São 20h47. O departamento comercial já encerrou o expediente quando um comprador envia uma mensagem: precisa de 300 unidades de um produto para a próxima semana, quer uma alternativa para outro item em falta e pergunta preço, prazo e condição de entrega.
Em muitas distribuidoras, a resposta ficará para o dia seguinte. Alguém precisará interpretar a mensagem, encontrar os códigos no catálogo, consultar estoque, conferir a condição comercial daquele cliente e preparar uma cotação. Multiplique essa situação por centenas de interações recebidas por telefone, WhatsApp, e-mail, portal e vendedores externos.
É nesse problema, e não no fascínio pela inteligência artificial, que começa uma boa aplicação de IA no atacado.
Um chatbot tradicional responde perguntas previamente definidas. Um sistema baseado em grandes modelos de linguagem (LLMs) consegue interpretar a maneira como falamos. Mas o salto realmente importante acontece quando essa capacidade é conectada aos sistemas da empresa.
O comprador pode escrever “preciso daquele modelo que comprei em março, entregue até sexta”. O assistente interpreta a intenção, identifica o produto e consulta as fontes autorizadas. Estoque vem do sistema de estoque; preço, da política comercial; histórico, do CRM; e o pedido continua registrado oficialmente no ERP.
O LLM não precisa conhecer a verdade da empresa. Ele funciona como um intérprete sofisticado entre a linguagem humana e os sistemas que conhecem essa verdade.
Isso permite atender fora do horário comercial, localizar produtos e equivalentes, consultar disponibilidade, preparar cotações, interpretar pedidos e acompanhar entregas. Para o vendedor, significa menos tempo procurando e transferindo informação e mais tempo nas situações em que relacionamento, negociação e julgamento realmente importam.
Quando a tecnologia vira o problema
O maior obstáculo, entretanto, pode não estar na tecnologia.
Em 2024, o Gartner projetou que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, apontando entre as causas baixa qualidade dos dados, controles de risco inadequados, custos crescentes e valor de negócio pouco claro.
É um alerta particularmente importante em um momento em que empresas se apressam para “ter IA”.
Começar perguntando “qual chatbot devemos comprar?” é começar pelo meio.
A pergunta deveria ser: qual problema queremos resolver e como saberemos que ele foi resolvido?
Uma distribuidora que demora quatro horas para preparar determinada cotação não precisa inicialmente de um “agente autônomo”. Precisa entender por que demora quatro horas. Talvez vendedores gastem boa parte desse tempo procurando produtos, cruzando códigos e consultando sistemas diferentes. Esse é um problema concreto sobre o qual a tecnologia pode atuar, e cujo resultado pode ser medido.
O mesmo raciocínio vale para pedidos digitados novamente, consultas repetitivas de estoque, busca de equivalentes e acompanhamento de entregas. A tecnologia vem depois do problema.
Começar pode ser mais simples do que parece.
A primeira etapa é escolher uma dor relevante e mensurável. Quanto tempo ela consome hoje? Quantos erros produz? Quanto custa? Qual impacto causa no cliente?
Depois, identifique quais dados são necessários e onde está a informação oficial. Defina o que a IA pode apenas consultar, o que pode executar e o que continua exigindo aprovação humana. Faça um piloto limitado e compare o resultado com a situação anterior.
Se funcionou, amplie. Se não funcionou, descubra a causa antes de adicionar mais tecnologia.
Esse método não serve apenas para chatbots. Serve para praticamente qualquer iniciativa de transformação digital.
Gestão define o problema e o resultado esperado. Marketing e vendas trazem a perspectiva do cliente. Operações conhece as exceções e consequências. Tecnologia conecta dados e sistemas e estabelece os controles necessários.
No atacado, portanto, talvez a principal mudança trazida pela IA não seja substituir pessoas por máquinas. É tornar a linguagem humana uma nova porta de entrada para a operação. O chatbot é apenas a parte visível. Por trás dele precisam existir dados confiáveis, processos claros, sistemas integrados e pessoas capazes de decidir onde a automação termina.
Empresas que começam pela tecnologia procuram lugares para usá-la. Empresas que começam pelo problema conseguem descobrir como alavancar resultados com ela.
Victor Minelli
Consultor sócio do Aquila