Resultados medidos em números, não em promessas. Aqui você encontra depoimentos e estudos de caso de empresas que usam nossos modelos no dia a dia.
Cada comentário abaixo foi coletado após pelo menos três meses de uso do sistema em produção.
Antes do modelo de previsão de demanda, nosso estoque de peças oscilava entre excesso e ruptura toda semana. Depois de quatro meses usando o sistema da AI Value Voyage, reduzimos o estoque médio em 23% e as rupturas caíram de 14 para 3 por mês. O retreino automático funciona sem que a gente precise intervir.
Contratamos a equipe para construir um classificador de documentos jurídicos. O modelo separa petições, contratos e procurações com 94% de acerto. Nosso time de paralegais economiza cerca de 15 horas por semana que antes eram gastas em triagem manual.
O chatbot que desenvolveram para o nosso e-commerce responde 72% das perguntas sem escalar para um atendente humano. O tempo médio de primeira resposta caiu de 4 minutos para 8 segundos. A única ressalva é que perguntas sobre trocas internacionais ainda precisam de ajuste fino.
Implementamos visão computacional na nossa linha de envase. Antes, um inspetor visual checava 200 garrafas por hora. Agora o sistema analisa 1.800 por hora e sinaliza defeitos de rótulo e nível de líquido com precisão de 97,2%. O payback do investimento veio em cinco meses.
Usamos o modelo de scoring de crédito há oito meses. A inadimplência da carteira de pessoa física recuou de 6,1% para 3,9%. O que mais nos impressionou foi a transparência: a equipe explicou cada variável do modelo e nos deu acesso ao repositório de código.
Precisávamos de um pipeline de NLP para extrair cláusulas de penalidade de mais de 3.000 contratos de fornecedores. O sistema entregou os resultados em formato estruturado, pronto para importar no nosso ERP. Levou oito semanas do início ao deploy, dentro do prazo combinado.
Dois projetos recentes com detalhes de escopo, tecnologia e impacto medido.
A Distribuidora Komatec opera 12 centros de distribuição no estado de São Paulo e gerencia um catálogo de 28.000 SKUs. O desafio era reduzir o capital parado em estoque sem aumentar as rupturas.
Construímos um modelo de séries temporais (Prophet + gradient boosting) alimentado por dados de vendas, sazonalidade, calendário promocional e clima. O treinamento inicial usou 36 meses de histórico. O pipeline roda diariamente na AWS e gera sugestões de compra por SKU e por CD.
Resultado após seis meses: estoque médio caiu 23%, rupturas caíram 79% e o custo de frete urgente diminuiu R$ 180 mil por trimestre.
A Credisol Financeira processa cerca de 40.000 transações por dia em sua carteira de crédito pessoal. O sistema antifraude anterior, baseado em regras fixas, gerava uma taxa de falsos positivos de 11%, o que travava compras legítimas e irritava clientes.
Treinamos um modelo de classificação (XGBoost) com 14 meses de dados rotulados, incluindo variáveis comportamentais como horário da transação, geolocalização do dispositivo e padrão de gastos do titular. O modelo é servido via API com latência média de 45 ms.
Em oito meses de operação, a taxa de fraude confirmada caiu de 1,8% para 0,7% do volume transacionado. Falsos positivos recuaram para 3,2%, liberando a equipe de análise manual para focar nos casos realmente suspeitos.
Métricas agregadas dos projetos entregues entre 2021 e 2025.
A pesquisa de satisfação é enviada 90 dias após o go-live de cada projeto. A nota acima reflete 118 respostas recebidas entre janeiro de 2023 e março de 2025. Se quiser conversar com algum dos clientes citados acima, podemos organizar uma chamada de referência. Basta pedir pelo e-mail [email protected].