Reposição preditiva: a IA embarcada que antecipa ruptura por giro e sazonalidade

A maior fonte de ruptura no varejo multicanal não é a falta de produto, e sim a falta de visibilidade sobre o saldo que existe. A loja vende o que não tem em uma vitrine e segura o que poderia girar em outra, com o mesmo estoque físico. A reposição preditiva ataca esse ponto cego: ela cruza giro, sazonalidade e curva ABC para equilibrar ruptura e sobra ao sugerir a compra antes da ruptura, servindo a decisão de quem compra, não tomando a decisão por ele.

A tese aqui é contraintuitiva. O gargalo do varejo digital não é a demanda, mas sim a execução. A ABComm e a NIQ enfatizam que o crescimento de 2025 a 2026 vem mais de execução, estoque certo e entrega previsível, do que de novos compradores (ABComm/NIQ, 2026). Quem trata IA de estoque como adivinhação de demanda erra o alvo. O ganho real está em decidir reposição com dado de hoje, não de ontem.

O que a reposição preditiva resolve no varejo multicanal?

Resolve a decisão de compra que hoje se faz no escuro. A camada de IA embarcada lê o giro de cada item, a sazonalidade da coleção e a relevância do SKU pela curva ABC, e devolve uma sugestão de reposição por loja e por canal. O comprador valida. A loja não para.

O mercado brasileiro torna o problema agudo. O e-commerce nacional deve faturar R$ 259,1 bilhões em 2026 (ABComm, 2026), e o e-commerce de PMEs cresceu 77% em 2025 (Loggi, 2025). Cada vendedor novo replica o mesmo catálogo em Mercado Livre, Shopee, Amazon e Magalu, sobre um estoque físico único. Sem sincronização em tempo quase real, a sobrevenda vira penalidade de reputação e o cancelamento por ruptura derruba a nota do seller (ABComm/NIQ, 2026).

A curva ABC é o coração do mecanismo. Ela classifica os itens por relevância de giro e valor, em três faixas. Os itens A giram muito e respondem pela maior parte da receita. Os itens C giram pouco e prendem capital. A IA lê essa classificação, soma o histórico de venda por canal e a sazonalidade da coleção, e calcula quando o saldo de um item vai cair abaixo do ponto de ruptura. Antes disso, sugere a compra. O comprador decide quanto, de quem e em que prazo.

"Quem integra a operação ponta a ponta opera com menos atrito e mais previsibilidade." Tese de campo da Onclick sobre o efeito da unificação de canais (depoimento institucional, Onclick, 2026).

Por que human-in-the-loop e não automação total?

Porque a decisão de compra carrega contexto que o modelo não tem. Negociação com fornecedor, prazo de pagamento, espaço de depósito, aposta de coleção. A IA da Onclick antecipa ruptura e sugere reposição com base em giro e sazonalidade, servindo a decisão do comprador em vez de substituí-la (Onclick, 2026). O humano fica no laço. Esse desenho não é timidez tecnológica.

É a leitura mais sóbria do estado da arte. A Gartner projeta que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por falta de valor claro e de controle (Gartner, projeção 2027). A causa principal das falhas não é o modelo, e sim a governança ausente. Manter o comprador no laço, com a sugestão sempre auditável, é o que separa o ganho real do projeto que vira sucata. (Detalhe que costuma passar batido: a sugestão precisa explicar por que sugeriu, ou o comprador ignora.)

O par crítico do varejo de moda ilustra bem. Ruptura e sobra são dois lados do mesmo erro. Faltar o número que vende e sobrar o que encalha, no mesmo mês, na mesma coleção. O setor de moda movimentou R$ 314,9 bilhões em 2025 (IEMI, 2025), com grade de cor, tamanho e coleção multiplicando os SKUs. A IA embarcada trata os dois lados com o mesmo saldo único entre loja física, PDV e e-commerce, e sugere reposição por loja, servindo a decisão do gestor.

Como a reposição preditiva se conecta à operação inteira?

Ela vive sobre o saldo único, não ao lado dele. O módulo de estoque recebe a reserva do OMS quando o pedido entra, é baixado pelo WMS a cada separação e pelo PDV a cada venda no balcão, e alimenta o Compras com a sugestão de reposição por giro. Uma fonte de verdade. Sem isso, a IA prediz sobre dado sujo.

A tabela abaixo organiza as três alavancas que a camada preditiva combina, com o sinal que cada uma fornece e a decisão que ela informa.

O efeito composto aparece na conciliação. Quando a ruptura cai, o time que vivia corrigindo cancelamento passa a fazer curadoria de canal. Um e-commerce de moda que unificou pedidos e saldo reduziu a ruptura em marketplace e liberou a equipe de conciliação para essa curadoria (case anonimizado, Onclick; métrica de redução tratada como faixa estimada sujeita a diagnóstico). A Onclick não nomeia clientes privados.

Por que a previsão de demanda isolada decepciona?

Porque ela prevê o que não controla. A previsão de venda pura projeta procura, mas a procura não é o gargalo no varejo brasileiro de PME. O gargalo é o saldo confiável como fonte de verdade e a janela de compra. A reposição preditiva acerta o alvo porque parte do estoque real, não de uma curva de demanda descolada da operação.

A diferença é prática. Um modelo que diz "vai vender 200 unidades em março" não ajuda quem não sabe quanto tem em cada loja, hoje, agora. A camada da Onclick antecipa ruptura e sugere reposição porque opera sobre o mesmo saldo único do OMS e do WMS, com baixa em tempo real no PDV (Onclick, 2026). O dado de entrada é o estoque verdadeiro, não a estimativa. Isso muda tudo. A previsão erra; a falta de saldo confiável é certa.

A literatura de mercado reforça onde está o valor. A modernização do backend de varejo virou vetor independente, com mercados de OMS, WMS e gestão de estoque crescendo em dois dígitos ao ano, muitas vezes acima do próprio e-commerce (pesquisa backend e-commerce, 2026). O investimento brasileiro em software de gestão acompanha: o mercado de ERP no país deve chegar a R$ 12,6 bilhões até 2027 (ABES/IDC). Não é gasto de TI, e sim infraestrutura de margem.

Como a sazonalidade muda a conta no varejo de moda?

Ela comprime a janela de erro. Na moda, a coleção tem ciclo curto e a reposição tardia chega quando a venda já passou. A sazonalidade aperta o ciclo: ruptura na cor que vende e sobra na que encalha, no mesmo mês (Onclick, 2026). A IA lê a curva da coleção e sugere a compra antes da janela, não depois.

A grade multiplica o desafio. Uma peça não é um item, são dezenas de SKUs de cor, tamanho e coleção, cada um com giro próprio. Decidir reposição na planilha, SKU a SKU, é inviável em volume. A curva ABC sobre a grade prioriza o que importa: o número que vende sai primeiro da prateleira e precisa voltar primeiro ao pedido de compra. O setor movimentou R$ 314,9 bilhões em 2025 (IEMI, 2025), e a operação multicanal puxa o crescimento. Quem reabastece com dado de ontem perde a coleção.

A joalheria adiciona consignação e crediário à conta. O item de alto valor que fica em poder de terceiro precisa de saldo e custo separados da venda efetiva, e a reposição depende dessa precisão. Misturar remessa com venda distorce o giro e a IA prediz sobre base errada. Por isso a camada preditiva só funciona sobre uma operação que separe corretamente remessa, estoque em poder de terceiro e venda, como exige a apuração fiscal correta.

O que separa sugestão útil de ruído no painel do comprador?

A explicação por trás da sugestão. Uma recomendação de compra sem o porquê vira ruído, e o comprador a ignora na primeira semana. A sugestão útil mostra o sinal: este SKU é curva A, o giro acelerou 20% no canal X, a coleção entra na janela em duas semanas, o saldo cobre nove dias. O comprador lê, confia e decide. Sem isso, a IA vira mais um alerta que ninguém abre.

A integração com Compras fecha o ciclo. O módulo de Compras gere pedidos a fornecedor, cotações, recebimento e a reposição sugerida por giro (Onclick, 2026). A sugestão da IA não morre na tela: vira insumo para o pedido de compra, com o custo apurado abastecendo o Financeiro para a margem. O comprador lê a curva ABC e o giro para decidir o que repor, quanto e quando, sem ruptura nem sobra. A IA acelera essa leitura; não a dispensa.

A distribuição com vários centros adiciona uma camada. Quem opera multi-CD sofre com ruptura em um depósito e sobra em outro, sem visão consolidada. A reposição preditiva sobre saldo único reequilibra entre unidades antes da venda perdida, em vez de comprar a mais para cobrir o ponto cego. O capital de giro agradece. Comprar para o ponto cego é o imposto silencioso da operação sem visibilidade.

Há um ganho que o varejista raramente contabiliza. Um catálogo com saldo correto e disponibilidade real, legível por máquina, vale mais que estoque parado. É a mesma base que sustenta a presença em motores de IA. Quem mantém dados de produto limpos colhe hoje em conversão humana e amanhã em prontidão para o agente de compra, como detalhamos em backend legível por máquina, a vantagem de aquisição via GEO.

Como medir se a reposição preditiva está funcionando?

Pela ruptura evitada, não pelo volume de alertas. O indicador que importa é o percentual de pedidos vendidos sem estoque, medido por canal, antes e depois da adoção (ABComm/NIQ, 2026). Se a ruptura cai e a sobra não sobe, a IA está servindo a decisão. Se os dois sobem, o modelo virou ruído. Medir o resultado certo evita o erro clássico de celebrar previsão por previsão.

O segundo indicador é o capital de giro travado. Estoque parado em item C é dinheiro preso, e a curva ABC bem aplicada deveria reduzir essa imobilização sem aumentar a ruptura em item A. O terceiro é o tempo do comprador: menos horas decidindo o óbvio, mais horas negociando com fornecedor e desenhando coleção. A IA que devolve tempo de gente qualificada paga sozinha. A que só gera mais telas para conferir não paga.

Esses indicadores conversam com a leitura agêntica mais ampla do varejo. A fundação de dados limpos que sustenta a reposição preditiva é a mesma que prepara a operação para o agente de compra, tema que tratamos em profundidade na camada agêntica do e-commerce. Reposição preditiva não é um projeto de IA à parte, mas sim a operação madura lendo a si mesma.

A decisão de 2026 é direta. Tratar reposição preditiva como instrumento de quem compra, ancorado no saldo único, e medir o resultado pela ruptura evitada, não pela quantidade de previsões geradas. A janela é a Holiday e a alta temporada. A reposição errada custa venda perdida de um lado e capital travado do outro. Para entender como o pedido nasce em qualquer canal e atravessa a operação sem reentrada, veja OMS e a orquestração de pedidos em tempo real, e como o estoque opera sobre saldo único em WMS e estoque multicanal.