Artigo inaugural da Escala de Maturidade da Inteligência Empresarial: em que fase a sua empresa realmente está?

João Stringhini · 02 de julho de 2026

Acho o máximo ver apresentações orgulhosas de painéis de BI de dados de venda do varejo por hora, por loja, por categoria, por marca, seja lá pelo o que for, que não resistem a uma pergunta simples: “Qual execução gerou este resultado?”. O silêncio como resposta é comum ou um amargo “Não sei, a gente não vê isto.” Se não conseguimos relacionar as vendas à execução, como vamos poder dizer que sabemos qual estratégia de organização de loja, exposição, layout ou até mesmo planograma gera mais vendas.

Para situar esse fenômeno, e para ajudar empresários e executivos a se localizarem honestamente nele, que desenvolvi a Escala de Maturidade da Inteligência Empresarial (Stringhini, 2026). É um mapa que serve para sabermos onde estamos e ou não queremos estar.

Por que precisamos de uma escala

A literatura de análise de negócios já produziu modelos valiosos de maturidade analítica. O modelo da Gartner, popularizado por Thomas Davenport, organiza a evolução da análise empresarial em quatro estágios: descritiva, diagnóstica, preditiva e prescritiva. Foi um avanço importante quando surgiu e continua sendo referência legítima (Davenport e Harris, 2007).

O problema desse modelo é que nasceu de dentro para fora da tecnologia de dados. Descreve bem o que as ferramentas conseguem fazer em cada estágio, mas não deixa claro o que a empresa precisa fazer ou ter para desfrutar de cada ferramenta.

A Escala de Maturidade da Inteligência Empresarial (Stringhini, 2026) propõe quatro contribuições específicas em relação aos modelos anteriores:

• Moldura histórica datada: ancora cada fase em um período real de desenvolvimento tecnológico e organizacional.
• Pergunta-âncora: traduz de forma prática o que seu modelo de análise está respondendo.
• Inclusão de fases não contempladas em modelos anteriores: a Intuitiva (anterior à analítica moderna), a Responsiva e a Indutiva (que estão em curso agora) e a Autônoma (que está por vir).
• O conceito de “idade intelectual da decisão”: mostra que uma empresa pode ter ferramentas atuais operando com processos ultrapassados.

A escala é uma extensão à literatura existente, com crédito explícito ao trabalho que veio antes.

Os dois tempos de cada fase: a descoberta e a adoção

Cada fase acontece em dois momentos diferentes, e confundi-los é parte do problema. Há o tempo em que a ciência descobre uma determinada tecnologia, e há o tempo, sempre posterior, em que o mercado a adota de fato. A descoberta vem sempre antes do uso. A distância entre esses dois tempos, para a sua empresa, é a sua idade intelectual da decisão: o quanto você ainda opera com ferramentas que a ciência e ou o mercado já superou há muitos anos.

Por isso, para cada fase, a escala registra dois períodos, a Descoberta pela Ciência e a Adoção pelo Mercado.

Fase	Descoberta pela Ciência	Adoção pelo Mercado
1. Intuitiva	Pré-história até 1500	Até 1900
2. Descritiva	1500 a 1900	1900 a 1980
3. Matemática	1900 a 1950	1980 a 2000
4. Preditiva	1950 a 1980	2000 a 2015
5. Prescritiva	1980 a 2015	2010 a 2025
6. Responsiva	2015 em diante	2020 a 2035
7. Indutiva	2015 a 2030	2025 a 2040
8. Autônoma	2030 em diante	2030 em diante

As 8 fases da Escala de Maturidade da Inteligência Empresarial

Fase 1: Intuitiva

Descoberta pela Ciência: Pré-história até 1500
Adoção pelo Mercado: Até 1900
Pergunta-âncora: “O que eu acho?”

A decisão empresarial depende quase integralmente da experiência e do instinto do fundador ou dos seus líderes. Não há registro sistemático. Não há comparação. O conhecimento está na cabeça de uma ou mais pessoas e morre com elas.

Não confunda intuitivo com incompetente. Muitos negócios chegaram longe assim, especialmente quando o mercado era estável e a complexidade baixa. O problema acontece quando o negócio cresce, o mercado acelera, ou as decisões precisam ser delegadas para pessoas sem a mesma experiência acumulada.

Perguntas de autolocalização: As decisões do seu negócio estão documentadas, ou moram exclusivamente na cabeça de alguém? Quando o responsável por uma área sai, o conhecimento vai junto com ele?

Fase 2: Descritiva

Descoberta pela Ciência: 1500 a 1900
Adoção pelo Mercado: 1900 a 1980
Pergunta-âncora: “O que aconteceu?”

A empresa começa a registrar o que aconteceu. Surgem os relatórios de venda, os controles de estoque, as planilhas mensais. O avanço é real: existe memória organizacional. Pode-se olhar para trás e ver o que ocorreu. São os ERP’s e os BI’s em ação.

O limite desta fase é que o registro captura e descreve os resultados, mas não estabelece correlações verdadeiras. A empresa sabe os meses que mais vendeu, mas não há a comprovação das relações de causa e efeito. Sabe-se o conjunto de ações que levaram aos resultados, mas se desconhece o peso de cada uma destas ações.

Perguntas de autolocalização: Há o uso de análises estatísticas, além do uso do excel e do BI? Há o registro da execução de loja? Há registro e conhecimento temporal das atividades desenvolvidas pelas equipes? Existe registro do grau de cumprimento de processos além dos números de resultado?

Fase 3: Matemática

Descoberta pela Ciência: 1900 a 1950
Adoção pelo Mercado: 1980 a 2000
Pergunta-âncora: “Por que aconteceu?”

Aqui entra a análise de causa e efeito. A empresa não se contenta em saber o que aconteceu: quer entender por quê. Isso exige duas coisas que a fase anterior não tinha: registro da execução (o que realmente foi feito, não só o que foi vendido) e uso de ferramentas estatísticas, análises de causa e efeito.

Atualmente, no Brasil, esta é a fase mais negligenciada. Não porque as empresas não queiram entender suas causas, mas porque pulam etapas. Compram sistemas que geram relatórios sem antes construir o hábito de definir, registrar e mensurar processos e execução. O resultado são empresas cheias de dados de vendas e vazias de dados de processo.

Na prática, é a análise entre composição das categorias de produtos, faturamento e rentabilidade ao mesmo tempo, análise de regressão na satisfação do cliente, cesta de compras, quais produtos influenciam a venda de outros produtos.

A própria literatura de analytics prescritivo assume que toda decisão orientada a resultado pressupõe um vínculo causal entre a ação e o efeito (Lepenioti et al., 2020), exatamente o que esta fase constrói.

Perguntas de autolocalização: Você tem padrão de comparação para os seus indicadores? Quando uma loja vende 15% a mais do que outra, você sabe quais variáveis de execução explicam essa diferença? Você tem benchmark, mesmo que interno, para saber se o seu resultado é bom ou apenas aceitável? Há testes estatísticos para validar as diferenças de resultados apresentados entre lojas, equipes, vendas de produtos etc.?

Fase 4: Preditiva

Descoberta pela Ciência: 1950 a 1980
Adoção pelo Mercado: 2000 a 2015
Pergunta-âncora: “O que acontecerá?”

Com registro histórico robusto e análise de causa e efeito, a empresa usa padrões do passado para antecipar o futuro. Modelos estatísticos, projeções de demanda, análise de sazonalidade com precisão crescente. A previsão deixa de ser intuição e vira cálculo.

Nesta fase, quem a alcança, detém domínio estatístico real. Ter domínio estatístico real é ter poder real sobre seu negócio. Para isto não basta uma ferramenta que entrega uma previsão, é necessária uma compreensão e propriedade de como aquela previsão foi construída, quais variáveis ela considera, qual é o intervalo de confiança e onde ela pode errar. Sem este entendimento, a empresa usa o número da previsão com a mesma cegueira com que antes usava o instinto, só que agora com mais convicção.

Perguntas de autolocalização: Quando alguém na empresa apresenta uma projeção, alguém no time sabe de onde aquele número vem? A empresa entende as premissas por trás das previsões que usa, ou confia no output sem questionar o modelo?

Fase 5: Prescritiva

Descoberta pela Ciência: 1980 a 2015
Adoção pelo Mercado: 2010 a 2025
Pergunta-âncora: “O que devo fazer?”

A análise prescritiva vai além da previsão: ela recomenda ações. Não apenas “as vendas devem cair 12% em julho”, mas “reduza o estoque de categoria X em 18% e redirecione verba para categoria Y”. Aqui entram os algoritmos de otimização, os sistemas de precificação dinâmica, as recomendações automatizadas.

O risco desta fase é a ilusão de autonomia. A empresa recebe uma recomendação e, sem entender a lógica por trás dela, simplesmente a executa. Isso funciona enquanto o algoritmo está certo. Quando ele erra, a empresa não tem capacidade de identificar o erro porque nunca entendeu o raciocínio.

Perguntas de autolocalização: Quando um sistema recomenda uma ação à empresa, quem no time é capaz de questionar aquela recomendação com base técnica? A empresa segue recomendações algorítmicas com senso crítico ou com fé?

Fase 6: Responsiva

Descoberta pela Ciência: 2015 em diante
Adoção pelo Mercado: 2020 a 2035
Pergunta-âncora: “O que fazer agora?”

Nesta fase acrescenta-se uma camada muito importante. Até aqui trabalhamos com dados do passado para antever o futuro, mas o futuro, que é agora, pode não se comportar da mesma maneira que no passado e o sistema deve encontrar a melhor resposta para o novo momento neste instante.

Assim, a fase Responsiva caracteriza sistemas que reagem em tempo real a mudanças no ambiente. Não apenas prevendo o que vai acontecer, mas ajustando automaticamente a estratégia conforme o contexto muda, sem esperar um novo ciclo de análise. Preço que muda em função da demanda ao vivo. Estoque que se redistribui entre pontos de venda em resposta a eventos locais. Comunicação personalizada que se adapta ao comportamento do cliente nos últimos minutos. Redistribuição de tarefas e equipes frente a um incidente.

O diferencial desta fase não é a velocidade dos dados, é a velocidade de resposta.

Perguntas de autolocalização: A sua empresa consegue tomar decisões operacionais relevantes com base em informações de hoje, não da semana passada? Onde existe latência desnecessária entre o dado e a ação?

Fase 7: Indutiva

Descoberta pela Ciência: 2015 a 2030
Adoção pelo Mercado: 2025 a 2040
Pergunta-âncora: “Como influenciar o que virá?”

Esta fase representa uma virada de perspectiva: a empresa deixa de reagir ao ambiente e passa a moldá-lo. Não apenas prever o comportamento do consumidor, mas induzi-lo. Não apenas antecipar a demanda, mas criá-la com precisão cirúrgica.

Isso envolve hiperpersonalização em escala, estratégias de indução comportamental baseadas em dados granulares e uso de IA para identificar alavancas de influência ainda invisíveis à análise convencional. É a fase onde a inteligência empresarial se torna, em certa medida, estratégia de mercado.

Uma forma de entender a indução é pelo déjà vu. A velocidade de processamento de um computador atual excede em milhares de vezes a do pensamento humano. Com essa diferença, o sistema é capaz de nos estimular a partir do nosso próprio comportamento e fala, de um jeito que parece familiar e próximo, gerando confiança. Aberto o campo, vem a indução. A literatura já nomeia isso: o hypernudge, a manipulação computacional que perfila o usuário e influencia a decisão sem que ele perceba, ao ponto de pesquisadores defenderem um novo direito, o da autodeterminação mental (Faraoni, 2023).

Perguntas de autolocalização: A sua empresa usa inteligência para reagir ao cliente ou para antecipar e, em alguma medida, construir o comportamento que ela quer ver? Onde existe a maior oportunidade de passar de reativo para indutor?

Fase 8: Autônoma

Descoberta pela Ciência: 2030 em diante
Adoção pelo Mercado: 2030 em diante
Pergunta-âncora: “Como o sistema pode agir sozinho?”

No horizonte mais distante da escala está a empresa onde sistemas de inteligência não apenas recomendam e induzem, mas decidem e executam com autonomia real, dentro de parâmetros estabelecidos pela estratégia humana. O papel da liderança migra de tomador de decisões operacionais para arquiteto de regras do jogo e guardião dos valores que os sistemas devem respeitar.

Não é ficção científica, nem promessa distante. O Gartner projeta que 40% das aplicações empresariais embarquem agentes de IA até o fim de 2026, e que 15% das decisões do dia a dia sejam tomadas de forma autônoma até 2028. O mesmo Gartner alerta que mais de 40% dos projetos de IA agêntica devem falhar até 2027, quase sempre por falta da base das fases anteriores. A direção é clara. O ritmo, e quem chega inteiro, não.

Perguntas de autolocalização: A sua empresa está construindo a governança necessária para operar sistemas cada vez mais autônomos com responsabilidade? Quem vai definir os limites do que os sistemas podem e não podem decidir sozinhos?

Fase	Aplicação típica	Exemplo de empresas
1. Intuitiva	Decisão no faro, sem dados	Comércio de bairro, pequenos negócios
2. Descritiva	Dashboards de ERP, Excel, BI	Maioria das empresas nacionais
3. Matemática	Análise causal para cesta de compras, satisfação de clientes, composição de mix	Varejo com GC estruturado, algumas empresas de e-commerce
4. Preditiva	Previsão de demanda, churn, risco de crédito	Telecom, bancos, algumas grandes empresas
5. Prescritiva	Precificação dinâmica, otimização de estoque	Companhias aéreas, Amazon
6. Responsiva	Decisão e ajuste em tempo real	Uber, iFood, Mercado Livre
7. Indutiva	Indução de comportamento, hiperpersonalização	TikTok, Netflix
8. Autônoma	Agentes que decidem e se retreinam	Trading algorítmico, agentes de IA

Os nós que ninguém quer ver: você não sobe de fase comprando software

Aqui o mais difícil de encarar, principalmente para aqueles que se queixam de que os investimentos em tecnologia não geraram o retorno esperado.

O que acontece? A empresa compra um sistema de BI avançado (fase 4) sem ter resolvido o problema da fase 3. Ela tem dados de venda por loja, por hora, por categoria, mas sem nenhum dado da execução. Não sabe o que o gerente da loja X fez de diferente quando o sellout subiu 20%. Não tem registro se a gôndola estava abastecida, se o produto estava no lugar certo, se o promotor estava presente, se o preço foi praticado conforme o planejado. Vê o resultado. Não enxerga o que gerou o resultado.

Sem o registro da execução, a análise de causa e efeito é impossível. Por mais dados de venda que a empresa tenha, ela não consegue responder à pergunta da fase 3: “Por que aconteceu?” Ela só consegue dizer “o que aconteceu”. Isso é fase 2 com uma tela bonita na frente. Informação de sellout não dá condições de direcionar o sellout agora, as informações de execução que geraram o sellout sim.

O segundo nó é o benchmark. Uma empresa que não tem padrão de comparação não sabe o valor real das próprias ações. Se a sua taxa de conversão é de 28%, isso é bom ou ruim? Depende do segmento, do formato, do ticket médio, da localização, do período do ano. Sem benchmark, o número é uma ilusão de precisão. A empresa opera no escuro mesmo cheia de relatórios, porque não tem a régua.

O terceiro nó é o mais silencioso de todos: o uso de IA sem domínio estatístico. Hoje, qualquer empresa pode acessar ferramentas de inteligência artificial que geram previsões, recomendam ações e otimizam campanhas. O acesso à ferramenta não está mais em disputa. O que está em disputa é a capacidade de interpretar o que a ferramenta entrega. Quando uma equipe usa um modelo preditivo sem entender o que é intervalo de confiança, o que é overfitting, o que são as variáveis que o modelo está priorizando, ela está usando uma ferramenta de fase 4 com o nível intelectual da fase 1. O sistema subiu de fase. A empresa não. E ela nem sabe disso, porque o sistema continua entregando números com aparência de precisão.

Isso é o que chamo de “idade intelectual da decisão”. A empresa pode estar no século 21 em termos de infraestrutura tecnológica e no início do século 20 em termos de capacidade analítica real. A lacuna entre as duas é onde o dinheiro some.

O que significa, na prática, subir de fase

Subir de fase não é assinar um novo contrato de software. É construir a capacidade que a fase exige.

Para sair da fase 2 e entrar de fato na fase 3, a empresa precisa criar o hábito de registrar a execução no nível de detalhe suficiente para análise causal: o que foi feito, por quem, quando, onde e como, não apenas o que foi vendido (é o terreno dos sistemas de monitoramento de execução de loja). Esse registro não é automático. Exige processo, disciplina e, frequentemente, uma mudança na cultura do time.

Para operar na fase 4 com integridade, a empresa precisa ter pelo menos uma pessoa capaz de questionar um modelo preditivo, não apenas de ler o output dele (é o papel de uma área de ciência de dados). Isso não significa ter um time de cientistas de dados. Significa ter letramento estatístico suficiente para saber quando confiar no número e quando ele merece suspeita.

Para chegar às fases 6 e 7 com solidez, a empresa precisa ter resolvido as anteriores. Não existe responsividade real sem dados de execução em tempo real. Não existe indução de comportamento sem domínio do ambiente, dos processos e do comportamento do cliente, construído com histórico analítico robusto.

Use a metáfora de uma construção. Cada fase é um andar. Você pode colocar a fachada no décimo andar antes de construir os pilares do terceiro andar? O trabalho mais importante não começa pelas ferramentas. Começa pela pergunta honesta de que fase a empresa está? Não a fase que o seu último investimento em tecnologia gostaria que estivesse. São coisas muito diferentes, acabamos de ver isto.

Onde está a sua empresa: quatro possibilidades

Uma forma direta de se localizar é olhar os recursos que você realmente usa para decidir. Grosso modo, as empresas se distribuem em quatro tipos:

• Empresas Intuitivas: não usam dados para decidir. Estão na Fase 1, Intuitiva.
• Empresas Informadas: a grande maioria do mercado. Vivem na Fase 2, Descritiva, com Excel e dashboards de ERP, descrevendo o passado sem estabelecer as causas.
• Empresas Analíticas: um grupo restrito, transitando pelas fases 3, 4 e 5. Já aplicam método estatístico de verdade, em toda a empresa ou em algumas áreas, com gente que sabe usar.
• Empresas Autônomas: pouquíssimas, conectadas às fases 6, 7 e 8. Dominam o conhecimento que sustenta o negócio e organizam seus processos para gerar dados em quantidade e qualidade para o emprego da Inteligência Artificial.

Como usar a escala

A Escala de Maturidade da Inteligência Empresarial (Stringhini, 2026) não foi desenhada para ser uma régua de julgamento. Foi desenhada para ser uma ferramenta de diagnóstico honesto.

O uso mais produtivo dela começa com uma conversa entre os líderes da empresa: em qual fase a maioria das nossas decisões realmente se apoia? Onde estão os nossos maiores gaps entre a fase que achamos que estamos e a fase que os nossos processos efetivamente suportam?

Uma empresa que resolve essa pergunta com honestidade tem mais do que um diagnóstico. Tem um roteiro. Sabe o que precisa construir antes de comprar, o que precisa dominar antes de delegar para um sistema, e onde estão as alavancas reais de evolução, não as alavancas de aparência.

O mapa só serve a quem sabe onde está.

Se você leu este artigo e quer conversar sobre onde a sua empresa está na escala, e o que seria necessário para avançar com consistência, pode me encontrar no Linkedin. Não faço diagnósticos genéricos. Faço perguntas específicas.

Este artigo apresenta uma primeira versão da Escala de Maturidade da Inteligência Empresarial, um modelo em desenvolvimento que continuará sendo aprofundado em publicações futuras.

---

João Stringhini é psicólogo e consultor de varejo, uma combinação rara que está na origem do Neurovarejo, conceito que desenvolveu para aplicar neurociência e comportamento do consumidor à gestão completa da loja. São mais de 30 anos trabalhando com líderes e equipes de varejo e indústria. É professor dos cursos de pós-graduação da PUCRS, sócio-fundador da Stringhini Varejo Inteligente e sócio da Involves Tecnologia, maior plataforma de Trade Marketing da América Latina.

Perguntas frequentes

Referências e evidências

• Davenport, T. H., e Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press. https://archive.org/details/competingonanaly0000dave
• Davis, B., & Francis, K. (2025). “Analytics Maturity (Gartner Analytic Ascendancy Model)” in Discourses on Learning in Education. https://learningdiscourses.com/learning-discourses/
• GARTNER. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Stamford, CT, 25 jun. 2025. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
• Lepenioti, K., Bousdekis, A., Apostolou, D., e Mentzas, G. (2020). Prescriptive analytics: Literature review and research challenges. International Journal of Information Management, 50, 57-70. https://www.sciencedirect.com/science/article/pii/S0268401218309873
• Faraoni, S. (2023). Persuasive Technology and computational manipulation: hypernudging out of mental self-determination. Frontiers in Artificial Intelligence, 6. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2023.1216340/full

Como citar este artigo

STRINGHINI, J. Artigo inaugural da Escala de Maturidade da Inteligência Empresarial: em que fase a sua empresa realmente está? Stringhini Varejo Inteligente, 2 jul. 2026. Disponível em: https://doi.org/10.5281/zenodo.21136947. DOI: 10.5281/zenodo.21136947.