O desenvolvimento de uma coleção termina meses antes de a primeira peça ser vendida. Quando a malharia precisa fechar o pedido de fio e de corante, o histórico de vendas daquele produto não existe, porque o produto também não. A pergunta que a diretoria faz à inteligência artificial é a mais difícil do setor: quanto vai vender o que nunca foi vendido?
Este artigo trata da IA na indústria têxtil, de moda e de couro por essa porta. Mostra o que a cadeia já produz em dados e o que ainda não registra, onde a IA ajuda em previsão de demanda de produto novo, em inspeção de tecido e de couro e em venda técnica assistida, e como organizar a governança de dados de design e de estoque que pertencem também aos clientes.
O texto pertence à frente de Consultoria de IA da Trilion, apoiada no hub de agentes de IA e automação de vendas, e se liga à página do segmento, Têxtil, moda e couro.
O dado do setor: o que a cadeia produz e o que ela ainda não registra
A produção de roupas cresce e a cadeia é longa, mas poucas empresas enxergam além do fornecedor imediato. Sem esse dado, a IA parte de uma base curta.
Uma produção que dobrou
Segundo o relatório A New Textiles Economy, da Ellen MacArthur Foundation, publicado em 2017, a produção de roupas dobrou nos 15 anos anteriores, empurrada por uma classe média global em expansão e pela moda rápida. Mais volume e mais variedade significam mais referências, mais cores e mais lotes para registrar. O relatório é anterior aos modelos atuais de IA, e o número serve só como contexto de escala.
Visibilidade curta
O projeto de rastreabilidade das Nações Unidas para cadeias de vestuário e calçados, conduzido pela UNECE e pelo UN/CEFACT, descreve o problema em números. Segundo a página do projeto, apenas 34% das empresas de vestuário rastreavam suas cadeias, e a maioria enxergava somente os fornecedores imediatos. Há pelo menos 15 nós entre a matéria-prima e o produto final. A página não indica o ano desses números.
O mesmo projeto usa um modelo de eventos que registra quem, o quê, onde, quando e por quê. É uma boa referência para qualquer fornecedor que queira estruturar o dado de processo em formato que outros sistemas entendam.
O que isso pede da IA
Os projetos deste artigo se apoiam em três camadas de dados. O fornecedor controla duas e depende dos clientes para a terceira.
- Dado de produto: ficha, composição, cor, largura, acabamento e certificados, em registros e não em planilhas soltas.
- Dado de processo: lotes, parâmetros de tinturaria e de acabamento, resultados de revisão, paradas e reprocessos.
- Dado de demanda: pedidos, pedidos de amostra, cronograma e vendas dos clientes, que chegam em parte e em atraso.
Quem não organiza as duas primeiras camadas não aproveita nenhum modelo, por mais sofisticado que seja. O artigo sobre indústria 4.0 trata da camada que liga máquinas e software.
Onde a IA entra primeiro: prever a demanda do que ainda não foi vendido?
Produto novo não tem histórico, e a moda não repete ciclos com regularidade. Os modelos usam atributos, imagem e tendências, e ainda carregam erro alto.
O que a pesquisa mostra
Uma revisão de 2025, de Avogaro e colegas, na plataforma arXiv, trata da previsão de desempenho de novos produtos de moda. Os autores explicam que modelos clássicos de séries temporais dependem de dados passados e não servem a itens sem vendas, e que a moda é acíclica, com tendências que evoluem e reaparecem.
A revisão organiza os modelos em cinco grupos: atributos tabulares, como categoria, cor, tecido e promoções, imagens, dados do Google Trends, modelos generativos e busca visual. Seguiu o método PRISMA, com buscas de 2020 a 2024, e de 61 registros iniciais restaram 7 artigos elegíveis. O conjunto de dados mais usado, o VISUELLE, reúne cerca de 5.577 produtos de 100 lojas de uma empresa italiana, entre 2016 e 2019.
Os resultados mais baixos de erro nesse conjunto, em dois métodos que usam fontes externas, ficaram em torno de 52 de WAPE, um erro percentual ponderado que ainda é alto. A conclusão prática é que a previsão de produto novo orienta faixas de decisão, e não números exatos.
Prever produto novo não é acertar o número. É reduzir a faixa de incerteza em que se decide o pedido de fio.
A demanda do fornecedor é derivada
Uma tecelagem, uma malharia ou um curtume não vende a peça final. Vende o material que a peça usa. O alvo da previsão de demanda muda: em vez de referências de moda, famílias de material e de cor, e, em vez de vendas, sinais mais cedo na cadeia, como pedidos de amostra, visitas à cartela digital e programações dos clientes.
Essa leitura é editorial: as fontes lidas tratam de produto de moda, não de insumo. O desenho do alvo e dos sinais precisa ser testado com os dados da própria empresa antes de virar rotina.
Do número à decisão
Uma previsão vale quando muda uma decisão: quanto fio comprar, que lotes de corante reservar, que cores manter em estoque de pronta entrega, quando programar a tinturaria. Entram no modelo, além do histórico, o calendário de coleções dos clientes, os prazos de matéria-prima e a sobra de material de coleções anteriores. O artigo sobre IA para vendas B2B mostra usos que conectam essa leitura ao funil comercial.

Inspeção por visão computacional: o que serve ao tecido e o que serve ao couro?
A visão computacional apoia a inspeção manual com detecção em tempo real, mas depende de imagens rotuladas e de condições controladas de luz e de velocidade.
O que a revisão de 2025 registra
Mao e Hong revisaram, em 2025, na revista Sensors, os modelos de detecção de objetos YOLO aplicados à inspeção de defeitos em tecido. Segundo os autores, a inspeção manual está sujeita à subjetividade, à ineficiência e à inconsistência em linhas de alta velocidade. A visão computacional aparece como alternativa de detecção em tempo real.
A mesma revisão aponta limites que o diretor industrial deve conhecer.
- Dados rotulados: grandes bases rotuladas são caras e demoradas, e a revisão cita um estudo com apenas 78 imagens de tecido.
- Variedade: texturas, iluminação, defeitos sobrepostos e tamanhos muito diferentes dificultam a detecção.
- Hardware: os modelos mais recentes são mais adequados a GPUs de alto desempenho do que a dispositivos de borda.
- Evidência: as tabelas de desempenho vêm de experimentos em bases genéricas, e não em tecido, o que impede comparar ganhos para a inspeção têxtil.
Tecido e couro são problemas diferentes
Em malha e em tecido plano, defeitos como falha de fio, mancha e furo tendem a se repetir no formato e na localização. No couro natural, a pele traz marcas de origem, e o que é defeito depende do critério e do grau acordados com o cliente. Isso muda o rótulo: quem classifica a imagem é a regra comercial, e não só o aspecto da superfície.
Essa distinção é editorial. A revisão lida trata de tecido, não de couro, e o projeto de couro deve começar pela definição escrita dos graus de aceitação.
Ligar o resultado ao lote
A inspeção por IA só vale se o resultado alimentar o romaneio, a classificação do lote e o registro de reclamações. Um modelo que decide sobre material precisa de versão, de dono e de registro, como qualquer etapa do processo. Se o critério do cliente mudar, o modelo é testado de novo antes de voltar à linha.
Venda técnica assistida: ficha, cartela e cotação com fonte
Um assistente apoiado no acervo técnico do fornecedor responde a pedidos de amostra e cotação com a ficha certa, citando documento e versão, e sempre com revisão humana.
Casos de uso
O assistente consulta documentos da própria empresa antes de responder, técnica conhecida como geração com recuperação de documentos. Quatro usos costumam ter retorno claro no setor.
- Triagem de pedidos de amostra: ler o pedido, extrair aplicação, cor e quantidade e comparar com o portfólio.
- Busca de equivalência: encontrar material e cor próximos quando o item pedido não existe ou está esgotado.
- Resposta técnica com fonte: informar composição, certificado e validade, citando o documento e a data.
- Apoio ao pós-venda: consultar laudos, lotes e reclamações anteriores de um cliente.
O artigo sobre serviços de IA B2B descreve o escopo desse tipo de projeto.
O que o assistente não pode fazer
Ele não cria certificado, não afirma validade que o documento não traz e não assume prazo. A alegação ambiental só é repetida como está no documento aprovado, e nunca reescrita pelo modelo. O que sai do portfólio padrão passa pela área técnica, e a resposta final é sempre assinada por uma pessoa.
Antes de liberar o assistente, monte um conjunto fixo de perguntas reais, com respostas aprovadas, e repita o teste a cada mudança de acervo ou de modelo. Se a taxa de acerto cair, a mudança não entra em produção.
O acervo é o limite
A precisão das respostas não passa da precisão do acervo. Fichas em versões conflitantes, certificados vencidos e cores com nomes diferentes geram respostas erradas com aparência de certeza. É o mesmo trabalho de base de produto tratado no artigo de design estratégico deste segmento, aplicado agora ao uso interno.
Dados de design e de estoque: quem é dono, quem vê e o que pode treinar o modelo?
Desenhos de clientes, estampas e estoques são ativos de terceiros e do próprio fornecedor. A governança define dono, acesso e uso antes de qualquer modelo tocar esses dados.
Desenho de cliente não é insumo de treino
Quem produz sob private label recebe desenhos, estampas e especificações que pertencem ao cliente. Usar esse material para treinar ou ajustar um modelo sem autorização escrita cria um risco contratual e de reputação. A regra é simples: os dados de cada cliente ficam separados, o acesso é por função e o uso em modelos depende de cláusula expressa.
O dado de cliente que entra no modelo sem autorização é um passivo contratual, e não um ativo.
Estoque: um dado que muda toda hora
Rolos, lotes, sobras e material reservado para uma coleção mudam de situação todos os dias. Se o cadastro de estoque não reflete a prateleira, a previsão e o assistente herdam o erro. O dono do dado de estoque é a operação, e a regra de atualização, com prazo e responsável, vale como requisito de qualquer projeto de IA.
Princípios da OECD em controles práticos
Os princípios de IA da OECD foram adotados em maio de 2019 e atualizados em maio de 2024, e contam com 47 adesões: 38 países membros da organização, a União Europeia e 8 não membros. São 5 princípios baseados em valores: crescimento inclusivo, desenvolvimento sustentável e bem-estar, direitos humanos e valores democráticos, transparência e explicabilidade, robustez, segurança e proteção, e responsabilização. A página só nomeia os princípios. A tradução para controles é leitura editorial e compõe um arcabouço de governança de IA simples.
- Inventário: lista de sistemas de IA, com dono, finalidade e dados usados.
- Registro: versão do modelo, base de treino e testes antes de ir para produção.
- Revisão humana: pontos em que uma pessoa confirma ou reverte a saída, em especial em texto com alegação ambiental.
- Plano de falha: o que fazer quando o modelo erra ou se degrada.
Um cliente que audita o fornecedor pode perguntar quem responde pelo modelo, com que dados ele foi treinado e como o sigilo do desenho é mantido. Quem tem as respostas escritas entra na conversa em vantagem.
Por onde começar: priorização, método e indicadores
Comece pelo caso de uso em que o dado já existe e o risco de errar é baixo, com critério de saída escrito e revisão humana desde o primeiro dia.
Como priorizar
| Caso de uso | Dado necessário | Risco principal | Primeiro passo |
|---|---|---|---|
| Previsão por família de material | Pedidos, pedidos de amostra e programações de clientes por família e cor | Tratar insumo como produto final e prometer número exato | Classificar famílias e testar faixas em uma coleção passada |
| Inspeção por visão computacional | Imagens anotadas de material conforme e com defeito, com o critério do cliente | Poucos exemplos de defeito e rótulo sem regra comercial | Piloto em um posto de revisão, com revisão humana dos descartes |
| Venda técnica assistida | Fichas versionadas, certificados com validade e histórico de cotações | Resposta sem fonte ou com certificado vencido | Assistente interno com citação obrigatória do documento |
| Estoque e sobras | Cadastro de rolos e lotes atualizado por responsável | Cadastro defasado em relação ao estoque físico | Rotina de atualização e auditoria por amostragem |
Método em 6 etapas
- Inventário: dados de produto, de processo e de demanda, com dono, formato e restrição contratual.
- Caso e critério: uma pergunta de negócio e o critério de saída escrito.
- Piloto: escopo pequeno, uma coleção ou um posto, e revisão humana.
- Regras de uso: acesso por função, separação de dados de clientes e registro de versões.
- Integração: ligação ao ERP, ao desenvolvimento e à área comercial.
- Revisão periódica: desempenho, mudanças de acervo e plano de falha.
Cenário ilustrativo
Considere uma malharia hipotética que fornece a marcas de moda e a confecções, com a venda feita por representantes. A diretoria tem três propostas na mesa: previsão de demanda por família de malha, inspeção por visão computacional na revisão e um assistente para fichas e pedidos de amostra. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que as fichas existem em planilhas com versões diferentes, que as imagens da revisão não são guardadas e que os pedidos e as cores estão no ERP, com códigos e datas organizados há anos.
Com esse quadro, a ordem tende a ser a da prontidão do dado: primeiro o cadastro único de fichas e cores, que serve a todos os projetos, depois a previsão por família, a seguir o assistente e, por último, a inspeção, que exige a captura de imagens que hoje não existe. A decisão da diretoria é sobre sequência, e não sobre qual tecnologia é mais atraente.
Indicadores e erros comuns
- Cobertura de dados por caso de uso: o que existe, com dono e formato, sobre o que o projeto exige
- Faixa de erro da previsão por família de material e uso da faixa nas decisões de compra
- Descartes e reclamações confirmados na inspeção, e falsos alarmes registrados
- Respostas técnicas com documento e versão citados, sobre o total de respostas
- Sistemas de IA com dono, versão e registro de testes
Entre os erros mais comuns estão começar pelo modelo e não pelo dado, tratar o piloto como produto, usar desenhos de clientes sem autorização e liberar um assistente sem acervo organizado.
O que levar para a próxima reunião sobre IA na fábrica e na área comercial
Leve o inventário de dados, a ordem de prioridade dos casos de uso e as regras sobre dados de clientes. Com eles, a diretoria decide sequência e orçamento com critério.
O essencial deste artigo
A IA na indústria têxtil, de moda e de couro depende primeiro do dado de produto, de processo e de demanda. Produto novo não tem histórico, e a previsão orienta faixas de decisão. A visão computacional pede imagens rotuladas e critério de aceitação escrito, e o assistente técnico vale o que vale o acervo. Desenhos e estoques exigem regra de dono, acesso e uso.
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 e UX trata da marca do fornecedor, o de tecnologia e RevOps, de pedido e integração, e o de design estratégico, de demanda e catálogo.
Quem lida com inspeção e com sazonalidade de demanda encontra pontos de contato em máquinas e equipamentos industriais e em alimentos e bebidas. O índice completo está em Indústrias. A página de consultoria de inteligência artificial completa a leitura.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line. A proposta é escrita, depois do briefing e do diagnóstico.
Sobre este texto
Este artigo foi preparado para a frente de Consultoria de IA da Trilion. Os números de produção vêm do relatório da Ellen MacArthur Foundation, e os de visibilidade da cadeia vêm da página do projeto da UNECE. Os princípios de governança vêm da página da OECD.
A revisão de previsão de produtos novos foi lida na página da plataforma arXiv, e a de inspeção de tecido, no repositório do periódico Sensors. A leitura do alvo da previsão para o fornecedor, a diferença entre tecido e couro, as regras de dados de clientes, a tabela de priorização, o método em 6 etapas e o cenário são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 13/11/2026.
- Ellen MacArthur Foundation, A New Textiles Economy: Redesigning fashion's future, 2017: https://www.ellenmacarthurfoundation.org/a-new-textiles-economy (consulta em 13/11/2026)
- Cross-Border Paperless Trade Database, UNECE Blockchain Pilot for Traceability and Transparency in Textile and Cotton Supply Chains: https://www.digitalizetrade.org/node/287 (consulta em 13/11/2026)
- Avogaro e outros, New Fashion Products Performance Forecasting: A Survey on Evolutions, Models and Emerging Trends, arXiv, 2025: https://arxiv.org/html/2501.10324v1 (consulta em 13/11/2026)
- Mao e Hong, YOLO Object Detection for Real-Time Fabric Defect Inspection in the Textile Industry: A Review of YOLOv1 to YOLOv11, Sensors, 2025: https://pmc.ncbi.nlm.nih.gov/articles/PMC11990965/ (consulta em 13/11/2026)
- OECD.AI, OECD AI Principles: https://oecd.ai/en/ai-principles (consulta em 13/11/2026)

