Uso de IA no varejo e como implementar da forma correta

Recentemente, José Fugice fez uma provocação sobre o que pretende observar na NRF 2027. Segundo ele, depois de muitos projetos, testes e ideias envolvendo inteligência artificial, chegou a hora de entender o que efetivamente está funcionando.

O mercado já viu muitas iniciativas, mas ainda pouco resultado concreto, e isso é um ponto de atenção para quem trabalha no setor. Porque existe uma diferença enorme entre perguntar "onde podemos usar IA?" e perguntar "qual resultado do negócio precisamos melhorar e onde a IA pode interferir nessa equação?"

É justamente aí que muitos projetos começam errado. Então vamos à forma correta de pensar o uso dessa tecnologia no varejo.

Gestão de expectativa

Desde a popularização da IA generativa, praticamente qualquer processo empresarial virou candidato à automação, e é fato que as possibilidades realmente são enormes.

Segundo a Deloitte, em 2026, varejistas já utilizam IA em áreas que vão de fraude e cibersegurança a preço, previsão de demanda e supply chain.

Só que uma lista grande de aplicações não significa uma lista grande de "eficiências" em todos os processos a que ela se propõe.

Por exemplo, a McKinsey encontrou uma situação interessante em merchandising. Em pesquisa com 114 profissionais realizada no fim de 2025, 71% disseram que ferramentas de IA tiveram impacto limitado ou nenhum impacto em seus negócios até aquele momento. Entre os obstáculos aparecem sistemas fragmentados, dados inadequados e baixa preparação para escalar as soluções.

É aqui que percebemos como a IA conseguir executar determinada tarefa não significa automaticamente que vale a pena automatizá-la. Para começar, o dono da empresa precisa entender qual indicador deveria mudar se a implementação funcionar.

Se ninguém consegue responder isso, provavelmente será difícil provar seu ROI depois, e o investimento é só uma questão de hype. Você precisa saber o que esperar para não pular de cabeça e gastar dinheiro baseado apenas em empolgação tecnológica.

Isso ajuda a mostrar que o gargalo nem sempre é o modelo — às vezes a tecnologia ainda não está nesse estágio ou precisa de uma atenção especial até chegar lá.

IA não conserta dado ruim

Imagine uma rede que não possui boa padronização cadastral.

Produtos duplicados. Estoque mal registrado. Fichas técnicas desatualizadas. Dados de clientes espalhados em diferentes sistemas.

Então a empresa, de maneira lógica, implementa IA e espera melhores decisões, afinal ela tem esse déficit. Mas fica a pergunta: com base em quê ela espera melhorar?

Inteligência artificial não elimina a necessidade de construir uma boa infraestrutura de informação — fato que já era importante antes da popularização da IA, ela só tornou essa necessidade ainda maior.

A pesquisa da McKinsey, "LLM to ROI: How to scale gen AI in retail", com executivos do varejo, já apontava dificuldades relacionadas à qualidade dos dados, privacidade, integração tecnológica e custos de implementação como barreiras para escalar projetos de IA.

Por isso, talvez algumas empresas descubram algo desconfortável:

O investimento necessário para usar IA bem começa antes da IA de fato ser implementada.

Esse é um processo natural e fundamental, portanto deve ser uma pré-etapa a ser respeitada.

O melhor caso de IA talvez seja aquele que desaparece

Por fim, trago aqui uma mudança de entendimento que vai ser importante a longo prazo.

Hoje ainda falamos muito sobre "usar IA" e, daqui a alguns anos, provavelmente essa expressão fará menos sentido.

Ninguém entra em uma reunião para dizer que a empresa está "usando banco de dados".

A tecnologia simplesmente faz parte da operação naturalmente, e com a IA acredito que acontecerá algo parecido. As aplicações mais maduras provavelmente não serão ferramentas isoladas que o funcionário precisa lembrar de abrir.

Estarão incorporadas aos processos que ele já executa. A própria McKinsey observa em "The State of Grocery North America 2026" esse movimento no grocery, já que a adoção tende a ganhar escala quando a IA é incorporada às experiências e aos fluxos existentes, em vez de adicionada como uma camada independente.

O próprio sistema identifica que determinado produto perdeu margem, que outro está caminhando para ruptura e que uma campanha trouxe faturamento sem contribuição suficiente. A inteligência aos poucos vai deixar de ser uma ferramenta para ser uma etapa do trabalho.

Se a sua empresa já se aproxima desse ponto, você fez o dever de casa e agora pode pensar em como colher os frutos.