IA para posto de combustível: reposição da loja com mínimo e máximo

A IA pode prever a reposição da loja de conveniência de um posto combinando regras de estoque mínimo e máximo com o histórico de vendas, a variação por dia da semana e o prazo de entrega de cada fornecedor. O sistema calcula sugestões de pedido e sinaliza exceções, mas quem decide quanto comprar, de quem e por qual valor continua sendo uma pessoa responsável. Na prática, a automação reduz a conferência manual e o risco de um produto acabar sem que ninguém perceba, sem tirar do gestor a aprovação final.

Principais pontos

• A reposição começa com regras claras de mínimo e máximo por produto, e só depois com modelos de previsão mais sofisticados.
• A previsão de consumo usa histórico de vendas, dias da semana, feriados e eventos locais, sempre com revisão humana.
• O agente propõe pedidos e alertas; a aprovação segue um limite de valor e de exceção definido antes do piloto.
• Produtos perecíveis, promoções de fornecedor e itens novos precisam de regras próprias e, em geral, de decisão manual.
• Antes de automatizar, vale mapear o processo atual, limitar os dados e as ações do agente e testar em uma única categoria.

O que a previsão de reposição precisa responder

Uma boa previsão de reposição responde a três perguntas para cada produto: quando o estoque chega ao ponto de pedido, quanto pedir para cobrir o período até a próxima entrega e quais itens merecem atenção antes de qualquer pedido sair. Essas perguntas são simples, mas em um posto elas se misturam com cigarros e produtos controlados, bebidas geladas, snacks, café, itens de conveniência para caminhoneiros e produtos sazonais que variam com o clima e com o movimento da rodovia.

Na maior parte dos postos, as informações estão espalhadas: o sistema de ponto de venda ou o ERP, uma planilha de pedidos, o WhatsApp do fornecedor e a memória de quem faz a compra. O primeiro trabalho não é escolher um modelo, e sim reunir essas fontes em um cadastro único com produto, fornecedor, prazo de entrega, embalagem de compra e, quando existir, a regra que a equipe já usa hoje.

Como montar as regras de mínimo e máximo

A lógica clássica de reposição tem duas peças. O ponto de pedido é o nível de estoque em que vale fazer um novo pedido: ele equivale ao consumo médio diário multiplicado pelo prazo de entrega, somado a um estoque de segurança para absorver variações. O máximo é o nível desejado logo após a entrega, calculado para cobrir o período entre dois pedidos sem gerar excesso de produto parado.

Essas duas peças funcionam bem para a maioria dos itens de loja de conveniência porque são fáceis de explicar, auditar e ajustar. Um gestor entende por que o sistema sugeriu comprar, e consegue corrigir uma regra errada sem depender de um algoritmo opaco. Modelos de previsão mais elaborados podem entrar depois, para os itens em que o histórico mostra padrões mais complexos.

O estoque de segurança deve ser revisado com cuidado. Se ele é alto demais, o capital fica parado e a validade vence. Se é baixo demais, a ruptura aparece justamente no fim de semana ou no feriado, que são os períodos de maior movimento.

Passo a passo para um piloto

Um piloto bem desenhado cabe em poucas semanas de operação e começa pequeno. A sequência abaixo serve como roteiro:

• Escolha uma categoria com giro alto, fornecedor previsível e pouca variação de preço, como bebidas não alcoólicas ou snacks embalados.
• Exporte o histórico de vendas e o cadastro dos produtos, retirando qualquer dado pessoal que não seja necessário para o cálculo.
• Registre as regras que a equipe usa hoje, inclusive as que existem apenas na experiência de quem compra.
• Compare, durante o teste, a sugestão do sistema com o pedido que a equipe efetivamente fez, sem aplicar nada automaticamente.
• Defina antes do início a métrica de sucesso, por exemplo a quantidade de rupturas evitadas e o excesso de estoque na categoria escolhida.
• Mantenha um registro de cada sugestão, da justificativa usada, da decisão humana e do resultado observado.

Cenário ilustrativo: um café embalado acaba quase toda semana no fim de semana porque o pedido sai sempre na quinta-feira. Ao olhar o histórico por dia da semana, o agente identifica que a média geral subestima o consumo de sábado e sugere antecipar o pedido, marcando a sugestão como exceção. O gestor aprova ou ajusta, e o registro mostra se a mudança funcionou.

Onde a decisão de compra continua humana

O agente pode montar a lista de sugestões, calcular quantidades e apontar anomalias. A decisão de comprar, porém, exige julgamento sobre fatores que não cabem bem em uma regra: negociação com o fornecedor, condições comerciais do momento, risco de validade, alterações de embalagem e compromissos de caixa. Por isso, o desenho mais seguro separa o que é determinístico do que exige avaliação.

O fluxo costuma funcionar melhor quando o próprio sistema para e pergunta em situações definidas de antemão. Um guia de decisão pode ser este:

• Pedido dentro da faixa habitual de valor, com fornecedor cadastrado e preço igual ao histórico: pode seguir para aprovação rápida.
• Preço, prazo ou condição comercial diferentes do padrão: exige revisão do comprador antes de qualquer envio.
• Produto novo ou sem histórico suficiente: não entra em pedido automático e vai para decisão manual.
• Produto com validade curta, lote sob suspeita ou item sujeito a recolhimento: a decisão é do responsável, sem sugestão automática de quantidade.
• Quantidade fora do padrão da regra: o sistema pausa e registra a dúvida em vez de corrigir sozinho.

Essa lógica conversa com o que descrevemos sobre agentes de compras em agente de IA para compras que compara cotações e pede aprovação. O princípio é o mesmo: o agente prepara, compara e registra, e a aprovação fica com quem responde pelo caixa.

Dados, fornecedores e LGPD

Algumas informações de um posto são dados pessoais ou merecem cuidado. Notas fiscais podem trazer CPF ou CNPJ, programas de fidelidade associam compras a clientes, e a comunicação com fornecedores costuma passar pelo WhatsApp. Para a reposição, quase nada disso é necessário. O cálculo precisa de produto, quantidade, data e prazo, e o restante pode ficar fora do que é enviado a qualquer ferramenta.

Quando o modelo de IA roda em serviço hospedado fora do Brasil, vale verificar quais dados saem do país e com qual base de tratamento. O assunto está detalhado em transferência internacional de dados com IA e o que a LGPD exige. Em termos práticos, a regra mais segura é enviar apenas o que o cálculo precisa e documentar essa escolha.

Como medir se a reposição melhorou

A medição precisa comparar o antes e o depois na mesma categoria, com a linha de base registrada antes do piloto. Os indicadores mais úteis são a ocorrência de rupturas em produtos de giro alto, o volume de produto parado perto da validade, o tempo que a equipe gasta conferindo e fechando pedidos e a taxa de sugestões aceitas sem alteração. Essa última mostra se as regras estão alinhadas com a realidade ou se precisam de ajuste.

O registro de decisões também serve para auditoria. Ferramentas de observabilidade ajudam a guardar entradas, saídas e exceções de forma consistente. Os conceitos de observabilidade da OpenTelemetry são uma boa referência para pensar esse registro, mesmo quando a implementação é mais simples. Para testar as regras antes de colocá-las em operação, vale usar dados históricos e um ambiente de simulação, como descrevemos em como testar agentes de IA com mocks e sandbox sem risco.

Como aplicamos o método Juan Carlo

No nosso trabalho, a sequência é mapear o processo atual e a linha de base, limitar os dados e as ações que o agente pode executar, pilotar um fluxo real com registros e uma métrica combinada antes, e então transferir a operação e decidir se o projeto deve ser expandido, ajustado ou interrompido. Em reposição de loja, isso significa começar por uma categoria, manter a aprovação humana e só ampliar o escopo quando os registros mostrarem que as regras funcionam. Esse método não depende de promessas sobre resultados, e sim de medir o que acontece no seu posto.

Perguntas frequentes

A IA substitui o comprador do posto?

Não, e o desenho mais útil não pretende isso. O sistema organiza dados, calcula sugestões e aponta exceções, o que economiza tempo de conferência e reduz esquecimentos. A negociação, a escolha do fornecedor e a responsabilidade pela compra continuam com a equipe, que aprova ou corrige cada pedido fora da faixa habitual.

Precisa de um sistema de estoque sofisticado para começar?

Normalmente não. Um cadastro organizado com produto, fornecedor, prazo de entrega e histórico de vendas já permite calcular mínimo e máximo com clareza. Se o ponto de venda exporta esses dados, o piloto pode começar com uma planilha bem estruturada, desde que a origem dos números esteja documentada.

Quais produtos não devem entrar em reposição automática?

Itens novos sem histórico, produtos com validade curta, produtos sujeitos a recolhimento ou lote suspeito e itens com regras legais específicas de venda devem ficar de fora do automático. Promoções de fornecedor e mudanças de preço também pedem revisão humana antes de qualquer pedido. Essa lista deve ser definida com a equipe antes do piloto.

Como saber se a automação deu certo?

A resposta depende de uma linha de base feita antes do piloto e de uma métrica combinada com o gestor, como rupturas em produtos de giro alto e volume de produto perto da validade. Os registros de cada sugestão e de cada decisão humana mostram onde o sistema acerta e onde precisa de ajuste. Com esses dados, a decisão de expandir, ajustar ou parar fica baseada em evidência e não na impressão de quem acompanha o projeto.

Fontes

• Anthropic: Building effective agents
• NIST AI Risk Management Framework
• OpenTelemetry: observability concepts