Nas primeiras três partes desta série vimos mudar quem consome, quando e onde consome e, depois, o que espera de uma verdadeira inovação. A quarta tendência identificada a partir da Alimentaria desloca agora o olhar para os bastidores. Porque uma parte da resposta à pressão sobre custos, inovação e competitividade está a surgir longe dos olhos do consumidor.

A inteligência artificial já não se limita a chatbots, recomendações ou campanhas de marketing. Está a entrar na agricultura, nas explorações pecuárias, no desenvolvimento de embalagens, nas linhas de produção, nos armazéns, na logística e no próprio linear. Em muitos casos, já não serve apenas para analisar. Está a ajudar a decidir.

Testar uma embalagem sem ter de fabricar dezenas de versões

Um dos exemplos mais concretos começa na própria embalagem. A pressão regulatória europeia obriga à redução do plástico e à procura de materiais mais sustentáveis. Mas substituir uma embalagem não é tão simples como trocar um material por outro.

A alteração pode modificar as trocas de gases e humidade, a migração de compostos e, em consequência, a estabilidade e a vida útil do alimento.

Tradicionalmente, encontrar a solução adequada implica longos ciclos de ensaio e erro. Os modelos preditivos permitem começar a alterar esta lógica. Algoritmos treinados com dados experimentais conseguem simular o que poderá acontecer quando se muda um determinado material, reduzindo o número de testes físicos, os custos de desenvolvimento, o desperdício associado aos ensaios falhados e o tempo necessário para colocar uma inovação no mercado.

A mesma capacidade pode ser aplicada à vida útil, cadeia de frio, análise sensorial ou gestão de stocks em períodos de escassez de matérias-primas.

É uma resposta direta ao problema da terceira tendência: se apenas duas em cada dez inovações vingam, reduzir o custo de testar e falhar torna-se uma vantagem competitiva.

Menos sensores, mais capacidade de previsão

A própria utilização de inteligência artificial levanta, contudo, questões de sustentabilidade, sobretudo devido ao consumo de água, energia e capacidade computacional.

Uma das respostas passa pela combinação de IA com modelos matemáticos tradicionais. Estes sistemas híbridos já permitiram, segundo os casos apresentados, reduzir até 60% o número de sensores necessários num processo de congelação, diminuindo o investimento necessário.

Os mesmos modelos começam também a integrar relatórios de sustentabilidade, permitindo calcular pegadas de carbono e água por lote, acompanhar a rastreabilidade e antecipar como uma alteração no processo industrial ou logístico poderá modificar esses indicadores.

A sustentabilidade deixa assim de ser apenas algo medido depois da produção. Pode começar a entrar na decisão antes de esta ser tomada.

A IA chega ao campo

A aplicação espalha-se progressivamente por toda a cadeia agroalimentar. Na agricultura, imagens captadas por drones e satélites podem ser combinadas com informação sobre solo e clima para prever produtividade, identificar riscos de doença e otimizar rega e fertilização.

Na produção animal, os sistemas analisam comportamento, bem-estar, produtividade e indicadores ambientais.

No tratamento de águas, ajudam a otimizar depuração, dessalinização e reutilização para rega. Na logística, antecipam procura e apoiam o desenho de rotas e a gestão dos armazéns. A IA começa, portanto, muito antes de o produto chegar à fábrica.

Nas fábricas, as máquinas aprendem a antecipar problemas

Mas é na indústria que alguns dos resultados se tornam particularmente tangíveis. Um produtor de cava conseguiu reduzir em 30% o tempo de prensagem da uva, aceitando uma perda de apenas 2% na extração de mosto.

A manutenção preditiva permite antecipar avarias e os gémeos digitais reproduzem processos para testar decisões antes de as aplicar no mundo físico.

Num grupo ligado à produção suína e agricultura, mais de uma centena de explorações são já controladas através de sistemas que tomam decisões de dez em dez minutos sobre parâmetros como temperatura, humidade e CO₂.

Nas unidades industriais, a empresa utiliza visão artificial para controlar etiquetas e visão hiperespectral para identificar corpos estranhos no processamento de frango.

A Noel Alimentaria aplica, por sua vez, modelos preditivos aos processos de secagem de enchidos, recorrendo a robots que pesam continuamente os produtos e ajudam a reduzir a variabilidade e o desperdício de matéria-prima.

A visão artificial é utilizada também para classificar carne, como a percentagem de gordura nas costeletas de porco, com níveis de fiabilidade entre 98% e 99%, e para identificar defeitos em presuntos.

E depois chega ao supermercado

A transformação não termina, porém, à porta da fábrica. No retalho, as utilizações multiplicam-se. O Carrefour testa sistemas conectados com inteligência artificial para vigiar os lineares, identificar ruturas, detetar erros de planograma e apoiar o picking das encomendas online.

Na ICA, o robot Tali percorre autonomamente os corredores à procura de anomalias, enquanto outra plataforma utiliza IA para identificar produtos próximos do fim de validade e disponibilizar promoções em tempo real, ajudando a combater o desperdício.

A automatização estende-se ao pagamento. Sistemas de visão podem acompanhar as caixas self-checkout, modelos híbridos adaptam o número de caixas assistidas e automáticas ao tráfego e começam a surgir testes com reconhecimento facial.

Até as etiquetas eletrónicas deixam de servir apenas para mostrar preços: no Lidl são já utilizadas para recomendar harmonizações de vinho.

E pode até começar a comprar pelo consumidor

E a inteligência artificial aproxima-se também do momento da decisão. Já vimos, na segunda parte desta série, que o consumidor utiliza ferramentas digitais para procurar informação antes de comprar. Agora, a fronteira seguinte começa a surgir: plataformas que não se limitam a aconselhar, mas também permitem executar a compra.

A associação entre a Walmart e a OpenAI para permitir compras através do ChatGPT deixa no ar uma questão que parecia futurista há poucos anos: até que ponto os assistentes digitais passarão a participar na escolha de marcas e produtos?

A IA pode, assim, estar simultaneamente no início e no final da cadeia: prever uma colheita, otimizar uma fábrica, gerir um stock, evitar uma rutura e influenciar aquilo que acaba no carrinho.

Tecnologia sem colaboração tem limites

Mas quanto mais aplicações aparecem, mais evidente se torna, porém, uma limitação. Os melhores modelos dependem de dados e os dados raramente pertencem a uma única empresa.

O produtor conhece uma parte. O fabricante outra. O operador logístico acrescenta informação. O distribuidor sabe o que aconteceu no linear. E o comportamento final pertence ao consumidor.

A inteligência artificial aumenta a capacidade para retirar valor dessa informação, mas aumenta também a necessidade de a cadeia conseguir partilhá-la.

É por isso que a quinta e última tendência da série não é uma nova tecnologia, mas uma mudança na forma de trabalhar: num mercado mais complexo, fabricantes e distribuidores terão de descobrir onde termina a competição e começa a colaboração.