Quanto vai vender a linha nova de mesas em freijó claro, se ela nunca foi vendida? A pergunta aparece na reunião de planejamento de toda fábrica de móveis antes de cada coleção, e a resposta costuma vir da intuição do diretor comercial e da memória do que funcionou no ano anterior. Enquanto isso, a madeira precisa ser comprada e seca com meses de antecedência, e o acabamento escolhido define o estoque de tintas e vernizes da temporada inteira.
É nesse tipo de decisão que a IA para indústria de móveis, madeira e decoração pode ajudar, desde que a fábrica tenha o dado para isso. A inteligência artificial não adivinha a coleção que vai dar certo. Ela organiza sinais que a empresa já tem, como pedidos de lojistas, orçamentos de arquitetos e defeitos registrados na produção, e devolve faixas de decisão e alertas que alguém precisa conferir.
Este artigo olha o segmento pela lente da inteligência artificial. Mostra que dado a fábrica de móveis costuma ter, o que a pesquisa registra sobre inspeção de superfície da madeira, como prever demanda por linha e acabamento, onde entra um assistente para lojistas e arquitetos, como tratar a origem da madeira como dado e quem é dono dos desenhos de designers e de clientes. O artigo se liga à página do segmento, Madeira, móveis e decoração.
O dado do setor: o que a fábrica de móveis registra e o que ainda perde
A fábrica de móveis gera dado na compra da madeira, na produção, no pedido do lojista e no orçamento do arquiteto. Raramente esses dados conversam entre si.
Um setor de muitas fábricas e muitos produtos
Segundo os dados do setor publicados pela Abimóvel, a indústria de móveis reuniu 22.843 empresas em 2025 e produziu 434,7 milhões de peças. Em 2024, os móveis de madeira somaram 319 milhões de peças, seguidos por estofados, móveis de metal e colchões. São fábricas de portes muito diferentes, com catálogos de centenas ou milhares de combinações de produto, medida e acabamento. Cada combinação é um item a prever, produzir e controlar.
Quatro fontes de dado
- Matéria-prima: compras de madeira e de chapas, lotes, origem, secagem e estoque.
- Produção: ordens, tempos, refugo e defeitos de superfície e de acabamento, muitas vezes anotados à mão.
- Comercial: pedidos de lojistas por linha, acabamento e região, orçamentos de arquitetos e de projetos.
- Pós-venda: reclamações, devoluções e pedidos de assistência, com o motivo.
O valor da IA aparece quando essas fontes se ligam: o defeito de acabamento ligado ao lote de madeira, ou o orçamento de arquiteto ligado ao pedido que veio depois.
O primeiro projeto costuma ser de registro
Antes de qualquer modelo, vale um inventário: o pedido do lojista é registrado com o código completo de produto e acabamento, o defeito tem categoria padronizada, o lote de madeira é ligado à ordem de produção. Em muitas fábricas, o inventário revela que o primeiro passo é organizar o cadastro de produto e de acabamento, e não contratar ferramenta.
Inspeção de superfície da madeira: o que a pesquisa registra?
A pesquisa em visão computacional para defeitos de madeira avançou e está organizada em classificação, detecção e segmentação. Na fábrica, o caminho é começar com um defeito.
O que a revisão de 2026 organiza
Yiming Fang e coautores publicaram na revista BioResources, em 2026, uma revisão sobre inspeção de defeitos de superfície da madeira com aprendizado profundo, cobrindo trabalhos de 2021 a 2025. A revisão cita defeitos como nós, rachaduras, empenamento, torção, apodrecimento e danos de insetos, e organiza as aplicações em três tarefas de visão computacional: classificação, detecção e segmentação. Os autores registram que abordagens tradicionais, baseadas em características definidas à mão, perdem desempenho quando mudam a espécie da madeira, a condição da superfície ou a iluminação.
O que isso significa para a fábrica
A madeira é um material natural, e a variação faz parte dela. Um nó pode ser defeito numa peça e característica desejada noutra. Por isso o critério de defeito precisa ser definido pela fábrica, por linha e por acabamento, antes de qualquer câmera. O modelo aprende o critério de quem rotula as imagens; se o critério muda de um inspetor para outro, o modelo aprende a contradição.
Decisões antes da câmera
| Decisão | Pergunta prática | Por que importa |
|---|---|---|
| Defeito-alvo | Qual defeito, em qual etapa e em qual linha? | Modelos focados costumam errar menos que modelos genéricos |
| Critério por linha | O que é defeito na linha maciça e o que é característica? | Na madeira, a mesma marca pode ser aceita ou recusada |
| Padrão de imagem | Iluminação, posição e distância são sempre as mesmas? | A revisão registra perda de desempenho quando a iluminação muda |
| Rótulos | Quem rotula e com que manual? | O modelo reproduz o critério e os erros de quem rotulou |
| Ação | O que acontece com a peça apontada? | Sem ação definida, o alerta é ignorado |
Na madeira, o modelo de inspeção só é tão consistente quanto o critério de defeito que a fábrica escreveu.

Previsão de demanda por linha e acabamento: como planejar o que ainda não foi vendido?
A previsão útil na fábrica de móveis é por família de produto e de acabamento, em faixas, e combina histórico com sinais antecipados, como orçamentos e pedidos de lojistas.
O problema da coleção nova
Uma linha nova não tem histórico. A previsão de demanda precisa usar análogos: linhas parecidas em desenho, preço e canal, lançadas antes. Ela também pode usar sinais antecipados, como os pedidos de amostra de acabamento, os orçamentos de arquitetos e os primeiros pedidos de lojistas após a apresentação da coleção. O resultado é uma faixa, com cenário baixo, provável e alto, e não um número exato.
O que a faixa decide
- Quanta madeira comprar e quando, considerando o tempo de secagem
- Que acabamentos manter em estoque de tinta e verniz para a temporada
- Quantas peças produzir para estoque e quantas fazer sob pedido
- Que lojistas e regiões priorizar na reposição
Mercado que muda
A Abimóvel registra alta de 27,1% nas importações de móveis em 2024 e, entre janeiro e setembro de 2026, queda de 39,2% nas vendas aos Estados Unidos. Mudanças assim tornam o histórico recente menos confiável para prever. Um modelo que trata o passado como garantia do futuro erra exatamente quando o mercado muda. A faixa, revisada todo mês numa reunião entre comercial, compras e produção, protege mais que um número fixo.
Combinações demais para prever uma a uma
Um catálogo de móveis pode ter milhares de combinações de produto, medida e acabamento. Prever cada uma isoladamente produz números instáveis, porque a maioria vende pouco. Prever por família, como a linha e o grupo de acabamento, e depois distribuir pela proporção histórica de cada combinação costuma dar resultados mais estáveis e mais úteis para comprar madeira e programar a fábrica.
Assistente para lojistas e arquitetos: atendimento com fonte
Um assistente de IA pode responder a perguntas repetitivas de lojistas e arquitetos sobre medidas, acabamentos, prazos e disponibilidade, se trabalhar sobre o catálogo da fábrica e mostrar a fonte.
Onde o atendimento perde tempo
Representantes e atendentes respondem às mesmas perguntas todos os dias: a medida de uma mesa, os acabamentos de uma linha, o prazo de um produto sob encomenda, a disponibilidade em estoque. Um assistente que consulta o catálogo, a tabela de acabamentos e o estoque responde a essas perguntas a qualquer hora e libera as pessoas para negociação e projeto.
Casos de uso possíveis
- Responder a dúvidas de medida, material e acabamento com base no catálogo técnico
- Informar prazo padrão e disponibilidade, consultando o sistema de estoque
- Ajudar o arquiteto a encontrar produtos por ambiente, medida e acabamento
- Preparar um rascunho de orçamento para revisão do atendente
O que o assistente não pode fazer
Ele não pode inventar medida, prometer prazo fora da regra nem negociar preço. Cada resposta precisa indicar o documento ou o registro de origem. Se o catálogo estiver desatualizado, o assistente repete o erro com aparência de certeza, e o lojista perde a confiança na fábrica. A curadoria do catálogo vem antes do assistente.
O comprador também usa IA. A reportagem da Digital Commerce 360 sobre uma pesquisa com 646 compradores B2B, feita em agosto e setembro de 2025, indica que 45% usaram ferramentas de IA numa compra recente. A pesquisa é multissetorial. O artigo sobre IA para vendas B2B trata de outros usos no funil.
Origem da madeira como dado: o que o importador vai pedir?
Regras europeias transformam a origem da madeira em dado obrigatório para quem exporta. A IA pode ajudar a organizar e conferir esse dado, mas não substitui o registro.
O que o regulamento europeu exige
O regulamento europeu contra o desmatamento cobre 7 commodities, entre elas a madeira. O operador precisa provar que o produto não vem de área desmatada depois de 31 de dezembro de 2020, que foi produzido de forma legal e precisa informar a geolocalização da parcela de origem. A aplicação está prevista para 30 de dezembro de 2026 nas grandes e médias empresas e 30 de junho de 2027 nas micro e pequenas, depois de adiamentos. A lista exata de produtos fica em anexo do regulamento.
O dado que a fábrica precisa ter
Para responder ao importador, a fábrica precisa ligar cada lote de madeira ao fornecedor, à origem e ao documento que a comprova, e cada ordem de produção aos lotes usados. A inteligência de cadeia de suprimentos começa por esse registro. Com ele, um modelo pode ajudar a conferir documentos de fornecedores, apontar lacunas e montar o dossiê de cada embarque. Sem ele, não há o que conferir.
Certificação como dado
O FSC Brasil informa 1.350 certificados de cadeia de custódia no país em janeiro de 2026. Para a fábrica certificada, o certificado também é dado: número, escopo, produtos cobertos e validade, ligados aos itens do catálogo. Um assistente que responde ao importador precisa consultar esse registro, e não uma frase genérica do site.
Desenhos de designers e de clientes: quem é dono e o que pode treinar o modelo?
Desenhos assinados por designers e desenhos de clientes de private label pertencem a terceiros. Usá-los em IA exige autorização escrita e separação de acervos.
O desenho não é insumo livre
Fábricas de móveis trabalham com desenhos de designers contratados, com projetos de arquitetos e com desenhos de redes e importadores que compram sob private label. Os contratos costumam tratar de sigilo e de direitos de uso, mas raramente falam de IA. Usar esses desenhos para treinar um modelo generativo ou alimentar um assistente sem autorização cria risco contratual e de reputação.
Princípios em controles práticos
A OCDE adotou em 2019 e atualizou em 2024 seus princípios para IA, com 47 aderentes. Entre eles estão transparência e explicabilidade, robustez, segurança e proteção, e responsabilização. Na fábrica de móveis, eles viram controles simples.
- Transparência: cada resposta do assistente indica o documento de origem.
- Robustez: o modelo de inspeção é testado em madeira e luz que não viu antes de entrar na linha.
- Segurança: desenhos de cada designer e de cada cliente ficam separados, com acesso por função.
- Responsabilização: cada modelo tem responsável, versão e registro de mudanças.
Imagem gerada e imagem real
Ferramentas de IA geram imagens de ambientes com facilidade. No catálogo, imagem gerada não pode substituir a foto real do produto, porque o arquiteto e o lojista especificam pela imagem. Quando a fábrica usa imagem gerada para ambientação, a regra mais segura é identificar a imagem como ilustração e manter a foto real do produto ao lado.
Por onde começar: priorização, método e indicadores
Comece pelo caso com dado registrado e dor clara, como um defeito de acabamento recorrente ou o atendimento repetitivo a lojistas. Um piloto pequeno ensina mais que um projeto grande.
Como priorizar
Para cada caso de uso candidato, responda a três perguntas: o dado existe e está ligado ao produto ou ao lote, a dor é medida hoje e alguém vai agir com o resultado. Casos com três respostas positivas entram primeiro.
Método em 6 etapas
- Inventário de dados: matéria-prima, produção, comercial e pós-venda, com a ligação entre eles.
- Escolha do caso: um defeito, uma linha ou um tipo de pergunta de atendimento.
- Regras de dado: autorização de designers e clientes, separação de acervos e responsáveis.
- Piloto com revisão humana: o modelo sugere, a pessoa confere, e a conferência vira dado.
- Avaliação: acertos, erros e falsos alarmes comparados ao processo anterior.
- Decisão de escala: ampliar, ajustar ou encerrar, com registro do motivo.
Cenário ilustrativo
Considere uma fábrica hipotética de móveis de madeira maciça que exporta parte da produção para a Europa e sofre com devoluções por defeito de acabamento numa linha de mesas. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que os defeitos são anotados à mão, sem ligação com o lote de madeira, e que a origem dos lotes está em documentos de fornecedores guardados em pastas. A empresa decide começar pelo registro: lote ligado à ordem de produção e defeito com categoria padronizada.
Com alguns meses de registro, a fábrica testa um modelo de inspeção para o defeito mais frequente, como alerta para o inspetor, e organiza os documentos de origem por lote para responder ao importador. O que a diretoria acompanha é a taxa de alertas confirmados, a evolução das devoluções e a cobertura de lotes com origem documentada.
Indicadores e erros comuns
- Lotes de madeira ligados a ordens de produção e com origem documentada
- Alertas de inspeção confirmados sobre alertas emitidos
- Perguntas de lojistas respondidas pelo assistente com fonte indicada
- Diferença entre a faixa prevista e o vendido, por linha e acabamento
Os erros mais comuns são comprar ferramenta antes de organizar o cadastro, treinar com desenhos sem autorização, usar imagem gerada no lugar da foto do produto e tratar a previsão como número exato.
O que levar para a próxima reunião sobre IA na fábrica e no comercial
Leve o inventário de dados, a lista de casos de uso com as três perguntas respondidas e a regra para desenhos de terceiros. Com isso, a decisão deixa de ser sobre ferramenta.
O essencial deste artigo
A IA para indústria de móveis, madeira e decoração começa pelo registro do lote, do defeito, do pedido e da origem. A pesquisa organiza a inspeção de superfície em classificação, detecção e segmentação, e mostra que iluminação, espécie e superfície pesam no resultado.
A previsão de coleção se faz em faixas, o assistente responde com fonte, a origem da madeira vira dado para o importador e desenho de terceiros não é insumo livre.
O próximo passo
A frente de Consultoria de IA da Trilion trata desse trabalho, e a página de mais detalhes do serviço mostra como ele é conduzido. Para o mesmo segmento, o artigo de branding trata de desenho, origem e ofício, o de design estratégico, de catálogo, arquitetos e lojistas, e o de tecnologia e RevOps, de pedido, lojistas e representantes.
Quem prevê demanda por coleção encontra pontos de contato em têxtil, moda e couro, e quem trabalha com floresta e origem da fibra, em papel, celulose e embalagens. O índice completo está em Indústrias, o hub de agentes de IA e automação de vendas reúne os temas de IA, e a consultoria de inteligência artificial descreve o trabalho de diagnóstico. O artigo sobre automação industrial completa a leitura.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line, e a proposta é escrita depois do briefing.
Sobre este texto
Este artigo foi preparado para a frente de Consultoria de IA da Trilion. Os números do setor vêm dos dados publicados pela Abimóvel, e o número de certificados, da página do FSC Brasil. A revisão sobre inspeção de madeira foi lida na página da revista BioResources, os princípios de IA, na página da OCDE, as regras de origem, na página da Comissão Europeia, e o dado sobre uso de IA por compradores, na reportagem da Digital Commerce 360.
As fontes de dado, a tabela de decisões de inspeção, o método em 6 etapas, o cenário e os indicadores são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 20/11/2026.
- Yiming Fang, Yan Ma, Shuang Gao e Junlei Chen, Recent advances in wood surface defect inspection using deep learning (2021-2025), BioResources, 2026: https://bioresources.cnr.ncsu.edu/resources/recent-advances-in-wood-surface-defect-inspection-using-deep-learning-2021-2025/ (consulta em 20/11/2026)
- OCDE, OECD AI Principles: https://oecd.ai/en/ai-principles (consulta em 20/11/2026)
- Comissão Europeia, Regulation on deforestation-free products: https://environment.ec.europa.eu/topics/forests/deforestation/regulation-deforestation-free-products_en (consulta em 20/11/2026)
- Abimóvel, Dados do setor: https://abimovel.com/capa/dados-do-setor/ (consulta em 20/11/2026)
- Abimóvel, página inicial, com dados de janeiro a setembro de 2026: https://abimovel.com/ (consulta em 20/11/2026)
- FSC Brasil, página institucional, Fatos e Números: https://br.fsc.org/br-pt (consulta em 20/11/2026)
- Digital Commerce 360, reportagem sobre a pesquisa da Gartner com compradores B2B, 17/03/2026: https://www.digitalcommerce360.com/2026/03/17/gartner-b2b-buyers-rep-free-purchasing-ai-reshapes-sales/amp/ (consulta em 20/11/2026)

