IA no cardápio: vale a pena?

Durante décadas, montar um cardápio foi uma mistura de experiência, intuição e tentativa. O empresário escolhia os pratos que acreditava que venderiam e o chef defendia aquilo que fazia sentido para a cozinha, enquanto o mercado e o cliente entregavam a resposta do que estava funcionando.

Esse processo não desapareceu, mas o uso de IA parece ter aqui uma nova utilidade e parte dessa transformação já começou.

A IA já influencia o que você escolhe comer

Quando duas pessoas abrem um aplicativo de delivery, elas não necessariamente enxergam a mesma vitrine. Sistemas de recomendação analisam sinais de comportamento, contexto e características dos produtos para decidir quais opções possuem maior probabilidade de interessar a cada consumidor.

O próprio iFood já descreveu sistemas que consideram fatores como perfil do cliente, localização, ocasião de consumo, histórico da jornada e características dos pratos para tentar responder a uma pergunta aparentemente simples:

Qual é a melhor oferta para esse cliente agora?

Em 2025, pesquisadores ligados ao iFood publicaram um trabalho sobre um sistema de recomendação personalizada de coleções de restaurantes e pratos. Em testes A/B realizados com parcelas entre 5% e 10% da base da plataforma, o modelo reportou aumento de até 97% na taxa de conversão dos cards personalizados e ganho de 1,4% na conversão geral do aplicativo em relação às referências utilizadas no experimento.

É importante entender que a inteligência artificial não é capaz de criar uma comida melhor, mas ela ficou muito boa em aproximar determinada oferta de determinada pessoa.

Então voltamos à questão principal: e se a IA não apenas recomendar o cardápio, mas ajudar a construí-lo?

Imagine um restaurante que pretende abrir uma nova unidade. Antes de definir seu cardápio, um sistema poderia analisar dados disponíveis sobre aquela operação e seu mercado:

• quais categorias possuem maior demanda;
• qual faixa de preço apresenta melhor resposta;
• quais produtos costumam ser consumidos juntos;
• quais horários concentram determinados tipos de pedido.

A partir disso, a IA não precisaria escrever um cardápio inteiro e entregar ao empresário. Poderia fazer algo bem mais valioso e simples: reduzir o universo de decisões ruins.

Em vez de começar com 70 itens porque "é melhor oferecer mais opções", talvez os dados apontem que 30 produtos cobrem quase todas as principais ocasiões de consumo daquele público.

Em vez de escolher acompanhamentos apenas pela intuição, padrões de compra poderiam revelar quais combinações possuem maior potencial de aumentar o ticket. Essa aplicação ainda é, em boa medida, uma hipótese de gestão quando pensamos na IA desenhando autonomamente o cardápio de um restaurante específico, mas as tecnologias necessárias para partes desse processo já existem.

Para restaurantes antigos, a oportunidade talvez seja ainda maior

Um restaurante novo possui um problema: poucos dados próprios.

Um restaurante que opera há cinco anos, se ele tiver uma boa coleta de dados, é possível juntar uma quantidade de registros de pedidos suficiente para alimentar todo esse maquinário e quase sempre utiliza apenas uma pequena parte dessa informação para tomar decisões sobre o cardápio.

Um prato aparentemente campeão de vendas pode deixar de parecer tão interessante quando sua margem, complexidade e efeito sobre a operação entram na conta da IA.

Outro item com volume menor pode revelar clientes extremamente recorrentes. Um terceiro talvez venda pouco sozinho, mas aparece frequentemente em pedidos de alto ticket. O cardápio também poderia mudar conforme o contexto.

Talvez o futuro não seja apenas sobre cardápio melhor, mas sim sobre cardápios adaptados.

Pesquisas sobre recomendação em food delivery já mostram que contexto importa. Horário, localização, comportamento anterior e ocasião influenciam a propensão de consumo. Isso abre espaço para imaginar um cardápio digital menos estático.

No almoço, determinado conjunto de produtos ganha protagonismo. À noite, outro.

Para um cliente recorrente, aparecem primeiro seus favoritos e complementos relevantes. Para alguém novo, entram produtos capazes de comunicar rapidamente a proposta da casa. Em um dia frio, determinadas categorias podem ganhar destaque. Enquanto o restaurante continua definindo o que vende, a vitrine aprende o que mostrar, para quem e quando de maneira automática.

Mas existe um limite importante

Dados históricos também carregam problemas históricos.

Se o prato vende pouco porque sua fotografia é ruim, um algoritmo que olha apenas para vendas pode concluir que o produto é ruim. Se determinado item aparece pouco porque estava escondido no cardápio, baixa conversão não significa necessariamente baixa demanda.

Se um produto possui excelente margem, mas frequentemente chega indisponível, os dados podem contar uma história incompleta — e existe ainda o problema dos restaurantes novos: como recomendar produtos quando ainda não existe histórico suficiente?

Esse desafio é conhecido em sistemas de recomendação como cold start, e continua sendo objeto de pesquisa. Técnicas baseadas no conteúdo dos itens e em modelos capazes de generalizar características são algumas das formas utilizadas para reduzir essa limitação.

Por isso, IA não elimina julgamento, mas aumenta a quantidade de evidências disponíveis para ele.

No food service dos próximos anos, vantagem competitiva não será simplesmente ter mais dados ou utilizar inteligência artificial.

Será saber transformar os dois em decisões melhores, cardápios mais eficientes e operações menos dependentes de tentativa e erro.