Imagem: Divulgação
Um varejista investe em um sistema de Inteligência Artificial para prever demanda, automatizar reposição ou personalizar ofertas para o cliente. Meses depois, os resultados decepcionam: o modelo recomenda reposição de um item que já não está mais na prateleira, sugere um produto que está fora de estoque, ou simplesmente erra a previsão de forma sistemática. A reação mais comum é questionar o algoritmo. Mas, na maioria das vezes, o problema não está na IA, está nos dados que chegam até ela.
É o velho princípio do garbage in, garbage out: se a base de dados que alimenta um modelo de IA é incompleta, desatualizada ou imprecisa, não existe algoritmo, por mais sofisticado que seja, capaz de compensar essa fragilidade. E é exatamente esse o ponto cego que vejo se repetir em boa parte das conversas sobre IA no varejo hoje: empresas investindo em Inteligência Artificial de ponta para operar em cima de uma base de dados que nunca foi construída para sustentar decisões em tempo real.
Antes de acelerar a IA, uma pergunta que poucos varejistas conseguem responder
O varejo brasileiro não carece de ambição digital. Nos últimos meses, a discussão evoluiu rapidamente de “vamos experimentar IA” para “como vamos operar com IA no centro da estratégia”. O problema é que boa parte das empresas está tentando pular uma etapa: querem automação preditiva e personalização em tempo real sem antes resolver uma pergunta mais básica. A empresa sabe, com precisão e em tempo real, o que tem em estoque, onde está e qual o histórico de movimentação de cada item?
Para a maioria dos varejistas, a resposta ainda é não. Sistemas de gestão tradicionais foram desenhados para controle contábil, não para granularidade em nível de item. O resultado é uma camada de dados agregados (quantidade por SKU, por loja, por período) suficiente para relatórios, mas insuficiente para alimentar um modelo que precisa decidir, sozinho e em tempo real, se um produto deve ser reposto, redirecionado ou promovido.
RFID: a camada de dados que a IA está cobrando
É aqui que entra o RFID, não como upgrade de etiqueta, mas como a infraestrutura de captura de dados que faltava. Diferente do código de barras, que exige leitura visual item a item, o RFID identifica cada produto individualmente, à distância e em massa, em tempo real. Isso muda o tipo de dado disponível: em vez de saber que existem cem unidades de um produto no estoque, a operação passa a saber exatamente quais são essas unidades, onde estão, e há quanto tempo estão ali.
É esse nível de granularidade, item a item e em tempo real, que transforma dado operacional em insumo confiável para IA. Modelos de previsão de demanda, reposição automática e precificação dinâmica não precisam de mais dado, precisam de dado mais preciso. Sem essa base, qualquer investimento em automação ou Inteligência Artificial tende a virar iniciativa isolada, que não escala e não sustenta o retorno prometido.
De dez minutos para dez segundos: o que muda quando o dado é confiável
Um exemplo concreto ajuda a tirar essa discussão do campo teórico. Na Pernambucanas, rede centenária do varejo brasileiro, um projeto de RFID iniciado em 2020 hoje cobre toda a cadeia de suprimentos, de centenas de fornecedores nacionais e internacionais até o ponto de venda. Cerca de 70% das etiquetas já são aplicadas na origem do produto, antes mesmo de chegar ao centro de distribuição, o que acelera todo o processo logístico.
Os números mostram o impacto de ter dado confiável em escala: a acurácia de estoque saltou de 98% para 100%, praticamente eliminando rupturas. A conferência de caixas, que levava dez minutos, passou a levar dez segundos. O número de itens conferidos por operador saltou de 250 para 1.350 por hora, em uma operação com mais de 500 lojas, 1.500 coletores móveis e cerca de 30 túneis de conferência automatizada. Esse é o tipo de base de dados que, de fato, sustenta uma camada de Inteligência Artificial, porque garante que a informação usada para tomar decisões reflita a realidade da operação, e não apenas uma aproximação dela.
A maturidade dos dados virou critério de competitividade
A NRF 2026, maior evento global do setor, consolidou que o debate sobre Inteligência Artificial no varejo deixou de girar em torno de adoção e experimentação e passou a se concentrar em maturidade operacional: a capacidade de operar negócios inteiros apoiados em sistemas preditivos e orientados por dados, com governança e rastreabilidade como condição para escalar, não como tema periférico.
O mesmo movimento aparece em pesquisas de mercado. Um levantamento global da Zebra Technologies mostra que 56% dos varejistas planejam adotar Inteligência Artificial nos próximos três anos, e uma parcela relevante desses mesmos varejistas já sinaliza investimento também em etiquetas RFID, reconhecendo que as duas frentes caminham juntas. Quem está mais perto de operar IA em escala é também quem está resolvendo, em paralelo, o problema da qualidade do dado na ponta.
O momento de decidir
RFID deixou de ser uma discussão sobre etiquetas e passou a ser uma discussão sobre dado. A pergunta que todo varejista deveria se fazer antes de acelerar investimentos em Inteligência Artificial não é “qual modelo eu preciso comprar?”, mas “minha operação está capturando, hoje, o dado que esse modelo vai precisar para decidir bem?”.
O Brasil já demonstra maturidade suficiente para dar esse passo, com grandes redes do país mostrando, na prática, que resolver essa base é possível e traz retorno mensurável. A diferença entre operar IA de forma isolada e operar IA como vantagem competitiva real está exatamente nessa decisão: construir a fundação agora, ou correr atrás dela mais tarde.
Por Thiago Horta, VP de Digital Transformation Enablers da Beontag.
*Este texto reproduz a opinião do autor e não reflete necessariamente o posicionamento da Mercado&Consumo.
Fonte: Mercado&Consumo
