“A gente quer usar IA, mas não sabe nem por onde começar.” Essa frase apareceu em 4 de cada 10 conversas que tivemos com lojistas de material no último trimestre. A boa notícia: não é preciso projeto faraônico, consultor caro ou trocar o ERP. Existem 5 frentes de IA já maduras pra varejo de matcon — cada uma resolve um problema concreto, e todas conversam com o que a loja já tem.
Esse artigo destrincha as 5: previsão de demanda, recomendação de produto complementar, automação de inventário, detecção de fraude e atendimento por chatbot. Pra cada uma: o que faz, como entra na loja sem virar projeto e o ganho médio que dá pra esperar.
1. Previsão de demanda: comprar pelo que vai vender, não pelo que vendeu
O comprador da loja tem intuição boa pros 200 SKUs que ele cuida de perto. O problema é que a loja média tem 15.000 SKUs — e os outros 14.800 são comprados por “feeling”, tabela do fornecedor ou repetição do mês passado.
Modelo preditivo de demanda combina histórico de venda por SKU, sazonalidade regional fina (chuva, feriado, evento), comportamento de combinação (porcelanato + argamassa + rejunte vendem juntos) e variáveis externas como clima e calendário de obra. O resultado é um número simples: quanto comprar de cada item nas próximas 4–8 semanas.
“Eu comprava cimento olhando o que vendi mês passado. Quando começou a chover de verdade, faltou. Quando parou de chover, sobrou. A IA pega isso antes da gente sentir no caixa.”
— Comprador, loja de 4 unidades em Salvador
Ganho típico: redução de 20–35% no capital parado e queda de ruptura nos itens A em até 90 dias. Não substitui o comprador — substitui o feeling.
2. Recomendação de produto complementar: o “quem comprou X levou Y” aplicado ao balcão
Cliente compra azulejo. Em loja bem operada, o vendedor lembra de oferecer argamassa AC-III, rejunte na cor combinada, espaçador de 2mm, desempenadeira e o cantoneira de acabamento. Em dia de movimento, lembra metade. Em dia ruim, lembra o azulejo e mais nada.
Machine learning olha o histórico de milhares de combinações de venda e descobre os pacotes que de fato saem juntos — não os que “deveriam” sair. Isso vira uma sugestão automática que aparece pro vendedor no PDV ou pro cliente no e-commerce e no WhatsApp:
- No balcão: tela do PDV mostra os 3 complementos com maior taxa de conversão pra aquele item.
- No e-commerce: bloco “quem leva esse piso costuma levar também” com produto, foto e botão.
- No WhatsApp: o agente de IA, ao fechar um orçamento, pergunta “já incluí a argamassa e o rejunte na cor caramelo, posso somar?” — e some no orçamento.
Em loja de material, ticket médio sobe entre 8% e 18% nos primeiros 60 dias. Não é mágica: é a loja parando de deixar dinheiro na mesa por esquecimento.
3. Automação de inventário: o sistema dispara o pedido sozinho
Reposição manual tem dois inimigos: a fila de prioridades do comprador (que sempre tem coisa mais urgente) e o tempo entre “estoque chegou no mínimo” e “pedido foi disparado”. Em loja com lead time de 5 dias do fornecedor, perder 2 dias na decisão é perder 40% da janela.
IA aplicada ao inventário não é só alerta de mínimo — é decisão automatizada com regras claras:
- Itens classe A (alto giro, ruptura cara): pedido automático quando atinge ponto de reposição calculado pelo modelo de demanda.
- Itens classe B: sugestão de pedido pro comprador aprovar com 1 clique.
- Itens classe C (cauda longa): só dispara se houver venda recente — evita repor item morto.
O comprador continua no comando das decisões grandes (negociação anual, mudança de fornecedor, item novo). Mas perde 4–6 horas por semana que ia pra emitir pedido de reposição rotineira.
4. Detecção de fraude e desvio: padrão que humano não enxerga
Em loja de material, fraude raramente é o roubo no caixa óbvio. É o desconto inflado pra cliente fantasma, o cancelamento de venda com retirada de mercadoria, o “preço amigo” sistemático fora da política, o pedido de devolução em série. Cada caso isolado parece ok. O padrão, ao longo de 90 dias, denuncia.
Modelos de detecção de anomalia comparam o comportamento de cada vendedor, cliente e SKU contra a baseline da loja. Quando algo desvia além da margem estatística — desconto 3 desvios padrão acima da média do vendedor, devolução em horário fora do pico, cliente CPF que comprou e devolveu o mesmo item 4 vezes em 60 dias — o sistema sinaliza pro gerente revisar.
Não acusa ninguém. Mostra padrão. A decisão continua humana — mas baseada em dado que antes ninguém tinha tempo de cruzar.
5. Atendimento por chatbot: a IA que vende e não só responde
Esse é o exemplo mais visível e o mais mal implementado no varejo. Chatbot ruim é o que segue script, não entende o contexto e empurra o cliente pra fila humana no primeiro “quanto custa?”. Chatbot bom é agente de IA com acesso ao catálogo, ao estoque em tempo real, ao histórico do cliente e à capacidade de calcular quantidade baseada na medida do ambiente.
O que muda na prática:
- Cliente manda foto da planta no WhatsApp: IA extrai medidas, calcula piso necessário com perda técnica e devolve orçamento em 30 segundos.
- Cliente pergunta “tem porcelanato bege 60×60?”: IA consulta WooCommerce, vê estoque das 3 unidades, sugere o mais próximo do CEP do cliente.
- Cliente pediu orçamento e sumiu: IA dispara follow-up automático em 24h e 72h, recupera 12–18% das vendas que iam pro abandono.
- Madrugada, fim de semana, feriado: atendimento contínuo sem custo de plantão humano.
Esse é o ponto onde a IA vira receita direta — não corte de custo. E é o ponto onde mais loja erra subestimando: ainda usa chatbot que “parece script de 2018”.
Por onde começar (e por onde NÃO começar)
Conselho prático depois de implementar isso em dezenas de lojas:
- Comece pelo atendimento (frente 5). Tem ROI mais rápido (60–90 dias), é o que o cliente percebe primeiro e gera dado pras outras frentes.
- Em paralelo, ataque recomendação de complementos (frente 2). Implementação leve, ganho imediato no ticket médio.
- Depois venha previsão de demanda e automação de inventário (frentes 1 e 3). Exigem 6–12 meses de histórico limpo, então quanto antes começar a coletar, melhor.
- Detecção de fraude (frente 4) é a última — é importante, mas não é onde a loja média sangra mais dinheiro.
O erro clássico é fazer o contrário: contratar consultoria de R$ 200k pra rodar modelo preditivo de demanda enquanto o WhatsApp da loja segue ignorando cliente das 19h às 8h. Comece pelo gargalo visível, não pelo brilhante.
IA não é um produto. É 5 produtos diferentes resolvendo 5 problemas diferentes
Quando o lojista pergunta “vale a pena investir em IA?”, a resposta correta é: depende de qual. Cada uma das 5 frentes tem custo, prazo e ganho distintos. A loja que entende isso para de tratar IA como categoria única e começa a tratar como portfólio — escolhe o que faz sentido pro próprio momento e roda.
O que une as 5: nenhuma exige trocar o ERP, nenhuma demanda time interno de tecnologia e todas conversam com o que a loja já tem (catálogo, histórico de venda, cadastro de cliente, WhatsApp). O que muda é como esse dado é usado.