mas trazia consigo três limites estruturais que nenhuma quantidade de investimento poderia eliminar.

Primeiro, o BI só conseguia ver dados que se ajustavam a um esquema. A imagem da prateleira, a foto da manutenção, a transcrição da chamada, a avaliação, a publicação em redes sociais: a maior parte do que uma empresa de consumo realmente presencia nunca entrava no modelo, porque lê-la exigia atenção humana, e a atenção humana era o recurso mais escasso no local. Segundo, o BI respondia a perguntas que alguém já tinha pensado em fazer. Ele computava de forma brilhante nos joins fornecidos; mas não conseguia formar uma visão a partir de sinais que ninguém havia predefinido, que é exatamente onde moram as surpresas. Terceiro, o BI terminava em um dashboard. Um ser humano experiente ainda precisava notar, interpretar, decidir e direcionar, de modo que o insight viajava na velocidade da escalada, e a escalada viajava na velocidade do organograma.

O que mudou é que cada um desses limites foi removido recentemente, de forma independente. Os modelos de fundação reduziram drasticamente o custo de leitura de dados não estruturados, de modo que os depoimentos de testemunhas finalmente entram no registro. O raciocínio probabilístico tornou o julgamento computável, de modo que o espaço de perguntas deixou de se limitar ao que um analista previa. E a virada agêntica desvinculou a ação da necessidade de pessoal, de modo que a distância entre saber e fazer deixou de ser medida em reuniões. Pela primeira vez, os três "impostos" têm uma contraparte.

Onde os sinais estão morrendo

No varejo, eles morrem no chão de loja. Nosso trabalho em operações de loja baseadas em AI sempre chega à mesma conclusão: a loja é o ambiente mais rico em sinais na empresa e o menos capaz de metabolizá-los. As condições das prateleiras só são conhecidas por meio de rondas físicas. Os planos de trabalho são baseados nas curvas do ano passado. O desperdício é contabilizado depois de ir para a lixeira. E o gerente é o único ponto de integração sobrecarregado para uma dúzia de sistemas que nunca foram projetados para convergir em um único ser humano às 5h45 da manhã. O ciclo agora está chegando onde era mais necessário: a varredura autônoma de prateleiras na Harmons reduziu a ruptura de estoque em mais da metade e os erros de preços em cerca de 75%, e o Ask Sam do Walmart dá a um funcionário novato a memória de um veterano no chão de loja. O que está surgindo é a loja que executa seu próprio ciclo, detectando prateleiras, filas e desperdício continuamente e agindo em menos de uma hora, de modo que a ronda do gerente se torna um julgamento aplicado a exceções, em vez da descoberta do óbvio.

Em bens de consumo, eles morrem no motor de inovação. O modelo tradicional de stage-gate executa revisões humanas sequenciais em protótipos físicos, e cada etapa (gate) é um local onde o sinal expira: as avaliações que apontavam a falha não foram lidas, o sell-through inicial que previa o fracasso chegou após o compromisso de produção, a tendência social que justificava o conceito surgiu após a reorganização das prateleiras. Meu trabalho recente sobre inovação nesse setor aponta para uma inversão em andamento, de etapas humanas sequenciais alimentadas por pesquisas desatualizadas para uma leitura computacional contínua do consumidor, executada antes de qualquer compromisso físico ser assumido. As evidências públicas estão surgindo: uma empresa global de saúde e higiene unificou as pesquisas de consumo, as avaliações de produtos e os sinais de monitoramento de redes sociais que seus profissionais de marketing antes levavam semanas para combinar, e agora passa do sinal bruto para o insight acionável em dias, recuperando, segundo relatos próprios, as horas que suas equipes perdiam na compilação de dados em vez de focar no julgamento — as horas de que a inovação tanto precisava. O fator limitante dessa transformação não é a capacidade do modelo. São os dados proprietários do consumidor, atualizados, governados e densos o suficiente para fundamentar o raciocínio.

No setor de viagens, eles morrem entre sistemas que conhecem apenas metade da história. A telemetria sabia que o componente estava se desgastando; o programador de tripulação não. O mecanismo de tarifas sabia que a demanda estava mudando; a mesa de contingência descobriu pela fila de espera. O setor está mais avançado do que a maioria na integração dessas informações: a manutenção preditiva lê sinais em mais de 12.000 aeronaves conectadas no Airbus Skywise, a Delta define os preços de sua malha com modelos generativos, e assistentes virtuais de AI já estão no mercado na Expedia e no Hilton. Avance e conecte tudo isso, e você terá a viagem que se corrige sozinha: a interrupção detectada nos dados de manutenção, o itinerário remarcado, o hotel e o transporte terrestre ajustados, e o viajante informado sobre o problema e a solução na mesma mensagem. A IDC projeta que, até 2030, até 30% das reservas de viagens poderão ser executadas por agentes de AI, e as operadoras cujos dados puderem dar suporte a essa autonomia deterão uma fatia desproporcional desse mercado.

Nos três setores, o padrão é idêntico. Os modelos não são o diferencial competitivo (moat). Os dados são o diferencial competitivo (moat).

As três coisas que a AI viabiliza

O padrão tem um formato, e é a lente que utilizo com executivos desses setores. O ataque da AI aos três "impostos" ocorre em três movimentos, e cada movimento é a inversão de um dos limites estruturais do BI.

1. Dados ocultos (dark data) tornam-se sinais. O custo de atenção para ler dados não estruturados despenca, e a maior parte do que a empresa presencia — imagens, transcrições, telemetria, conversas — finalmente entra no registro.
2. O raciocínio probabilístico expande o espaço de perguntas. A calculadora se transforma em julgamento. Um modelo forma uma visão probabilística a partir de sinais para os quais nunca foi codificado explicitamente — clima versus promoções versus alteração de tarifas de um concorrente — e as surpresas deixam de se esconder entre as junções (joins).
3. A capacidade humana desvincula-se do número de funcionários e da experiência. A ampliação de recursos dá ao funcionário novato a memória de um veterano; a automação, no caso limite, elimina totalmente o atraso na execução. A distância entre saber e fazer deixa de ser medida em reuniões.

Os três movimentos funcionam como um ciclo contra o tempo; o tempo real é o relógio; a governança é o substrato que gera confiança e controla os custos.

Cada movimento é um amplificador, e os amplificadores são indiferentes ao que amplificam. A abertura por si só produz mais ruído. O raciocínio por si só, em dados não governados, produz falsa confiança. A aceleração por si só produz erros mais rápidos. Sinal sem raciocínio é ruído; raciocínio sem sinal é falsa confiança; aceleração sem nenhum dos dois é um erro mais rápido. Coloque os três nos mesmos dados governados, em tempo real, e você terá algo que não existia antes.

É por isso que a governança, o item menos glamoroso no orçamento de dados, acaba sendo a carga útil. Governar os dados uma vez paga dividendos em dobro: você pode confiar neles, o que revoga o imposto da confiança, e você nunca mais paga para derivá-los, porque cada modelo, agente e aplicativo se baseia na mesma fundação processada e certificada, em vez de extrair novamente o mesmo corpus, o que revoga o imposto do custo. A governança é cronicamente subvalorizada porque é registrada como conformidade, enquanto seu papel como alavanca de custo não é mensurado.

A arquitetura por trás

A postura operacional descrita acima exige que uma única arquitetura faça três coisas ao mesmo tempo: executar o ciclo de percepção e ação em tempo real, comprovar a confiabilidade de cada resposta produzida e fazer ambos sem que a empresa pague para processar os mesmos dados duas vezes. Essa é uma especificação arquitetônica, e é exatamente para atendê-la que a Databricks Data Intelligence Platform foi criada.

• Ampliar a abertura é um problema de ingestão e abertura. Lakeflow Connect traz mais de 100 conectores gerenciados em aplicativos empresariais, bancos de dados e fontes de streaming para o Delta Lake e Apache Iceberg, formatos abertos que mantêm o sinal no armazenamento que você possui, em vez de em um mecanismo proprietário que você aluga.
• O raciocínio confiável é um problema de governança e avaliação. Unity Catalog governa dados, modelos, e agentes em uma única camada, o Unity Catalog Metrics torna as definições de negócios ativos governados de primeira classe para que cada agente responda a partir do mesmo significado, e o MLflow 3 fornece a avaliação e o rastreamento que tornam uma resposta probabilística auditável, a lacuna que os dados governados por si só não conseguem preencher. Unity AI Gateway estende essa mesma governança ao próprio tráfego de modelos e agentes.
• E agir na velocidade da máquina é um problema de aplicação: Agent Bricks cria agentes avaliados a partir de dados empresariais, o Genie coloca respostas governadas diretamente nas mãos do gerente da loja, do planejador e do centro de operações, e o OpenSharing e as Clean Rooms estendem o mesmo sinal governado por toda a cadeia de valor, do fornecedor ao varejista e ao parceiro, sem copiar os dados ou abrir mão do controle sobre eles.

O ponto crucial é este: a adoção parcial do ciclo não significa valor parcial. Uma pilha de amplificadores com um estágio ausente amplifica a coisa errada. A decisão da plataforma é onde uma empresa escolhe se seus três movimentos apontam na mesma direção, no mesmo substrato governado, ou se ela acumula falsa confiança em velocidade crescente.

Os estudos de caso estão sendo escritos agora

E o prazo não é mais puramente interno. A mesma disciplina está prestes a ser examinada de fora: os consumidores estão começando a delegar compras, reservas e aquisições a agentes de AI executados em trilhos de protocolo lançados no ano passado, e a McKinsey projeta que o comércio mediado por agentes pode redirecionar de US$ 3 trilhões a US$ 5 trilhões em gastos globais no varejo até 2030. Essas máquinas de compra lerão apenas o que a governança tornou legível. A empresa que reduziu a lacuna entre seus dados e suas decisões descobrirá que também construiu a única vitrine que uma máquina pode ler; os dois dividendos da governança silenciosamente adquirem um terceiro.

Há trinta anos, os varejistas estabelecidos enfrentaram uma questão sobre a web: canal ou ameaça, resistir ou abraçar. As empresas que trataram o e-commerce como uma nova física, em vez de apenas uma nova vitrine, passaram as duas décadas seguintes sendo estudadas por todas as outras. A mesma divergência está se formando agora, e ela não dividirá as empresas com AI e as empresas sem ela. Ela dividirá as empresas que metabolizam o que já sabem e as empresas que continuam pagando os três impostos sobre isso.

A preparação é clara: dados atuais, governados e semanticamente coerentes, raciocínio avaliado, ação instrumentada. O sinal no corredor sete está esperando há cem anos para que alguém o leia a tempo. A disciplina nunca foi um custo desnecessário. É a diferença entre uma empresa que sabe e uma empresa que age.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original