Há uma curiosa contradição no coração da previsão de vendas com IA. Uma pesquisa publicada no início de 2026 pelo fornecedor de software de inventário inFlow — 400 profissionais de armazém e operações em 33 indústrias — descobriu que 81% queriam IA na gestão de estoque, mas apenas 11% a usavam de fato. Enquanto isso, 85% ainda dependiam de planilhas como principal ferramenta de inventário, e 44% ficavam sem estoque pelo menos uma vez por mês. Entre a forte intenção e a adoção mínima estão as duas perguntas mais básicas: qual é a precisão da previsão, e de onde vêm os dados?

Este artigo deixa a tecnologia de lado e responde às três perguntas que os operadores realmente fazem: há evidência crível do ROI da previsão de vendas com IA? O que alimenta os modelos? E por que empresas com previsões precisas ainda abastecem o inventário errado?

A evidência: qual é a precisão da previsão de vendas com IA?

Um estudo de 2022 da McKinsey no mckinsey.com ("AI-driven operations: forecasting in data-light environments") descobriu que a previsão orientada por IA na gestão da cadeia de suprimentos pode reduzir os erros de previsão de 20 a 50 por cento, traduzindo-se em reduções de vendas perdidas de até 65 por cento; os custos de armazenagem caem de 5 a 10 por cento e os custos administrativos de 25 a 40 por cento.

Mas há outro lado nesses números. O Hype Cycle for Agentic AI de 2026 da Gartner (citado pela firma de analistas IHL) oferece um contraponto sóbrio: apenas 17% das organizações implantaram de fato agentes de IA, 60% planejam fazê-lo em dois anos, mas estima-se que 40% dos projetos de IA agêntica serão cancelados até o fim de 2027 — mortos por custos descontrolados, valor de negócio incerto ou falta de governança. O ROI da tecnologia de previsão é real, mas a probabilidade de obtê-lo dentro do seu próprio armazém é muito menor do que os slides dos fornecedores sugerem.

As quatro tendências de IA em armazéns de 2026 da Gartner valem ser lidas em ordem: previsão de demanda e slotting em tempo real, IA generativa escrevendo SOPs e manuais de exceção, "agentes sugestivos" executando tarefas de múltiplas etapas sob supervisão humana, e Physical AI combinando robótica com sensoriamento para picking e sortation. Repare na ordem — a previsão vem primeiro, mas nunca está sozinha. Tudo depois dela trata do que acontece após a previsão.

Dois casos de campo: como a previsão se parece em armazéns dos EUA

No outono de 2024, passei uma semana dentro do armazém de um distribuidor de vestuário no sul da Califórnia. Moda feminina de médio padrão, cerca de $80 million em receita anual, por volta de 4,000 SKUs ativos, com a Black Friday e as festas de fim de ano representando cerca de 40% das vendas anuais. A dor era de manual: best-sellers esgotados, SKUs de cauda longa empilhados, compradores comprando no instinto.

Em 2023, eles implantaram uma ferramenta de previsão de demanda com IA alimentada por três tipos de dados: três anos de registros POS, o calendário anual de promoções e dados meteorológicos regionais. Após um ano, os resultados se dividiram em dois: o erro de previsão nos SKUs campeões caiu de cerca de 35% para menos de 20%; e os 2,000 SKUs de cauda para os quais os compradores nunca tinham tempo receberam cada um sua própria recomendação de reposição. Na Black Friday de 2024, a cobertura do estoque de segurança havia caído de 45 dias para 32, e a liquidação de fim de estação havia caído cerca de 30%. As palavras exatas do gerente do armazém: "O verdadeiro valor do modelo não é a precisão. É que ele lembra de 4,000 SKUs e os humanos não conseguem."

O segundo caso é um 3PL do Meio-Oeste que atende cadeias varejistas de autopeças. Autopeças são brutalmente sazonais — a demanda segue a previsão do tempo. O modelo deles ingeriu dados meteorológicos históricos da NOAA mais dados de ordens de serviço de oficinas de reparo, produzindo recomendações regionais de abastecimento com 8 a 12 semanas de antecedência. No inverno de 2024, uma onda de frio chegou duas semanas antes — e o modelo já havia elevado as recomendações de estoque de segurança de baterias em 40% três semanas antes, com base em padrões de vendas de "anos de inverno precoce" da década anterior. Naquele inverno, a taxa de ruptura de baterias deles esteve entre as mais baixas do setor. No que a previsão com IA é genuinamente boa não é em produzir um número preciso, mas em reconhecer a partir de padrões históricos a qual ano anterior o ano atual se assemelha.

De onde vêm os dados da previsão de vendas com IA: cinco fontes

A qualidade da saída do modelo é quase inteiramente determinada pelas entradas. Os sistemas de previsão funcionais que acompanhei se nutrem de cinco categorias de dados:

Primeiro, o histórico interno de vendas: dados POS, registros de saída do ERP, registros de picking do WMS — pelo menos um a dois anos contínuos. Muitos armazéns nunca superam essa barreira: cadastros de SKU duplicados, embarques promocionais registrados sem distinção dos normais. Dados sujos entram, previsões sujas saem.

Segundo, o calendário de promoções e marketing: quando os descontos acontecem, quão profundos, cronogramas de anúncios. Em vestuário, beleza e eletrônicos de consumo, uma promoção pode elevar as vendas de uma única semana de cinco a dez vezes sobre a base; um modelo que não conhece o plano de promoções subprevê sistematicamente.

Terceiro, sinais externos: clima, feriados, grandes eventos locais. O clima move autopeças, vestuário e artigos para atividades ao ar livre; cada categoria precisa da Black Friday e da volta às aulas ancoradas.

Quarto, dados de restrições da cadeia de suprimentos: variabilidade histórica de lead times de fornecedores, inventário em trânsito, cronogramas de fábrica. Uma previsão dizendo "você precisa de 1,000 unidades" é inútil se os lead times derivarem de 30 para 60 dias sem que o ponto de reposição se mova — previsão e reposição são um só sistema.

Quinto, sinais de mercado e concorrentes: movimentos de preços, novos lançamentos, promoções de concorrentes. Os mais difíceis de obter e os mais ruidosos; a prática madura é usá-los apenas como sinalizadores de anomalia, não como entradas precisas.

A descoberta contraintuitiva: não é sobre o volume de dados, é sobre o alinhamento dos dados. Vi projetos morrerem no "data lake" — a TI despeja uma dúzia de sistemas em um lago durante a maior parte de um ano, e o modelo ainda não consegue rodar, porque as promoções e os registros de vendas estão em diferentes granularidades de tempo e o código SKU significa três coisas diferentes em três sistemas. O título do paper da McKinsey resume: a previsão com IA funciona mesmo em ambientes com poucos dados, desde que você primeiro responda à pergunta concreta "o que exatamente o modelo come" em vez da abstrata "nossos dados são grandes o suficiente".

Fazendo as contas do ROI: de onde vem realmente o dinheiro

O ROI da previsão de vendas com IA não está na previsão em si. Está nas duas decisões de inventário que a previsão muda: o estoque de segurança e o tamanho do lote de reposição. Percorramos a lógica com números ilustrativos, dimensionados para um distribuidor americano de médio porte:

Suponha um distribuidor de $50 million girando o estoque 6 vezes por ano — estoque médio de $8.3 million, custo de carregamento de 25%, ou cerca de $2 million por ano em custo de manutenção. Se a previsão com IA reduz o erro em cerca de um terço, o estoque de segurança pode cair de 20 a 30 por cento, liberando $1.6 to $2.5 million em capital de giro e economizando $400,000 to $600,000 por ano em custo de manutenção. Some a redução de rupturas — pegue o "até 65%" da McKinsey e divida pela metade por realismo: sobre $1 million de vendas perdidas anuais, são $300,000 recuperados. Combinado, o benefício anual fica na faixa de $700,000 to $900,000.

Do lado dos custos, uma ferramenta de previsão de complexidade média — software, implementação, governança de dados do primeiro ano — tipicamente custa entre $150,000 to $400,000 no primeiro ano. O ROI parece atraente aqui, mas três linhas de custo são cronicamente subestimadas: a mão de obra de governança de dados (uma limpeza de três meses do cadastro de SKUs é normal), a adaptação dos compradores (se os planejadores não confiam no modelo e continuam pedindo no instinto, o sistema é decoração), e a manutenção contínua (os modelos precisam ser retreinados à medida que as estações e o mix de categorias mudam).

Então o número de 40% de cancelamentos da Gartner não surpreende. Projetos de previsão raramente falham no algoritmo. Falham porque a organização não estava pronta para entregar parte de sua tomada de decisão a um modelo.

Previsões precisas, abastecimento errado: três desconexões

A primeira desconexão está entre a previsão e a reposição. A previsão diz "você precisa de 10,000 unidades no próximo trimestre"; a política de reposição diz "o lote econômico é 3,000, o MOQ do fornecedor é 5,000". Os dois números brigam, e o pedido sai no instinto mesmo assim. Se a previsão não estiver conectada aos parâmetros de reposição, a previsão é apenas um PDF bonito.

A segunda desconexão está entre a previsão nacional e a execução no armazém. As previsões são nacionais; o inventário vive em DCs regionais específicos. O 3PL de autopeças do Meio-Oeste bateu exatamente nesse muro: a previsão nacional estava certa, mas tudo se amontoou no DC de Chicago enquanto as lojas do Texas ficavam sem estoque. Descer a previsão para o nível do DC regional resolveu. O que um gerente de armazém deve observar não é "a previsão é precisa" mas "a previsão consegue pousar nas minhas localidades".

A terceira desconexão está entre a previsão e as exceções. Cisnes negros — pandemias, greves portuárias, clima extremo — são imprevisíveis por construção. A prática madura é um disjuntor humano: diante de um choque externo, o sistema volta a uma política conservadora de estoque de segurança em vez de deixar o modelo extrapolar sobre dados fora da distribuição.

A tendência, e uma pergunta aberta

Conectando os pontos, a tendência é clara: a previsão de demanda está passando de "o exercício trimestral do departamento de planejamento" para "uma entrada em tempo real nos sistemas do armazém"; a barreira de dados está caindo — a McKinsey mostrou que ambientes com poucos dados podem começar; mas a barreira organizacional está subindo — uma taxa de cancelamento de projetos de 40% diz que a tecnologia não é mais o gargalo, as pessoas e os processos são.

Uma pergunta aberta: há alguém na sua equipe que consiga ler tanto um relatório de previsão quanto a realidade no chão de fábrica, com a autoridade para decidir quando os dois entram em conflito? Sem essa pessoa, a saída do modelo mais preciso é apenas um relatório não lido. A tecnologia pode ser comprada, os dados podem ser limpos — mas a disposição organizacional de deixar as previsões realmente orientarem as decisões de abastecimento não pode ser comprada.

Por Dr. Chen, pesquisador de supply chain Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.