Superinteligência em supermercados: estoque e atendimento

Superinteligência em supermercados: estoque e atendimento

Superinteligência em supermercados, hoje, não é um sistema que decide sozinho o que comprar e o que vender. É a preparação de dados de estoque, preço, fornecedor e atendimento para que agentes de IA, cada vez mais capazes, apoiem pessoas com informação confiável. Quem organiza essa base agora ganha utilidade imediata e fica pronto para usar modelos melhores depois, sem entregar o pedido de compra a uma caixa-preta.

Principais pontos

• Superinteligência é um conceito de futuro. O que o mercado opera hoje são agentes de IA que leem dados, sugerem e executam tarefas limitadas.
• O gargalo raramente é o modelo. É o cadastro de produtos, o estoque que não bate com a prateleira e o histórico de atendimento espalhado.
• Agentes devem sugerir reposição e responder clientes, mas pedidos de compra e exceções financeiras passam por aprovação humana.
• O WhatsApp é o canal natural do atendimento em mercados brasileiros, e exige limites claros de assunto, horário e transferência para uma pessoa.
• Um piloto com um fluxo real, logs e uma métrica combinada vale mais do que um projeto amplo sem dono.

O que superinteligência significa para um supermercado hoje?

O termo descreve, em geral, uma inteligência que supera pessoas em praticamente todas as tarefas cognitivas. Isso não existe em produto de prateleira. Para entender a diferença entre o conceito e o que uma empresa realmente opera, vale ler a diferença entre AGI e superinteligência. Para o dono de mercado, a pergunta útil é outra: o que um agente competente consegue fazer com os dados que eu tenho hoje, e o que eu preciso arrumar para que ele faça mais amanhã?

Na prática, um agente de IA em supermercado é um software que usa um modelo de linguagem para ler informações, raciocinar sobre elas e chamar ferramentas: consultar o estoque, listar produtos próximos da validade, buscar o status de uma entrega, rascunhar uma resposta. A documentação da Anthropic sobre construção de agentes recomenda começar pelo padrão mais simples que resolve o problema e só aumentar a autonomia quando houver evidência de que ela compensa. Essa orientação combina bem com varejo, onde um erro de pedido vira produto parado ou prateleira vazia.

A lógica de preparação é esta: modelos vão melhorar, mas um modelo melhor sobre dados ruins apenas erra com mais convicção. Quem prepara a base trabalha no que não envelhece.

Que dados de estoque o agente precisa para ajudar no abastecimento?

Antes de pensar em IA, o mercado precisa responder com honestidade se o número que aparece no sistema representa o que existe na loja. Um agente que sugere reposição com base em saldo errado só acelera o erro.

Os dados que mais importam são poucos e bem definidos:

• Cadastro de produto limpo: código, descrição padronizada, unidade, fator de embalagem e agrupamento por categoria, sem duplicidade entre variações do mesmo item.
• Saldo por local: gôndola, estoque de fundo, câmara fria, e a data da última contagem.
• Histórico de vendas por item e por dia, com marcação de promoções, feriados e eventos locais.
• Validade e lote para perecíveis, quando o sistema registra essa informação.
• Fornecedor, prazo de entrega, pedido mínimo e dia de visita do representante.
• Registro de ruptura: quando o cliente procurou e não achou, mesmo que a venda não tenha ocorrido.
• Perdas e quebras, com motivo, porque explicam a diferença entre o que entrou e o que saiu.

O último ponto costuma ser o mais negligenciado. Sem registro de perda e de ruptura, o histórico de vendas subestima a demanda real, e qualquer sugestão de compra herda esse viés.

Se a contagem física é irregular, a primeira entrega do projeto não é um agente. É uma rotina de inventário rotativo por categoria, com responsável e frequência. Parece pouco glamoroso, e é exatamente o que torna o resto possível.

Onde o agente ajuda no abastecimento e onde não deve decidir sozinho?

A separação mais útil é entre ler, sugerir e agir. Ler e sugerir têm risco baixo. Agir, principalmente com dinheiro e com fornecedor, exige controle.

Um guia de decisão simples, em formato de lista:

• Pode automatizar: consolidar vendas do dia, apontar itens abaixo do ponto de pedido, listar produtos com validade próxima, avisar divergência entre saldo e última contagem.
• Pode sugerir, com revisão humana: quantidade de reposição, antecipação de compra para datas de pico, troca de fornecedor por falta de item, remarcação de preço para escoar perecíveis.
• Deve exigir aprovação explícita: emissão de pedido de compra, aceite de condição comercial, alteração de preço na frente de caixa, devolução ao fornecedor.
• Não deve fazer: negociar valores com fornecedor em nome da empresa sem alçada definida, ou alterar cadastro fiscal.

O princípio de autorização aqui é o mesmo de qualquer sistema: o agente recebe apenas as permissões de que precisa para a tarefa, e nada além disso. O guia de autorização da OWASP trata o assunto em termos gerais, e a ideia se aplica diretamente: uma ferramenta de consulta de estoque não deveria ter a mesma credencial de uma ferramenta que cria pedido.

Há também a questão da decisão automatizada que afeta pessoas. Quando o agente decide algo sobre um cliente, como bloquear um cadastro de fidelidade ou negar uma troca, entram os direitos previstos na LGPD. Vale conhecer o que diz o artigo 20 sobre decisões automatizadas antes de desenhar esse tipo de regra.

Como preparar o atendimento do mercado para um agente?

O atendimento de supermercado tem perguntas repetitivas e de resposta curta: horário, se determinado produto está disponível, se a loja entrega no bairro, status de um pedido, forma de pagamento, política de troca. É um bom terreno para agente no WhatsApp, desde que o conteúdo por trás seja organizado.

O preparo se resume a quatro materiais:

• Uma base curta de respostas oficiais: horários, áreas de entrega, taxas combinadas internamente, formas de pagamento, política de troca e de produtos perecíveis. Cada item com data de revisão e responsável.
• Uma regra de disponibilidade: o agente só afirma que há produto quando consulta o saldo em tempo real, e diz que a informação pode mudar até a separação do pedido.
• Uma lista de assuntos que sempre vão para uma pessoa: reclamação sobre qualidade, alergia e restrição alimentar, cobrança indevida, cliente irritado, qualquer pedido de exceção.
• Um registro de cada conversa que justifique o que o agente respondeu e de onde tirou a informação.

Sobre o canal, as regras da plataforma importam. Mensagens que a loja inicia, como aviso de promoção ou pedido pronto, dependem de consentimento e de modelos aprovados. O texto sobre mensagens ativas no WhatsApp, templates e opt-in explica o que precisa estar em ordem antes de qualquer campanha. Um agente que dispara oferta para quem nunca autorizou prejudica a reputação do número e a relação com o cliente.

Sobre dados pessoais: endereço, telefone, histórico de compras e hábitos de consumo são dados pessoais. O agente deve acessar apenas o necessário para a conversa, e o mercado deve ter clareza sobre finalidade e retenção. A ANPD é a referência oficial para orientações e guias sobre o tema.

Cenário ilustrativo: ruptura de um item em um mercado de bairro

Este é um cenário ilustrativo, não um caso real. Imagine um mercado de bairro que vende pão de forma de uma marca regional, entregue por um único fornecedor em dias fixos. Em uma semana, clientes perguntam pelo item no WhatsApp e a prateleira está vazia desde cedo.

Sem preparo, o atendente responde caso a caso, ninguém registra as perguntas e o pedido seguinte sai com a mesma quantidade de sempre.

Com a base arrumada, o fluxo poderia ser este:

• O agente consulta o saldo e vê que o item está zerado desde a manhã.
• Responde ao cliente que o produto acabou, informa o próximo dia previsto de entrega do fornecedor e oferece uma alternativa cadastrada como substituta, se houver.
• Registra a ruptura com data e horário, sem guardar mais dados pessoais do que o necessário.
• No fim do dia, inclui o item em um resumo para o responsável de compras: quantas pessoas procuraram, a que horas acabou e qual era o saldo do dia anterior.
• O responsável decide se aumenta o pedido, se pede entrega extra ou se mantém tudo como está. A decisão é dele, e fica registrada.

O agente não comprou nada. Ele transformou conversas dispersas em um sinal que o responsável não teria visto, e respondeu ao cliente com informação verdadeira. É esse o tipo de ganho que não depende de nenhuma capacidade futura.

Plano em passos para preparar a casa

Na linha do método de trabalho de Juan Carlo, o caminho é mapear, limitar, pilotar e transferir. Aplicado a um supermercado:

• Mapear: descreva o fluxo atual de reposição e de atendimento como ele realmente acontece, com quem faz, em que sistema e em que planilha. Meça o ponto de partida, por exemplo quanto tempo a equipe leva para responder uma pergunta de disponibilidade ou quantas rupturas são percebidas só depois que o cliente reclama.
• Limitar: defina quais dados o agente lê, quais ferramentas pode chamar e quais ações são proibidas. Comece com acesso somente leitura ao estoque e sem permissão de criar pedido.
• Pilotar: escolha um fluxo real e pequeno, como disponibilidade de produto no WhatsApp ou resumo diário de ruptura. Rode com logs, uma amostra de conversas revisada por uma pessoa e uma métrica combinada antes de começar.
• Transferir: entregue o fluxo com documentação, responsável interno e rotina de revisão. Depois decida, com evidência, se expande para outra categoria, ajusta regras ou encerra.

Para medir a qualidade de um agente antes de ampliar, a Anthropic descreve como pensar avaliações de agentes: casos de teste reais, critérios claros de acerto e revisão contínua. Em mercado, isso significa montar uma lista de perguntas típicas de clientes e de situações de estoque, e conferir as respostas antes de ligar o agente para o público.

A organização de gestão de riscos também ajuda a conversar com a diretoria. O NIST AI Risk Management Framework propõe uma estrutura para identificar, medir e tratar riscos de sistemas de IA, e pode servir de roteiro para a pergunta que todo dono de rede faz: o que acontece se o agente errar?

Quando faz sentido esperar antes de ampliar a autonomia?

A tentação, com modelos melhores, é ligar a compra automática. Antes disso, vale checar:

• O saldo do sistema bate com a contagem física de forma estável, por categoria?
• Há registro de ruptura e perda por tempo suficiente para reconhecer padrão?
• Existe alçada definida para quem aprova pedidos e até que valor?
• O agente já operou como sugestor por um período e as sugestões foram boas na revisão humana?
• Há como desfazer ou cancelar um pedido errado com o fornecedor?
• Alguém olha os logs toda semana?

Se a resposta a qualquer pergunta for não, o próximo passo é corrigir a base, não aumentar a autonomia. Uma camada de apoio à decisão bem desenhada, como descreve o texto sobre a arquitetura da camada de superinteligência da empresa em cinco blocos, separa dados, regras, agentes, supervisão e medição, e permite trocar o modelo sem refazer o resto.

Perguntas frequentes

Superinteligência em supermercados já existe? Não no sentido estrito do termo. O que existe são agentes de IA capazes de ler estoque, apoiar atendimento e sugerir ações, com supervisão. Preparar dados e regras agora serve tanto para o que há hoje quanto para modelos mais capazes no futuro.

Um mercado pequeno precisa de IA para cuidar do estoque? Nem sempre. Se a contagem é irregular e o cadastro é bagunçado, o primeiro ganho vem de organizar inventário e registrar ruptura e perda. Com essa base, um agente simples no WhatsApp ou um resumo diário já ajuda sem exigir grande investimento em sistemas.

O agente pode fazer pedidos de compra sozinho? É possível tecnicamente, mas não é recomendável como ponto de partida. O agente deve sugerir quantidades e justificar com os dados, e uma pessoa com alçada aprova. Só se amplia a autonomia depois de um período de revisão com bons resultados e com forma de reverter erros.

Como cuidar da LGPD no atendimento do mercado pelo WhatsApp? Colete apenas os dados necessários para atender, informe a finalidade, obtenha consentimento para mensagens ativas e defina por quanto tempo guarda as conversas. Restrinja o acesso do agente ao mínimo e mantenha um caminho claro para o cliente falar com uma pessoa. Em caso de dúvida jurídica, consulte um especialista e as orientações da ANPD.

Fontes

• Anthropic: Building effective agents
• Anthropic: Demystifying evals for AI agents
• NIST AI Risk Management Framework
• ANPD: Autoridade Nacional de Proteção de Dados