\n| Volume de tokens nas 40 aplica\u00e7\u00f5es<\/td>\n | dado n\u00e3o dispon\u00edvel<\/td>\n | 150 bilh\u00f5es por m\u00eas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Os dados de tempo de resolu\u00e7\u00e3o do Rosie e de ROI foram citados pela Itshow e pela Mobiletime a partir de executivos nomeados da empresa, com o intervalo de outubro de 2025 a maio de 2026 para a queda de 38 para 10 minutos. Os demais v\u00eam da pr\u00f3pria iFood Institucional.<\/p>\n Esse conjunto de n\u00fameros circula no LinkedIn com a narrativa de “empresa que apostou em IA e ganhou”. A leitura entrega admira\u00e7\u00e3o e n\u00e3o entrega m\u00e9todo. O resultado de 30% de EBITDA n\u00e3o \u00e9 produto da ado\u00e7\u00e3o de IA. \u00c9 produto de uma decis\u00e3o tomada em 2018, quando o ChatGPT n\u00e3o existia, o mercado de LLM n\u00e3o tinha nome e o iFood era conhecido por log\u00edstica de entrega, n\u00e3o por tecnologia propriet\u00e1ria.<\/p>\n <\/span>Por que a IA n\u00e3o \u00e9 a causa do resultado do iFood?<\/span><\/h2>\nA cadeia causal do caso tem quatro camadas, e vale desmontar de tr\u00e1s para frente, do resultado at\u00e9 a decis\u00e3o-raiz.<\/p>\n Camada 4, a mais pr\u00f3xima do resultado.<\/strong> O LCM existe e opera 40 aplica\u00e7\u00f5es com custo dez vezes menor porque foi treinado com dados exclusivos do ecossistema de delivery do iFood, dados que nenhum modelo generalista de mercado tem. A consequ\u00eancia direta \u00e9 o ROI de mais de 250 vezes em cen\u00e1rios selecionados e o agente Rosie caindo de 38 para 10 minutos de resolu\u00e7\u00e3o m\u00e9dia, com 70% dos chamados automatizados. O LCM s\u00f3 p\u00f4de ser constru\u00eddo porque existia um ativo de dados esperando por ele.<\/p>\nCamada 3, o ativo que viabilizou o LCM.<\/strong> O data lake de 16 petabytes, com dados estruturados e limpos acumulados desde 2018, \u00e9 o que torna o treino do LCM economicamente vi\u00e1vel. Cliques, buscas, cancelamentos, avalia\u00e7\u00f5es, hist\u00f3rico de pedidos de bilh\u00f5es de intera\u00e7\u00f5es reais de delivery, num contexto de dom\u00ednio que nenhum modelo generalista carrega. Sem esse ativo, treinar um modelo especializado em com\u00e9rcio e delivery seria invi\u00e1vel t\u00e9cnica e economicamente. Qualquer concorrente que tente replicar o modelo propriet\u00e1rio hoje, sem esse hist\u00f3rico, volta para os modelos gen\u00e9ricos ao custo dez vezes maior, exatamente o problema que o iFood resolveu para si.<\/p>\nCamada 2, a decis\u00e3o que construiu o ativo.<\/strong> O data lake existia porque, em 2018, a empresa fez uma decis\u00e3o deliberada de governan\u00e7a de dados antes de qualquer agenda de IA generativa. Contratou time pr\u00f3prio de dados, adquiriu duas empresas de IA (Hekima e Maplink) e construiu cultura de decis\u00e3o baseada em dados na opera\u00e7\u00e3o di\u00e1ria. A plataforma de IA generativa interna existe h\u00e1 tr\u00eas anos, mas a escala s\u00f3 aconteceu quando os modelos deixaram de viver em 200 a 300 servi\u00e7os isolados e passaram para uma infraestrutura centralizada, a Genplat, acess\u00edvel a qualquer time interno. A Genplat \u00e9 o segundo tijolo. O primeiro \u00e9 o dado. Sem o dado, a Genplat \u00e9 uma camada vazia.<\/p>\nCamada 1, o que tornou a decis\u00e3o de 2018 irrevers\u00edvel.<\/strong> A lideran\u00e7a aceitou anos de investimento sem retorno imediato vis\u00edvel, e fez isso de um jeito mais espec\u00edfico do que “vis\u00e3o de longo prazo”: escreveu a expectativa de uso de IA na avalia\u00e7\u00e3o de desempenho dos 8,5 mil FoodLovers, em vez de deixar no slide da lideran\u00e7a. Segundo a iFood Institucional, mais de 90% dos FoodLovers usam a Genplat diariamente. Quando a m\u00e9trica entra no crit\u00e9rio de desempenho, ela para de ser aspiracional e vira opera\u00e7\u00e3o.<\/p>\n<\/span>O que \u00e9 um ativo de dados, e por que ele \u00e9 diferente de “ter dados”?<\/span><\/h2>\nAtivo de dados \u00e9 o registro de um processo que foi capturado com estrutura est\u00e1vel, no mesmo lugar, ao longo de tempo suficiente para responder perguntas que n\u00e3o foram feitas quando o registro come\u00e7ou. Ter dados \u00e9 diferente: quase toda empresa tem dados, espalhados por e-mail, planilha, WhatsApp e cabe\u00e7a de gente. Ativo \u00e9 o que se consegue consultar, cruzar e treinar.<\/p>\n A distin\u00e7\u00e3o decide o resultado. Dado disperso serve para relat\u00f3rio retroativo. Ativo de dados serve para automa\u00e7\u00e3o e para modelo. \u00c9 por isso que o iFood conseguiu treinar algo propriet\u00e1rio e a maioria das empresas n\u00e3o consegue: n\u00e3o \u00e9 uma diferen\u00e7a de talento em IA, \u00e9 uma diferen\u00e7a de arquivo.<\/p>\n Na pr\u00e1tica, um ativo de dados tem tr\u00eas caracter\u00edsticas que dado solto n\u00e3o tem. Primeiro, destino \u00fanico: o mesmo tipo de registro sempre vai para o mesmo lugar. Segundo, estrutura est\u00e1vel: os campos n\u00e3o mudam de nome e de significado a cada trimestre. Terceiro, continuidade temporal: existe s\u00e9rie hist\u00f3rica, e n\u00e3o fotografias avulsas. O iFood levou de 2018 a 2022 para consolidar isso em escala. A parte boa \u00e9 que as tr\u00eas caracter\u00edsticas n\u00e3o dependem de porte. Dependem de decis\u00e3o de quem manda no processo.<\/p>\n <\/span>Qual \u00e9 a pe\u00e7a do caso iFood que ningu\u00e9m copia?<\/span><\/h2>\nO data lake de 16 petabytes constru\u00eddo entre 2018 e 2022, antes da era LLM, com registros de cliques, buscas, cancelamentos e avalia\u00e7\u00f5es de bilh\u00f5es de intera\u00e7\u00f5es reais, \u00e9 a pe\u00e7a que n\u00e3o se copia.<\/p>\n N\u00e3o \u00e9 a Genplat. N\u00e3o s\u00e3o os 190 modelos. N\u00e3o s\u00e3o os 14 mil agentes de IA internos nem os 10 mil microsservi\u00e7os com IA integrada, todos citados pela iFood Institucional. Esses s\u00e3o consequ\u00eancias. O data lake \u00e9 a causa.<\/p>\n O consenso do mercado trata IA como ferramenta de ado\u00e7\u00e3o: escolhe a plataforma, configura o agente, treina o time. O caso do iFood inverte a ordem, porque a IA aqui \u00e9 consequ\u00eancia de uma infraestrutura de dados que levou quatro anos para ficar pronta. A maioria das empresas que tenta copiar quebra exatamente porque pula essa etapa: implanta o agente antes de organizar o dado, e a IA faz o que sempre faz quando o insumo \u00e9 ruim, reproduz a desordem do processo com mais velocidade.<\/p>\n A barreira de entrada que o iFood construiu \u00e9 temporal, n\u00e3o tecnol\u00f3gica. Ningu\u00e9m compra quatro anos de hist\u00f3rico de dom\u00ednio. D\u00e1 para come\u00e7ar hoje, e o rel\u00f3gio passa a contar a partir de hoje.<\/p>\n <\/span>O que a Frons mediu ao aplicar essa l\u00f3gica no pr\u00f3prio processo?<\/span><\/h2>\nNa Frons, entre abril e julho de 2026, n\u00f3s rodamos exatamente o diagn\u00f3stico que estamos recomendando aqui, no nosso processo de atendimento a alunos e candidatos de p\u00f3s-gradua\u00e7\u00e3o e MBA. A pergunta que guiou foi simples: quanto do nosso pr\u00f3prio registro operacional \u00e9 ativo de dados e quanto \u00e9 dado solto?<\/p>\n O resultado foi desconfort\u00e1vel. Mapeamos 11 processos que passam por tr\u00eas ou mais pessoas e encontramos 7 deles com o mesmo tipo de informa\u00e7\u00e3o vivendo em mais de um lugar ao mesmo tempo, sem consolida\u00e7\u00e3o. Em 4 desses 7, o hist\u00f3rico dos \u00faltimos 30 dias n\u00e3o podia ser recuperado por algu\u00e9m que n\u00e3o fosse o dono direto da tarefa. Ou seja: em pouco mais de um ter\u00e7o dos processos analisados, o conhecimento operacional estava na cabe\u00e7a e na caixa de entrada de uma pessoa espec\u00edfica.<\/p>\n Tamb\u00e9m cronometramos, em julho de 2026, o tempo que um gestor da nossa opera\u00e7\u00e3o levava para recuperar o hist\u00f3rico completo de intera\u00e7\u00e3o de um candidato quando o registro estava fragmentado entre e-mail, WhatsApp e planilha. A m\u00e9dia foi de 9 minutos por caso, contra menos de 2 minutos nos processos que j\u00e1 tinham destino \u00fanico definido. N\u00e3o \u00e9 uma medi\u00e7\u00e3o de laborat\u00f3rio, \u00e9 o tempo real de gente ocupada procurando informa\u00e7\u00e3o que a pr\u00f3pria empresa j\u00e1 tinha.<\/p>\n Esses n\u00fameros s\u00e3o pequenos ao lado de 16 petabytes, e \u00e9 justamente esse o ponto. A diferen\u00e7a entre a Frons e o iFood na escala \u00e9 gigantesca. A diferen\u00e7a na natureza do problema \u00e9 zero. Quem tem dado fragmentado n\u00e3o tem ativo, e quem n\u00e3o tem ativo vai contratar IA gen\u00e9rica para reproduzir a pr\u00f3pria bagun\u00e7a a pre\u00e7o de mercado.<\/p>\n <\/span>O que deu errado no caminho do iFood, com n\u00fameros?<\/span><\/h2>\nA fric\u00e7\u00e3o documentada do caso \u00e9 o custo de escalar IA com modelos de mercado. Nas 40 aplica\u00e7\u00f5es onde o LCM foi implantado, o volume chegou a 150 bilh\u00f5es de tokens mensais, segundo a iFood Institucional. Nessa escala, operar com modelos externos como OpenAI, Azure e Bedrock tornava o custo operacional invi\u00e1vel, porque o ganho de efici\u00eancia seria consumido pela conta de API.<\/p>\n A empresa precisou desenvolver modelo propriet\u00e1rio para viabilizar a pr\u00f3pria opera\u00e7\u00e3o, e isso exigiu investimento antecipado em treino e infraestrutura que s\u00f3 se pagou porque os dados j\u00e1 estavam organizados. Se o data lake n\u00e3o existisse, o LCM n\u00e3o seria desenvolv\u00edvel com prazo e or\u00e7amento realistas, e o iFood estaria preso no dilema que a maioria enfrenta: IA que funciona em piloto e fica cara demais em produ\u00e7\u00e3o.<\/p>\n H\u00e1 um segundo ponto desfavor\u00e1vel que precisa ficar na mesa, e a newsletter que originou este artigo j\u00e1 registrou. O iFood processa entre 120 e 160 milh\u00f5es de pedidos por m\u00eas e opera com 8,5 mil funcion\u00e1rios. Escalar 190 modelos nessa opera\u00e7\u00e3o exigiu construir plataforma centralizada e modelo propriet\u00e1rio, investimento que empresa de menor porte n\u00e3o replica nos mesmos moldes. O m\u00e9todo \u00e9 transfer\u00edvel. O cheque de infraestrutura propriet\u00e1ria n\u00e3o \u00e9. Quem l\u00ea esse caso e conclui “preciso do meu LCM” entendeu o contr\u00e1rio do que o caso ensina.<\/p>\n Na nossa aplica\u00e7\u00e3o interna, o erro que cometemos foi de sequ\u00eancia. Entre abril e maio de 2026, testamos automa\u00e7\u00e3o em 2 processos antes de consolidar o registro, e nos dois casos tivemos que refazer: a automa\u00e7\u00e3o passou a produzir resposta a partir de hist\u00f3rico incompleto, o que gerou retrabalho de confer\u00eancia manual e anulou o ganho de tempo. Voltamos, definimos destino \u00fanico, e s\u00f3 ent\u00e3o automatizamos. A li\u00e7\u00e3o custou cerca de seis semanas.<\/p>\n <\/span>Como aplicar a l\u00f3gica do iFood num processo de qualquer \u00e1rea?<\/span><\/h2>\nA decis\u00e3o transfer\u00edvel do iFood n\u00e3o \u00e9 adotar IA. \u00c9 a sequ\u00eancia: primeiro organiza o dado bruto do processo, depois avalia onde a IA resolve volume repetitivo com custo alto. Uma empresa de 20 pessoas inicia esse ciclo esta semana, antes de escolher qualquer ferramenta. Os cinco passos abaixo funcionam igual em RH, em f\u00e1brica e em loja.<\/p>\n Passo 1: escolhe um processo seu que mais acumula registro n\u00e3o estruturado e nomeia ele.<\/strong> Em qualquer \u00e1rea existe um processo que gera volume de texto sem destino: e-mails de suporte, notas de atendimento, hist\u00f3rico de ocorr\u00eancias, ordens de servi\u00e7o, formul\u00e1rios de entrada, registros de recebimento de mercadoria. Escolhe um, s\u00f3 um, e escreve o nome dele num documento. O artefato \u00e9 uma linha de texto com o nome do processo e o dono. (O iFood come\u00e7ou por dados de clique e busca. RH pode come\u00e7ar por entrevistas de desligamento, f\u00e1brica por registros de parada de linha, loja por reclama\u00e7\u00e3o de cliente no balc\u00e3o.)<\/p>\nPasso 2: lista onde esse dado est\u00e1 fragmentado hoje.<\/strong> Dado fragmentado \u00e9 o equivalente pr\u00e1tico a n\u00e3o ter data lake. Verifica: est\u00e1 no e-mail de tr\u00eas pessoas diferentes? Numa planilha que cada um copia para si? No WhatsApp de quem atende? Num caderno da portaria? Voc\u00ea lista os pontos onde o mesmo tipo de informa\u00e7\u00e3o vive em mais de um lugar sem consolida\u00e7\u00e3o. O artefato \u00e9 uma tabela de tr\u00eas colunas: fonte atual, respons\u00e1vel por ela, o que s\u00f3 existe ali.<\/p>\nPasso 3: define um destino \u00fanico para esse registro a partir desta semana.<\/strong> N\u00e3o \u00e9 projeto de TI, \u00e9 decis\u00e3o operacional de quem manda no processo. Pode ser um CRM que j\u00e1 existe, uma planilha compartilhada com campos fixos, uma pasta de drive com nomenclatura padronizada, um formul\u00e1rio curto. O crit\u00e9rio de aceite \u00e9 objetivo: qualquer pessoa do time acha o hist\u00f3rico dos \u00faltimos 30 dias em menos de dois minutos. Voc\u00ea testa isso pedindo para algu\u00e9m que n\u00e3o \u00e9 o dono do processo procurar, e cronometra. (O iFood levou quatro anos para chegar a 16 petabytes. Voc\u00ea come\u00e7a com 30 dias de hist\u00f3rico limpo.)<\/p>\nPasso 4: registra a linha de base de volume e tempo desse processo antes de automatizar nada.<\/strong> Sem linha de base n\u00e3o existe prova de ganho, existe opini\u00e3o. Anota tr\u00eas coisas hoje: quantas intera\u00e7\u00f5es por semana esse processo tem, quanto tempo m\u00e9dio uma pessoa gasta em cada uma, e quem gasta esse tempo. O artefato \u00e9 um bloco de tr\u00eas linhas com data. Foi assim que descobrimos, na Frons, os 9 minutos por consulta de hist\u00f3rico fragmentado contra menos de 2 minutos no processo consolidado, e esse contraste \u00e9 o que sustenta qualquer decis\u00e3o de investimento depois.<\/p>\nPasso 5: agenda no calend\u00e1rio, hoje, uma hora daqui a 30 dias para revisar o dado acumulado.<\/strong> Organizar dado sem data de revis\u00e3o \u00e9 colecionar, n\u00e3o construir ativo. Na hora marcada, voc\u00ea abre o que foi acumulado e faz uma pergunta s\u00f3: onde tem volume repetitivo aqui que uma ferramenta poderia assumir sem inventar informa\u00e7\u00e3o? S\u00f3 depois dessa revis\u00e3o voc\u00ea escolhe ferramenta. A sequ\u00eancia importa mais que a ferramenta: dado limpo primeiro, automa\u00e7\u00e3o depois.<\/p>\nPasso 6, opcional para quem j\u00e1 tem os cinco anteriores rodando: coloca a m\u00e9trica no crit\u00e9rio de desempenho de algu\u00e9m.<\/strong> O iFood escreveu a expectativa de uso de IA na avalia\u00e7\u00e3o de desempenho dos 8,5 mil FoodLovers, e chegou a mais de 90% de uso di\u00e1rio da plataforma interna. Enquanto a expectativa vive s\u00f3 na apresenta\u00e7\u00e3o da lideran\u00e7a, ela \u00e9 aspira\u00e7\u00e3o. Quando entra no que \u00e9 avaliado na conversa de desempenho, vira opera\u00e7\u00e3o. Na pr\u00f3xima reuni\u00e3o de avalia\u00e7\u00e3o da sua \u00e1rea, voc\u00ea inclui uma linha sobre a alimenta\u00e7\u00e3o correta do registro que definiu no Passo 3.<\/p>\n<\/span>Qual \u00e9 a pergunta certa a fazer sobre IA em 2026?<\/span><\/h2>\nO iFood \u00e9 citado como caso de IA. Na minha vis\u00e3o, \u00e9 um caso de disciplina de dados com seis anos de vantagem sobre quem s\u00f3 agora est\u00e1 perguntando qual modelo contratar.<\/p>\n A pergunta “qual IA usar” tem prazo de validade de poucos meses, porque o mercado troca de modelo l\u00edder a cada temporada. A pergunta “qual dado eu tenho hoje que, se organizado, vira ativo daqui a dois anos” tem prazo de validade de anos, porque a resposta constr\u00f3i algo que ningu\u00e9m compra pronto. Quem responde essa segunda pergunta agora e age sobre ela est\u00e1 fazendo em 2026 o que o iFood fez em 2018, sem precisar do porte do iFood para come\u00e7ar.<\/p>\n Vale registrar o contraste com honestidade. O iFood tinha, em 2018, condi\u00e7\u00f5es que a maioria n\u00e3o tem: caixa para adquirir duas empresas de IA, capacidade de montar time pr\u00f3prio de dados e lideran\u00e7a disposta a aceitar anos de investimento sem retorno vis\u00edvel. Nada disso \u00e9 replic\u00e1vel por uma opera\u00e7\u00e3o de 20 ou 200 pessoas. O que \u00e9 replic\u00e1vel \u00e9 a ordem das decis\u00f5es, e a ordem \u00e9 gratuita. Definir destino \u00fanico para um tipo de registro n\u00e3o custa nada al\u00e9m de disciplina e de algu\u00e9m disposto a cobrar.<\/p>\n O mercado n\u00e3o te deve nada, e menos ainda te deve um atalho de quatro anos. A const\u00e2ncia aqui \u00e9 do tipo mais chato que existe: um processo escolhido, um destino \u00fanico, revis\u00e3o em 30 dias, repetido por trimestres. \u00c9 isso que separa a empresa que vai contratar IA gen\u00e9rica em 2028 ao custo de mercado da empresa que vai ter insumo pr\u00f3prio para automatizar o que ningu\u00e9m mais consegue automatizar do mesmo jeito.<\/p>\n <\/span>Perguntas frequentes<\/span><\/h2>\n<\/span>Quanto do EBITDA do iFood vem de intelig\u00eancia artificial?<\/span><\/h3>\nSegundo press release oficial da iFood Institucional de mar\u00e7o de 2026, 30% do EBITDA mensal da empresa \u00e9 gerado por 190 modelos de IA que rodam 25 bilh\u00f5es de predi\u00e7\u00f5es por m\u00eas. Esse resultado est\u00e1 ancorado num data lake de 16 petabytes constru\u00eddo a partir de 2018 e num modelo propriet\u00e1rio, o LCM, que opera 40 aplica\u00e7\u00f5es internas.<\/p>\n <\/span>O que \u00e9 o LCM do iFood e quanto ele economiza?<\/span><\/h3>\nO LCM (Large Commerce Model) \u00e9 o modelo de IA propriet\u00e1rio do iFood, treinado com dados exclusivos do ecossistema de delivery da empresa. Ele opera 40 aplica\u00e7\u00f5es internas com custo por intera\u00e7\u00e3o de cerca de 10% do que custariam os modelos de mercado nas mesmas tarefas, uma redu\u00e7\u00e3o de 90% sobre a linha de base de 2024, quando o iFood dependia de OpenAI, Azure e Bedrock nessas opera\u00e7\u00f5es.<\/p>\n <\/span>Por que a maioria das empresas falha ao copiar casos de IA como o do iFood?<\/span><\/h3>\nPorque inverte a sequ\u00eancia: implanta o agente ou a ferramenta antes de organizar o dado que alimenta a automa\u00e7\u00e3o. Quando o insumo est\u00e1 fragmentado entre e-mail, planilha e WhatsApp, a IA reproduz a desordem do processo com mais velocidade em vez de resolver. No iFood, o data lake de 16 petabytes levou de 2018 a 2022 para ficar pronto e \u00e9 a condi\u00e7\u00e3o de exist\u00eancia do resultado, n\u00e3o um detalhe de infraestrutura.<\/p>\n <\/span>Uma empresa pequena consegue aplicar o m\u00e9todo do iFood?<\/span><\/h3>\nSim, desde que aplique a sequ\u00eancia e n\u00e3o o investimento. O que \u00e9 transfer\u00edvel \u00e9 a ordem das decis\u00f5es: escolher um processo que gera registro n\u00e3o estruturado, listar onde esse dado est\u00e1 fragmentado, definir um destino \u00fanico a partir desta semana, registrar a linha de base de volume e tempo, e revisar em 30 dias antes de escolher ferramenta. Construir plataforma centralizada e modelo propriet\u00e1rio, como o iFood fez para 120 a 160 milh\u00f5es de pedidos mensais, n\u00e3o \u00e9 replic\u00e1vel por empresa de menor porte.<\/p>\n <\/span>Como saber se o dado da minha empresa j\u00e1 \u00e9 um ativo?<\/span><\/h3>\nAtivo de dados \u00e9 o registro de um processo capturado com destino \u00fanico, estrutura est\u00e1vel e continuidade temporal, ao ponto de responder perguntas que n\u00e3o existiam quando a captura come\u00e7ou. Um teste r\u00e1pido: pe\u00e7a a algu\u00e9m que n\u00e3o \u00e9 o dono do processo para achar o hist\u00f3rico dos \u00faltimos 30 dias e cronometre. Na Frons, em julho de 2026, medimos 9 minutos por consulta em processos com dado fragmentado contra menos de 2 minutos nos processos com destino \u00fanico definido.<\/p>\n <\/span>Como o iFood garantiu que o time realmente usasse a IA?<\/span><\/h3>\nA empresa escreveu a expectativa de uso de IA na avalia\u00e7\u00e3o de desempenho dos 8,5 mil funcion\u00e1rios, em vez de deixar a diretriz apenas na comunica\u00e7\u00e3o da lideran\u00e7a. Segundo a iFood Institucional, mais de 90% dos funcion\u00e1rios usam a plataforma interna Genplat diariamente. Quando a m\u00e9trica entra no crit\u00e9rio de desempenho, ela deixa de ser aspira\u00e7\u00e3o e passa a ser opera\u00e7\u00e3o.<\/p>\n |