A IA conhece os negócios. Não conhece o seu.

A vantagem não é o LLM

Por que a vantagem competitiva da IA nas empresas não está no LLM, mas sim no modelo do seu próprio negócio.

Vamos fazer um experimento.

Abra qualquer modelo de fronteira e pergunte a ele:

O que uma empresa deveria fazer se um fornecedor crítico parasse de entregar por seis semanas?

A resposta será boa. Ele falará sobre fornecedores alternativos, priorização de clientes conforme a rentabilidade, realocação de estoque entre centros de distribuição, renegociação de condições e comparação entre o custo do frete aéreo e o custo de uma ruptura de estoque. Será bem escrita e completamente razoável.

Agora, vamos fazer a pergunta que realmente nos importa:

O que deveríamos fazer se o Fornecedor X (nosso fornecedor crítico) parasse de entregar por seis semanas, e o que acontece nesse cenário com o estoque, o nível de serviço, a margem e o caixa?

Aqui começa o problema, e não é o que se esperaria. O LLM não se recusará a responder. Ele responderá com a mesma fluidez, proporá um curso de ação e, se pedirmos números, nos dará números.

O problema é que nem ele nem nós temos como saber se esses números são verdadeiros.

Porque o modelo não conhece nossos custos reais, nossas restrições de capacidade, nossos lead times, nossas políticas de alocação, como nossos clientes se comportam nem, acima de tudo, a forma específica como todas essas variáveis afetam umas às outras. Ele sabe muito sobre empresas. Ele não sabe como esta funciona.

‍

‍

O contexto não é suficiente

A resposta instintiva é fornecer informações melhores: conectá-lo ao ERP, ao data lake, aos procedimentos, aos contratos, aos relatórios de gestão.

Isso é útil e vale a pena fazer. Mas confunde duas coisas distintas.

Ter acesso a informações sobre uma empresa não é o mesmo que entender sua mecânica. Conhecer o estoque de hoje, os custos do último fechamento e a demanda do mês passado não permite responder o que aconteceria se mudássemos uma decisão amanhã. Para isso, é preciso representar as relações entre essas variáveis, não apenas seus valores.

Se a demanda muda, o estoque muda. Se o estoque muda, a reposição muda. Se o plano de produção muda, a utilização da capacidade, os requisitos de materiais e os custos mudam. E tudo isso acaba afetando as vendas, a margem, o capital de giro e o fluxo de caixa.

Os dados respondem o que é. Um modelo responde o que aconteceria se.

E aqui vem a parte desconfortável, que é décadas anterior à IA.

‍

‍

O conhecimento existe, mas não vive em lugar nenhum

O obstáculo não é apenas o fato de o LLM não conhecer o negócio. É que, na maioria das organizações, ninguém possui esse conhecimento formalizado de maneira integrada.

Uma parte vive na experiência dos gerentes. Outra parte vive em planilhas construídas e remendadas durante anos, cuja lógica apenas uma pessoa entende. Outra está espalhada entre o ERP, a ferramenta de forecasting, o modelo financeiro e os aplicativos próprios de cada área.

Cada peça contém um fragmento da lógica do negócio. A Supply Chain conhece as restrições de abastecimento. Operações sabe qual é a capacidade real, que não é a capacidade nominal. Vendas entende como os clientes reagem a uma mudança de preço. Finanças sabe como tudo isso acaba impactando o capital de giro e o caixa.

Mas as conexões entre essas peças, que é exatamente onde as decisões importantes são tomadas, existem sobretudo na cabeça das pessoas que se sentam na mesma reunião. Não há um único lugar onde se possa ler «assim funciona o nosso negócio». Muito menos um mecanismo que atualize essa representação à medida que a organização aprende.

Até mesmo o fluxo de informação entre essas peças está sem solução: exportar, colar em uma planilha, copiar premissas, conciliar versões, esperar que outro processo seja encerrado.

Assim, a empresa gera experiência todos os dias e não tem forma de convertê-la em conhecimento que se acumule. Cada ciclo de planejamento começa reconstruindo manualmente uma visão integrada, uma visão que se evapora no momento em que a reunião termina.

Antes de pedir à IA que entenda o nosso negócio, é preciso resolver isso.

‍

‍

Um modelo computável do negócio

Há um conceito da pesquisa em IA que é cada vez mais relevante aqui: o world model, uma representação interna de um ambiente que permite antecipar como esse ambiente evolui diante de diferentes ações, em vez de responder apenas a partir de padrões aprendidos.

Em uma organização, esse mundo é o próprio negócio. O que é necessário, então, é um Corporate World Model: uma representação executável de como uma empresa funciona economicamente.

Em seu alcance completo, por exemplo em um processo de Integrated Business Planning, ele encadeia demanda, estoque, abastecimento, produção, custos, investimentos, vendas, capital de giro, fluxo de caixa e demonstrações financeiras dentro de um único sistema.

O que o separa de um dashboard ou de um data warehouse não é a cobertura de dados, mas a natureza do objeto. Um dashboard mostra o estado do negócio. Um Corporate World Model contém as regras, as restrições, as relações matemáticas e as dependências que fazem com que uma decisão tomada em uma ponta da organização se propague até a outra.

Isso permite uma mudança de verbo: passa-se de observar o negócio para experimentar com ele.

O que acontece se a demanda crescer 15%? Qual nível de estoque maximiza o serviço sem consumir o capital de giro? Qual combinação de produção, compras e alocação protege melhor a margem? O que antecipar este investimento faz com o caixa?

O termo vem da pesquisa em IA, mas a pergunta que ele responde é a mais antiga da gestão: se eu fizer isso, o que acontece depois?

‍

‍

E como sabemos que o modelo está correto?

Este é o passo que costuma ser ignorado.

Construir um modelo de negócio não garante que o modelo seja fiel. Toda representação simplifica. Existem parâmetros mal calibrados, restrições que ninguém documentou, comportamentos que resistem a ser formalizados e efeitos que só aparecem sob certas condições.

Um LLM sobre um modelo equivocado não produz melhores decisões. Produz decisões equivocadas, porém melhor redigidas.

A boa notícia é que a evidência necessária para corrigi-lo já existe, e a organização a gera todos os meses. O problema é que ela é mal utilizada.

Pensemos na revisão mensal de desvios. A demanda não foi a esperada, a taxa de câmbio oscilou, o mix mudou para produtos de menor margem. As causas são revisadas, as premissas do ciclo seguinte são ajustadas e a reunião termina. É um ritual razoável, mas que responde a apenas uma pergunta: por que o futuro não foi o que imaginamos?

Existe uma segunda pergunta que quase nunca é feita: agora que sabemos exatamente o que aconteceu, o nosso modelo de negócio poderia ter explicado isso?

A primeira interroga a nossa previsão. A segunda interroga o nosso entendimento.

‍

‍

Dois erros dentro do mesmo desvio

Tomemos um caso deliberadamente simples.

O plano do mês projetava 100 unidades a um preço de 10, com um custo variável unitário de 6 e custos fixos de 250. Resultado esperado: 150.

O mês fechou com 80 unidades vendidas e um resultado real de 60. Desvio total: –90.

A conversa habitual termina aí: vendemos menos do que o planejado. Mas podemos fazer algo mais. Podemos rodar o modelo novamente, substituindo a premissa de demanda pelo valor real (80 unidades) e deixando todo o resto exatamente como ocorreu.

Alimentado dessa forma, o modelo retorna 70.

Isso divide o desvio em dois:

• –80 é erro de previsão. Não conseguimos antecipar a demanda. É um problema de informação sobre o futuro, e ele sempre existirá.
• –10 é erro de modelo. Mesmo conhecendo perfeitamente cada variável externa, a nossa representação do negócio não consegue reproduzir o que a realidade produziu. Há algo no funcionamento da empresa que não está no modelo.

Esse segundo número é o interessante. Ao investigá-lo, percebe-se, por exemplo, que produzir 80 em vez de 100 deixou a fábrica abaixo do nível de utilização a partir do qual o rendimento se degrada, e o custo variável real foi de 6,125 em vez de 6. O modelo supunha um custo unitário constante. Não é.

Dez unidades monetárias parecem pouco diante de noventa. Mas a assimetria entre os dois erros é o centro do argumento:

O erro de previsão é aleatório e morre com o período. O erro de modelo é sistemático e contamina cada decisão futura.

Esse pressuposto de custo constante não falhou apenas este mês. Ele está distorcendo silenciosamente cada cenário de baixo volume que o modelo avalia: a análise de uma promoção, a decisão de aceitar um pedido marginal, a avaliação de descontinuar uma linha, o cálculo do ponto de equilíbrio. Cada resposta que o modelo deu e dará nessa zona está equivocada na mesma direção.

Melhorar a previsão melhora um plano. Melhorar o modelo melhora, potencialmente, cada decisão tomada sobre esse negócio.

‍

‍

O ciclo de aprendizagem

A forma de converter isso em um processo é um ciclo de aprendizagem: um ciclo no qual o modelo não apenas produz planos, mas se corrige contra o que a realidade devolve.

Seu passo central é rodar novamente um período fechado dentro do modelo, substituindo cada pressuposto pelo valor que realmente ocorreu: a demanda real, os preços reais, as taxas de câmbio reais, os lead times reais, os custos reais e, isto é essencial, as decisões que realmente foram tomadas, não as que o plano propunha.

Depois, compara-se o que o modelo diz que deveria ter acontecido com o que aconteceu.

Se coincidirem, o modelo representa razoavelmente bem essa parte do negócio e o desvio foi apenas um problema de previsão. Se não coincidirem, encontramos algo mais valioso do que um desvio orçamentário: encontramos uma zona do negócio que ainda não entendemos.

Cada lacuna do re-run é uma hipótese à espera. Talvez a elasticidade-preço não seja a que supúnhamos. Talvez esse lead time dependa de uma variável que ignoramos. Talvez uma restrição de produção se comporte de forma diferente acima de certo nível de utilização. Talvez uma política comercial produza um efeito de segunda ordem que o modelo nunca contemplou.

O ciclo completo parece-se com isto:

Modelar → Planejar → Decidir → Executar → Observar → Rodar novamente → Comparar → Aprender → Melhorar

O planejamento deixa de ser apenas um instrumento para antecipar o futuro. Torna-se um mecanismo sistemático para entender melhor o negócio.

Há um requisito operacional que vale a pena dizer em voz alta, porque é o que costuma falhar: o ciclo de aprendizagem exige registrar decisões, não apenas resultados. Se o sistema guarda que foram vendidas 80 unidades, mas não que o inventário foi realocado entre dois centros de distribuição na semana 3, o re-run irá comparar contra uma história que nunca ocorreu. Boa parte do trabalho inicial nesta disciplina consiste, simplesmente, em começar a deixar rastro.

‍

‍

Agora sim, onde entra o LLM

Com esta arquitetura, o papel do modelo de linguagem muda de forma bastante clara.

Ele deixa de ser o lugar onde esperamos que vivam todas as respostas. Torna-se a interface que interpreta a pergunta, formula a hipótese, dispara o cálculo, compara cenários e explica o resultado em termos de negócio.

O LLM entende a pergunta. O Corporate World Model simula as consequências.

Voltemos ao fornecedor que para de entregar durante seis semanas: a pergunta é feita em linguagem natural, mas a resposta já não sai do que o modelo leu sobre supply chain em geral. Sai de rodar essa disrupção contra uma representação da nossa própria operação, com as nossas capacidades, os nossos contratos e o nosso mix.

Mas existe um segundo papel, menos óbvio e igualmente interessante: o LLM pode ler os resíduos do re-run.

Uma lacuna do modelo é, basicamente, uma tabela de diferenças entre o que foi calculado e o que aconteceu, aberta por produto, fábrica, período e linha da demonstração de resultados. Interpretar esse padrão (descartar o ruído, notar que as diferenças se concentram nos meses de baixa utilização, conjeturar que o custo unitário não é constante) é exatamente o tipo de raciocínio indutivo sobre dados estruturados no qual estes sistemas são bons.

É aí que o ciclo se fecha de verdade: o modelo produz previsões, a realidade produz evidências, o LLM propõe revisões estruturais e a equipe decide quais adotar. A decisão continua sendo humana, mas detectar e conjeturar deixam de depender de alguém ter tempo para analisar.

‍

‍

O que um leitor cético vai perguntar

"Já temos um modelo: a planilha." Verdade, e esse é precisamente o ponto. A planilha já é um modelo do negócio; o que lhe falta é rastreabilidade, integração entre áreas, a capacidade de rodar cenários em série e qualquer memória dos seus próprios erros. A diferença não é ter um modelo ou não ter. É ter um que aprende.

"Isso é sobreajustar o modelo ao ruído." Sim, se a estrutura for corrigida após cada lacuna de um único período. O critério tem que ser o oposto ao da análise de desvios tradicional: uma lacuna isolada é ignorada; uma lacuna que se repete com o mesmo sinal sob as mesmas condições é um sinal. Os re-runs são lidos em série, não um a um.

"Há coisas que não podem ser modeladas." Também é verdade. A jogada de um concorrente, uma decisão regulatória, como uma conta-chave reage a uma mudança de gerente de conta. O objetivo não é um modelo completo do mundo, mas um que explique a parte estrutural do negócio e que seja explícito sobre onde termina.

Vale a pena acrescentar que nada disso é uma invenção recente. Os engenheiros de controle chamam isso de identificação de sistemas, e os gêmeos digitais industriais funcionam assim há anos. A novidade é aplicá-lo à camada econômica da empresa (não a uma máquina, mas a todo o negócio) e acoplá-lo a uma interface capaz de conversar sobre os resultados.

‍

‍

O ativo que se capitaliza

Os LLMs continuarão melhorando e serão cada vez mais acessíveis. Justamente por isso, diferenciarão cada vez menos. Se um concorrente pode licenciar amanhã o mesmo modelo, o modelo não é uma vantagem.

O que não se pode comprar nem replicar em um trimestre é uma representação computável de como funciona uma empresa específica, corrigida contra a realidade ciclo após ciclo durante anos. Cada período gera evidência. Cada lacuna revela algo que não entendíamos. Cada volta do ciclo melhora a representação. E cada melhoria se propaga a todas as decisões futuras.

É um tipo de ativo pouco habitual: um que acumula valor com o uso.

Voltemos ao início. A IA conhece os negócios e não conhece o seu, e um modelo maior não vai resolver isso: os LLMs que virão saberão ainda mais sobre as empresas em geral, e exatamente o mesmo sobre a sua.

O que resolve é acoplá-los a um modelo do seu negócio que aprenda com a realidade ciclo após ciclo. Essa combinação não se compra. Constrói-se, e leva tempo.

Por isso, a pergunta não é qual LLM você vai usar no ano que vem. É quantos ciclos de aprendizado o seu modelo terá até lá.

‍