26 de fevereiro de 2026
Otimização Operacional com Inteligência Artificial no E-commerce Atacadista
Juliana dos Santos Salvador; Pablo Henrique Paschoal Capucho
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Esta pesquisa analisou os impactos da automação com inteligência artificial em três processos críticos de um e-commerce atacadista: apuração de campanhas de venda, apuração de faturamento da plataforma e análise da integração de pedidos. O estudo demonstrou como a aplicação de uma solução de automação, utilizando a agente de IA Manus e a linguagem Python, pode transformar processos operacionais manuais em atividades automatizadas, visando a redução de falhas humanas, a otimização de recursos e o aumento da eficiência. A premissa é que, no cenário de crescente digitalização do setor B2B (Business to Business), a capacidade de minimizar erros operacionais é um diferencial competitivo. A complexidade do modelo B2BC (Business to Business to Consumer) intensifica essa necessidade, exigindo maior previsibilidade e controle sobre as operações (Davenport, 2023).
O contexto é um atacado de grande porte, com destaque no mercado brasileiro conforme estudos da Associação Brasileira de Atacadistas e Distribuidores (ABAD, 2025). A empresa contribui de forma relevante para o PIB do setor de comércio, que representa 10,5% do PIB de serviços nacional (IBGE, 2024). Apesar do sucesso de sua plataforma de e-commerce, que responde por 20% do faturamento total, a companhia ainda depende de processos manuais para tarefas críticas. Essa dependência gera um ambiente propenso a falhas humanas que impactam a satisfação do cliente, a integridade dos dados financeiros e a eficiência da cadeia de suprimentos, um desafio recorrente em projetos de grande escala (Gasik, 2023).
As práticas manuais persistentes, como apuração de faturamento e monitoramento de campanhas, representam gargalos operacionais. Tais processos são suscetíveis a erros que resultam em perdas financeiras e retrabalho. A literatura aponta que a manutenção de fluxos de trabalho manuais em ambientes digitais de alto volume é uma fonte de ineficiência e risco (Kaufman, 2020). A aceleração do comércio eletrônico, impulsionada pela pandemia, consolidou as compras online, forçando empresas a se adaptarem a novas demandas de agilidade e precisão (Brynjolfsson e McAfee, 2014). Nesse cenário, a busca por soluções que garantam a integridade e a velocidade das operações tornou-se uma necessidade estratégica.
A introdução da Inteligência Artificial (IA) e da automação de processos surge como resposta a esses desafios. A aplicação dessas tecnologias não se limita a minimizar falhas, mas amplia a agilidade operacional e a qualidade dos serviços. A IA é vista como um recurso para tornar os processos mais inteligentes e as decisões mais assertivas (Kaufman, 2020), enquanto a automação libera colaboradores de tarefas repetitivas para se concentrarem em atividades de maior valor. A literatura recente evidencia os impactos positivos da IA na automação e na robótica, embora alerte para desafios sociais e econômicos (Oliveira, Santos e Ferreira, 2024). A tomada de decisão automatizada, em particular, tem o potencial de impulsionar o desempenho organizacional (Davenport, 2023).
A presente pesquisa investigou como a automação inteligente pode ser aplicada para minimizar falhas humanas e transformar processos críticos em operações mais eficientes em um contexto B2BC. O estudo se justifica pela necessidade de soluções inteligentes no comércio digital, com foco na redução de erros e no aumento da competitividade. A análise de como a IA pode controlar processos complexos e reduzir a margem de erro humano (Ng, 2021) é fundamental para organizações que lidam com grandes volumes de dados. A investigação oferece uma análise concreta dos benefícios e desafios da implementação da automação em um ambiente corporativo real.
Este trabalho classifica-se como uma pesquisa aplicada, com abordagem qualitativa e descritiva, dedicada a solucionar problemas operacionais reais. A metodologia central foi o estudo de caso único, abordagem que permite a análise aprofundada de um fenômeno em seu contexto real, útil quando as fronteiras entre o objeto de estudo e seu ambiente não são evidentes (Yin, 2015). Essa escolha permitiu uma imersão nos processos da empresa, a identificação de gargalos e a avaliação dos impactos diretos da solução de automação.
Para a coleta de dados, foram utilizados exclusivamente documentos internos da empresa, como relatórios operacionais e bases de dados, tratados com rigorosa confidencialidade. Complementarmente, foi realizada uma revisão bibliográfica sistemática com base em artigos científicos e livros sobre a aplicação de IA no e-commerce. Conforme aponta Creswell (2014), a revisão da literatura é um pilar para a fundamentação teórica, auxiliando na contextualização do problema.
O desenvolvimento da solução tecnológica começou pela identificação dos três processos críticos a serem automatizados: apuração de faturamento, apuração de campanhas de venda e análise da integração de pedidos entre a plataforma e o ERP. A implementação foi realizada por meio da agente de IA Manus, instruída via engenharia de prompt a gerar os scripts necessários em Python. Essa abordagem permitiu que um analista com pouca experiência em programação desenvolvesse soluções de automação robustas.
Após a implementação, foram conduzidos testes comparativos para validar a eficácia das automações. A validação seguiu uma abordagem quantitativa, comparando métricas de desempenho antes e depois da intervenção, uma prática recomendada para garantir a confiabilidade de soluções de IA (Davenport, 2023). Para mensurar os resultados, foram utilizados indicadores de desempenho chave (KPIs), como tempo médio de execução, número de erros processuais e quantidade de retrabalhos, permitindo uma avaliação concreta dos ganhos de eficiência.
Os resultados obtidos confirmam as teses da literatura sobre os benefícios da automação inteligente. A pesquisa demonstrou que a automação baseada em IA impulsiona a performance organizacional ao liberar capital humano para atividades estratégicas (Davenport, 2023). A substituição de tarefas manuais por algoritmos precisos gerou ganhos de produtividade e fomentou um ambiente de inovação, corroborando a visão de que a tecnologia molda um novo paradigma de trabalho (Brynjolfsson e McAfee, 2014). Os achados, como a redução drástica no tempo de execução e a eliminação de erros, materializam essas teorias em um contexto prático.
A automação do processo de apuração de campanhas de vendas revelou melhorias notáveis. Antes, a tarefa consumia cerca de uma hora por apuração, realizada duas vezes ao mês, com uma média de 1 a 2 erros mensais. Com o script em Python, o tempo de execução foi reduzido para 15 minutos, uma diminuição de 75%. Isso permitiu que a frequência da apuração dobrasse para quatro vezes ao mês, aumentando o engajamento. A taxa de erros foi reduzida a zero, eliminando o retrabalho. O tempo de desenvolvimento para esta automação foi de 15 horas.
No processo de apuração de faturamento, os ganhos foram igualmente significativos. A tarefa, que antes levava uma hora de trabalho manual mensal e era suscetível a erros, passou a ser executada em 15 minutos, uma redução de 75%. A automação, que levou 1,72 horas para ser desenvolvida, eliminou 100% dos erros previamente registrados, garantindo maior segurança financeira. Este resultado exemplifica como a automação em tarefas financeiras aumenta a precisão e mitiga riscos, um benefício chave destacado na literatura (Brynjolfsson e McAfee, 2014).
A análise da integração de pedidos apresentou uma otimização qualitativa. Antes, o processo era manual, realizado uma vez por semana, e detectava proativamente apenas 30% das falhas. Com a automação, que demandou 0,42 horas de desenvolvimento, a análise passou a ser diária. Embora o tempo total mensal dedicado à tarefa tenha aumentado de 2 horas para 5,5 horas, a mudança reflete um modelo proativo de monitoramento. O resultado mais impactante foi o salto na capacidade de detecção preventiva de falhas, que subiu de 30% para 90%, um aumento de 200% na eficiência, alinhado com a visão de que a IA é fundamental para antecipar falhas operacionais (Ng, 2021).
Um fator determinante para o sucesso foi a aplicação de uma engenharia de prompt estruturada, o método PACEF (Pessoa, Ação, Contexto, Exemplos, Formato). Essa abordagem garantiu que as instruções fornecidas à IA Manus fossem claras e contextualizadas, minimizando ambiguidades e alinhando os scripts às regras de negócio. A qualidade das instruções é diretamente proporcional à utilidade do resultado da IA (Khan, 2024), e o uso de um framework sistemático como o PACEF torna o processo mais confiável e reproduzível (Phoenix e Taylor, 2023). A calibração entre precisão e contexto ao elaborar os prompts foi essencial (Geroimenko, 2024; Berryman e Ziegler, 2024).
Apesar dos resultados positivos, é fundamental reconhecer as limitações do estudo. A implementação foi uma iniciativa isolada, conduzida por um único analista, sem o suporte de um programa formal de transformação digital. Embora isso demonstre a viabilidade técnica e a acessibilidade das ferramentas de IA para não especialistas, levanta questões sobre a escalabilidade da solução. A transição de um projeto piloto para uma adoção em larga escala exigiria um esforço estratégico mais amplo.
Para que os benefícios observados sejam ampliados, a empresa precisaria de uma jornada de transformação digital mais profunda. Isso incluiria investimentos em uma mudança cultural que valorize a inovação, a capacitação contínua das equipes, o estabelecimento de uma governança de dados sólida e a implementação de políticas de cibersegurança. O aumento do número de processos automatizados expande a superfície de ataque digital, exigindo controle rigoroso sobre a proteção dos dados.
Em suma, este trabalho representa um primeiro passo na digitalização da empresa, oferecendo evidências quantificáveis de que a automação inteligente, combinada com boas práticas de engenharia de prompt, pode gerar resultados expressivos em eficiência, qualidade e controle. Os achados demonstram que a tecnologia é uma aliada na superação de desafios operacionais. No entanto, sua adoção plena demanda planejamento estratégico, compromisso organizacional e o envolvimento de múltiplas áreas para garantir a sustentabilidade e a segurança do novo modelo operacional.
A presente pesquisa teve como objetivo analisar os impactos da automação com inteligência artificial em processos operacionais críticos no e-commerce de um atacado. Utilizando um estudo de caso, a investigação empregou a IA Manus para desenvolver scripts em Python que automatizaram a apuração de campanhas, o faturamento e a análise de integração de pedidos. Os resultados demonstraram ganhos substanciais: a apuração de campanhas tornou-se duas vezes mais frequente e livre de erros; o tempo de apuração de faturamento foi reduzido em 75%, eliminando inconsistências; e a análise de integração de pedidos aumentou a detecção preventiva de falhas em 200%. O sucesso da implementação foi apoiado pela engenharia de prompt estruturada com o método PACEF. Apesar do sucesso, o estudo se limita a um projeto isolado, destacando que a escalabilidade dos benefícios requer uma estratégia de transformação digital corporativa mais ampla. Sugere-se, para pesquisas futuras, a investigação da automação em outras áreas, a avaliação dos impactos organizacionais de longo prazo e estudos comparativos entre diferentes frameworks de prompt. Conclui-se que o objetivo foi atingido: demonstrou-se que a aplicação de automação com inteligência artificial, guiada por engenharia de prompt estruturada, otimiza processos operacionais críticos no e-commerce, resultando em expressiva redução de tempo e eliminação de erros humanos.
Referências:
ASSOCIAÇÃO BRASILEIRA DE ATACADISTAS E DISTRIBUIDORES (ABAD). 2025. Os destaques do ano. Disponível em: https://distribuicao. abad. com. br/revista-digital/materias/os-destaques-do-ano-3/. Acesso em: 11 mar. 2025.
BERRYMAN, J.; ZIEGLER, A. 2024. Prompt Engineering for LLMs: The Art and Science of Building Large Language Model–Based Applications. California: O’Reilly.
BRYNJOLFSSON, E.; MCAFEE, A. 2014. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. New York: W. W. Norton & Company.
CRESWELL, J. W. 2014. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 4th ed. Thousand Oaks, CA: SAGE Publications.
DAVENPORT, T. H. 2023. How AI Is Helping Companies Redesign Processes. Harvard Business Review. Disponível em: https://hbr. org/2023/03/how-ai-is-helping-companies-redesign-processes. Acesso em: 12 mar. 2025.
GASIK, S. 2023. Some insights on the future of project management in public administration. Revista de Gestão e Projetos 14(3): 27-39.
GEROIMENKO, V. 2024. Key Challenges in Prompt Engineering. In: GEROIMENKO, V. The Essential Guide to Prompt Engineering: Key Principles, Techniques, Challenges, and Security Risks. New York: Springer, p. 55-70.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
