Contratamos a DiscoverAI para criar um modelo de previsão de demanda para nossa rede de farmácias. Antes, o estoque era calculado por feeling do gerente de cada loja. Agora, o modelo sugere quantidades semanais por SKU, e a ruptura de estoque caiu 28% em cinco meses. O time da DiscoverAI explicou cada etapa sem jargão desnecessário, o que facilitou a aprovação da diretoria.
Avaliações e casos reais de Artificial Intelligence
Aqui você encontra depoimentos de clientes e estudos de caso com números reais. Nenhum desses relatos foi editado para parecer mais favorável do que é.
O que nossos clientes dizem
Pedimos autorização para publicar cada depoimento. Os nomes e cargos são reais.
Nosso escritório de contabilidade processava 600 notas fiscais por mês de forma manual. A DiscoverAI implantou um sistema de leitura automática que reduziu o tempo de processamento de 8 horas semanais para menos de 40 minutos. O que mais me impressionou foi a taxa de acerto: 98,3% na primeira versão, sem precisar de ajustes grandes.
Pedimos um chatbot para o nosso e-commerce de moda. A primeira versão ficou pronta em três semanas e já respondia 72% das perguntas sem precisar de atendente. Dou quatro estrelas porque o tom das respostas ainda precisou de ajustes finos no segundo mês, mas a equipe resolveu rápido. Hoje o bot atende 1.200 conversas por semana.
Trabalho numa transportadora e precisávamos identificar avarias em caixas antes do embarque. A DiscoverAI instalou câmeras na esteira e treinou um modelo de visão computacional que detecta danos com precisão de 96%. As devoluções por embalagem danificada caíram de 47 por mês para 14. O investimento se pagou em menos de quatro meses.
Estudos de caso
Rede FarmaVida: previsão de demanda por loja
A Rede FarmaVida opera 23 lojas no estado do Rio de Janeiro. Cada loja mantinha seu próprio critério de reposição de estoque, o que gerava dois problemas simultâneos: excesso de produtos com validade curta e falta de itens de alta rotatividade.
Construímos um modelo de séries temporais (Prophet + XGBoost ensemble) alimentado por 18 meses de dados de vendas, sazonalidade e eventos promocionais. O modelo gera sugestões de compra semanais para cada SKU em cada loja.
Depois de cinco meses em produção, os resultados medidos foram:
TransRápido Cargas: detecção de avarias por câmera
A TransRápido recebia em média 47 devoluções mensais por embalagens danificadas durante o manuseio interno. O custo de cada devolução, incluindo frete reverso e reembalagem, era de aproximadamente R$ 120.
Instalamos três câmeras industriais sobre a esteira de embarque e treinamos um modelo YOLOv8 com 4.500 imagens rotuladas de caixas intactas e danificadas. Quando o modelo detecta uma avaria, um alerta sonoro e visual é emitido para o operador da esteira.
Nos primeiros três meses após a implantação, as devoluções por dano caíram para 14 por mês. O sistema processa 12 frames por segundo e roda em um servidor local com GPU NVIDIA T4, sem depender de conexão com a nuvem.