Quando se trata de governança, os varejistas precisam de um plano de controle para obter contexto

Os varejistas estão entrando em uma nova fase de adoção de AI.

As primeiras conversas sobre AI generativa eram frequentemente sobre experimentação. Qual modelo devemos testar? Qual chatbot devemos construir? Qual equipe deve executar o primeiro piloto? A AI poderia melhorar a busca, resumir documentos, enriquecer o conteúdo do produto ou responder a perguntas internas?

Esses foram pontos de partida importantes. Muitos varejistas, supermercados, distribuidores e empresas voltadas para o consumidor geraram valor real a partir desses esforços iniciais.

No final de 2023, um grande distribuidor com quem trabalhamos viu a oportunidade de combinar machine learning tradicional e grandes modelos de linguagem para melhorar as operações do catálogo de produtos. À medida que novos produtos entravam no catálogo, os modelos de machine learning ajudavam a categorizar e corresponder os itens, enquanto os grandes modelos de linguagem geravam descrições de produtos mais ricas.

Na época, isso foi inovador.

A iniciativa exigiu um integrador de sistemas, uma equipe focada e um sprint de aproximadamente 100 dias para comprovar o valor, enquanto a equipe trabalhava na mecânica da arquitetura, no acesso aos dados, no comportamento do modelo e no fluxo de trabalho de negócios. Foi uma iniciativa de grande sucesso, economizando milhões de dólares e provando que a AI poderia melhorar substancialmente um processo crítico para os negócios.

Mas também representou um padrão comum da primeira onda: uma equipe, um caso de uso, uma arquitetura, um sprint focado.

Hoje, esse mesmo tipo de fluxo de trabalho habilitado por AI está se tornando o requisito básico. A conversa está mudando de “Será que a AI poderia resolver este problema?” para “A AI precisa ajudar a resolver este problema, e preciso dos dados certos rapidamente para não desacelerar os negócios”. Essa mudança altera o desafio empresarial.

A próxima fase da AI no varejo não se trata apenas de ter um modelo melhor. Trata-se de dar a cada experiência de AI o contexto de negócios correto.

O contexto é o que torna a AI empresarial útil

Um modelo sem contexto de varejo pode dar uma resposta genérica.

Um modelo com o contexto correto pode ajudar um comerciante a avaliar o risco de sortimento, um gerente de loja a priorizar o dia ou um executivo a obter uma resposta confiável sobre vendas e margem. Para os varejistas, esse contexto abrange desde estoque e preços até as permissões e políticas que decidem quem tem permissão para ver o quê.

Esse contexto é o que torna a AI útil. Mas o contexto também é onde o risco entra no sistema.

Quais dados a AI deve ver? Em quais definições de negócios ela deve confiar? Quais usuários têm permissão para fazer quais perguntas? Quais ferramentas o agente pode acionar? Qual modelo deve lidar com a tarefa? Quanto deve custar essa interação? Como a empresa deve auditar o que aconteceu?

É por isso que a AI no varejo precisa de um plano de controle para o contexto, uma camada única que governe quais dados, modelos e ferramentas cada experiência de AI pode usar.

A governança permite velocidade

A governança às vezes é vista como algo que desacelera as equipes. Para os varejistas, o oposto é verdadeiro.

O objetivo da governança é dar a mais equipes mais liberdade para usar a AI com segurança.

Se os controles corretos estiverem em vigor, cada novo caso de uso de AI não precisará se tornar um exercício isolado de segurança, compras e arquitetura. As equipes de toda a empresa de varejo podem se mover mais rapidamente porque o acesso ao modelo, as permissões, o registro de logs, o rastreamento e os controles de custos já estão integrados à plataforma.

Esse é o ponto principal da governança de AI no varejo.

Não é governança pela governança. É governança para que os funcionários possam usar a AI com mais confiança, atender melhor os clientes e tomar decisões mais rápidas com dados confiáveis.

As equipes estão se sentindo mais confortáveis com a AI integrada em seus fluxos de trabalho. Elas precisam de liberdade para explorar, construir e entregar resultados. Mas dar liberdade às equipes não significa remover controles. Significa dar a elas uma maneira governada de agir rapidamente com os dados certos, os modelos certos, as permissões certas e os controles de custos certos já estabelecidos.

A próxima fase é a adoção de AI em toda a empresa

Em meu trabalho com líderes de tecnologia do varejo, vi a conversa passar por três fases.

1. Primeiro, as equipes perguntavam por onde começar com a AI generativa.
2. Depois, construíram casos de uso focados, como correspondência de produtos, enriquecimento de catálogo, busca, sumarização, assistentes de conhecimento interno e geração de conteúdo.
3. Agora, a conversa está mudando novamente: como dimensionar a AI em lojas, equipes de sede e canais digitais sem criar uma governança fragmentada, gastos descontrolados com modelos ou acesso inconsistente aos dados da empresa?

Isso importa porque o varejo não é um setor de usuário único ou de fluxo de trabalho único.

A maioria desses funcionários não está sentada em uma mesa escolhendo uma ferramenta de AI. Sua experiência de AI é integrada — em um aplicativo de loja, um painel, um fluxo de trabalho que eles já usam — e precisa responder a uma pergunta diferente para cada função. Cada função precisa de dados diferentes. Cada função tem permissões diferentes. Cada função pode precisar de um modelo diferente. Cada função tem um perfil de custo e um perfil de risco diferentes.

É por isso que a AI no varejo não pode ser resolvida por um único modelo.

Os varejistas precisam de uma maneira governada de fornecer muitas experiências de AI em toda a empresa, controlando quais usuários podem acessar quais dados, quais modelos podem usar, quanto gastam e como essas interações são monitoradas.

A parte difícil é escalar sem perder o controle

À medida que a AI se espalha pela empresa, os varejistas correm o risco de criar um modelo operacional fragmentado.

Uma equipe usa o Claude diretamente. Outra constrói um aplicativo RAG. Outra usa o Copilot. Os desenvolvedores recorrem ao Cursor. Os usuários de negócios experimentam o Claude Cowork. As equipes de dados criam seus próprios fluxos de trabalho de agentes.

Cada ferramenta pode ter seu próprio acesso a modelos, acesso a dados, logs, permissões, custos e processo de governança.

Isso pode funcionar durante a experimentação. Não funciona como o modelo operacional para a AI empresarial.

Sem um plano de controle, os varejistas podem rapidamente acabar com:

• Contratos separados com provedores de modelos
• Ferramentas de AI e frameworks de agentes separados
• Logs de prompts e respostas separados
• Centros de custo separados
• Modelos de permissão separados
• Locais separados onde reside a lógica de negócios
• Respostas diferentes para a mesma pergunta de negócios

Os varejistas passaram anos tentando reduzir a fragmentação em dados e analytics. A AI não deve reintroduzir o mesmo problema sob uma nova forma.

Os varejistas precisam de estruturas de AI abertas, não de becos sem saída fechados

À medida que a adoção de AI escala, outra pergunta surge: onde deve residir o harness de AI?

Alguns harnesses são fechados. O usuário obtém uma experiência de AI empacotada, um modelo padrão e controle limitado sobre como os dados, ferramentas, prompts, custos e seleção de modelos são governados. Isso pode ser útil para a produtividade individual, mas se torna limitante quando a empresa deseja controlar quais modelos são usados, como os dados são acessados, como os custos são gerenciados e como as interações de AI são auditadas.

Outros harnesses são mais abertos. Eles permitem que a empresa escolha o modelo certo para o trabalho, conecte-se a dados e ferramentas governados, encaminhe chamadas de modelo por meio de um gateway central e preserve a flexibilidade à medida que o cenário de modelos muda.

Essa distinção importa.

Em uma conversa recente durante um jantar, o CIO de um varejista de descontos compartilhou que grupos de CIOs parceiros estão discutindo ativamente se devem adquirir GPUs para aproveitar modelos de código aberto de menor custo. Ao mesmo tempo, as equipes já estão experimentando diferentes superfícies de AI: desenvolvedores usando o Cursor e assistentes de codificação, equipes de negócios explorando o Claude Cowork, equipes empresariais avaliando experiências no estilo Copilot e equipes de dados construindo agentes e aplicativos personalizados.

Essa é a realidade para a maioria dos varejistas. A adoção de IA não se padronizará perfeitamente em torno de um único modelo, assistente ou fornecedor.

E quando perguntamos aos CIOs qual modelo eles acreditam que vencerá, a resposta é quase sempre alguma variação de: “Não sei”. Essa é uma resposta racional. O cenário de modelos está mudando rápido demais para que qualquer CIO aposte a estratégia de IA empresarial no modelo padrão de hoje dentro da ferramenta preferida de hoje.

Os varejistas precisam de flexibilidade de modelos sem o caos de modelos.

Eles precisam dar suporte a modelos de fronteira onde a qualidade e o raciocínio importam. Precisam de acesso a modelos de código aberto onde o custo, o controle ou a especialização importam. Precisam dar suporte a assistentes de programação, agentes de negócios, aplicativos de associados e aplicações personalizadas. Mas também precisam de uma maneira comum de governar o acesso, monitorar o uso, controlar os gastos, registrar interações e garantir que a IA esteja fundamentada em um contexto empresarial confiável.

Esse é o papel de um plano de controle de IA.

Faça o benchmark do modelo mantendo a opcionalidade

O cenário de modelos está mudando rápido demais para os varejistas tomarem decisões de arquitetura de longo prazo em torno de um único provedor de modelo ou de um único assistente padrão.

As pesquisas da Databricks mostram que os modelos de código aberto lidam com tarefas cada vez mais complexas que, há pouco tempo, exigiriam modelos de fronteira premium. Isso é importante para os varejistas, especialmente supermercados e varejistas de desconto, onde as margens são estreitas e o uso de IA em alto volume pode se tornar caro rapidamente.

Mas a resposta não é presumir que os modelos de código aberto são sempre bons o suficiente. A resposta é fazer o benchmark.

Um fluxo de trabalho de conteúdo de produto pode ter um bom desempenho em um modelo de menor custo ou de código aberto. Uma análise complexa de merchandising pode exigir um modelo de raciocínio mais forte. Um assistente de associado de loja pode precisar de baixa latência, permissões rígidas e custo previsível. Um assistente de programação ou agente de planejamento de várias etapas pode se beneficiar de um modelo de fronteira. O modelo certo depende da tarefa, dos dados, do requisito de precisão, do requisito de latência e do perfil de custo.

É por isso que os varejistas precisam de flexibilidade de modelos sem o caos de modelos. A pergunta não deve ser: “Qual modelo vencerá?”. A melhor pergunta é: “Qual modelo é o melhor para este trabalho, com este contexto, a este custo e com este requisito de governança?”

Estruturas fechadas de IA geralmente ocultam ou limitam essa escolha. Um plano de controle aberto permite que os varejistas façam benchmark, alternem e otimizem modelos conforme o mercado muda.

Um plano de controle para o contexto de IA no varejo

É assim que um plano de controle funciona na prática. Quatro recursos da Databricks trabalham juntos para entregá-lo: Unity Catalog, Unity AI Gateway, Foundation Model APIs e Genie.

• O Unity Catalog governa o contexto de negócios: dados, permissões, linhagem, modelos e definições confiáveis.
• O Unity AI Gateway governa o acesso ao modelo: roteamento, visibilidade de uso, registro de logs, orçamentos e limites de taxa.
• As Foundation Model APIs fornecem acesso centralizado a modelos comerciais, de código aberto e personalizados.
• O Genie permite que os usuários de negócios façam perguntas em linguagem natural sobre dados governados, para que as respostas permaneçam fundamentadas em um contexto confiável.

Juntos, esses recursos ajudam os varejistas a passar de conquistas isoladas de IA para a adoção de IA em toda a empresa.

O objetivo não é forçar cada usuário a usar uma única aplicação de IA. É dar à empresa uma estratégia única de governança e acesso a modelos que se aplique independentemente de qual aplicação, agente ou interface um funcionário esteja usando.

O objetivo não é impedir que as equipes usem as ferramentas de IA de que gostam. O objetivo é permitir que as equipes avancem mais rápido, ao mesmo tempo em que dá à empresa controle sobre o modelo, os dados, o contexto, o custo e o risco.

Como isso se reflete nas equipes de varejo

Um CIO de uma varejista de descontos compartilhou recentemente um exemplo revelador. Sua CEO queria que a IA fosse fundamentada em dados mais amplos da empresa para que pudesse se tornar genuinamente útil para a tomada de decisões executivas.

Esse pedido captura perfeitamente o desafio da IA empresarial. A CEO não estava pedindo um modelo mais inteligente. Ela estava pedindo um modelo no qual pudesse confiar para os negócios. O instinto está correto. A IA se torna mais valiosa quando entende o negócio. Os CEOs querem uma resposta fundamentada em seus próprios números, não em números genéricos.

A resposta não é simplesmente dar a cada ferramenta de IA acesso irrestrito a todos os conjuntos de dados brutos. A resposta é dar a cada usuário a experiência de IA certa, fundamentada nos dados certos, com as permissões, linhagem, definições e auditabilidade corretas.

Evitando outra camada de IA desconectada

Muitos varejistas já estão criando investimentos pesados em governança de dados, modernização de lakehouse e análises confiáveis. À medida que a adoção de IA acelera, o risco é criar uma camada de IA separada, executada fora desse patrimônio de dados governado. 

Isso pode introduzir problemas reais.

• A lógica de negócios pode ser duplicada fora da plataforma de dados. 
• As permissões podem precisar ser recriadas em vários sistemas. 
• Os agentes de IA podem acessar dados sem uma linhagem consistente. 
• O uso de modelos pode se espalhar por provedores e contratos separados. 
• A visibilidade dos custos pode se fragmentar por equipe ou aplicação. 
• Os logs de prompts e respostas podem ficar desconectados dos fluxos de trabalho de governança.

Os varejistas devem evitar recriar a mesma fragmentação que muitos passaram anos tentando eliminar em dados e análises.

O futuro do varejo agentivo exige que a IA vá até os dados governados, e não que mova a lógica de negócios, as permissões e o contexto confiável para outra camada desconectada.

Para os varejistas que já investem no Unity Catalog, o próximo passo é governar os sistemas de IA criados sobre ele. Faça isso, e cada novo caso de uso de IA herdará as mesmas permissões, trilha de auditoria e controles de custo já existentes, em vez de começar do zero.

O resultado de negócios: mais liberdade com mais controle

Com um plano de controle de IA governado, os varejistas podem permitir que as equipes avancem mais rápido e com liberdade, mantendo o controle empresarial. Cada função recebe uma IA desenvolvida para a forma como realmente trabalha, desde o chão de loja até a equipe financeira, sem precisar esperar por uma avaliação pontual de segurança ou compras para chegar lá.

Ao mesmo tempo, os líderes de TI podem manter a visibilidade sobre quem está usando quais modelos, quais dados estão sendo acessados, quanto custa cada fluxo de trabalho e como as interações de IA são governadas.

Esse é o equilíbrio de que os varejistas precisam. Não um único chatbot. Não um único modelo. Não outra plataforma de IA desconectada.

Um plano de controle para o contexto.

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