IA e análise de sentimentos: como empresas podem inovar mais e desperdiçar menos no mercado pet

Estudo UIN analisa como inteligência artificial e análise de sentimentos podem apoiar inovação, desenvolvimento de produtos e eficiência de marketing, usando o mercado pet brasileiro como aplicação.

Mercado de PET brasileiro - IA para novos produtos e marketing

O mercado pet brasileiro deve movimentar R$ 77,2 bilhões em 2025. Ao mesmo tempo, apenas 17% das empresas brasileiras utilizam algum tipo de inteligência artificial. A combinação desses dois dados abre uma questão estratégica: quanto uma empresa pode deixar de capturar quando desenvolve produtos, define mensagens e distribui investimentos de marketing sem transformar a voz do consumidor em informação estruturada?

A resposta não está em simplesmente “usar IA”. O diferencial está em conectar dados, análise de sentimentos, comportamento do consumidor, desenvolvimento de produtos e decisões comerciais.

IA avança nas empresas brasileiras, mas ainda há uma grande distância entre adoção e escala

A pesquisa TIC Empresas 2025, do Cetic.br|NIC.br, entrevistou 4.174 empresas e mostrou que a adoção de inteligência artificial passou de 13% em 2024 para 17% em 2025. Nas pequenas empresas, o percentual avançou de 10% para 15%. Nas grandes, passou de 38% para 50%.

Entre as empresas que já utilizam IA, 68% empregam automação de processos de fluxos de trabalho, 44% aplicam IA em marketing ou vendas, 38% utilizam mineração de texto e análise da linguagem escrita e 25% usam machine learning para predição e análise de dados.

Esses números mostram que a discussão já deixou de ser apenas tecnológica. A questão passa a ser onde a IA consegue alterar decisões, reduzir incerteza e melhorar desempenho.

Empresas que investem em IA apresentam diferenças de crescimento e inovação

Um estudo publicado no Journal of Financial Economics analisou o impacto econômico dos investimentos empresariais em IA. Os autores encontraram que empresas que investem em inteligência artificial apresentam maior crescimento de vendas, emprego e valor de mercado. Um dos resultados mais relevantes é que esse crescimento ocorre principalmente por meio do aumento da inovação de produtos.

Isso ajuda a mudar a discussão. IA não deve ser observada apenas como ferramenta para automatizar tarefas. Ela pode atuar na capacidade da empresa de perceber necessidades, interpretar grandes volumes de informação e transformar esse conhecimento em produtos e decisões.

Na área comercial, pesquisas da McKinsey indicam que empresas que investem em IA vêm registrando aumentos de receita entre 3% e 15% e melhorias de 10% a 20% no ROI de vendas. Em modelos de experiência orientada por IA, a consultoria também aponta potencial de aumento de receita entre 5% e 8% e redução de 20% a 30% no custo de atendimento.

O ponto central: ouvir o consumidor em escala

Uma empresa pode receber milhares de avaliações em marketplaces, e-commerces, redes sociais, SACs, pesquisas e outros canais. Ler manualmente esse volume é impraticável. Análise de sentimentos e processamento de linguagem permitem transformar essas manifestações em variáveis estruturadas.

Em vez de saber apenas se uma avaliação é positiva ou negativa, é possível identificar quais atributos estão associados à satisfação ou à rejeição: preço, sabor, odor, embalagem, tamanho, ingredientes, durabilidade, atendimento, entrega ou qualquer outro elemento relevante para a categoria.

A análise passa, portanto, de “o consumidor gosta do produto?” para perguntas gerenciais mais úteis: o que ele valoriza, o que rejeita, para qual público, em qual contexto, em qual região e em comparação com qual concorrente?

Por que o mercado pet é um bom exemplo

Segundo a Abempet, o mercado pet brasileiro deve alcançar R$ 77,2 bilhões em 2025, crescimento de 2,42% sobre 2024. Pet food representa R$ 40,82 bilhões, ou 52,9% do mercado. No ambiente digital, os pet shops virtuais especializados representam R$ 2,29 bilhões em faturamento.

É um mercado no qual uma mesma categoria pode atender necessidades muito diferentes. Espécie, porte, idade do animal, condição de saúde, renda do tutor, tipo de residência, localização, canal de compra e ocasião de consumo podem alterar a decisão.

Considere uma fabricante de alimentos, snacks, produtos de higiene ou acessórios. Ao analisar milhares de manifestações de consumidores, a empresa pode descobrir que determinado atributo é especialmente relevante para tutores de cães pequenos, enquanto outro aparece com maior frequência entre donos de gatos. Pode descobrir ainda que uma reclamação é concentrada em uma embalagem, canal ou segmento específico.

Esse conhecimento pode orientar desenvolvimento de produto, embalagem, sortimento, preço, distribuição e comunicação.

Da análise de sentimentos ao desenvolvimento de produtos

A cadeia de decisão pode ser estruturada da seguinte maneira:

Conversas e avaliações → sentimentos → atributos → segmentos → oportunidades → desenvolvimento de produto → comunicação → vendas → novos dados.

O resultado é um ciclo contínuo de aprendizagem. Em vez de lançar primeiro e pesquisar depois, a organização utiliza sinais existentes no mercado para reduzir a incerteza antes da decisão.

Marketing: gastar menos ou investir melhor?

A expressão mais adequada não é simplesmente “reduzir investimento em marketing”. O objetivo é aumentar a eficiência desse investimento.

Quando a organização conhece os atributos que realmente influenciam cada público, pode diminuir mensagens genéricas e aumentar a aderência entre produto, consumidor e comunicação. A mesma ração, por exemplo, pode ter um atributo relevante para determinado segmento e outro atributo mais importante para outro público.

A McKinsey estima que melhores práticas de retorno sobre investimento em marketing podem liberar entre 15% e 20% do gasto de marketing para reinvestimento ou resultado. Em abordagens recentes de marketing orientado por IA, a consultoria relata ainda casos de redução aproximada de 20% no gasto externo e forte redução do tempo necessário para produzir conteúdo e audiências.

Isso não significa que análise de sentimentos isoladamente produzirá esses resultados. Significa que inteligência sobre consumidores, integrada a dados, experimentação, personalização e decisão de mídia, pode reduzir desperdício e melhorar a alocação dos recursos.

Um modelo executivo para medir o impacto

A UIN estruturou um modelo executivo para demonstrar como essa lógica pode ser acompanhada por uma empresa. O dashboard combina indicadores de adoção de IA, inovação, eficiência comercial, marketing e mercado, além de permitir simulações de cenários.

Os cenários simulados não representam médias observadas do mercado pet. Eles servem para responder perguntas gerenciais: o que acontece com receita, ROI, custo de aquisição, conversão e velocidade de desenvolvimento se uma organização conseguir melhorar determinados indicadores por meio de inteligência de mercado e IA?

Essa separação entre evidência observada e simulação é importante. O objetivo não é prometer um percentual universal de crescimento, mas permitir que cada organização modele o impacto a partir de seus próprios dados.

O que muda na inteligência de mercado

A inteligência de mercado tradicional trabalha frequentemente com pesquisas periódicas, relatórios e análises retrospectivas. IA e análise de sentimentos acrescentam uma camada de monitoramento contínuo.

Isso permite acompanhar concorrentes, atributos emergentes, reclamações, mudanças de preferência, linguagem utilizada pelo consumidor e oportunidades que ainda não aparecem de maneira clara nos indicadores tradicionais.

A vantagem não está apenas em possuir mais dados. Está em diminuir a distância entre o que o mercado está dizendo e a decisão empresarial.

Como a UIN pode aplicar esse modelo

A UIN utiliza inteligência artificial, inteligência de mercado, análise de concorrência e análise de sentimentos para transformar grandes volumes de informação em apoio à decisão.

No mercado pet, o modelo pode ser aplicado para mapear marcas e produtos, analisar milhares de avaliações e manifestações, identificar atributos positivos e negativos, comparar concorrentes, segmentar necessidades, detectar oportunidades de novos produtos e indicar quais características merecem maior destaque na comunicação.

O mesmo princípio pode ser aplicado a varejo, alimentos, saúde, educação, serviços, indústria e outros mercados.

Empresas não precisam apenas de mais dados. Precisam compreender mais rapidamente o que consumidores e concorrentes estão sinalizando e transformar esse conhecimento em produto, comunicação e decisão.

Fontes

Cetic.br|NIC.br. TIC Empresas 2025, indicadores de utilização e aplicações de inteligência artificial.

Babina, T. et al. Artificial intelligence, firm growth, and product innovation. Journal of Financial Economics, v. 151, 2024.

McKinsey & Company. AI-powered marketing and sales reach new heights with generative AI.

McKinsey & Company. Next best experience: How AI can power every customer interaction.

McKinsey & Company. The future of marketing in the age of AI, 2026.

Abempet. Dados do mercado pet brasileiro e varejo digital, 2025.

IA e análise de sentimentos no mercado pet: como ouvir o consumidor pode acelerar inovação e vendas

Estudo da UIN mostra como inteligência artificial e análise de sentimentos podem apoiar inovação, desenvolvimento de produtos, eficiência de marketing e decisões comerciais no mercado pet brasileiro.

Empresas que transformam conversas de consumidores em dados estruturados podem reduzir incerteza em marketing, desenvolvimento de produtos e decisões comerciais. No mercado pet, que deve movimentar R$ 77,2 bilhões no Brasil em 2025, essa capacidade ganha uma dimensão estratégica.

A inteligência artificial já começou a mudar a forma como as empresas brasileiras tomam decisões. Segundo a TIC Empresas, do Cetic.br, 17% das empresas brasileiras utilizaram alguma tecnologia de IA em 2025, ante 13% em 2024. Entre as pequenas empresas, a adoção passou de 10% para 15%. Nas grandes, avançou de 38% para 50%.

O dado mais importante, entretanto, não é apenas quantas empresas utilizam IA, mas onde a tecnologia começa a produzir impacto econômico.

IA começa a aparecer onde a receita é gerada

Dados internacionais ajudam a dimensionar essa mudança. Pesquisa da McKinsey aponta que empresas que investem em IA vêm observando aumento de receita entre 3% e 15% e melhoria de 10% a 20% no ROI de vendas. Na pesquisa global State of AI 2025, 67% dos respondentes que utilizam IA em marketing e vendas relataram algum aumento de receita. Em desenvolvimento de produtos e serviços, essa proporção chegou a 62%.

Outro estudo, publicado no Journal of Financial Economics, encontrou associação entre investimentos empresariais em IA e crescimento de vendas, emprego e valor de mercado. Um dos resultados mais relevantes é que o crescimento aparece principalmente associado à inovação de produtos.

Isso muda a discussão. IA não deve ser tratada apenas como uma tecnologia para automatizar tarefas. Quando conectada aos dados de mercado e à voz do consumidor, pode participar do processo de identificação de oportunidades, segmentação, desenvolvimento de produtos, personalização e decisão comercial.

O Brasil ainda tem uma grande distância entre adoção e potencial

A TIC Empresas 2025 mostra que apenas 17% das empresas brasileiras utilizam IA. Entre aquelas que já adotaram a tecnologia, mineração de texto e análise de linguagem escrita chegaram a 38%, enquanto geração de linguagem natural alcançou 30%.

Isso significa que existe um volume crescente de empresas utilizando tecnologias capazes de interpretar linguagem, justamente o tipo de informação presente em avaliações de produtos, redes sociais, SAC, marketplaces, pesquisas abertas e outras manifestações espontâneas do consumidor.

O desafio passa a ser transformar esse enorme conjunto de textos em decisão.

Por que análise de sentimentos vai além de descobrir se o consumidor gosta ou não

Análise de sentimentos não deveria produzir apenas um indicador de “positivo”, “neutro” ou “negativo”. Seu uso empresarial mais relevante está na associação entre sentimento, assunto, atributo, produto, público, contexto e comportamento.

A literatura acadêmica sustenta essa abordagem. Uma meta-análise publicada no Journal of Retailing and Consumer Services, reunindo 28 estudos sobre avaliações online e vendas, analisou fatores como volume de avaliações, notas, utilidade, tamanho dos comentários e sentimento. Os resultados confirmam que características das avaliações online estão relacionadas ao desempenho comercial.

Outro estudo, publicado em Information & Management, utilizou análise conjunta de tópicos e sentimentos para investigar como avaliações textuais influenciam vendas. O trabalho mostra que é possível identificar não somente a polaridade do comentário, mas os atributos específicos do produto associados aos sentimentos dos consumidores.

Em pesquisa baseada em mais de 4 mil produtos comercializados na Amazon, sentimentos presentes nos reviews apresentaram impacto direto significativo sobre vendas. Isso reforça uma questão importante: uma nota média resume a experiência, mas o texto explica por que ela ocorreu.

O mercado pet é um exemplo especialmente relevante

Segundo a Abempet, o mercado pet brasileiro deve faturar R$ 77,2 bilhões em 2025, crescimento de 2,42% em relação a 2024. Pet food representa R$ 40,82 bilhões, ou 52,9% do mercado.

O digital também ganhou escala. Pet shops virtuais especializados representam 37,3% do faturamento online do setor, movimentando R$ 2,29 bilhões. As lojas virtuais das megastores somam R$ 1,98 bilhão e os pet shops pequenos e médios, R$ 1,23 bilhão.

Quanto maior a presença digital, maior também o volume potencial de sinais deixados pelo consumidor.

Uma avaliação de ração pode mencionar palatabilidade, tamanho do grão, ingredientes, odor, digestibilidade, preço ou embalagem. Um comentário sobre areia sanitária pode discutir controle de odor, formação de torrões, poeira, rendimento ou facilidade de limpeza. Em produtos de higiene, outros atributos passam a determinar satisfação e recompra.

Para uma empresa, portanto, saber que determinado produto possui 4,3 estrelas é menos informativo do que compreender quais atributos explicam essas 4,3 estrelas, para quais públicos, em quais situações e com quais diferenças em relação aos concorrentes.

Da análise de sentimentos para a inovação

Considere uma empresa que monitora continuamente milhares de manifestações de consumidores. A IA pode identificar atributos mencionados, classificar sentimentos, detectar problemas recorrentes, encontrar mudanças de comportamento e comparar produtos e concorrentes.

O resultado pode alimentar diferentes decisões empresariais.

Se tutores de cães pequenos mencionam repetidamente dificuldade relacionada ao tamanho da porção, existe um sinal para embalagem ou formulação. Se consumidores de determinada categoria valorizam ingredientes naturais, essa informação pode influenciar produto e comunicação. Se o atributo mais valorizado pelo consumidor quase não aparece na descrição dos produtos em e-commerce, existe uma possível lacuna de comunicação.

É nesse ponto que a análise deixa de ser monitoramento e passa a apoiar inovação.

Marketing pode ficar mais eficiente sem necessariamente gastar menos

O objetivo não precisa ser simplesmente reduzir o orçamento de marketing. A questão economicamente mais importante é reduzir desperdício e melhorar a alocação.

Em estudo sobre marketing orientado por dados no setor de bens de consumo, a McKinsey estima potencial de crescimento de 3% a 5% nas vendas líquidas e melhoria de 10% a 20% na eficiência de marketing quando empresas trabalham marketing orientado por dados em escala, apoiado por IA, visão integrada do consumidor e tecnologia adequada.

Em pesquisa mais recente, a McKinsey aponta que personalização orientada por IA pode elevar receita entre 5% e 8% e reduzir o custo de atendimento em até 30%. Em operações de marketing com IA mais estruturadas, há casos de redução de aproximadamente 20% em gastos externos e economia de 35% a 50% do tempo de ativação de campanhas.

Esses números não devem ser interpretados como garantia de resultado para qualquer empresa. São referências de potencial observadas em contextos específicos. O resultado depende de dados, maturidade analítica, integração, governança e capacidade de transformar informação em ação.

O modelo que emerge é diferente do marketing tradicional

No modelo convencional, a organização desenvolve o produto, define a campanha, compra mídia, vende e posteriormente mede a resposta.

Em um modelo orientado por inteligência de mercado, o processo pode começar antes: mercado, conversas, sentimentos, atributos, segmentos, oportunidades, produto, mensagem, mídia, venda e novos dados.

O consumidor passa a alimentar continuamente o processo decisório.

O que uma empresa pet poderia medir

Um sistema de inteligência aplicado ao setor pode acompanhar participação das marcas nas conversas, sentimentos por categoria, atributos mais mencionados, atributos associados a avaliações negativas, diferenças regionais, diferenças entre públicos, movimentos de concorrentes, problemas emergentes, oportunidades de novos produtos e distância entre aquilo que o consumidor valoriza e aquilo que a marca comunica.

Essa última comparação é particularmente relevante.

Imagine que consumidores mencionem frequentemente “controle de odor”, mas as marcas concentrem sua comunicação em “ingredientes naturais”. Ou que “palatabilidade” apareça como determinante nas avaliações positivas, enquanto as páginas de produto priorizem preço e composição.

A diferença entre o que o mercado fala e o que a empresa comunica pode revelar uma oportunidade comercial.

Uma nova vantagem competitiva: escutar em escala

Durante muito tempo, empresas precisaram escolher entre profundidade e escala. Entrevistas e grupos focais forneciam profundidade, enquanto grandes pesquisas forneciam escala, mas com perguntas previamente definidas.

IA, processamento de linguagem natural e análise de sentimentos adicionam uma terceira possibilidade: analisar grandes volumes de manifestações espontâneas e descobrir padrões que não necessariamente estavam previstos no questionário original.

Isso não elimina pesquisa qualitativa, quantitativa ou inteligência competitiva. Ao contrário, permite integrar essas fontes.

Para o mercado pet, essa combinação pode ajudar a responder questões concretas: quais necessidades estão crescendo, quais atributos geram rejeição, onde existem espaços para novos produtos, quais argumentos aumentam aderência da comunicação, quais públicos respondem de maneira diferente e onde o concorrente está deixando necessidades sem resposta.

Onde entra a UIN

A UIN utiliza inteligência artificial, inteligência de mercado, análise competitiva e análise de sentimentos para transformar grandes volumes de dados e conversas em informação aplicável à decisão empresarial.

No mercado pet, isso pode significar acompanhar categorias, marcas, produtos, regiões, públicos, avaliações e concorrentes, identificando sinais para desenvolvimento de produtos, posicionamento, comunicação, mídia e estratégia comercial.

A vantagem não está apenas em ter mais dados. Está em conseguir relacionar quem está falando, sobre qual produto, sobre qual atributo, com qual sentimento, em qual contexto e o que isso pode significar para a decisão seguinte.

Empresas que conseguem escutar o mercado em escala não eliminam a incerteza. Mas podem tomar decisões com uma quantidade muito maior de evidências.

Fontes consultadas: Cetic.br/NIC.br, TIC Empresas 2025; Abempet, dados do mercado pet brasileiro 2024/2025; McKinsey & Company, estudos sobre IA, marketing, vendas e personalização; Babina et al., Journal of Financial Economics, “Artificial intelligence, firm growth, and product innovation”; Li, Wu e Mai, Information & Management, “The effect of online reviews on product sales”; Li, Chen e Zhang, Journal of Retailing and Consumer Services, meta-análise sobre reviews e vendas; estudos acadêmicos sobre análise de sentimentos e vendas.

Quando 27% das vendas vêm de produtos novos: como ouvir o consumidor reduz o risco da inovação

O Grupo Boticário obteve 27% de suas vendas de 2025 com produtos lançados havia menos de um ano. A UIN analisa como sentimentos, avaliações e sinais de mercado podem orientar novos produtos e reduzir decisões baseadas apenas em intuição.

Lançamento de produtos com uso de Análise de Sentimentos — lançamento de produtos

Em 2025, 27% das vendas ao consumidor do Grupo Boticário vieram de produtos lançados havia menos de um ano. O número chama atenção não apenas pela velocidade de renovação do portfólio, mas por revelar quanto da receita de uma grande empresa de beleza depende da capacidade de compreender mudanças no consumidor e transformá-las rapidamente em produtos.

O Grupo Boticário encerrou 2025 com R$ 38,1 bilhões em vendas ao consumidor. A companhia informou ainda que seu programa de fidelidade Beauty Box alcançou 26 milhões de clientes. Segundo o próprio grupo, o desempenho dos lançamentos está relacionado ao conhecimento profundo dos consumidores e de suas necessidades.

O percentual de 27% não foi um acontecimento isolado. Em 2024, quando o grupo atingiu R$ 35,7 bilhões em vendas, a mesma parcela do GMV já vinha de produtos lançados havia menos de um ano. Naquele período, foram aproximadamente 5 mil produtos desenvolvidos e 2 mil reformulados.

O que esses números mostram? Em mercados de alta renovação, ouvir o consumidor não é apenas uma atividade de comunicação ou reputação. É parte da decisão sobre onde investir, o que desenvolver, quais atributos priorizar, como posicionar o lançamento e quando reformular ou retirar um produto.

Um mercado com milhares de lançamentos e ciclos cada vez mais curtos

O Brasil ocupa a terceira posição entre os maiores mercados consumidores de beleza e cuidados pessoais do mundo. Dados consolidados pela ABIHPEC apontam que o país movimentou US$ 37,4 bilhões ao consumidor em 2024, representando 5,8% de um mercado mundial estimado em US$ 640 bilhões.

O país também ocupava a quarta posição mundial entre os que mais lançavam produtos. Em 2025, foram registrados 7.359 lançamentos no Brasil, conforme dados do Mintel GNPD divulgados pela ABIHPEC. Isso representa uma média superior a 20 lançamentos por dia.

A competição acontece em uma estrutura formada por cerca de 3.630 empresas e uma cadeia que gerava aproximadamente 7,1 milhões de oportunidades de trabalho. Em 2025, as exportações brasileiras de beleza e cuidados pessoais ultrapassaram US$ 1 bilhão pela primeira vez, com crescimento de 20,1% sobre 2024 e presença em quase 200 países.

Indicador	Dado	Leitura empresarial
Vendas do Grupo Boticário em 2025	R$ 38,1 bilhões em GMV	Escala elevada de operação e distribuição
Participação de produtos recentes	27% das vendas	Renovação do portfólio com efeito direto sobre receita
Base Beauty Box	26 milhões de clientes	Capacidade de acompanhar comportamento, frequência e retenção
Lançamentos de beleza no Brasil em 2025	7.359	Disputa contínua por atenção, experimentação e recompra
Empresas do setor no Brasil	3.630	Mercado pulverizado e competitivo
Exportações brasileiras em 2025	Mais de US$ 1 bilhão	Ampliação da competição e das possibilidades de mercado

O problema não é apenas lançar. É saber o que merece ser lançado

Uma empresa pode ampliar o número de lançamentos e, ao mesmo tempo, aumentar custos de pesquisa, formulação, embalagem, registro, fabricação, comunicação, distribuição e estoque. O desafio empresarial não está na quantidade de novidades, mas na capacidade de selecionar oportunidades com maior aderência ao mercado.

A pesquisa tradicional continua necessária, principalmente quando existe uma decisão específica que exige amostra, controle metodológico e comparação estatística. Entretanto, ela representa um recorte planejado em determinado momento. Comentários, avaliações, reclamações, buscas, publicações e conversas digitais acrescentam outra dimensão: a manifestação espontânea e contínua do consumidor durante sua experiência com a categoria, a marca e o produto.

É nesse ponto que a análise de sentimentos pode contribuir. Seu papel não deve se limitar a contar mensagens positivas, negativas e neutras. Para apoiar desenvolvimento de produtos, é necessário identificar sobre qual atributo o consumidor está falando, em qual contexto, com qual intensidade, diante de qual concorrente e em qual etapa da experiência.

Da opinião dispersa à decisão sobre o produto

Em um cosmético, por exemplo, uma avaliação positiva geral pode esconder uma reclamação sobre embalagem. Um consumidor pode gostar da fragrância, mas rejeitar sua fixação. Pode aprovar o resultado, mas considerar o preço incompatível com o tamanho. Também pode elogiar a fórmula e, ainda assim, abandonar a compra por dificuldade de encontrar o produto.

Uma média simples de sentimento tende a esconder essas diferenças. A análise empresarial precisa decompor a experiência por atributos, como fragrância, textura, eficácia percebida, duração, embalagem, tamanho, preço, disponibilidade, sustentabilidade, ocasião de uso e comparação competitiva.

Etapa de desenvolvimento	Pergunta empresarial	Contribuição da análise
Descoberta	Qual necessidade ainda não está bem atendida?	Localizar reclamações recorrentes, desejos e usos improvisados
Concepção	Quais atributos devem compor o produto?	Hierarquizar benefícios, formatos, tamanhos, fragrâncias e materiais
Segmentação	Para quem o produto deve ser desenvolvido?	Comparar motivações por perfil, região, canal e ocasião de consumo
Posicionamento	Como apresentar o produto?	Identificar a linguagem usada pelo próprio consumidor para descrever problemas e resultados
Lançamento	Como está a aceitação inicial?	Acompanhar rapidamente elogios, objeções, dúvidas e comparações
Aprimoramento	O que precisa ser corrigido?	Separar falhas de fórmula, embalagem, comunicação, preço ou distribuição
Portfólio	O produto deve crescer, mudar ou sair?	Cruzar sentimento, recorrência, vendas, margem, recompra e presença competitiva

Sentimento isolado não basta

O consumidor pode reclamar muito de um produto que também vende muito. Pode elogiar uma novidade, mas não recomprá-la. Uma marca pode apresentar sentimento positivo elevado porque possui consumidores fiéis, enquanto perde espaço em um atributo emergente. Por isso, decisões de produto não devem ser tomadas exclusivamente com base na polaridade das manifestações.

A leitura torna-se mais consistente quando os sentimentos são cruzados com dados de vendas, preço, margem, estoque, devolução, recompra, região, canal, campanhas, perfil do consumidor e movimentos dos concorrentes.

Uma pesquisa da PwC realizada com 5.511 consumidores mostrou que 52% deixaram de comprar ou utilizar uma marca após uma experiência ruim com seus produtos ou serviços. Ao mesmo tempo, 70% dos executivos entrevistados disseram que as expectativas dos consumidores evoluem mais rapidamente do que suas empresas conseguem acompanhar. A distância entre a velocidade do consumidor e a velocidade da empresa é justamente o espaço no qual decisões equivocadas de produto se acumulam.

O que muda com inteligência artificial

A inteligência artificial permite processar um volume de manifestações que seria impraticável por leitura exclusivamente manual. Ela pode classificar temas, reconhecer atributos, comparar concorrentes, identificar emoções, localizar mudanças ao longo do tempo e organizar diferenças entre grupos de consumidores.

Isso não elimina a interpretação humana. Ironia, contexto cultural, campanhas promocionais, influência de criadores de conteúdo, avaliações falsas e mudanças de significado podem distorcer os resultados. A tecnologia amplia escala e velocidade, enquanto especialistas definem critérios, validam categorias e conectam os achados às decisões empresariais.

O resultado esperado não é um painel com uma porcentagem positiva. É uma estrutura capaz de responder quais atributos sustentam a preferência, quais frustrações comprometem a recompra, onde existem necessidades não atendidas, em quais segmentos um conceito possui maior aderência e quais mudanças dos concorrentes precisam ser acompanhadas.

O indicador que toda empresa deveria acompanhar

O dado do Grupo Boticário sugere uma pergunta aplicável a diferentes setores: qual parcela da receita atual da sua empresa vem de produtos lançados ou reformulados recentemente?

Se essa parcela for pequena, a empresa pode estar excessivamente dependente de um portfólio envelhecido. Se for elevada, cresce a necessidade de acompanhar a aceitação, a rentabilidade e a permanência dos lançamentos. Em ambos os casos, a análise contínua do consumidor ajuda a identificar onde inovar e onde preservar produtos já consolidados.

O objetivo não é substituir pesquisa, desenvolvimento, testes ou conhecimento técnico. É reduzir a distância entre aquilo que o mercado manifesta e aquilo que a empresa decide produzir.

Conclusão

Quando 27% das vendas vêm de produtos com menos de um ano, inovação deixa de ser uma promessa institucional e passa a ser um componente mensurável da receita. Em um mercado brasileiro com mais de 7 mil lançamentos anuais, desenvolver produtos apenas com dados internos ou percepções pontuais aumenta a exposição ao erro.

A análise de sentimentos, quando combinada com inteligência de mercado, concorrência e indicadores comerciais, pode transformar manifestações dispersas em critérios para descoberta, desenvolvimento, lançamento e aprimoramento de produtos.

A UIN desenvolve estudos de inteligência de mercado e análise de sentimentos para empresas que precisam compreender consumidores, concorrentes e oportunidades antes de comprometer recursos com novos produtos, campanhas e expansão de portfólio.

Fontes e nota metodológica

Este artigo utiliza dados públicos divulgados pelo Grupo Boticário sobre o desempenho de 2025, pelo Grupo Boticário sobre o desempenho de 2024, pelo Panorama do Setor da ABIHPEC, pela ABIHPEC sobre exportações em 2025, pela ABIHPEC sobre lançamentos registrados em 2025 e pela Pesquisa de Experiência do Consumidor 2025 da PwC.

Os dados demonstram a relevância econômica da inovação e da experiência do consumidor. Eles não comprovam que o resultado do Grupo Boticário tenha sido causado especificamente pelo uso de análise de sentimentos. Essa aplicação é apresentada pela UIN como método de apoio à redução de incerteza em decisões de produto.

Futuro da IA

o futuro da humanidade segundo Elon Musk

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.

Da visita operacional à gestão inteligente do ponto de venda

Palestra Inteligência artificial na Gestão de PDV

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.