É a parte que quase nenhum material sobre o assunto menciona. Aplicar um modelo sofisticado a um dado que nasceu de apontamento manual não produz uma resposta melhor — produz uma resposta confiante sobre uma premissa errada, e mais rápido.
Os materiais sobre IA em inventário costumam começar pelo modelo: previsão de demanda, reconhecimento automático, otimização de nível de estoque. Nenhum começa pela pergunta que decide tudo — de onde vem o dado que esse modelo vai ler?
Vale lembrar como o dado de estoque e de produção costuma nascer. Alguém para o que está fazendo e informa que algo aconteceu, em tela ou papel. Nos dias tranquilos, na hora; nos dias de pico, no fim do turno e de memória. É um problema que já tratamos em detalhe, e que não é resolvido por nenhuma camada de análise sobre ele.
Um modelo treinado sobre apontamento em lote aprende, com muita precisão, a hora em que as pessoas costumam sentar no terminal — e não o tempo que as etapas levam.
E é aí que a coisa fica cara, porque a saída não parece errada. Um relatório gerado por IA tem a aparência de rigor: números fechados, tendências suaves, recomendações objetivas. Ninguém desconfia dele do jeito que desconfiaria de uma planilha preenchida à mão — e a planilha e o modelo estão lendo exatamente o mesmo dado.
É um critério simples e ele explica todos os casos. Onde o registro vem de um evento físico — uma passagem, uma leitura, uma imagem — a análise tem base. Onde depende de alguém informar, a análise herda o problema. Abaixo, o que fazemos e o que não fazemos, com o motivo.
É contraintuitivo em relação ao que o mercado sugere, porque a camada de IA é a parte visível e demonstrável — e a captura confiável é a parte chata que ninguém quer discutir numa demonstração.
Mas a sequência inversa produz o pior resultado possível: uma organização que passa a confiar em análise construída sobre registro que ela mesma sabia ser frágil, e que perde a desconfiança saudável que tinha quando o relatório era uma planilha.
Valem para nós e para qualquer fornecedor. Nenhuma delas é sobre o modelo — todas são sobre o que entra nele.
Materiais sobre tendências de IA circulam com percentuais impressionantes — adoção, redução de erro, ganho de acuracidade. Vale procurar a fonte de cada um antes de levá-lo a uma apresentação interna, porque muitos se repetem entre publicações sem que ninguém aponte o estudo original.
Este texto não tem nenhum número de mercado, de propósito. Os únicos números que usamos no site vêm de projetos que executamos e estão nos casos publicados.
E uma ressalva específica ao mercado brasileiro: exigências de órgãos reguladores norte-americanos não se aplicam aqui. A prática contábil brasileira segue o próprio arcabouço, e material internacional sobre o tema costuma ignorar essa distinção.
Rode o teste que já descrevemos: ordene os apontamentos de ontem por horário e veja se aparecem blocos no mesmo minuto. Se aparecerem, esse é o dado que qualquer camada de análise vai ler — e nenhum modelo corrige isso.
Depois, faça uma contagem de uma área contra o registro, como está em a primeira contagem. Os dois testes levam uma manhã cada e dizem mais sobre a viabilidade de um projeto de IA do que qualquer demonstração de fornecedor.
Veja como o dado passa a nascer de leitura em RFID na manufatura e em inventário patrimonial.
É a pergunta que antecede qualquer discussão sobre modelo. Uma organização que aplica IA a um registro frágil não fica mais informada — fica mais confiante sobre a mesma informação frágil, e perde a desconfiança que a protegia.