IA para varejo e lojas físicas: além do e-commerce

Resposta rápida

O varejo físico já é um dos setores mais avançados em adoção de IA — só que a conversa costuma ficar presa em e-commerce e esquece a loja de rua. Segundo pesquisa global da NVIDIA publicada em 2026, 91% das empresas de varejo já usam ou avaliam aplicações de inteligência artificial, e 90% planejam aumentar o investimento ainda este ano. Na loja física, a IA atua em quatro frentes concretas: previsão de estoque e demanda (o case brasileiro mais documentado, da rede MRL, elevou a acurácia de previsão de 24% pra 76% com a AWS, reduzindo desperdício em até 30% e subindo a disponibilidade de produto de 80% pra 90%), visão computacional em câmera (monitorar fluxo de gente, gôndola vazia e ponto de fricção da jornada do cliente em tempo real), atendimento automatizado (o Assaí resolve até 80% dos casos de atendimento com assistente virtual, entre mais de 70 projetos ativos de IA) e precificação dinâmica. O gargalo real não é tecnológico: segundo levantamento da CNDL (Confederação Nacional de Dirigentes Lojistas), 87% dos donos de negócio no Brasil já conhecem ou usam IA, mas só 14% implementam de forma efetiva — 52% apontam falta de conhecimento como a principal barreira. A seguir, o detalhe de cada frente e por onde uma loja física de qualquer tamanho pode começar.

Onde a IA já atua na loja física

Frente	O que a IA faz	Resultado documentado
Previsão de estoque e demanda	Cruza histórico de venda, sazonalidade e dado externo pra prever quanto repor	MRL: acurácia de previsão 24%→76%, desperdício até -30%, disponibilidade 80%→90% (AWS)
Visão computacional (câmera)	Monitora fluxo de pessoas, ocupação de espaço, gôndola vazia e ponto de fricção em tempo real	Redução de até 35-56% em perdas (shrinkage) e +28% em disponibilidade de gôndola, segundo estudos do setor
Atendimento automatizado	Assistente virtual resolve dúvida e triagem sem depender só de atendente humano	Assaí: até 80% dos casos de atendimento resolvidos por assistente virtual
Precificação e promoção	Ajusta preço e promoção com base em demanda, estoque e concorrência em tempo real	Área ainda com maior dificuldade de execução — 92% dos operadores citam desafio na prática

O case MRL: o retrato mais completo de ganho real no Brasil

O case mais documentado de IA aplicada ao varejo físico brasileiro é o da MRL, rede de varejo alimentar, publicado pela AWS. A empresa implementou previsão automatizada de demanda baseada em machine learning e os números batem de frente com o discurso genérico de “IA melhora tudo”: acurácia de previsão de demanda saltou de 24% pra 76%, o desperdício caiu até 30%, a disponibilidade de produto na prateleira subiu de 80% pra 90%, e o lucro bruto cresceu 25% depois da adoção do modelo automatizado. O padrão por trás desse resultado é o mesmo que aparece em outros setores: o problema (ruptura de estoque e desperdício) já era caro e mensurável ANTES da IA entrar — o que permitiu medir o ganho de forma inequívoca depois.

Assaí e GPA: atendimento e operação em escala

Duas das maiores redes de varejo alimentar do Brasil já operam IA em escala, com abordagens diferentes. O Assaí aposta pesado em atendimento automatizado — um assistente virtual resolve até 80% dos casos de atendimento ao cliente sem precisar de intervenção humana, dentro de um portfólio de mais de 70 projetos ativos de IA cobrindo precificação, logística e operação. O Grupo Pão de Açúcar foca mais em back-office: IA pra previsão de demanda, otimização de estoque e roteirização de entrega. A diferença de estratégia mostra algo importante — não existe “o” caso de uso certo de IA no varejo físico. Existe o caso de uso certo PRA CADA operação, dependendo de onde o custo mais dói (atendimento, ruptura de estoque, logística de entrega).

Câmera de segurança virou sensor de operação, não só de vigilância

A mudança mais silenciosa (e mais barata de implementar, porque reaproveita infraestrutura que a loja já tem) é a câmera deixar de servir só pra “ver o que já aconteceu” e passar a gerar inteligência operacional em tempo real. As aplicações mais citadas no setor:

Fluxo de pessoas e ocupação de espaço — identifica horário de pico, corredor mais/menos visitado, tempo de permanência por área.
Gôndola vazia e desorganização de produto — a visão computacional identifica prateleira sem reposição antes que o cliente perceba a falta.
Ponto de fricção na jornada do cliente — fila longa, gargalo de circulação, área onde o cliente hesita e desiste da compra.
Alerta em tempo real de comportamento anômalo — em vez de só gravar pra revisão posterior, o sistema sinaliza padrão fora do esperado no momento em que acontece.
Busca em linguagem natural no arquivo de vídeo — em vez de vasculhar horas de gravação manualmente, pedir por texto (“mostra quando a gôndola X ficou vazia ontem à tarde”) e a IA localiza o trecho.

Estudos do setor (agregando redes que já implementaram visão computacional) mostram redução de até 35% em perdas (shrinkage) com sistemas básicos e até 56% com detecção de anomalia comportamental — mais eficaz que revisão reativa de CFTV tradicional —, além de 28% de melhora em disponibilidade de gôndola. Como grande parte dessas redes já tem câmera instalada por motivo de segurança, o investimento incremental pra virar “câmera + IA” costuma ser bem menor que implantar um sistema do zero.

O gargalo real não é tecnologia, é conhecimento

O dado mais revelador da pesquisa da CNDL não é sobre adoção — é sobre a distância entre intenção e execução. 87% dos donos de negócio no Brasil já conhecem ou usam alguma solução de IA, mas apenas 14% implementam de forma efetiva dentro da operação. Quando perguntados sobre o motivo, 52% apontam falta de conhecimento sobre como aplicar a tecnologia como a barreira principal — à frente até de custo de implementação. Isso inverte a intuição comum de que “IA no varejo é cara demais pra loja pequena”: o obstáculo mais citado é não saber por onde começar, não o preço da ferramenta. Detalhei o passo a passo de priorização (qual processo escolher primeiro, como medir linha de base) em como implementar IA na empresa: passo a passo com o método APURA — a lógica vale igual pra loja física.

Perguntas frequentes

Como o varejo físico está usando inteligência artificial?

Em quatro frentes principais: previsão de estoque/demanda (reduzir ruptura e desperdício), visão computacional via câmera (monitorar fluxo, gôndola e comportamento em tempo real), atendimento automatizado (assistente virtual pra dúvida e triagem) e precificação dinâmica.

Como lojas físicas podem aplicar IA no dia a dia, começando pequeno?

O caminho mais barato costuma ser aproveitar infraestrutura que a loja já tem — câmera de segurança existente ganhando camada de análise de IA (fluxo, gôndola vazia) — e previsão de estoque com ferramenta pronta de mercado, sem precisar desenvolver nada sob medida. O gargalo real, segundo a CNDL, é conhecimento de como aplicar, não custo.

Loja pequena consegue competir com redes grandes tipo Assaí e GPA em uso de IA?

Não na mesma escala de investimento, mas o princípio se aplica igual: escolher UM processo caro e mensurável (ruptura de estoque, tempo de fila, desperdício) e aplicar uma ferramenta pronta ali. Loja pequena não precisa de 70 projetos ativos como o Assaí — precisa resolver o problema que mais custa dinheiro na operação dela.

Vale a pena instalar câmera com IA só pra evitar furto (shrinkage)?

Vale considerar, mas o ganho vai além da perda: os mesmos sistemas de visão computacional que reduzem shrinkage (até 56% com detecção de anomalia comportamental) também identificam gôndola vazia e gargalo de fluxo — ou seja, o mesmo investimento gera dado de prevenção de perda E de eficiência operacional.

IA no varejo físico substitui o vendedor/atendente da loja?

Não no padrão que já funciona — assistente virtual (caso do Assaí) resolve o volume repetitivo de dúvida e triagem, liberando o atendente humano pra venda consultiva e situação que exige julgamento. A automação de 80% dos casos não significa 80% menos gente — significa 80% menos tempo gasto em pergunta repetitiva.