Artigos

Estoque parado é caixa preso: como a IA reduz o DIO e libera capital de giro

O estoque é a maior fatia de capital de giro travado nas empresas. Veja como a IA corta o DIO em 15-30% e devolve esse dinheiro ao caixa.

Kadu Kobs

Kadu Kobs

— 4 min read

Das três alavancas do capital de giro — recebíveis, fornecedores e estoque —, é o estoque que prende mais dinheiro. O J.P. Morgan Working Capital Index mostra que, das cerca de US$ 707 bilhões de liquidez travada nas empresas do S&P 1500, US$ 353 bilhões estão parados em estoque — quase metade do total e mais do que recebíveis (US$ 223 bi) e fornecedores (US$ 130 bi) somados. E o problema vem piorando: 76% das empresas relataram aumento no prazo médio de estoque (DIO) no último levantamento.

Cada dia a mais que uma mercadoria fica na prateleira é um dia a mais de caixa preso — dinheiro que poderia estar pagando fornecedores, quitando dívida ou financiando crescimento. Num cenário de juros altos, esse custo de carregamento pesa ainda mais. A boa notícia: é justamente aqui que a IA tem entregado alguns dos resultados mais mensuráveis em finanças.

Por que o estoque trava tanto caixa

O DIO (Days Inventory Outstanding), ou prazo médio de estoque, mede quantos dias, em média, um produto fica armazenado até ser vendido. Um DIO de 90 dias significa que cada item passa três meses parado antes de virar receita — três meses de capital imobilizado.

A causa raiz quase sempre é a mesma: incerteza sobre a demanda. Sem prever bem o que vai vender, a equipe se protege com estoque de segurança alto "por via das dúvidas". O resultado é o pior dos dois mundos. De um lado, excesso: segundo a McKinsey, estoque de baixo giro e obsoleto chega a representar 20% a 30% do total de uma empresa. De outro, falta: rupturas que fazem o cliente comprar do concorrente.

O Hackett Group estimou que, só na Europa, mais de €1,4 trilhão estavam congelados em capital de giro excedente em 2024 — equivalente a 14% da receita total das empresas analisadas — com a piora puxada principalmente por DIO e DSO mais longos. É um problema de bilhões que nasce de uma planilha de previsão que erra.

Como a IA ataca o DIO na origem

A diferença da IA não está em "automatizar o pedido de compra", e sim em mudar a base da decisão: da regra média para a previsão granular. Modelos de machine learning — redes neurais LSTM, gradient boosting, e técnicas de demand sensing — cruzam histórico de vendas com sinais que nenhuma planilha consegue processar junto: sazonalidade, clima, promoções, eventos, tendências de busca e comportamento por ponto de venda.

Na prática, isso muda o estoque de segurança de um número único para um cálculo dinâmico por SKU e por local, baseado na variabilidade real da demanda daquele produto, na margem e na confiabilidade do fornecedor. Em vez de proteger tudo da mesma forma, a empresa protege cada item na medida certa.

Os ganhos de acurácia sustentam a economia de caixa. A McKinsey aponta que a previsão com IA pode reduzir erros de forecast em 30% a 50% frente aos métodos tradicionais, levando empresas de 75% para mais de 90% de acurácia. Com previsão melhor, dá para reduzir o estoque sem aumentar a ruptura — e é aí que o caixa é liberado. Os números reportados convergem numa faixa consistente: reduções de 15% a 30% no nível de estoque depois da adoção de sistemas baseados em IA, com casos chegando a 50% em cenários de alta complexidade.

Casos reais: menos estoque, mais caixa

Os exemplos mais sólidos vêm de empresas de bens de consumo, onde estoque é o coração da operação.

A Unilever, na fábrica de Tinsukia (Índia), reconhecida pelo Fórum Econômico Mundial como Lighthouse de manufatura digital, usou planejamento com IA para melhorar a previsão de demanda em 35% e reduzir o estoque de produtos acabados em 16%. O mesmo sistema cortou o "período congelado" de planejamento de 14 dias para 1 — uma agilidade que se traduz em menos buffer necessário.

Em seu modelo de reposição colaborativa com o Walmart no México, a Unilever roda mais de 3,1 milhões de combinações de previsão por dia e atingiu 98% de disponibilidade na prateleira ao mesmo tempo em que reduziu os níveis de estoque — provando que cortar estoque e melhorar o atendimento não são objetivos opostos quando a previsão é boa.

Casos menores seguem a mesma lógica. A API Group, com previsão de IA da Kortical, registrou 8,5% de redução em estoque excedente e 11% de melhora na precisão dos prazos de entrega, liberando capital de giro e melhorando a confiabilidade do abastecimento.

A leitura financeira desses números é direta: estoque é caixa em outra forma. Uma redução de 16% no estoque de produtos acabados de uma indústria com R$ 100 milhões parados representa R$ 16 milhões devolvidos ao caixa — sem vender uma unidade a mais, sem captar um real de empréstimo.

O que muda para o financeiro

Vale uma ressalva honesta: a evidência sobre IA e estoque é mais sólida em alguns pontos do que em outros. Um estudo acadêmico de 2025 encontrou efeito estatisticamente significativo da IA generativa na redução de DSO e do ciclo de conversão de caixa (CCC), mas o efeito isolado sobre o DIO, embora na direção esperada, foi mais modesto e menos conclusivo. A mensagem para o CFO: trate as faixas de 15-30% como direcionais, não como garantia — o resultado depende de dados limpos e de adoção real pela equipe.

E é exatamente por isso que estoque é um tema do financeiro, não só da operação. O DIO é uma das três pernas do CCC; cada dia cortado nele aparece direto na necessidade de capital de giro e no custo financeiro da empresa. Quando o financeiro define a meta de caixa e o supply chain define a meta de nível de serviço, a IA de previsão é o ponto onde os dois se encontram — e onde brigas históricas entre "vender mais" e "imobilizar menos" deixam de ser disputa e viram cálculo.

Próximos Passos

  1. Meça seu DIO por categoria, não só no consolidado — o estoque parado quase sempre se concentra em poucos SKUs. Calcule DIO e GMROI para achar onde o caixa está mais preso.
  2. Trate dados como pré-requisito, não detalhe — IA de previsão é tão boa quanto o histórico de vendas, cadastro de produtos e dados de ruptura que a alimentam. Audite isso antes de contratar qualquer ferramenta.
  3. Comece com um piloto numa categoria de alto volume — rode o modelo em "shadow mode", comparando a sugestão da IA com a decisão manual por algumas semanas antes de automatizar.
  4. Defina métricas de caixa, não só de acurácia — acompanhe redução de DIO, capital de giro liberado e taxa de ruptura juntos. Cortar estoque às custas de ruptura não é vitória.
  5. Sente financeiro e supply chain na mesma mesa — a meta de estoque de segurança precisa equilibrar custo de capital e nível de serviço. Quem traduz isso em número é o financeiro.

Fontes:

Leia mais