Resumo Executivo

Edvaldo Rosa Levita Filho; Gleison De Souza

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

O contraste entre o conhecimento estritamente gastronômico e as competências de gestão empresarial em ambientes de alimentação coletiva representa um desafio recorrente no cenário brasileiro, resultando em perdas econômicas e socioambientais significativas, com destaque para o desperdício de alimentos. A integração da Inteligência Artificial (IA) como ferramenta de assessoria na tomada de decisão e otimização de processos tem gerado expectativas elevadas no setor corporativo. Conforme dados da Pipefy (2023), aproximadamente 80% das lideranças empresariais esperam um incremento de pelo menos 25% na eficiência dos processos operacionais com a adoção de tecnologias automatizadas. No contexto da gestão de recursos, a precisão do planejamento empresarial apresenta ganhos substanciais quando amparada por técnicas de aprendizado de máquina, conforme demonstram Nascimento et al. (2020). Entretanto, a aplicação dessas tecnologias exige uma estrutura metodológica rigorosa para evitar que o uso indiscriminado comprometa os benefícios potenciais ou gere novas perdas.

Restaurantes operam com matérias-primas e produtos finais de alta perecibilidade, o que demanda uma eficiência extrema na gestão para mitigar o descarte. A complexidade desse gerenciamento é acentuada pela instabilidade da demanda. Thompson (2024) observa que a consolidação de modelos híbridos de trabalho reduziu a previsibilidade da frequência de trabalhadores corporativos em escritórios, tornando o planejamento de volumes de refeições uma tarefa de alta incerteza. Somado a isso, existe uma lacuna de formação administrativa no setor. Dados da Career Explorer (2025) indicam que 55% dos gerentes de restaurantes nos Estados Unidos possuem apenas o Ensino Médio, e mesmo profissionais com formação superior em gastronomia ou nutrição muitas vezes carecem de conhecimentos em administração de negócios compatíveis com os desafios operacionais cotidianos.

A fundamentação teórica sobre Inteligência Artificial revela diferentes categorias com aplicações distintas. A IA Limitada, ou Estreita, foca em atividades específicas e opera sob instruções claras, como no caso de sistemas de reconhecimento facial. Turing (1950) já defendia que uma máquina pode ser considerada inteligente se for capaz de aprender, mesmo executando tarefas repetitivas. No espectro oposto, a IA Geral busca realizar tarefas cognitivas com desempenho equivalente ao humano, embora Bubeck et al. (2023) afirmem que ainda não existem ferramentas que alcancem plenamente esse patamar. A IA Generativa, popularizada por modelos de linguagem, destaca-se pela capacidade de criar conteúdos novos a partir de vastos volumes de dados pré-existentes, elevando a produtividade humana (Bengesi et al., 2024). Por fim, a IA Reativa, conforme Lighthill (1973), toma decisões baseadas no presente sem considerar experiências passadas, o que limita sua escalabilidade em tarefas que exigem aprendizado histórico.

Para garantir a validade e a confiabilidade no uso dessas ferramentas, a adoção de boas práticas em aprendizado de máquina é essencial. Kapoor et al. (2024) estabeleceram diretrizes que incluem a redução de vieses nos comandos (prompts), a utilização de amostragem adequada e a validação cruzada. A documentação minuciosa de cada etapa e o monitoramento contínuo dos resultados permitem ajustes metodológicos necessários, integrando conceitos de desenvolvimento contínuo. No que tange à previsão de demanda, metodologias como os Painéis de Consumidores permitem transformar intenções de consumo em dados quantitativos (Swaminathan e Venkitasubramony, 2024). Modelos de decomposição numérica, por sua vez, isolam tendências, sazonalidades e resíduos em séries históricas para análises preditivas (Zhang, 2020). Complementarmente, a técnica de Árvores de Decisão estrutura variáveis de demanda em ramificações lógicas, permitindo que o aprendizado de máquina ocorra através da comparação periódica entre a demanda estimada e a real (Aburto e Weber, 2018).

A metodologia aplicada neste estudo experimental e explicativo foi desenvolvida em uma empresa privada de grande porte no município de São Paulo, que atua no segmento de alimentação coletiva atendendo entre 47 mil e 50 mil funcionários. O processo operacional foi estruturado em sete etapas principais, seguindo a lógica de uma Estrutura Analítica de Projeto (EAP). A primeira etapa consistiu no levantamento do referencial teórico sobre tipos de IA, boas práticas de aprendizado de máquina supervisionado e metodologias de previsão de demanda. A segunda etapa focou no tratamento de indicadores, estabelecendo o estado inicial das operações e projetando desempenhos futuros por meio de métodos de extrapolação matemática.

Os indicadores selecionados para monitoramento foram divididos em cinco categorias principais. O excedente de produção, medido em quilogramas, quantifica a massa alimentar que sobra nas ilhas de oferta ao final do serviço. A massa alimentar desperdiçada, também em quilogramas, refere-se ao descarte deixado nos pratos pelos consumidores após a refeição. O terceiro indicador monitora a frequência de mudanças no cardápio motivadas pela indisponibilidade de ingredientes. A satisfação dos consumidores é aferida mensalmente através do Net Promoter Score (NPS), calculado pela diferença entre o percentual de clientes promotores e detratores. Por fim, a participação na pesquisa é medida pela relação entre o número de respostas obtidas e o total de refeições servidas. Para assegurar a integridade da base comparativa, as medições desses indicadores foram iniciadas antes de qualquer intervenção tecnológica.

A terceira etapa metodológica envolveu a escolha da ferramenta de IA mais adequada. Utilizou-se um método inspirado na técnica Delphi, submetendo o mesmo roteiro de instruções a cinco ferramentas distintas: ChatGPT, Gemini, DeepSeek, Grok e Copilot. Cada ferramenta foi solicitada a opinar sobre qual tipo de IA melhor atenderia ao objetivo de reduzir o desperdício sem prejudicar a satisfação do cliente. Posteriormente, as respostas foram compiladas e reapresentadas às ferramentas para que avaliassem, de forma imparcial, qual solução era a mais robusta. O modelo DeepSeek foi selecionado por quatro dos cinco votos, destacando-se por sugerir uma arquitetura híbrida que combina IA Limitada para análise preditiva (back-end) e IA Generativa para a interface de comunicação e geração de dicas gerenciais (front-end).

A quarta etapa consistiu na construção de roteiros (prompts) detalhados para instruir a ferramenta escolhida. As instruções definiram quais informações coletar, como processar os dados para construir uma árvore de decisão que servisse como banco de conhecimento e como fornecer dicas de gestão personalizadas. A quinta etapa envolveu a inserção dessa funcionalidade no portal de clientes da empresa, utilizando o método SCRUM. O desenvolvimento seguiu o fluxo de estruturação em estórias de usuário, prototipação focada na experiência do usuário, programação, testagem e disponibilização final. A sexta etapa, de operação assistida, contou com o suporte de gerentes de contas para incentivar o uso das dicas de gestão pelas gerentes de unidade nos restaurantes. A sétima e última etapa foi a verificação dos resultados, comparando os momentos pré-projeto, de operação assistida e de operação normal.

O detalhamento operacional da ferramenta de IA exigiu a definição de procedimentos específicos para melhorar os indicadores de sustentabilidade. Foram selecionados 20 restaurantes que apresentaram variações superiores a 20% nos indicadores de excedente de produção e rejeitos no prato entre os meses de março e maio de 2025. Entrevistas realizadas com gestores dessas unidades permitiram identificar causas de piora e estratégias de sucesso, cujas transcrições alimentaram a base de dados da IA. A ferramenta foi então instruída a buscar na internet ações complementares para mitigar problemas recorrentes. A integração técnica foi realizada via Application Programming Interface (API) do tipo RESTful, permitindo que o desempenho dos restaurantes fosse capturado e classificado automaticamente em categorias de aumento, estabilidade ou queda para cada indicador.

A base de conhecimento foi estruturada para contemplar 82 combinações possíveis entre os quatro indicadores principais e seus respectivos status de desempenho. Em 16 desses cenários, onde os indicadores apresentavam estabilidade ou melhora, a intervenção não foi considerada necessária. Nos 66 casos restantes, caracterizados pela piora em pelo menos um indicador, a IA foi programada para gerar de três a cinco dicas de gestão resumidas. O sistema foi desenhado para ser retroalimentado mensalmente, verificando se as dicas aplicadas resultaram em melhorias efetivas. Esse ciclo de feedback contínuo assegura que as orientações gerenciais permaneçam alinhadas à realidade operacional e às metas de redução de desperdício.

Os resultados obtidos demonstram que, no período inicial de medição entre março e maio de 2025, o excedente de produção médio apresentava uma tendência de crescimento moderado, com um aumento acentuado no último mês da série. No mês de março, o excedente registrado foi de 1742 kg, subindo para 1890 kg em abril e atingindo 2579 kg em maio. A massa alimentar desperdiçada nas bandejas seguiu trajetória semelhante, partindo de 1187 kg em março para 1571 kg em abril e 1762 kg em maio. Esses dados iniciais serviram como alerta de não conformidade, indicando a necessidade urgente de intervenção gerencial. A satisfação dos consumidores, medida pelo NPS, manteve-se em patamares estáveis, com notas médias de 5,1 em março, 5,4 em abril e 5,3 em maio, em uma escala de 1 a 10. O percentual de participação na pesquisa oscilou entre 21% e 23% no mesmo período.

Após a implantação da ferramenta de feedback no portal em junho de 2025, observou-se um estancamento imediato na tendência de crescimento do excedente de produção. O volume registrado em junho foi de 1753 kg, representando uma redução significativa em relação ao pico de maio. Nos meses subsequentes de operação assistida, julho e agosto, os valores foram de 1635 kg e 1552 kg, respectivamente. A análise estatística por meio de regressão linear revelou uma inflexão positiva nos dados. Embora os valores de R² para as linhas de tendência iniciais fossem baixos (0,1339 para excedente e 0,3110 para desperdício de bandeja), a aplicação de modelos polinomiais de segunda ordem elevou esses coeficientes para 0,466 e 0,6136. Esse aumento na adequação do modelo prova que houve uma mudança real no sentido das curvas, passando de uma trajetória de crescimento para uma de decréscimo sustentado.

A redução observada nos indicadores de desperdício sugere que o simples fato de monitorar e dar visibilidade ao problema gera um efeito de conscientização imediata nas equipes operacionais. No entanto, a continuidade da queda nos meses de julho e agosto indica que as dicas de gestão fornecidas pela IA foram efetivamente aplicadas. A influência ativa dos gerentes de contas, atuando como embaixadores da iniciativa, foi fundamental para transpor a barreira entre a recomendação tecnológica e a execução prática na cozinha. O indicador de mudanças no cardápio por falta de ingredientes, que não era medido sistematicamente no primeiro semestre, apresentou valores de 20 ocorrências em junho, 15 em julho e 21 em agosto. Embora esse indicador tenha se mostrado menos sensível às intervenções iniciais, sua medição foi mantida para garantir a consistência metodológica a longo prazo.

A manutenção da estabilidade nos indicadores de satisfação dos usuários é um dado de extrema relevância. Durante os meses de aplicação das dicas de gestão, as notas médias de satisfação permaneceram em 5,3 em junho, 5,2 em julho e 5,2 em agosto. Esse equilíbrio demonstra que as medidas adotadas para reduzir o desperdício, como o ajuste mais fino nos volumes de produção e a revisão de sobras, não comprometeram a percepção de qualidade por parte dos clientes. Se as ações tivessem sido excessivamente restritivas, como a limitação drástica de quantidades de proteínas, a satisfação teria apresentado uma queda acentuada. Portanto, a estabilidade do NPS valida a viabilidade mercadológica das intervenções, provando que é possível conciliar responsabilidade socioambiental com a manutenção do nível de serviço.

A taxa de participação na pesquisa de satisfação apresentou uma leve tendência de queda, registrando 21% em junho e julho, e 19% em agosto. Embora a participação seja um ato voluntário, a diminuição pode ser interpretada de forma paradoxal: em ambientes de serviços, os consumidores tendem a se manifestar com maior frequência quando encontram problemas. A redução na taxa de participação, acompanhada pela estabilidade na nota média, sugere uma menor ocorrência de eventos negativos que motivariam o cliente a registrar uma reclamação ou avaliação. Essa hipótese reforça a percepção de que a operação tornou-se mais assertiva e menos sujeita a falhas que geram insatisfação.

A análise compilada da flutuação de todos os indicadores em torno de seus valores médios permite visualizar a correlação entre as variáveis. Observa-se que, enquanto os indicadores de desperdício (excedente e bandeja) iniciaram uma trajetória descendente consistente após a intervenção, os indicadores de satisfação e participação mantiveram-se próximos à média, sem desvios bruscos. Esse comportamento sistêmico confirma que a inteligência artificial cumpriu seu papel de fornecer consultoria gerencial eficaz, transformando dados brutos em ações práticas que resultaram em ganho financeiro indireto — através da redução do descarte de alimentos — e ganho ambiental direto.

Apesar dos resultados positivos, é necessário reconhecer as limitações do estudo. O período de observação de três meses de operação assistida é curto para afirmar a perenidade dos resultados em um ciclo de aprendizado de máquina, que exige múltiplas iterações para o refinamento total dos algoritmos. Além disso, a verificação da aplicação das dicas de gestão baseou-se em relatos dos gestores, sem uma auditoria presencial sistemática em todas as unidades. Pesquisas futuras poderiam incluir a presença de analistas in loco para validar a execução das orientações e explorar o uso da IA para a execução direta de cálculos complexos de previsão de demanda, indo além da sugestão de ações e integrando-se diretamente aos sistemas de compras e estoque da empresa.

A integração de ferramentas de IA Generativa e Limitada mostrou-se uma estratégia eficaz para democratizar o acesso a conhecimentos avançados de gestão em unidades operacionais onde a formação administrativa é heterogênea. A capacidade de traduzir análises estatísticas complexas em recomendações práticas e acessíveis reduz a resistência dos gestores à adoção de novas tecnologias. O uso de metodologias ágeis como o SCRUM para a implementação das funcionalidades garantiu que a ferramenta fosse desenvolvida com foco nas necessidades reais do usuário final, aumentando as chances de adesão e sucesso do projeto. A estrutura de árvore de decisão alimentada por dados reais e retroalimentada por feedbacks mensais cria um ecossistema de melhoria contínua que transcende a simples automação, promovendo uma cultura de gestão baseada em dados.

Conclui-se que o objetivo foi atingido, uma vez que a aplicação de técnicas de gestão de projetos para estruturar o fornecimento de conhecimento gerado por inteligência artificial resultou na redução efetiva dos indicadores de desperdício de alimentos nos restaurantes analisados, sem comprometer a satisfação dos consumidores finais. A inflexão nas curvas de tendência de excedente de produção e massa alimentar desperdiçada, comprovada estatisticamente, demonstra que a consultoria automatizada é capaz de otimizar processos operacionais complexos em ambientes de alta incerteza. A estabilidade dos indicadores de satisfação valida a sustentabilidade das ações implementadas, confirmando que a tecnologia, quando aplicada de forma estruturada e ética, constitui um aliado indispensável para a eficiência empresarial e a responsabilidade socioambiental no setor de alimentação coletiva.

Referências Bibliográficas:

Aburto, L.; Weber, G. 2018. Decision tree based demand forecasts for improving inventory performance. International Journal of Production Economics 195: 1–12.

Bengesi, K.M.; Nyembo, L.; Mashizha, B. 2024. Generative artificial intelligence: a systematic review and applications. Heliyon 10(1): e22720.

Bubeck, S.; Chandrasekaran, V.; Eldan, R.; Gehrke, J.; Horvitz, E.; Kamar, E.; Lee, P.; Lee, Y.T.; Li, Y.; Lundberg, S.; Nori, H.; Palangi, H.; Ribeiro, M.T.; Zhang, Y. 2023. Sparks of Artificial General Intelligence: Early experiments with GPT‑4.

Careerexplorer. 2025. What education do restaurant managers have? CareerExplorer, [S. l.], 2025. Disponível em: <https://www.careerexplorer.com/careers/restaurant-manager/education/>. Acesso em: 13 jun. 2025.

Kapoor, S., Cantrell, E. M., Peng, K., Pham, T. H., Bail, C. A., Gundersen, O. E., Hofman, J. M., Hullman, J., Lones, M. A., Malik, M. M., Nanayakkara, P., Poldrack, R. A., Raji, I. D., Roberts, M., Salganik, M. J., Serra-Garcia, M., Stewart, B. M., Vandewiele, G., & Narayanan, A. (2024). REFORMS: Consensus-based Recommendations for Machine-learning- based Science. Science Advances, 10(18).

Kritika Swaminathan and Rakesh Venkitasubramony, (2024), Demand forecasting for fashion products: A systematic review, International Journal of Forecasting, 40, (1), 247-267

Lighthill, J. 1973. Artificial Intelligence: A General Survey. In: COX, R. (Ed.). Artificial Intelligence: A Paper Symposium. Science Research Council, London, Inglaterra.

Nascimento, A.M.; Melo, V.V.; Queiroz, A.C.M.; Alejandro, T.B.; Meirelles, F.S. 2020. Inteligência artificial aplicada a pequenas empresas: o uso da engenharia automática de recursos e do aprendizado de máquina para um planejamento mais preciso. Revista de Contabilidade e Organizações 14: e171481.

Pipefy. 2023. Para 79% dos líderes, IA deixará automação 25% mais eficiente. 2023. Disponível em: <https://www.pipefy.com/pt-br/press-release/pesquisa-impacto-automacao/>. Acesso em: 3 abr. 2025.

Thompson, J; Graham, J. 2024. City firms order workers back to the office as WFH perks end. Financial Times. Disponível em: <https://www.ft.com/content/f5833281-1fb6-419b-bd73-f545cc226b9b>. Acesso em: 13 jun. 2025.

Turing, A.M. 1950. Computing Machinery and Intelligence. Mind 59(236): 433-460.

Zhang, X.; Li, Y.; Wang, H. 2020. Decomposition forecasting methods: A review of applications in power systems. Applied Energy 276: 115369.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy