A classificação de devoluções por inspeção visual com IA é a promessa mais recente da logística reversa. Segundo a pesquisa de 2025 da National Retail Federation e da Happy Returns, cerca de 19.3% das vendas online são devolvidas, somando aproximadamente $849.9 billion em mercadoria devolvida por ano, e cerca de 9% das devoluções são sinalizadas como fraudulentas. A classificação de devoluções fica no ponto da cadeia que mais exige mão de obra: cada item que volta precisa que uma pessoa olhe para ele, julgue se está como novo, levemente usado ou danificado, e decida se volta para a prateleira, para um canal de desconto ou para o descarte. A IA de visão agora quer assumir esse par de olhos. A questão não é se ela consegue ver. É com que precisão ela vê, e quanta precisão ela precisa ter antes que o investimento se pague.

Inspeção visual com IA em devoluções: o que a era das câmeras muda

A mudança está chegando primeiro onde o volume é maior. As taxas de devolução de vestuário lideram todas as categorias, com analistas do setor situando-as em torno de 24% a 30%. Em 2025, o cais de devoluções de uma marca de vestuário processava mais de mil peças devolvidas por dia. Cada item levava de 45 a 90 segundos de um inspetor: conferir as etiquetas, sentir o tecido, procurar desgaste nos punhos e na gola. Quando chegava a alta temporada, a fila se estendia até o dia seguinte, os prazos de reembolso escorregavam e as reclamações dos clientes cresciam junto.

A abordagem da IA de visão é fotografar primeiro e julgar depois. Uma peça passa sob uma câmera na bancada de classificação, o modelo a separa por condição, os itens como novos voltam direto ao estoque, os danificados vão direto ao descarte e só os incertos chegam a uma pessoa. A lógica de triagem em si não é controversa. A discussão é sobre onde cai a fronteira. Um fornecedor de verificação de devoluções publica números de referência afirmando que a IA de visão reduz o tempo de revisão manual de 60% a 80%, reduz as aprovações fraudulentas de 15% a 25% e melhora a precisão de reabastecimento de 30% a 40%. Esses números vêm dos próprios testes de referência do fornecedor e devem ser citados com esse rótulo, não tratados como consenso do setor.

Inspeção visual com IA em devoluções e a questão da precisão

Comecemos pelo teto humano. Pesquisas do Sandia National Laboratories mostram que inspetores humanos deixam passar de 20% a 30% dos defeitos em condições reais de produção. Um inspetor treinado, em concentração máxima, detecta aproximadamente de 80% a 87%, e esse número cai ainda mais depois de algumas horas na linha. Dois inspetores conferindo um ao outro podem elevar a detecção para cerca de 96%. A fraqueza humana não é a visão. É a atenção e a consistência: o critério do mesmo inspetor varia da manhã para a tarde, e inspetores diferentes discordam muito mais.

Agora vejamos o teto da máquina. Em ambientes controlados de produção, os sistemas modernos de visão de máquina normalmente detectam de 97% a 99.5% dos defeitos. Esse número vem da inspeção em linha, onde a iluminação é fixa, os ângulos são fixos e os tipos de defeito são limitados. A classificação de devoluções é consideravelmente mais difícil do que a inspeção em linha, por três motivos.

A primeira dificuldade são os casos extremos. A linha entre levemente usado e como novo pode depender de um vinco quase invisível ou de um canto de caixa amassado. O mesmo arranhão parece óbvio sob luz quente e desaparece sob luz fria, então um padrão aprendido sob uma luz pode falhar sob outra. Arranhões são difíceis de fotografar em peças escuras, amassados são difíceis de ver em embalagens claras, e o tipo de produto mais escasso nos dados de treinamento é o que tem maior probabilidade de ser mal julgado.

A segunda dificuldade é o que a câmera não consegue ver. Um telefone pode parecer novinho e ainda assim ter a bateria inchada. Um pequeno eletrodoméstico pode chegar em embalagem perfeita e ainda assim não ligar. A IA de visão julga apenas a aparência; falhas funcionais ficam fora do enquadramento. Um cais de devoluções de eletrônicos de consumo que instala câmeras sem adicionar um teste de ligar o aparelho deixa seus erros mais caros para o pós-venda: um item classificado como novo volta à venda, o cliente recebe um aparelho que não liga e a segunda devolução custa mais do que a primeira.

A terceira dificuldade é que o próprio padrão muda. Não existe uma escala universal de classificação por condição; a fronteira entre como novo, levemente usado e danificado é definida por cada comerciante. Um modelo aprende com os julgamentos passados dos seus inspetores, e os julgamentos passados dos seus inspetores nunca foram consistentes para começar. Treine com um histórico enviesado e o modelo aprende o viés mais a fundo e o aplica com mais consistência do que qualquer humano jamais fez. Ele errará de forma mais sistemática do que as pessoas que substituiu.

As contas do ROI: erro de julgamento versus mão de obra

As contas do ROI da inspeção visual com IA em devoluções têm dois lados. Do lado da mão de obra, as estimativas do setor situam o custo de processar uma única devolução entre $20 e $30, com a classificação levando a maior parte. Tomemos um exemplo concreto: um cais de devoluções que processa 6,000 itens por mês, com classificação manual de 90 segundos por item, gasta 150 horas por mês com classificação, quase um cargo em tempo integral. Se a IA de visão resolver automaticamente 70% dos itens claros e as pessoas revisarem apenas os 1,800 restantes, as horas de classificação caem para 45, economizando cerca de 105 horas.

Do lado do erro de julgamento, o custo é a diferença de valor entre os graus. A convenção padrão do setor para classificação recupera de 85% a 100% do preço original para itens como novos, de 30% a 50% por canais de desconto para itens visivelmente desgastados e de 5% a 15% em valor de salvamento para os danificados. Tomemos um item de $100: classificar um item como novo no nível de usado perde de $35 a $70 de uma vez. Classificar um item usado como novo e colocá-lo de volta à venda arrisca uma segunda devolução e uma avaliação ruim, o que geralmente custa mais. O erro de julgamento não é simétrico. Rebaixar bom estoque perde dinheiro; promover estoque ruim perde confiança.

Abordagem Horas mensais de classificação Risco de erro de julgamento Melhor ajuste
Totalmente manual Cerca de 150 horas Os padrões variam, pior quando há pressa Baixo volume de devoluções, produtos variados
IA de visão mais revisão humana de casos extremos Cerca de 45 horas Erros em casos extremos, precisa de dados de treinamento contínuos Alto volume de devoluções, categorias concentradas
IA de visão totalmente automatizada Quase zero Os erros se tornam sistemáticos, ninguém os percebe Ainda não recomendado para nenhuma categoria

O ponto contraintuitivo é que o maior valor da IA de visão não é substituir os inspetores. É permitir que os inspetores olhem apenas para os 20% a 30% de itens mais difíceis. Um sistema com 99% de precisão sobre dados de treinamento enviesados errará de forma mais sistemática do que as pessoas que substituiu. E o verdadeiro gargalo na classificação de devoluções muitas vezes não é o julgamento em si, mas o que acontece depois: se o estoque com desconto tem um canal para vender e se o estoque danificado tem uma rota de descarte em conformidade. Uma classificação perfeita ainda perde dinheiro se a mercadoria não consegue se mover.

O que acontece quando o julgamento fica barato

Dando um passo atrás e olhando para a linha do tempo mais longa, a questão mais interessante não é a bancada de classificação, mas a política de devoluções por trás dela. Os dados de 2025 já mostram que as taxas de devolução online continuam subindo, com o vestuário se aproximando de três em cada dez pedidos. Uma razão pela qual os comerciantes hesitaram em flexibilizar as políticas de devolução é que classificar é caro: cada item devolvido precisa que uma pessoa olhe para ele. Se a IA de visão empurrar o custo de julgar um item para perto de zero, a política de devoluções pode passar de uma linha de custo para uma ferramenta de aquisição de clientes: devoluções mais fáceis em troca de maior conversão, com a classificação passando de um centro de custo para um instrumento de precificação.

Esse julgamento precisa de mais dois a três anos de dados para ser verificado. As questões em aberto são se a precisão da IA de visão em cenários reais de devoluções consegue se manter acima de 95%, se o custo dos erros em casos extremos diminui com a escala e se os comerciantes estão dispostos a transformar os padrões de condição, da experiência em dados auditáveis. A tecnologia já consegue ver um vinco com clareza. A questão mais difícil é se os comerciantes estão prontos para colocar nesse vinco um preço que todos aceitem.

Por Dr. Chen, Pesquisador de cadeia de suprimentos Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.