A intelig\u00eancia artificial j\u00e1 consegue percorrer em poucas horas volumes de dados que antes exigiam semanas de trabalho das \u00e1reas de Compras. Mas os primeiros usos em escala tamb\u00e9m come\u00e7am a deixar mais claros os limites da tecnologia \u2014 especialmente quando modelos de linguagem s\u00e3o aplicados a tarefas espec\u00edficas de planejamento \u2014 e colocam uma quest\u00e3o adicional sobre a mesa: quanto dessas decis\u00f5es pode, de fato, ser delegado \u00e0s m\u00e1quinas.<\/p>\n
A discuss\u00e3o apareceu no primeiro dia do 23\u00ba F\u00f3rum de Compras & Sourcing, promovido pela Live University | INBRASC, em S\u00e3o Paulo. Al\u00e9m da intelig\u00eancia artificial, a programa\u00e7\u00e3o abordou Reforma Tribut\u00e1ria, risco, margem, geopol\u00edtica e gest\u00e3o de fornecedores, num momento em que a \u00e1rea deixa de responder apenas por redu\u00e7\u00e3o de custos e passa a interferir tamb\u00e9m em caixa, produ\u00e7\u00e3o e resultado financeiro. Um dos casos apresentados mostrou um agente de IA analisando 12 meses de compras de uma grande empresa, em uma base de 21 mil pedidos, 629 fornecedores e R$ 730 milh\u00f5es em gastos. Segundo a Klauvi, o processamento levou cerca de duas horas. Ap\u00f3s dois dias de trabalho com a ferramenta, foram identificados R$ 18,8 milh\u00f5es em oportunidades de negocia\u00e7\u00e3o, equivalentes a 2,6% do valor analisado. O mesmo levantamento, de acordo com a empresa, levava aproximadamente um m\u00eas.<\/p>\n
O ganho de velocidade, por\u00e9m, n\u00e3o significa que qualquer ferramenta de intelig\u00eancia artificial produza o melhor resultado para qualquer problema.<\/p>\n
Em um teste apresentado pela NPLAN, dados reais e anonimizados de uma f\u00e1brica, com cerca de 4.500 ordens de produ\u00e7\u00e3o, foram submetidos tanto a um modelo de linguagem quanto a um motor desenvolvido especificamente para planejamento industrial. Os dois chegaram a planos v\u00e1lidos, mas, na configura\u00e7\u00e3o otimizada, o sistema especializado encerrou o planejamento com 365 horas de setup, ante 501 horas do modelo de linguagem \u2014 diferen\u00e7a de 27% \u2014 mantendo o mesmo OTIF.<\/p>\n
A diferen\u00e7a tamb\u00e9m apareceu no tempo de processamento: 61 segundos no motor especializado e 76 minutos no modelo de linguagem.<\/p>\n
Outro teste comparou previs\u00f5es feitas por cinco modelos de IA a partir do hist\u00f3rico de vendas de 1.589 s\u00e9ries de 911 produtos. Entre execu\u00e7\u00f5es diferentes, os resultados dos modelos oscilaram entre 8% e 12% do volume. No sistema espec\u00edfico utilizado pela empresa, a varia\u00e7\u00e3o foi de 0,55%.<\/p>\n
A pr\u00f3pria NPLAN ressalta que a compara\u00e7\u00e3o tem limita\u00e7\u00f5es metodol\u00f3gicas. Ainda assim, os testes ajudam a mostrar uma discuss\u00e3o que come\u00e7a a ganhar espa\u00e7o dentro das empresas: modelos generativos podem ser \u00fateis para an\u00e1lise, intera\u00e7\u00e3o e apoio \u00e0 decis\u00e3o, mas nem sempre substituem ferramentas desenhadas para problemas matem\u00e1ticos e operacionais espec\u00edficos.<\/p>\n
Para Rafael Scucuglia, diretor acad\u00eamico da Live University, essa expans\u00e3o da capacidade tecnol\u00f3gica aumenta tamb\u00e9m a responsabilidade de quem decide.<\/p>\n
\u201cDurante muito tempo, Compras foi cobrada por uma conta relativamente simples: negociar melhor e economizar. Essa conta mudou. Hoje, uma decis\u00e3o sobre fornecedor pode afetar caixa, margem, risco e at\u00e9 o aproveitamento de cr\u00e9dito tribut\u00e1rio. Ao mesmo tempo, a intelig\u00eancia artificial d\u00e1 uma capacidade de an\u00e1lise que a \u00e1rea nunca teve. O desafio agora \u00e9 transformar esse volume de informa\u00e7\u00e3o em decis\u00e3o de neg\u00f3cio\u201d, afirma.<\/p>\n
Reforma Tribut\u00e1ria leva fornecedor para a conta do caixa<\/strong><\/p>\n A Reforma Tribut\u00e1ria adiciona outra camada a essa mudan\u00e7a: em uma simula\u00e7\u00e3o apresentada pela Ahlex, uma empresa com R$ 100 milh\u00f5es em compras anuais e 10% desse volume concentrado em opera\u00e7\u00f5es que impe\u00e7am o aproveitamento de cr\u00e9ditos poderia deixar de recuperar cerca de R$ 2,65 milh\u00f5es ao ano, considerando uma carga estimada de CBS e IBS de 26,5%.<\/p>\n O c\u00e1lculo \u00e9 hipot\u00e9tico e o impacto efetivo varia conforme setor, regime tribut\u00e1rio e composi\u00e7\u00e3o da cadeia. A l\u00f3gica, por\u00e9m, \u00e9 relevante para Compras: cadastro, homologa\u00e7\u00e3o e situa\u00e7\u00e3o fiscal do fornecedor podem passar a ter consequ\u00eancia direta sobre a recupera\u00e7\u00e3o de cr\u00e9ditos e o fluxo de caixa.<\/p>\n \u201cMuita empresa acha que a Reforma Tribut\u00e1ria \u00e9 assunto do fiscal. N\u00e3o \u00e9. O dinheiro vai embora na hora em que Compras aprova um fornecedor sem olhar o cadastro\u201d, afirma Marcelo Dall Agnol, Head de Vendas da Ahlex.<\/p>\n A gest\u00e3o de fornecedores tamb\u00e9m apareceu sob outra perspectiva: o trabalho necess\u00e1rio para acompanhar documenta\u00e7\u00e3o, riscos e conformidade de terceiros.<\/p>\n A Bernhoeft informou que monitora mensalmente mais de 10 milh\u00f5es de documentos relacionados a 850 mil trabalhadores e 35 mil empresas. Segundo a companhia, a combina\u00e7\u00e3o entre intelig\u00eancia artificial e an\u00e1lise especializada pode reduzir em at\u00e9 70% o esfor\u00e7o empregado na mobiliza\u00e7\u00e3o de terceiros.<\/p>\n