Previsão de vendas com IA: o que dá para confiar e o que é ilusão de precisão

Cola uma planilha de seis meses de vendas num chat de IA e pede "projeta o próximo trimestre". Em segundos vem um número: "R$ 847.200, um crescimento de 12% sobre o trimestre anterior". Parece análise. Na maioria das vezes é chute com casas decimais.

Testei esse pedido dezenas de vezes, com dados reais e sintéticos, em ChatGPT, Claude e Gemini. O padrão se repete: o modelo produz um número específico com a mesma confiança visual de uma média que ele calculou de verdade — mesmo quando não tem informação nenhuma para separar tendência de ruído, sazonalidade de acaso.

O experimento que expõe o problema

Peguei seis meses de uma série qualquer — sem sazonalidade nenhuma, gerada com ruído aleatório em torno de uma média constante — e pedi para prever o mês seguinte. Um modelo sem raciocínio de dados de verdade tende a "ver" tendência onde não tem: se os últimos dois meses subiram um pouco, ele estica a linha para cima. É o mesmo erro que faz analista júnior confundir flutuação com sinal, só que com fluência de texto que soa mais seguro.

O teste inverso confirma: rode o mesmo pedido três vezes, mudando só a ordem das linhas da planilha colada. Se o número final variar mais que o esperado por uma reformulação neutra, o modelo não estava calculando — estava improvisando um número plausível.

Onde a IA erra por estrutura, não por acidente

Mudança de regime

Lançou produto novo, mudou preço, entrou concorrente — qualquer coisa que quebre o padrão histórico. O modelo não sabe que isso aconteceu a menos que você conte, e mesmo contando, ele tende a subestimar o tamanho do efeito porque está ancorado nos números que já viu.

Sazonalidade com pouco histórico

Para separar sazonalidade de tendência com confiança, o padrão em séries temporais pede pelo menos dois ciclos completos — dois anos de dado mensal, no mínimo. Com seis meses, qualquer alegação de "isso é sazonal" é suposição vestida de conclusão.

Precisão falsa

"R$ 847.200" soa mais confiável que "entre R$ 750 mil e R$ 950 mil", mas o segundo é o que geralmente está certo. Faixa larga é honestidade sobre incerteza real; número redondo com duas casas decimais é embalagem que esconde a mesma incerteza.

O que funciona de verdade

A virada não é abandonar a IA no processo — é mudar o que se pede dela.

Peça o código, não o número. "Escreve um script em Python que ajusta uma média móvel e um modelo de regressão linear simples nesses dados, e mostra o intervalo de confiança" produz algo verificável: você roda, vê o resíduo, decide se o ajuste faz sentido. "Qual vai ser a venda de março" produz uma alegação que não tem como auditar.

Peça para listar os pressupostos, não a conclusão. "Quais fatores precisariam ser verdadeiros para esse crescimento de 12% se sustentar?" tira o modelo do papel de oráculo e coloca no papel de assistente de raciocínio — que é onde ele realmente ajuda.

Use IA para explicar o modelo estatístico, não para substituí-lo. Pedir para ela explicar o que é ARIMA, quando usar Prophet, ou por que sazonalidade multiplicativa se comporta diferente de aditiva — isso ela faz bem, porque é conhecimento estabelecido, não extrapolação sobre os seus dados específicos.

Se a pergunta é "o que os dados dizem", desconfie do número solto. Se a pergunta é "como eu calculo o que os dados dizem", a IA é um bom parceiro para escrever o código e explicar o método.

Um checklist rápido antes de levar o número para reunião

• O modelo mostrou o cálculo (código, fórmula, fonte) ou só a conclusão?
• Existe intervalo de confiança, ou é um número único?
• Tem dado histórico suficiente para o tipo de padrão alegado (sazonal precisa de ciclos completos)?
• Alguma mudança de regime aconteceu no período e foi informada explicitamente?
• O mesmo pedido, feito de novo com os dados na mesma ordem, dá o mesmo resultado?

Previsão de vendas sempre teve incerteza — isso não é novidade que a IA trouxe. O que mudou é a embalagem: um número gerado por modelo de linguagem parece mais autoritativo do que uma planilha de Excel com fórmula visível, e é exatamente o contrário que deveria acontecer. Quanto mais fácil for perguntar "de onde veio esse número", mais confiança ele merece.

Para o lado de explorar os dados antes de chegar na pergunta de previsão, vale complementar com Do CSV ao insight e usando IA para achar a pergunta certa nos dados.