As marcas próprias deixaram de disputar apenas preço. Agora disputam preferência, confiança e espaço na rotina do consumidor.
Os números ajudam a dimensionar essa transformação.
Estudo de marca própria
Nos Estados Unidos, as marcas próprias movimentaram US$ 282,8 bilhões em 2025. O crescimento foi de 3,3%, enquanto as marcas nacionais avançaram apenas 1,2%. Isso significa que as marcas próprias cresceram quase três vezes mais, segundo dados da PLMA e da Circana.
Na Europa, as vendas alcançaram aproximadamente € 387 bilhões, representando 38,8% do mercado analisado em 17 países. Na Suíça, a participação chegou a 52,3%. Em outras palavras, mais da metade do mercado suíço já pertence às marcas dos próprios varejistas.
A transformação também aparece no comportamento.
Segundo a NielsenIQ, 58% dos consumidores afirmam que não se importam se o produto é de uma marca nacional ou própria. Eles compram aquilo que atende melhor às suas necessidades.
Entre os consumidores da geração Z, 67% consideram os produtos de marcas próprias tão bons quanto os produtos das marcas nacionais.
Além disso, 68% dos consumidores globais consideram as marcas próprias boas alternativas, 69% reconhecem uma relação adequada entre benefício e preço e 60% comprariam mais se encontrassem maior variedade.
O Brasil ainda está distante dos mercados europeus. As marcas próprias representam, em média, entre 10% e 12% das vendas dos supermercados brasileiros. Essa distância, porém, revela espaço para expansão.
Uma pesquisa apresentada pela NielsenIQ no SIMP 2025 mostrou que 58% dos brasileiros pretendiam aumentar as compras de marcas próprias entre 2025 e 2026.
No canal farmacêutico, o faturamento estimado avançou de R$ 4,6 bilhões em 2024 para R$ 6 bilhões em 2025. Quando existe pelo menos um produto de marca própria na compra, o tíquete pode chegar ao dobro do tíquete médio convencional.
No GPA, as marcas próprias já representam 21% do faturamento. A companhia pretende alcançar 25% até 2028, superando R$ 5 bilhões em vendas.
Mas crescimento de mercado não garante sucesso para qualquer produto.
Quanto mais marcas próprias entram nas categorias, menor é a vantagem de simplesmente copiar o líder e oferecer um preço inferior. A disputa passa para formulação, desempenho, design, embalagem, conveniência, sustentabilidade, reputação e adequação regional.
É nesse ponto que a inteligência de mercado altera o desenvolvimento de produtos.
A análise de avaliações, comentários, reclamações, buscas, preços e movimentos da concorrência permite identificar quais atributos geram satisfação, quais provocam abandono, quais necessidades ainda não foram atendidas e quais grupos procuram propostas diferentes.
Essas informações podem orientar a escolha da categoria, a definição do produto, a arquitetura do portfólio, o preço, o nome, os claims, a embalagem, a descrição no marketplace, a seleção de fornecedores e o plano de lançamento.
Depois que o produto chega ao mercado, a análise continua. Experimentação, recompra, abandono, avaliações negativas, ruptura, devoluções, margem, canibalização, conversão digital e reação dos concorrentes precisam ser acompanhados conjuntamente.
A marca própria não deve começar na fábrica e terminar na gôndola.
Ela deve começar na compreensão do mercado, passar pela integração entre varejo e indústria e continuar na aprendizagem gerada pela experiência real do consumidor.
A UIN transforma comportamento, percepção e concorrência em decisões de marcas próprias, da descoberta da oportunidade ao monitoramento do produto no mercado.
UIN apresenta soluções de inteligência de mercado no Vale Digital Summit
No dia 22 de agosto, Edson Fávero Júnior, empresário, professor e especialista em inteligência artificial aplicada aos negócios, participou como palestrante do Vale Digital Summit.
inteligência artificial Edson Favero
Durante a palestra, Edson apresentou como as empresas podem utilizar inteligência artificial e agentes inteligentes para analisar a concorrência com maior profundidade, acompanhar mudanças no mercado e compreender o que consumidores, clientes e diferentes públicos estão dizendo sobre marcas, produtos e serviços.
Um dos pontos centrais foi a aplicação conjunta da análise de sentimentos e da análise semântica. Essas técnicas permitem ir além da classificação de comentários como positivos ou negativos, identificando temas recorrentes, contextos, percepções, expectativas, reclamações e possíveis mudanças no comportamento do público.
Também foram demonstradas possibilidades de utilização de agentes de inteligência artificial para monitorar concorrentes, organizar grandes volumes de informações, localizar movimentos estratégicos e apoiar decisões relacionadas a posicionamento, comunicação, desenvolvimento de produtos e expansão de mercado.
A palestra chamou a atenção de diversos empresários da região, principalmente pela possibilidade de transformar dados dispersos em informações aplicáveis às decisões empresariais. O evento também proporcionou novas conexões e conversas sobre os desafios enfrentados pelas empresas diante de mercados cada vez mais competitivos.
Durante o Vale Digital Summit, a UIN apresentou parte de seus serviços de inteligência de mercado, análise da concorrência, análise de sentimentos, análise semântica e monitoramento de tendências. As soluções desenvolvidas pela empresa combinam inteligência artificial, agentes especializados e análise estratégica para oferecer uma leitura mais ampla e contínua do ambiente de negócios.
A participação no evento reforçou a proposta da UIN de aproximar tecnologias avançadas da realidade das empresas, oferecendo métodos que ajudam gestores a compreender o mercado, antecipar movimentos e tomar decisões com maior fundamentação.
A revolução física da Inteligência Artificial: por que o próximo limite da IA não estará no software
Durante os últimos anos, a Inteligência Artificial foi apresentada principalmente como uma revolução do software. Modelos capazes de produzir textos, imagens, vídeos e códigos dominaram o debate público, enquanto empresas passaram a discutir quais atividades poderiam ser automatizadas e quais profissões seriam transformadas.
Essa interpretação, embora correta, contempla apenas a primeira etapa da mudança.
A próxima fronteira da Inteligência Artificial será física. Ela dependerá menos da capacidade de criar novos aplicativos e mais da disponibilidade de energia, redes elétricas, transformadores, sistemas de refrigeração, metais, robôs, fábricas e infraestrutura computacional.
É nessa direção que Elon Musk constrói sua visão de futuro. Enquanto boa parte do mercado acompanha o desempenho dos modelos de linguagem, Musk concentra seus investimentos na integração entre Inteligência Artificial, robótica, energia, mobilidade, foguetes, satélites e capacidade industrial.
A questão central deixa de ser apenas “o que a IA consegue pensar?” e passa a ser “o que ela consegue executar no mundo físico?”.
Do software para a economia material
A Inteligência Artificial generativa ampliou a capacidade humana de produzir informação. Entretanto, escrever um relatório, analisar um contrato ou gerar uma campanha publicitária ainda não significa fabricar um automóvel, transportar mercadorias, construir uma residência ou operar uma linha de produção.
Para alcançar impacto econômico em maior escala, a IA precisa sair das telas e assumir uma presença física.
Essa é a função estratégica de projetos como o Optimus, robô humanoide desenvolvido pela Tesla. A proposta não se resume à criação de uma máquina com aparência humana. O objetivo é desenvolver uma plataforma capaz de aprender tarefas, movimentar-se em ambientes projetados para pessoas e executar trabalhos repetitivos, operacionais ou fisicamente exigentes.
O próprio planejamento empresarial da Tesla demonstra a dimensão dessa aposta. Documentos corporativos recentes passaram a tratar a entrega de robôs de IA como um marco operacional da companhia, ao lado dos veículos autônomos.
Se robôs inteligentes alcançarem produção em escala, custo competitivo e autonomia operacional, a Inteligência Artificial deixará de atuar somente sobre o trabalho intelectual. Ela passará a interferir diretamente nos custos de fabricação, logística, construção, agricultura, mineração, manutenção e serviços.
Nesse cenário, o robô não será apenas mais um produto tecnológico. Ele poderá se tornar uma unidade móvel de capacidade produtiva.
A promessa de abundância e seus limites
Musk afirma que a combinação entre Inteligência Artificial e robótica poderá tornar o trabalho opcional e criar aquilo que chama de “renda alta universal”, em oposição a uma renda básica destinada apenas à sobrevivência.
A lógica econômica por trás dessa previsão é relativamente simples. Se máquinas autônomas forem capazes de produzir bens, prestar serviços e fabricar outras máquinas, a oferta aumentaria de maneira significativa e o custo marginal de diversas atividades poderia diminuir.
Essa expansão da produtividade poderia gerar pressão deflacionária sobre determinados produtos e serviços. Bens hoje caros, devido à necessidade de trabalho humano especializado, poderiam se tornar mais acessíveis.
Entretanto, essa não é uma consequência automática da tecnologia.
Mesmo em uma economia altamente automatizada, continuariam existindo recursos escassos, como terra bem localizada, minerais, energia, água, capacidade de transmissão elétrica e matérias-primas. Também permaneceria uma questão essencial: quem seria proprietário dos robôs, dos modelos de IA e da infraestrutura de produção?
A abundância técnica não garante, por si só, distribuição econômica. A “renda alta universal” deve ser compreendida como uma hipótese sobre o futuro, não como um resultado inevitável. Sua realização dependeria de produtividade, concorrência, tributação, regulação, propriedade dos meios automatizados e mecanismos de distribuição de renda.
Portanto, o debate mais relevante não é apenas se a IA conseguirá produzir mais. É como o valor criado por essa produção será distribuído entre empresas, governos, trabalhadores e proprietários da tecnologia.
O novo limite da IA será a eletricidade
Durante a primeira fase da corrida pela Inteligência Artificial, o principal gargalo esteve na disponibilidade de chips avançados, particularmente as GPUs utilizadas no treinamento e na operação dos modelos.
Esse problema não desapareceu. Contudo, a infraestrutura necessária para alimentar esses equipamentos começa a se tornar uma restrição igualmente importante.
A Agência Internacional de Energia estima que o consumo mundial de eletricidade dos data centers poderá mais do que dobrar e alcançar aproximadamente 945 terawatts-hora em 2030, volume ligeiramente superior ao consumo anual atual de eletricidade do Japão. Entre 2024 e 2030, a demanda elétrica dos data centers deverá crescer cerca de 15% ao ano, quatro vezes mais rapidamente do que a demanda dos demais setores da economia. Agência Internacional de Energia
Os dados mais recentes reforçam essa transformação. Em 2025, o consumo mundial de eletricidade dos data centers cresceu 17%, enquanto a demanda das instalações especializadas em IA aumentou aproximadamente 50%. Agência Internacional de Energia
Isso altera a geografia da competição tecnológica.
Não basta comprar processadores. É necessário encontrar locais com energia disponível, conexão à rede, licenciamento, sistemas de refrigeração, terrenos, segurança hídrica e capacidade de expansão. Em determinadas regiões, uma empresa pode ter capital para construir um data center, mas não encontrar energia suficiente para colocá-lo em funcionamento.
A vantagem competitiva começa, portanto, a se deslocar do algoritmo isolado para o conjunto da infraestrutura.
Transformadores para alimentar os “transformers”
Existe uma ironia técnica nessa mudança. Os modelos que impulsionaram a atual geração de IA são baseados em uma arquitetura denominada transformer. Entretanto, sua expansão também depende de outro tipo de transformador, o equipamento físico responsável por adequar a tensão da eletricidade entre a rede e os centros de processamento.
Esses equipamentos são grandes, complexos e possuem cadeias de fornecimento concentradas. Um relatório do Departamento de Energia dos Estados Unidos mostra que mais de 80% dos novos transformadores de grande potência utilizados pelo país eram importados, enquanto a demanda doméstica deveria aumentar nos anos seguintes. Departamento de Energia dos Estados Unidos
Essa dependência revela uma mudança na própria economia da Inteligência Artificial. Empresas de geração e transmissão de energia, fabricantes de transformadores, produtores de cobre, fornecedores de sistemas de refrigeração e construtoras de infraestrutura passam a ocupar posições estratégicas em um mercado inicialmente associado apenas a software e semicondutores.
Os vencedores da economia da IA, portanto, podem não ser somente aqueles que desenvolvem os modelos. Parte importante do valor será capturada por empresas que fornecem as condições físicas para que esses modelos funcionem.
Data centers no espaço: solução futura ou nova fronteira de risco?
Diante da crescente pressão sobre as redes elétricas terrestres, Musk passou a defender a possibilidade de instalar infraestrutura computacional em órbita.
A ideia parte de uma vantagem real. Em órbitas adequadamente escolhidas, painéis solares podem receber luz durante períodos muito maiores do que instalações terrestres, sem interferência de nuvens e com menor necessidade de armazenamento em baterias. O Google, por exemplo, publicou um estudo sobre uma arquitetura orbital de IA baseada em constelações de satélites alimentados por energia solar quase contínua. Google Research
Isso não significa, contudo, que os data centers espaciais estejam próximos de substituir as instalações terrestres.
O principal problema é térmico. O espaço pode apresentar temperaturas muito baixas, mas o vácuo impede a dissipação do calor por convecção. O calor produzido pelos processadores precisa ser transportado internamente e eliminado por radiação, o que exige radiadores grandes, pesados e tecnicamente complexos.
Além disso, permanecem desafios relacionados à radiação espacial, manutenção dos equipamentos, comunicação com a Terra, latência, detritos orbitais, lançamentos, substituição de componentes e custo por quilograma colocado em órbita.
Assim, data centers espaciais devem ser tratados como uma fronteira de pesquisa e investimento, não como uma solução imediata. Sua viabilidade dependerá da redução do custo dos lançamentos, do desenvolvimento de sistemas térmicos mais eficientes e da criação de equipamentos computacionais capazes de operar por longos períodos sem manutenção humana.
Ainda assim, o simples fato de empresas como SpaceX e Google estudarem essa possibilidade mostra a dimensão da demanda futura por processamento.
A corrida pela IA será industrial
A principal contribuição da visão de Musk não está necessariamente na precisão de todas as suas previsões. Está na forma como ele conecta setores que frequentemente são analisados separadamente.
Inteligência Artificial, robótica, energia, semicondutores, baterias, telecomunicações e indústria espacial começam a formar um único sistema econômico.
Essa integração muda a análise competitiva. Uma empresa pode possuir um modelo avançado e, ainda assim, perder espaço por não conseguir energia, chips, refrigeração ou capacidade industrial. Da mesma forma, países com geração elétrica abundante, redes confiáveis, disponibilidade de terrenos e cadeias industriais estruturadas poderão atrair uma parcela maior dos investimentos em IA.
O próximo ciclo tecnológico não será decidido apenas por pesquisadores e programadores. Ele também dependerá de engenheiros elétricos, metalúrgicos, fabricantes de equipamentos, empresas de energia, construtoras, operadores logísticos e formuladores de políticas públicas.
A revolução da Inteligência Artificial será construída com código, mas também com cobre, aço, silício, água, baterias, transformadores e megawatts.
O que essa transformação representa para as empresas
Para as empresas, a conclusão é direta: não basta definir uma estratégia de adoção de Inteligência Artificial. Será necessário compreender a infraestrutura que sustenta essa adoção e os efeitos da tecnologia sobre toda a cadeia de valor.
Organizações industriais precisarão avaliar como a robótica pode alterar produtividade, qualidade e custos. Empresas de energia deverão antecipar novos polos de demanda. Fabricantes de equipamentos poderão encontrar mercados que ainda não aparecem nas análises tradicionais sobre IA. Governos precisarão planejar geração, transmissão, formação profissional e atração de investimentos.
A pergunta estratégica deixa de ser apenas “como usar IA em nossa empresa?” e passa a incluir outras questões: quais recursos físicos serão necessários, quais fornecedores se tornarão críticos, onde surgirão novos gargalos e quem capturará o valor econômico produzido pela automação?
A Inteligência Artificial começou como uma revolução digital. Sua próxima etapa será industrial, energética e geopolítica.
É nesse deslocamento, do software para o mundo físico, que provavelmente surgirão algumas das maiores oportunidades e disputas econômicas da próxima década.
A UIN acompanha os movimentos tecnológicos não apenas pelo que eles anunciam, mas pelas cadeias produtivas, limitações físicas e mudanças de mercado que começam a formar. Porque compreender a Inteligência Artificial exige olhar além dos modelos e identificar toda a economia que está sendo construída ao redor deles.
Em palestra para mais de 80 profissionais da Unilever, Edson Fávero Júnior discutiu como dados, inteligência artificial e capacidade de execução podem transformar a gestão dos PDVs
No dia 22 de julho, mais de 80 profissionais da Unilever participaram da palestra “Organizando a rotina com foco em resultado”, conduzida por Edson Fávero Júnior, professor, pesquisador e fundador da UIN, Ultraconhecimento.
A apresentação abordou um dos principais desafios enfrentados pelas empresas que operam no varejo: como transformar o volume crescente de dados disponíveis em decisões capazes de melhorar a execução nos pontos de venda.
Durante o encontro, foram apresentados casos reais, metodologias de priorização e aplicações de inteligência artificial voltadas à gestão territorial, à organização das visitas, à prevenção de rupturas e à identificação de oportunidades comerciais.
A mensagem central foi direta: no varejo, conhecer o problema não é suficiente. O resultado aparece quando conhecimento, dados e execução se encontram no ponto de venda.
O problema não é a falta de esforço
Equipes comerciais e de trade marketing podem trabalhar intensamente e, ainda assim, produzir resultados abaixo do potencial. Isso acontece quando parte considerável do tempo é consumida por deslocamentos desnecessários, visitas pouco produtivas, espera, retrabalho e relatórios que não orientam decisões.
Uma agenda cheia não significa, necessariamente, uma agenda estratégica.
Quando todas as lojas recebem a mesma frequência de visita, o mesmo tempo e o mesmo nível de energia, a operação deixa de considerar diferenças fundamentais entre os PDVs. Algumas lojas apresentam maior potencial de vendas. Outras estão sob pressão da concorrência. Algumas possuem risco elevado de ruptura, enquanto outras precisam apenas de acompanhamento e manutenção.
Por isso, o roteiro de campo não deve ser construído somente pela proximidade geográfica. Ele precisa considerar potencial, risco, execução atual, comportamento de compra, histórico de problemas, oportunidade de exposição e importância estratégica de cada loja.
A gestão orientada por dados permite substituir uma sequência de visitas por uma carteira de decisões.
A loja como centro de dados
Durante muitos anos, o ponto de venda foi tratado principalmente como um espaço físico no qual produtos deveriam estar disponíveis, organizados e corretamente expostos. Essa função continua importante, mas já não representa toda a capacidade estratégica de uma loja.
Cada PDV também funciona como uma fonte contínua de informações sobre vendas, ruptura, preço, concorrência, comportamento do shopper, frequência de compra, permanência, abandono e resposta às campanhas.
Essa mudança altera o próprio significado da execução de campo.
No modelo tradicional, a equipe reage à falta de produto depois que a ruptura já aconteceu. Em um modelo orientado por dados, a empresa cruza histórico de vendas, estoque, sazonalidade, campanhas e comportamento local para estimar onde a ruptura poderá ocorrer. A ação deixa de ser apenas corretiva e passa a ser preventiva.
A inteligência artificial amplia essa capacidade ao analisar simultaneamente variáveis que dificilmente seriam processadas com a mesma velocidade por uma equipe humana. Isso não elimina o conhecimento do profissional de campo. Pelo contrário, aumenta a capacidade de esse profissional interpretar o contexto e decidir com maior precisão.
Inteligência artificial aplicada aos PDVs
A palestra apresentou situações nas quais a inteligência artificial foi utilizada para conectar informações de vendas a fatores externos.
Em um dos casos discutidos, dados de ticket médio foram cruzados com condições climáticas locais. A análise identificou que determinadas unidades registravam aumento de vendas em dias de chuva. Ao mesmo tempo, dados de comportamento de busca indicavam maior procura por estabelecimentos com estacionamento.
A partir dessa leitura, a empresa pôde estruturar ações geolocalizadas, comunicar conveniência e direcionar campanhas para unidades com características compatíveis com aquele comportamento. A tecnologia não criou a oportunidade. Ela ajudou a revelar uma relação que estava dispersa entre diferentes bases de dados.
Outro caso apresentado mostrou como dados de localização, frequência de compra e comportamento das consumidoras podem apoiar ações de trade marketing por microrregião. Nesse modelo, os pontos de venda deixam de receber campanhas padronizadas e passam a ser tratados de acordo com as características comerciais do território.
Essas aplicações demonstram que a inteligência artificial produz resultado quando está conectada a uma decisão concreta. Um sistema pode prever uma ruptura, identificar uma loja prioritária ou recomendar uma ação. Entretanto, ainda será necessário transformar essa informação em negociação, reposição, exposição, comunicação e acompanhamento.
O último metro da estratégia
Uma empresa pode investir em pesquisa, tecnologia, campanhas, distribuição e planejamento. Ainda assim, parte do resultado pode ser perdida no último metro da operação, justamente entre o produto e o shopper.
É nesse espaço que a estratégia corporativa encontra a realidade.
A execução depende da disponibilidade do produto, da posição ocupada na gôndola, do preço praticado, da presença da concorrência, da qualidade da exposição e da capacidade da equipe de reagir ao que acontece em cada loja.
Por isso, indicadores não podem ocupar os dashboards apenas como registros históricos. Um indicador só possui função gerencial quando provoca uma decisão.
Se o risco de ruptura aumentou, quem deve agir? Se uma loja perdeu participação, qual é a causa provável? Se uma campanha apresenta baixo desempenho, o problema está na comunicação, na exposição, no preço ou na disponibilidade? Se determinada região possui potencial de crescimento, quais lojas devem receber atenção primeiro?
A gestão por dados começa quando essas perguntas passam a orientar a rotina operacional.
Conhecimento, dados e execução
A palestra também propôs uma reflexão sobre o uso do tempo e da energia das equipes de campo. Planejamento, análise, negociação, deslocamento, espera, relatórios e imprevistos disputam espaço na mesma agenda. Sem critérios claros de prioridade, a rotina tende a se tornar reativa.
Para organizar essa decisão, foi apresentado o framework T.E.M.P.O., estruturado em cinco dimensões: território, energia, gestão do tempo, priorização e otimização analítica. A proposta é tratar o território como uma carteira de investimentos, direcionando recursos para os pontos nos quais o impacto esperado é maior.
Isso exige que cada visita tenha uma justificativa, um objetivo, um indicador principal, uma ação esperada e um acompanhamento posterior. A visita deixa de ser uma obrigação de roteiro e passa a ser uma unidade de geração de resultado.
O uso da inteligência artificial nos PDVs, portanto, não deve começar pela ferramenta. Deve começar pela decisão que a empresa precisa melhorar.
A transformação acontece no campo
O encontro com os profissionais da Unilever demonstrou que a evolução da gestão de PDVs não depende apenas da adoção de novas tecnologias. Ela depende da capacidade de combinar conhecimento de mercado, leitura de dados e disciplina de execução.
A inteligência artificial pode ampliar a capacidade de prever, priorizar e recomendar. Os dados podem revelar comportamentos que não aparecem na observação isolada. Mas é a execução que converte essas informações em disponibilidade, presença, conversão e vendas.
No varejo, o conhecimento orienta, os dados reduzem a incerteza e a execução produz o resultado.
Esse é o ponto central da gestão inteligente do campo: não se trata de visitar mais lojas, produzir mais relatórios ou acumular mais indicadores. Trata-se de compreender onde agir, por que agir e como transformar cada decisão em resultado no ponto de venda.
Nesta edição, a UIN analisa o avanço dos marketplaces no mercado farmacêutico, as mudanças no comportamento de compra, os movimentos competitivos e as implicações desse modelo para farmácias, redes, distribuidores e plataformas digitais.
A UIN apresenta sua leitura semanal dos principais movimentos de mercado, comportamento do consumidor, economia, tecnologia e setores empresariais. Nesta edição, reunimos os dados e acontecimentos que podem influenciar decisões estratégicas nas próximas semanas.
