O comércio grossista é, desde sempre, um setor de margens, volumes e precisão logística. Há décadas que os dados ocupam aí um lugar central — níveis de stock, linhas de encomenda, preços de fornecedores, cálculos de margem. Isso dá a impressão de que este setor deveria ter um avanço na área da IA. Ao mesmo tempo, esses dados estão frequentemente dispersos por sistemas que não comunicam entre si: um pacote ERP de anos atrás, um software de stocks separado, um CRM desligado da faturação, folhas de cálculo que tapam os buracos que os sistemas deixam. A quantidade de dados não é, por isso, um bom indicador de maturidade em IA neste setor. A estrutura em que esses dados se encontram, isso sim.
Essa diferença é determinante para o modo como as experiências-piloto decorrem. Um comércio grossista que investe numa aplicação de IA para previsão de procura ou otimização de compras descobre muitas vezes que o problema não está no modelo, mas naquilo que se dá ao modelo para processar. Dados de stock que não correspondem aos dados de vendas, segmentação de clientes organizada de forma diferente por unidade, acordos de preços registados em trocas de e-mail em vez de num sistema. O piloto funciona no ambiente de teste e encrava assim que precisa de entrar na organização.
Os comércios grossistas variam fortemente em escala e forma organizacional — de empresas familiares com uma estrutura compacta a grandes distribuidores com múltiplas unidades e uma gestão em camadas. Essa variação repercute-se na maturidade em IA. Nas organizações mais pequenas e compactas, a distância entre a direção e o terreno é curta, o que pode acelerar decisões sobre gestão de dados e infraestrutura de TI assim que se reconhece a sua importância. Nas organizações maiores e descentralizadas, essa distância passa por várias camadas, e aquilo que num centro de distribuição é um processo bem definido pode, noutro, ser ainda areia solta.
É precisamente por isso que uma ronda de avaliação neste setor torna frequentemente visível o que uma única conversa não revela. Quando um CEO, um COO, um CIO e um gestor de unidade avaliam de forma independente as mesmas sete dimensões, verifica-se regularmente que a direção avalia a qualidade dos dados de forma mais positiva do que as pessoas que trabalham com eles diariamente. Essa diferença não é uma divergência de opinião a resolver — é informação sobre a posição real da organização.
As sete dimensões da medição de maturidade não têm a mesma posição na ordem. Organização, infraestrutura de TI e gestão de dados são as dimensões fundamentais: determinam se há algo sobre o qual construir. Dimensões como governança, competências e cultura dependem delas. Um comércio grossista que queira começar com aconselhamento de compras orientado por IA, mas cujos dados de stock estejam espalhados por três sistemas que se contradizem entre si, não lhe falta ambição — falta-lhe a base. Isso não se resolve com mais formação ou mais apoio interno — é uma questão de gestão de dados que precisa primeiro de resposta.
Esta ordem explica também por que os pilotos no comércio grossista ficam muitas vezes presos ao nível foundation ou activation. A organização adquiriu ou fez construir uma aplicação de IA — isso é visível e demonstrável — mas os fundamentos sobre os quais essa aplicação deveria funcionar nunca foram devidamente estabelecidos. O resultado é uma ferramenta que existe ao lado do trabalho, em vez de fazer parte dele.
A questão não é se o seu comércio grossista está pronto para a IA em termos gerais — essa é uma pergunta sem resposta útil. A questão é em qual das sete dimensões a sua organização está bem alicerçada e em qual não está, e se essa perceção coincide entre as pessoas que decidem sobre isso e as pessoas que trabalham com isso. Essa comparação é precisamente o que sustenta a medição de maturidade: cinco níveis, sete dimensões, e uma ronda de avaliação que torna a dispersão visível em vez de a dissimular.
O resultado varia fortemente de empresa para empresa, mesmo dentro do comércio grossista. Algumas das dificuldades que este setor enfrenta são partilhadas com o setor dos transportes, onde a logística orientada por volume exige igualmente uma gestão de dados coerente em toda a organização. Outras semelhanças encontram-se na indústria transformadora, onde os processos de produção e de stock impõem exigências comparáveis à infraestrutura de TI. E quem negoceia com muitas relações de clientes pequenas e dispersas talvez se reconheça no que se passa no comércio a retalho, onde os dados sobre clientes e transações tampouco se reúnem naturalmente num só lugar.
A medição de maturidade da hybridresourcing está atualmente a ser construída. Quem quiser realizar a medição assim que estiver disponível pode inscrever-se na lista de espera. Não se está aqui a vender nada que ainda não exista — apenas a possibilidade de ser o primeiro a saber quando passar a existir.
Esta medição responde à questão de saber se o seu comércio grossista tem os fundamentos para sustentar a IA — a organização, a infraestrutura, a gestão de dados sobre a qual tudo o resto se apoia. Não responde à questão de saber qual parte do trabalho na sua gestão de stocks, processamento de encomendas ou compras pode efetivamente ser assumida pela IA. Essa questão pertence à análise de trabalho da FTE TO AI, que calcula, por tarefa, qual a parte do trabalho que se presta a isso. As duas questões estão relacionadas, mas numa ordem fixa: primeiro saber se o terreno é firme, só depois o que se pode construir sobre ele.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.