IA preditiva no varejo: o que o gap entre discurso e prática revela

Romildo Burguez • July 7, 2026

Quase oito em cada dez executivos do varejo brasileiro afirmam que a inteligência artificial já muda o negócio ou vai mudar em pouco tempo. Até aí, nenhuma surpresa. O problema aparece quando se olha para dentro da operação: menos de um em cada dez usa IA preditiva no varejo para revisar preço em tempo real ou saber, com precisão, quanto produto sobra na prateleira física. O discurso avançou. A aplicação, não. E essa distância custa caro, porque estoque parado e ruptura não perdoam quem só reconhece a tendência sem estruturar o dado por trás dela. 


O que o IA Survey 2026 escancarou 


O IA Survey 2026, conduzido pela CRMBonus em parceria com a Wake junto a 307 executivos do varejo e do e-commerce brasileiro, chegou a um número que parece positivo à primeira vista. Setenta e nove por cento dos entrevistados reconhecem que a inteligência artificial já impacta o negócio ou vai impactar em curtíssimo prazo. A reportagem publicada pela Exame em 3 de julho de 2026 traz esse dado ao lado de outro, bem menos comentado nas rodas de discussão sobre IA: a fatia de varejistas que usa IA avançada para precificação dinâmica ou para controle de estoque em loja física fica abaixo de 10%. 


Não é falta de investimento. O mercado global de IA aplicada ao varejo deve movimentar US$ 16,54 bilhões em 2026, um salto expressivo frente ao ano anterior. O dinheiro está entrando no setor. Só que entra, majoritariamente, em geração de criativo de marketing e em automação de atendimento, áreas onde o resultado aparece rápido e é fácil de justificar internamente. Precificação dinâmica, previsão de demanda por loja e reposição automática de estoque, que são justamente os pontos de maior potencial de margem, seguem represados na fase de intenção. 


Por que o reconhecimento não vira aplicação 


O que, afinal, impede o varejo de usar IA avançada em decisões de preço e estoque? Na maioria dos casos, não é o algoritmo. É a base de dados que o alimenta. 


Precificação dinâmica e previsão de ruptura em loja física dependem de um histórico limpo e contínuo de vendas, estoque, sazonalidade e comportamento de compra, cruzado entre sistemas que, na maioria das operações de varejo, não conversam entre si. O ERP registra a venda de um jeito. O e-commerce registra de outro. O sistema de ponto de venda da loja física guarda o estoque em uma lógica própria, muitas vezes desatualizada em tempo real. Um modelo preditivo alimentado por esse tipo de base fragmentada não erra por falha de algoritmo. Erra porque o dado que o alimenta já chega torto. 


Algumas causas se repetem com frequência: histórico de vendas incompleto ou fragmentado entre canais, ausência de um dono formal do dado dentro da operação e ferramentas de BI usadas apenas para relatório retrospectivo, nunca para recomendação de ação. Nenhuma dessas causas aparece na conversa sobre orçamento de IA. Todas aparecem na conversa sobre maturidade de dados. 


O custo de ficar só no reconhecimento 


Enquanto a maturidade avançada não chega, o custo continua rodando silencioso. Estoque parado imobiliza capital que poderia estar em giro. Ruptura de produto, do lado oposto, derruba receita e empurra o cliente para o concorrente que acertou a prateleira. Nenhum dos dois efeitos aparece isolado em uma linha de balanço chamada "falta de IA". Eles aparecem diluídos em margem, em capital de giro, em taxa de conversão perdida para quem resolveu o problema primeiro. 


Enquanto isso, o varejista que já organizou a base de dados por trás da operação começa a testar precificação por loja, por horário, por concorrência local. Não é ficção científica. É a mesma tecnologia que a maioria já reconhece como relevante, aplicada em cima de um alicerce que poucos ainda construíram. 


Da intenção à execução: o caminho até a IA preditiva no varejo 


Integração de dados como ponto de partida 


Antes de qualquer modelo de precificação ou de previsão de demanda, existe uma etapa que raramente aparece nos cases de sucesso divulgados: unir o dado de venda, estoque e comportamento de compra em uma única camada confiável, esteja ele na loja física, no marketplace ou no aplicativo próprio. Sem isso, o modelo mais sofisticado do mercado trabalha com informação incompleta e entrega recomendação incompleta. 


Governança de dados no varejo antes do modelo preditivo 


Governança de dados não é burocracia para especialista técnico. É o que garante que o número usado para decidir o preço de amanhã reflita a realidade de hoje, e não um cadastro desatualizado há três meses. Empresas que pulam essa etapa para ganhar tempo costumam gastar mais tempo depois, corrigindo decisões tomadas em cima de dado errado. 


BI como camada entre o dado bruto e a IA aplicada 


Grande parte do varejo brasileiro ainda usa Business Intelligence apenas para olhar para trás, entender o que já aconteceu. A virada acontece quando a mesma estrutura de BI passa a alimentar modelos preditivos, sugerindo o próximo passo, e não só descrevendo o último resultado. É esse movimento, do relatório para a recomendação, que separa quem reconhece o potencial da IA de quem realmente opera com ela. 


Para que você possa se aprofundar ainda mais, recomendamos também a leitura dos artigos abaixo: 


73% das empresas brasileiras investem em IA. Menos de 40% têm governança de dados para sustentar isso 


Governança de Dados e BI: Garanta maior Qualidade e Conformidade na sua Empresa 


IA no Core: 3 automações que devolvem tempo à equipe e aumentam a margem 


O que fazer com esse gap 


A pesquisa da CRMBonus e da Wake deixa um recado direto para quem lidera tecnologia e operação no varejo. O reconhecimento do potencial da IA já é unanimidade. A capacidade real de aplicá-la em precificação dinâmica e em gestão de estoque físico ainda é raridade, e a diferença entre um grupo e outro raramente está no modelo de IA escolhido. 


A CSP Tech atua justamente nesse ponto de virada, ajudando operações de varejo a integrar fontes de dados dispersas entre loja física, e-commerce e ERP, estruturar governança sobre essa base e viabilizar, de fato, gestão de estoque com inteligência artificial e precificação dinâmica no varejo, dentro da frente de Inteligência de Processos e Dados. 


Se a sua operação já reconhece o potencial da IA, mas ainda não sabe dizer com segurança se o dado por trás dela aguenta esse próximo passo, vale conversar com quem já ajudou outras empresas a atravessar exatamente essa lacuna. 


Fale com a CSP Tech: www.csptech.com.br/contato 

Fale com a CSP Tech

.

Por Guilherme Matos • 19 de novembro de 2026
Para usar agentes de IA sobre dados de sinistro sem expor dado pessoal do segurado, o agente precisa herdar a mesma regra de acesso do analista que faz a pergunta, aplicada no momento da consulta. No Databricks, isso depende de duas escolhas. A primeira é o modo de autorização do agente: na autorização por usuário , o agente consulta os dados com a identidade de quem pergunta, e o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna; na autorização do app, todos os usuários compartilham as permissões de uma conta técnica. A segunda é não contornar as máscaras com cópias de dados feitas para alimentar a busca vetorial. Em sinistros de vida, saúde e acidentes pessoais, parte desses dados é dado de saúde, que a LGPD trata como dado pessoal sensível. Por que o dado de sinistro pede um cuidado diferente Um processo de sinistro reúne dados de identificação do segurado e dos beneficiários, dados bancários para indenização, relatos do evento e, em vários ramos, laudos e informações médicas. A Lei Geral de Proteção de Dados define, no artigo 5º, inciso II, o dado referente à saúde como dado pessoal sensível, e o artigo 11 limita as hipóteses em que ele pode ser tratado. Entre elas estão o exercício regular de direitos, inclusive em contrato, e a garantia da prevenção à fraude. O artigo 6º, inciso III, acrescenta o princípio da necessidade: o tratamento deve se limitar ao mínimo necessário para a sua finalidade. Na operação, esse princípio já costuma estar refletido em perfis de acesso. O regulador de sinistro vê o processo que conduz, o time antifraude vê os sinais de que precisa, e o atendimento vê o status do pedido sem acessar o laudo. O risco do agente de IA é desfazer essa separação sem que ninguém perceba, porque ele responde em linguagem natural e não mostra de qual tabela, com qual permissão, tirou cada informação. Tese da CSP Tech: na seguradora, o agente de IA deve ver exatamente o que o analista que fez a pergunta veria, nem mais nem menos, e essa regra precisa ser aplicada no momento da consulta, pela plataforma de dados, e não por instruções no prompt. No Databricks, os dois pontos em que o dado do segurado costuma escapar são a escolha da autorização do agente e as cópias feitas para busca vetorial, e ambos se resolvem no desenho, antes do piloto. Os dois modos de autorização do agente Autorização do app Segundo a documentação da Databricks, atualizada em 23 de outubro de 2026, na autorização do app o agente se autentica com uma conta técnica criada automaticamente, e todos os usuários compartilham as mesmas permissões. É o modo mais simples de colocar um piloto no ar, e por isso é o mais comum. O efeito em um ambiente de sinistros é direto: se a conta técnica tem acesso ao laudo médico, qualquer pessoa que converse com o agente pode receber uma resposta baseada nele, ainda que o perfil dessa pessoa não permita abrir o laudo. Autorização por usuário Na autorização por usuário, antes chamada de on-behalf-of-user, o agente acessa os recursos com a identidade de quem faz a pergunta. A documentação lista como benefícios o acesso por usuário a dados sensíveis, os controles granulares do Unity Catalog, a trilha de auditoria por usuário e a aplicação automática de filtros de linha e máscaras de coluna. O recurso funciona com SQL Warehouse, Genie, Model Serving, índices de AI Search e tabelas do Unity Catalog, entre outros. Os dois modos podem ser combinados no mesmo agente, o que permite usar a conta técnica para recursos sem dado pessoal e a identidade do usuário para os que têm. Há três cuidados registrados pela própria Databricks. A autorização por usuário está em prévia pública e precisa ser habilitada por um administrador do workspace. As mudanças de escopo podem levar até cinco minutos para valer, por causa de caches. E, se o token do usuário não chegar ao agente, a função que deveria usar a identidade dele recorre à conta técnica sem gerar erro. Por isso a documentação recomenda testar o agente com uma ferramenta que devolva a identidade em uso antes de liberar o acesso. Filtros de linha e máscaras de coluna: a regra aplicada na consulta No Unity Catalog, filtros de linha e máscaras de coluna restringem, no momento da consulta, quais linhas e quais valores cada usuário consegue ver, segundo a documentação de filtros e máscaras , atualizada em 6 de novembro de 2026. O filtro de linha é uma função que exclui as linhas para as quais retorna falso, o que permite, por exemplo, que o regulador veja só os processos da sua carteira. A máscara de coluna é uma função que devolve o valor original ou uma versão mascarada, o que permite mostrar o diagnóstico ao time médico e um valor oculto ao atendimento. Para aplicar a mesma regra a muitas tabelas, a Databricks recomenda políticas baseadas em atributos, ligadas a tags no catálogo ou no esquema, que os donos das tabelas não conseguem remover. Combinadas com a autorização por usuário, essas regras fazem o agente herdar o perfil do analista sem nenhuma instrução no prompt. Uma instrução do tipo “não revele dados de saúde” pode ser contornada por uma pergunta bem formulada, enquanto a máscara aplicada pela plataforma impede que o dado chegue ao modelo. Onde o dado do segurado escapa A cópia para busca vetorial. A documentação informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. Quando o time de dados quer que o agente pesquise documentos de sinistro, a saída mais rápida é criar uma cópia sem as proteções para indexar, e com isso o índice passa a conter o que as máscaras escondiam. O desenho seguro prepara uma tabela própria para o índice, já sem os campos sensíveis ou com eles transformados, e aplica a autorização por usuário ao índice. Os clones e as versões antigas. Clones de tabelas com filtros ou máscaras não são suportados, e a consulta a versões anteriores da tabela, o time travel, não funciona com filtros e máscaras em nível de tabela. Ambientes de teste montados com cópias de produção são um caminho conhecido para o dado sensível sair do perímetro. As views. Filtros e máscaras não podem ser aplicados diretamente a uma view. Se o agente consulta uma view construída sobre a tabela original, a proteção precisa estar na tabela de origem. O fallback silencioso. Quando o token do usuário não chega ao agente, a consulta passa a usar a conta técnica sem erro. O teste de identidade em uso precisa fazer parte da homologação e do monitoramento, e não só do primeiro deploy. O que a seguradora precisa decidir antes do piloto A plataforma aplica as regras, mas não as define. Antes de liberar o agente, a seguradora precisa classificar quais colunas de sinistro são dado pessoal e quais são dado de saúde, decidir quais perfis podem ver cada classe, registrar essas decisões como tags governadas no catálogo e escolher, recurso por recurso, se o agente usa a identidade do usuário ou a conta técnica. Essa classificação é o mesmo trabalho de governança de dados que a seguradora já precisaria fazer para a LGPD, agora aplicado a um consumidor novo, que responde a perguntas em vez de abrir telas. O caso de dados de conversa, com mascaramento de gravações e transcrições, está tratado no artigo “Governança de dados de conversa no Databricks” , publicado no blog. Aqui o foco é o agente que consulta o processo de sinistro. A camada regulatória, com a ressalva devida A LGPD exige, no artigo 46, medidas de segurança técnicas e administrativas aptas a proteger os dados pessoais de acessos não autorizados, e não prescreve ferramenta. No mercado de seguros, a Circular Susep 638/2021 trata de segurança cibernética e determina a comunicação de incidentes relevantes à autarquia. A leitura de que o agente de IA deve herdar a regra de acesso do analista é uma interpretação editorial da CSP Tech sobre como aplicar o princípio da necessidade a um novo tipo de consumidor de dados. A base legal de cada tratamento, a classificação dos dados e a avaliação de impacto cabem ao encarregado de dados e às áreas de compliance e jurídico da seguradora. Quando esse desenho é desproporcional Um agente que trabalha só com dados agregados ou anonimizados, como volume de sinistros por ramo e região, não precisa de autorização por usuário: a conta técnica com acesso apenas a essas tabelas resolve. O mesmo vale para um agente interno que responde sobre normas e procedimentos, sem acesso a processos de segurados. O cuidado descrito aqui é para o agente que consulta processos individuais. Perguntas frequentes Dado de sinistro é dado pessoal sensível? Parte dele é. A LGPD, no artigo 5º, inciso II, classifica o dado referente à saúde como dado pessoal sensível, e processos de sinistro de vida, saúde e acidentes pessoais costumam conter laudos e informações médicas. Dados de identificação e bancários do segurado são dados pessoais, ainda que não sensíveis. O que é autorização por usuário em agentes do Databricks? É o modo em que o agente acessa os dados com a identidade de quem faz a pergunta, antes chamado de on-behalf-of-user. Com ele, o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna. Segundo a documentação da Databricks de outubro de 2026, o recurso está em prévia pública e precisa ser habilitado por um administrador do workspace. Posso indexar no AI Search uma tabela com máscaras de coluna? Não. A documentação da Databricks informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. O caminho seguro é preparar uma tabela própria para o índice, sem os campos sensíveis ou com eles transformados, em vez de copiar a tabela original sem proteção. Uma instrução no prompt basta para o agente não revelar dados de saúde? Não é uma proteção confiável, porque pode ser contornada por perguntas bem formuladas. A forma mais segura é impedir que o dado chegue ao modelo, aplicando máscaras de coluna e filtros de linha na plataforma de dados e fazendo o agente consultar com a identidade do usuário. Próximo passo Faça um teste de dez minutos: no agente que sua equipe está testando sobre dados de sinistro, faça a mesma pergunta com dois usuários de perfis diferentes, um do atendimento e outro da regulação, e compare as respostas. Depois, verifique se o índice de busca do agente foi criado a partir de uma cópia da tabela original. Se as respostas forem iguais, ou se o índice veio de uma cópia sem máscaras, o agente está vendo mais do que o analista. Solicite um diagnóstico de dados da CSP Tech para desenhar a autorização e as máscaras antes de ampliar o piloto. Leituras relacionadas Governança de dados e IA Segurança de agentes de IA: por que permissão virou o novo perímetro (e como limitar o agente sem inutilizá-lo) Data lake ou pântano de dados: por que a IA não fracassa por falta de dado, e sim por não achar o dado certo MDM no Databricks: como construir gestão de dados mestres no Lakehouse (sem comprar mais uma plataforma) Por que 40% dos projetos de agentes de IA serão cancelados até 2027 (e o que a fundação de dados tem a ver com isso) Setor financeiro e seguros Agentes de IA não autorizados chegaram às contas bancárias dos EUA. Seus sistemas sabem quem está do outro lado? Empresa de intranet para banco, cooperativa ou seguradora: como comparar plataforma pronta, SharePoint e desenvolvimento sob medida “De onde veio esse número”? Rastreabilidade de dados para decisões mais confiáveis Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 38 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace). Fontes (acesso em 19/11/2026): Databricks Documentation, “Authentication for AI agents” (autorização do app e por usuário; prévia pública; fallback sem erro; recursos suportados), atualizada em 23/10/2026. Databricks Documentation, “Row filters and column masks” (avaliação em tempo de consulta, políticas ABAC, limitações com AI Search, clones, time travel e views), atualizada em 06/11/2026. Lei nº 13.709/2018 (LGPD) , arts. 5º (II), 6º (III), 11 e 46, texto compilado no Planalto. Circular Susep nº 638/2021 . A tese e as práticas de desenho são formulação editorial da CSP Tech. Este conteúdo não constitui aconselhamento jurídico ou regulatório.
Por Guilherme Matos • 18 de novembro de 2026
Scripts envenenados em quatro serviços web, DDoS contra a rede Tor: como cada ataque de novembro de 2026 funcionou e o que revisar em cada camada.
Por Guilherme Matos • 17 de novembro de 2026
Com o Pix funcionando 24 horas, a mudança segura em pagamentos é a que chega à janela com o caminho de volta testado e registrado. Veja como estruturar janela, aprovação e rollback.
Por Guilherme Matos • 16 de novembro de 2026
A linhagem do Unity Catalog mostra de onde veio cada coluna, mas tem limites documentados. Veja o que ela não cobre e o que a instituição financeira precisa somar para defender um número reportado.
Por Guilherme Matos • 13 de novembro de 2026
Em banco, seguradora ou cooperativa, um normativo interno vencido que continua acessível na intranet deixa de ser só conteúdo desatualizado e passa a ser instrução operacional errada. Com o Microsoft 365 Copilot, o risco cresce, porque o assistente usa todo o conteúdo que o colaborador tem permissão de ver, inclusive a
Por Guilherme Matos • 12 de novembro de 2026
Uma instância Jira por cooperativa ou uma para o sistema inteiro? Veja os três desenhos possíveis, os critérios de decisão e o que a Resolução 4.893 permite ao sistema cooperativo.
Por Guilherme Matos • 10 de novembro de 2026
Com IA, o gestor de banco pergunta ao dado em linguagem natural em vez de esperar o relatório. Veja o que muda no time de dados com o Genie do Databricks: curadoria, testes de precisão, revisão de respostas e o histórico de perguntas como fila de demanda.
Por Guilherme Matos • 9 de novembro de 2026
Banco, cooperativa e seguradora já usam mais IA do que a TI registrou. Veja o que um inventário de IA precisa conter para servir de evidência à auditoria e ao Banco Central, de onde vêm os itens e onde manter o registro vivo no Jira Service.
Por Guilherme Matos • 5 de novembro de 2026
A Resolução 4.893 pede que o Banco Central saiba onde os dados podem ser processados. No Databricks, os recursos de IA seguem a área geográfica do workspace, que pode ir além do Brasil. Veja o que mapear antes de contratar e como configurar.