A IA no foodservice começa antes do algoritmo

Uma empresa pode escolher uma boa ferramenta de inteligência artificial e, mesmo assim, errar o projeto. Isso acontece quando a solução chega antes da definição do problema, dos dados disponíveis, da rotina que deverá mudar e do resultado que será acompanhado.

No foodservice, esse risco merece atenção. A operação combina perecibilidade, estoque, nível de serviço e decisões tomadas sob pressão. Um alerta ou uma previsão pode estar correto e ainda não produzir efeito. Alguém precisa receber a recomendação, entender o que ela significa, ter autoridade para agir e responder pelo resultado.

O projeto começa pela tecnologia quando deveria começar pela gestão.

O uso não prova o resultado

Em uma pesquisa divulgada pela Abrasel em abril de 2024, com 2.128 empresários do setor, 28% dos respondentes disseram já ter utilizado inteligência artificial. Entre os que afirmaram usar a tecnologia, 70% declararam resultados satisfatórios. O levantamento mostra interesse e percepção positiva, mas satisfação declarada não equivale a retorno financeiro comprovado nem a impacto operacional medido.

Usar e aprovar uma ferramenta não significa, necessariamente, melhorar o resultado do negócio.

Entendo que a inteligência artificial no foodservice deve ser analisada a partir de cinco pontos conectados. São eles Dor, Dados, Desenho Operacional, Disciplina e Dinheiro. Os 5 Ds funcionam como um filtro prático para avaliar um projeto, e não como uma sequência rígida.

Esse filtro não exige uma grande estrutura. Uma operação menor pode começar com uma dor específica, dados confiáveis, uma mudança simples na rotina, um responsável e um indicador básico. Independentemente do porte, o projeto precisa começar com clareza.

Quando um desses pontos é ignorado, o projeto perde força. Uma base organizada ajuda pouco se o problema estiver mal definido. Uma recomendação tecnicamente boa também pode ser desperdiçada quando ninguém tem responsabilidade para executá-la. Sem acompanhamento, até uma iniciativa bem estruturada tende a desaparecer na pressão da rotina.

A dor vem antes da ferramenta

Existe uma diferença importante entre dizer “precisamos usar IA no estoque” e estabelecer o objetivo de reduzir rupturas de itens críticos sem elevar o estoque médio e o capital empatado.

A primeira formulação escolhe a tecnologia. A segunda define o problema, a restrição e o indicador. A partir daí, a empresa pode avaliar se precisa de inteligência artificial, de uma regra de reposição, de revisão de cadastro, de melhoria no planejamento ou de uma combinação dessas alternativas.

Depois da dor vêm os dados. Quantidade, sozinha, não resolve o problema. Uma empresa pode acumular milhares de registros e ainda não saber, com segurança, quanto vendeu, quanto tem disponível, onde perde produto, quanto tempo leva para repor ou como a demanda varia durante a semana.

Chamo de dados mínimos viáveis o menor conjunto de informações confiáveis, atualizadas e adequadas para testar uma decisão. A base não precisa estar perfeita. Precisa ter qualidade suficiente para o uso definido, e suas limitações devem ser conhecidas por quem decidirá a partir dela.

Dados incompletos, desatualizados ou registrados de formas diferentes produzem análises sofisticadas sobre uma realidade que não existe. A transparência sobre a imperfeição do dado é mais produtiva do que a falsa segurança de um painel elegante.

A recomendação precisa virar rotina

O Desenho Operacional define como a recomendação entrará no trabalho real.

Uma previsão de ruptura, por exemplo, precisa chegar a quem decide em tempo de agir. Essa pessoa deve saber quando alterar o pedido, quais limites respeitar e quem envolver. Lote mínimo, espaço, validade e capacidade de entrega precisam fazer parte da decisão. Também deve existir um procedimento para os casos em que o gestor discorda da recomendação.

Sem esse desenho, a informação chega, mas a decisão não muda. Uma recomendação que não encontra lugar no fluxo de trabalho é apenas mais uma informação disputando atenção.

A BCG utiliza a regra 10-20-70 como referência gerencial para iniciativas de inteligência artificial. Nessa lógica, 10% do esforço está relacionado a algoritmos, 20% a dados e tecnologia e 70% a pessoas, processos e mudança cultural. O ponto é simples: a maior parte do trabalho está na organização, na capacitação e na adoção.

É nesse ponto que entra a Disciplina. O projeto precisa de liderança, rotina de acompanhamento, treinamento, tratamento de exceções e correção. Também precisa de uma regra clara para quando a recomendação não for seguida. A exceção pode ser legítima, mas deve ser registrada e discutida. Caso contrário, o sistema recomenda uma coisa, a operação faz outra e ninguém entende por que o resultado não aparece.

Em uma pesquisa global da McKinsey, organizações classificadas como de alto desempenho em IA relataram ter redesenhado profundamente seus fluxos de trabalho com uma frequência cerca de três vezes maior que a das demais.

Esse resultado ajuda a explicar um ponto importante. A IA não transforma uma operação por aquilo que recomenda, mas por aquilo que a organização consegue executar a partir da recomendação.

Dinheiro precisa aparecer na conta

Dinheiro não se resume a corte de custos. Pode significar margem, perda evitada, capacidade liberada, produtividade, nível de serviço, frequência, mix, capital de giro ou redução de risco.

A previsão de demanda mostra como essa conta muda ao longo da cadeia. Em um restaurante, uma decisão melhor pode reduzir ruptura e desperdício. No distribuidor, pode melhorar disponibilidade e planejamento de compras. Na indústria, pode qualificar produção e abastecimento.

A tecnologia pode ser a mesma, mas cada elo da cadeia precisa medir um resultado diferente.

Para medir o resultado, é preciso definir uma base de comparação, um período e quem fará o acompanhamento. Reduzir ruptura sem acompanhar o estoque médio pode apenas trocar um problema por outro. Economizar horas sem saber onde essa capacidade foi aplicada também não comprova retorno. A métrica deve refletir a dor definida no início.

Sem essa ligação com o resultado do negócio, o projeto pode comemorar indicadores técnicos, alertas emitidos ou horas poupadas sem saber se a operação realmente melhorou.

Também é preciso aceitar que nem todo problema exige inteligência artificial. Cadastro corrigido, regra de reposição, treinamento, análise de dados ou automação convencional podem entregar uma resposta mais simples, barata e rápida. Escolher uma solução menos sofisticada, quando ela resolve a dor, é uma boa decisão de investimento.

Antes de aprovar um projeto, a liderança precisa deixar claros o problema, os dados necessários, a mudança de rotina, quem responderá pela execução e o indicador econômico. É por isso que a IA no foodservice começa antes do algoritmo. Primeiro, a empresa precisa saber qual decisão pretende melhorar e como transformará essa decisão em resultado.

Autor

Erik Rodrigues Collaço

Mini bio

Head Nacional de Food Service na Camil Alimentos, membro do Conselho de Tecnologia do Instituto Foodservice Brasil (IFB) e executivo com mais de 25 anos de experiência na área comercial, sendo mais de 15 dedicados ao mercado de Food Service. Atua na integração entre estratégia comercial, dados e inteligência artificial aplicada à gestão, à execução comercial e aos resultados de negócio.