Uma rede de franquias de varejo treinou uma IA com 80 milhões de transações e transformou o aplicativo em “consultor de loja” via WhatsApp — lojas que seguiram integralmente as recomendações diárias tiveram alta média de 18% na receita. No mesmo período, uma pesquisa da Strand Partners para a AWS, com 1.000 líderes empresariais brasileiros, mostra que 50% das empresas do país já dizem usar IA, mas 58% delas ainda estão no estágio básico e só 6% chegam a usar agentes de IA de fato. A distância entre esses dois números é o ponto central: não é o uso de IA que falta no Brasil, é dado específico de processo, acumulado em volume suficiente para a IA aprender algo que vale dinheiro.
Para quem decide orçamento numa empresa de médio porte, a lição da rede varejista não é “preciso de 80 milhões de transações”. É que o resultado de 18% não veio do modelo de IA — veio do dado proprietário acumulado antes dele, testado em 100 lojas-piloto até alcançar 90% de aderência entre a recomendação da IA e a decisão que de fato gerava crescimento. Esse é o critério replicável, não o tamanho do dado.
Principais aprendizados
- A rede varejista Smartstore treinou sua IA com 80 milhões de transações e validou o modelo em 100 lojas-piloto antes de escalar — só depois dessa validação o aplicativo passou a recomendar ações diárias via WhatsApp, com alta média de 18% na receita das lojas que seguiram integralmente as orientações.
- Pesquisa da Strand Partners para a AWS (1.000 líderes empresariais, divulgada em setembro) mostra que 50% das empresas brasileiras já usam IA, mas 58% delas estão em estágio básico e apenas 6% usam agentes de IA — a adoção avança mais rápido que a maturidade.
- O Brasil lidera investimento em IA na América Latina, com cerca de US$ 4,2 bilhões projetados para 2026 segundo a IDC, mas análise da consultoria Sincra aponta que o país continua fora do radar global de capital em IA, hoje concentrado em polos como Coreia do Sul e Taiwan — escala regional e relevância global são métricas diferentes.
- O ganho de 18% da Smartstore não veio da ferramenta de IA em si, veio do volume e da qualidade do dado de transação acumulado antes de qualquer modelo entrar em produção — o mesmo padrão que separa, em qualquer setor, quem converte investimento em resultado medido de quem só acumula licença de software.
- Para a empresa de médio porte, o critério que replica esse resultado é identificar qual processo interno já gera dado estruturado em volume e frequência suficientes, e validar o modelo em escala pequena antes de levar para toda a operação — não comprar a ferramenta mais recente do mercado.
O que a Smartstore fez de diferente para transformar dado em 18% de receita extra?
Validou antes de escalar. O xSmart AI não foi lançado direto para toda a rede de lojas licenciadas — passou por um período de teste em 100 lojas-piloto, comparando a recomendação da IA com o resultado real de receita. Só quando a aderência entre a orientação da IA e o crescimento orgânico chegou a 90% o programa foi ampliado para o restante da rede, com recomendações diárias entregues por WhatsApp — canal que a rede já usava, sem exigir aprendizado de ferramenta nova.
Esse é o ponto que costuma passar batido quando uma empresa de médio porte olha um case assim: o diferencial não foi a sofisticação do modelo, foi a disciplina de validar em escala pequena antes de confiar o resultado à escala grande. Uma empresa que pula essa etapa — que implanta a recomendação de IA direto para toda a operação, sem comparar com o resultado real num grupo controlado — não sabe se o ganho é da IA ou de outra variável do período. É o mesmo cuidado que qualquer piloto de IA deveria ter, em qualquer setor ou porte.
Se metade das empresas brasileiras já usa IA, por que só 6% chegam a agentes e resultado real?
Porque “usar IA” e “ter maturidade em IA” são coisas diferentes, e a pesquisa da Strand Partners para a AWS mede exatamente essa distância: 50% das empresas brasileiras dizem usar IA hoje, contra 40% no ano anterior — um salto real de adoção —, mas 58% delas ainda estão no estágio básico, e apenas 6% já operam agentes de IA, que exigem dado mais estruturado, processo mais claro e um responsável de negócio definido para funcionar. A adoção corre na frente; a maturidade fica atrás. Já detalhamos por que 73% das empresas brasileiras vão lidar com algum nível de agente de IA até 2027 e, ainda assim, travam exatamente nesse ponto — qualidade de dado, sistema legado e gente despreparada para operar o que foi implantado.
O dado do investimento regional reforça o mesmo padrão em outra escala: o Brasil lidera os gastos com IA na América Latina, mas uma análise da consultoria Sincra mostra que o país fica fora do radar global de capital em IA, hoje concentrado em polos como Coreia do Sul e Taiwan. As duas leituras não se contradizem — descrevem escalas diferentes, assim como “adotar IA” e “ter maturidade em IA” descrevem coisas diferentes dentro de uma mesma empresa. O que separa as duas situações não é o volume de ferramenta instalada, é se existe dado estruturado, processo definido e alguém com responsabilidade clara de acompanhar o indicador.
Minha empresa não tem escala de rede varejista — esse critério ainda vale para mim?
Vale, porque o critério não é o volume absoluto de dado, é a disciplina de mapear o processo certo e validar antes de escalar — e isso qualquer empresa de médio porte consegue aplicar dentro do próprio perímetro de ferramentas já autorizado pela TI, sem contratar nenhuma plataforma nova. É o mesmo princípio que sustenta o modelo AMPLIFICA da HAIA: a TI define uma vez o perímetro de dado e governança, e o próprio time de negócio constrói, dentro dele, a automação para o gargalo que mais consome tempo e gera mais retrabalho no dia a dia — testando em escala pequena antes de levar para toda a operação.
Já acompanhei de perto o tamanho do resultado que esse critério produz fora da escala de uma rede nacional. Numa operação de serviços financeiros de médio porte, automações de crédito e documentação permitiram atender mais volume sem aumento proporcional de equipe, com monitoramento contínuo de prazos regulatórios — o programa terminou com 106 avaliações internas, predominância de nota máxima. Como em qualquer caso real, os resultados refletem o contexto, a maturidade e os processos de cada organização, e não constituem promessa de resultado equivalente em outro ambiente. O critério por trás, porém, é o mesmo da Smartstore: identificar onde o dado já existe em volume, testar numa fração da operação e só então ampliar com base no resultado medido, não na expectativa.
O erro mais comum em empresa de médio porte é inverter essa ordem — comprar a ferramenta mais comentada do mercado primeiro, na esperança de que o dado “vai aparecer depois”. Sem um grupo de comparação real e sem alguém responsável por acompanhar o indicador de perto, o resultado raramente aparece — e, quando aparece, ninguém consegue provar que foi mesmo a IA.
Perguntas frequentes
Por que a maioria das empresas que usa IA não chega ao resultado da Smartstore?
Porque a maioria pula a etapa de validar o modelo em escala pequena antes de confiar nele em toda a operação. A Smartstore só ampliou o xSmart AI para toda a rede depois de testar em 100 lojas-piloto e confirmar 90% de aderência entre a recomendação da IA e o resultado real de receita — sem esse teste controlado, não há como saber se o ganho vem da IA ou de outra variável do período.
O que significa dizer que 50% das empresas usam IA, mas só 6% usam agentes?
Significa que a adoção superficial de IA está avançando muito mais rápido do que a maturidade real para operar soluções mais sofisticadas, como agentes autônomos. Agentes de IA exigem dado mais estruturado, processo mais claro e um responsável de negócio definido — por isso só uma fração pequena das empresas que “já usa IA” chega a esse estágio.
Preciso de milhões de transações para aplicar esse critério na minha empresa?
Não. O volume absoluto de dado da Smartstore reflete a escala de uma rede nacional, mas o critério que gerou o resultado — mapear o processo certo e validar o modelo numa fração da operação antes de escalar — se aplica em qualquer porte. Uma empresa de médio porte pode aplicar a mesma disciplina dentro do perímetro de ferramentas já aprovado pela própria TI.
Por que o Brasil lidera investimento em IA na América Latina, mas fica fora do radar global de capital?
Porque são métricas de escalas diferentes: liderança regional mede o volume de gasto dentro da América Latina, enquanto o radar global de capital em IA está hoje concentrado em polos como Coreia do Sul e Taiwan. As duas informações são verdadeiras ao mesmo tempo e não se contradizem — nenhuma delas, isoladamente, diz se uma empresa brasileira específica está convertendo esse investimento em resultado medido.
