Conciliação, cobrança e leitura de relatórios — separando o ganho concreto do que ainda é discurso
Poucas palavras entraram tão rápido no vocabulário da gestão de shopping centers quanto “inteligência artificial”. Em dois anos, ela saiu das palestras de tendência para as propostas comerciais, os relatórios de conselho e as reuniões de orçamento. O problema é que, nesse caminho, o termo passou a servir para quase tudo: de um robô de atendimento que responde horário de funcionamento até promessas de “prever a inadimplência antes que ela aconteça”.
Para quem administra um shopping de porte médio, equipe enxuta, pressão constante por resultado e pouco espaço para experimentos caros — essa confusão tem custo. Investir cedo demais no que não entrega é desperdício; ignorar o que já funciona é perder eficiência para o concorrente da avenida ao lado. Aqui tentamos fazer uma separação honesta: onde a IA já produz ganho mensurável hoje, e onde ela ainda é mais apresentação do que operação.
O ponto de partida: o shopping médio tem um problema de dados, não de tecnologia
Antes de falar em IA, vale um diagnóstico incômodo. A maioria dos shoppings médios ainda opera com informação fragmentada: o sistema de gestão guarda contratos e boletos, o financeiro trabalha em planilhas paralelas, a auditoria de vendas chega em formatos diferentes de cada lojista, e o jurídico mantém sua própria lista de inadimplentes. Nenhuma ferramenta de IA conserta isso sozinha. Ao contrário: ela amplifica o que encontra. Se a base é desorganizada, o resultado é uma resposta errada entregue com mais confiança e mais rapidez.
Por isso, os casos em que a IA de fato funciona hoje têm algo em comum: são processos onde os dados já existem, em volume razoável, com estrutura mínima. Não por acaso, são exatamente os três que examinamos a seguir.
1. Conciliação: o ganho mais concreto e menos glamoroso
Se há uma área em que a tecnologia já paga a própria conta, é a conciliação financeira. Um shopping médio movimenta mensalmente milhares de lançamentos: aluguel mínimo, percentual sobre vendas, condomínio, fundo de promoção, rateios de energia e água, multas, descontos negociados, recebimentos via boleto, PIX, cartão e depósito identificado. Cruzar tudo isso com o extrato bancário e com o que foi faturado é trabalho repetitivo, sujeito a erro e que historicamente consumia dias de uma equipe pequena.
Ferramentas atuais — algumas já embutidas nos ERPs do setor, outras complementares — fazem esse cruzamento com índices de acerto automático acima de 90% em bases razoavelmente limpas. O que sobra para o humano são as exceções: o lojista que pagou um valor parcial sem avisar, o depósito sem identificação, o desconto aplicado por acordo verbal que não foi registrado no sistema. E é justamente aí que a pessoa agrega valor, porque exceção exige contexto, negociação e memória institucional.
O que é real: redução expressiva de horas de trabalho operacional, fechamento mensal mais rápido, menos erros de cobrança indevida (que desgastam a relação com o lojista) e visibilidade quase diária do caixa. Em operações bem implantadas, a equipe financeira passa a atuar como analista, não como digitadora.
O que ainda é discurso: a promessa de “conciliação 100% automática sem intervenção humana”. Ela só funciona em cenários que não existem na prática de um shopping, onde a informalidade de alguns acordos e a diversidade de meios de pagamento garantem exceções permanentes. Quem vende zero intervenção está vendendo um shopping que não é o seu.
Um cuidado importante: o termo “IA” aqui é, muitas vezes, generoso. Boa parte do ganho vem de automação baseada em regras bem configuradas, com uma camada de aprendizado para classificar casos ambíguos. Isso não diminui o resultado — apenas sugere que o gestor avalie o produto pelo que ele entrega, e não pela etiqueta.
2. Cobrança: onde a tecnologia ajuda a decidir, mas não a conversar
A cobrança em shopping tem uma particularidade que a distingue de outros setores: o devedor é também o parceiro. O lojista inadimplente de hoje é o que precisa estar com a loja aberta e vendendo amanhã, e uma abordagem agressiva pode acelerar exatamente o cenário que se quer evitar — a vacância. Isso impõe limites claros ao que a automação pode fazer.
Dentro desses limites, há avanços reais. O primeiro é a priorização. Modelos relativamente simples, alimentados com histórico de pagamento, evolução de vendas auditadas, prazo de contrato e segmento, conseguem classificar a carteira de inadimplentes por probabilidade de recuperação e por risco de agravamento. Em vez de a equipe financeira tratar todos os atrasos da mesma forma, ela passa a saber quem precisa de uma ligação hoje, quem responde bem a uma régua automática de lembretes e quem já deveria estar em renegociação estruturada.
O segundo avanço é a régua de comunicação nos primeiros dias de atraso: lembretes por e-mail e WhatsApp, segunda via de boleto, confirmação de recebimento. Isso resolve uma parcela relevante dos atrasos que não são inadimplência de fato, mas esquecimento ou desorganização do lojista. É automação madura, barata e que libera a equipe para os casos que exigem conversa.
O que é real: redução do prazo médio de recebimento, melhor alocação do tempo da equipe financeira e um histórico de interações organizado — o que faz enorme diferença quando o caso chega ao jurídico.
O que ainda é discurso: a “previsão de inadimplência” vendida como se fosse uma bola de cristal. Esses modelos funcionam bem em carteiras com milhares de contratos, como em varejo bancário. Em um shopping com uma centena de lojas, a base histórica é pequena demais para previsões individuais confiáveis, e fatores externos — uma obra na rua, a saída de uma âncora, uma mudança de sócio — pesam mais do que qualquer padrão estatístico. Use o modelo para ordenar prioridades, não para decidir sozinho quem vai receber proposta de rescisão.
Também é ilusão achar que a negociação em si pode ser delegada à máquina. Renegociar com um lojista envolve entender o negócio dele, avaliar o mix do piso, considerar o que a vacância custaria e, muitas vezes, aceitar algo menos do que o contrato previa para preservar algo maior. Isso é julgamento, e julgamento continua sendo humano.
3. Leitura de relatórios: o avanço mais recente e o mais promissor
Aqui entra a novidade que de fato mudou nos últimos dois anos: os modelos de linguagem. Diferentemente da conciliação e da priorização de cobrança, que já existiam em versões mais rudimentares, a capacidade de uma ferramenta ler um relatório de 40 páginas, cruzar com o do mês anterior e responder em linguagem natural a uma pergunta como “quais lojas tiveram queda de vendas acima de 15% por dois meses seguidos e estão com contrato vencendo em até um ano?” é genuinamente nova.
Para o gestor de um shopping médio, isso resolve um problema antigo: a informação existe, mas ninguém tem tempo de lê-la. Relatórios de auditoria de vendas, fluxo de pessoas, consumo de energia, ocorrências de segurança, indicadores de estacionamento — tudo é produzido, pouco é analisado. A IA generativa funciona como um analista júnior incansável, capaz de resumir, apontar variações relevantes e preparar a pauta de uma reunião de resultado em minutos.
O que é real: ganho de tempo na preparação de reuniões e relatórios para conselho ou investidores; democratização da análise, já que o gerente de operações consegue fazer perguntas aos dados sem depender do financeiro; e identificação mais rápida de sinais que passariam despercebidos no volume de informação.
O que ainda é discurso — e aqui o alerta é mais sério: a confiabilidade. Esses modelos erram com fluência. Podem calcular mal uma variação percentual, atribuir um dado à loja errada ou “completar” uma informação que não estava no documento. Em contexto corporativo, uma análise errada apresentada com segurança a um conselho é pior do que nenhuma análise. A regra prática é simples: a IA prepara, o humano confere. E tudo o que vai para decisão ou para fora da empresa passa por revisão de quem conhece a operação.
Há ainda a questão da confidencialidade. Relatórios de vendas de lojistas são informação sensível e, em muitos contratos, protegida. Colocar esses dados em ferramentas públicas sem avaliar onde eles são processados e armazenados é risco jurídico e reputacional que nenhum ganho de produtividade justifica. Shoppings médios, que raramente têm departamento de TI robusto, precisam de atenção redobrada nesse ponto.
Um critério simples para separar o que funciona do que não funciona
Diante de uma proposta de solução “com IA”, três perguntas costumam bastar:
- Que dado ela usa, e eu já tenho esse dado organizado? Se a resposta for não, o primeiro projeto é de organização, não de tecnologia.
- Que decisão ela toma sozinha e que decisão ela apenas apoia? Desconfie de qualquer ferramenta que prometa decidir sozinha sobre relação com lojista. Valorize as que organizam, priorizam e preparam.
- Como eu vou medir o ganho em 90 dias? Horas economizadas, prazo médio de recebimento, dias para fechar o mês, erros de cobrança. Se o fornecedor não consegue apontar uma métrica, o benefício é provavelmente retórico.
Conclusão: menos revolução, mais eficiência bem colocada
A inteligência artificial no shopping médio não é — pelo menos ainda — uma mudança de modelo de negócio. É uma mudança de como o trabalho operacional é distribuído. Ela tira da equipe a parte repetitiva da conciliação, organiza a fila da cobrança e lê o que ninguém tinha tempo de ler. Isso é muito, e já justifica atenção e investimento.
O que ela não faz é substituir o conhecimento da operação: saber por que aquela loja caiu, o que o lojista do segundo piso precisa para renovar, quando vale a pena ceder e quando não. Essa inteligência continua sendo das pessoas. A melhor gestão, nos próximos anos, será a que souber colocar cada uma no seu lugar — a máquina processando o volume, a equipe cuidando do que exige critério e relacionamento.
O gestor que entender isso evitará dois erros simétricos: o de comprar a promessa inteira, e o de rejeitar o que já funciona por desconfiança do discurso. Entre o entusiasmo e o ceticismo, há um caminho bem concreto, feito de processos limpos, ferramentas escolhidas pelo resultado e pessoas liberadas para fazer o que só elas fazem bem.
Bem, essa é nossa visão ao final de 2026, com certeza será bem diferente em mais um ano.