Case Emibra | Antes de investir em IA, descubra onde sua empresa está perdendo margem
Em aproximadamente 30 dias, a Dataside analisou 19 processos em oito áreas da Emibra e identificou seis oportunidades prioritárias de aplicação de IA, sendo cinco diretamente relacionadas à proteção de margem.
A Emibra, fabricante de embalagens de papel-cartão, usou o AI Value360 da Dataside para descobrir onde a inteligência artificial gera mais valor no negócio, antes de investir em qualquer ferramenta.
A decisão tem razão de ser. Segundo a pesquisa The State of AI in 2026, da McKinsey, quase nove em cada dez organizações já usam IA em pelo menos uma função de negócio, mas só 37% atribuem algum impacto no EBIT à IA. Usar IA virou regra. Fazer a IA aparecer no resultado ainda é exceção.
Nem toda margem perdida aparece como prejuízo. E nem toda oportunidade de IA aparece em um backlog de tecnologia.
O desafio: dados de qualidade, mas desconectados
A Emibra não chegou pedindo um chatbot, um agente ou um modelo de machine learning. Chegou com uma pergunta de negócio: onde dados e IA podem gerar mais valor na operação?
O problema da Emibra não era falta de dados. Era conectar informações que já existiam, mas ficavam separadas, e descobrir onde a IA geraria mais retorno.
Há mais de 50 anos no mercado e na terceira geração da família, a Emibra atende marcas como Johnson & Johnson e Aché. É uma indústria com processos maduros e uma operação que registra bem o que faz. Nas palavras de Marcos Galvão, CFO da Emibra: “A parte de dados é muito boa. Tem dado até mais do que precisa.”
O ponto estava na costura. Orçado, produzido, consumido e faturado ficavam em sistemas e planilhas diferentes, sem uma base em que a mesma ordem de produção aparecesse por inteiro.
É um retrato comum na indústria de médio porte. A informação existe, mas não chega ao ponto em que vira decisão. Por isso o caminho na Emibra não era criar dado. Era conectar o que já existia.
Nem toda margem perdida aparece como prejuízo
Dinheiro deixado na mesa é a margem que deveria existir, mas nunca entra no caixa. Diferente do prejuízo, ela não aparece em nenhum relatório.
O prejuízo é visível. Aparece no fechamento, vira pauta de reunião e ganha um plano de ação. Já o pedido que sai com lucro abaixo do previsto, o orçamento refeito porque o material não estava em estoque ou a troca de máquina que outra sequência de produção evitaria passam despercebidos.
Foi esse dinheiro que o AI Value360 foi buscar na Emibra. E o achado mais revelador foi justamente esse: mais da metade do potencial identificado não era prejuízo contábil, era margem que deixou de existir. Quem olha só para o prejuízo enxerga menos da metade do problema.
Nem toda oportunidade de IA aparece em um backlog de tecnologia
As oportunidades que o discovery encontrou não estavam numa lista de projetos de TI. Estavam distribuídas pela operação: na compra de material, no orçamento, no planejamento da produção e no chão de fábrica.
Nenhuma delas resolveria o problema sozinha, porque a margem da Emibra se perde no caminho entre as áreas. O que falta numa ponta aparece como custo na outra. Só uma leitura da operação inteira mostra esse encadeamento.
Como o AI Value360 funciona na prática
O AI Value360 é um discovery que começa pela operação e termina em um mapa onde a IA gera valor, em que ordem e com qual esforço. É a aplicação da metodologia AI Fast, criada pela Dataside. Na Emibra, o processo seguiu cinco passos.
Imersão na operação. O time da Dataside fez reuniões de entendimento com as áreas da empresa, somando mais de 13 horas de conversa, e visitou o chão de fábrica para ver a operação acontecendo.
Dimensionar o problema com dado real. A Emibra compartilhou dois anos de histórico de faturamento e margem. Com essa base, a conversa deixou de ser “isso incomoda” e passou a ser “isso custa”.
Priorizar por valor e complexidade. Cada solução foi posicionada numa matriz de valor potencial e complexidade de implementação. Frentes com ganho, mas com retorno menor, ficaram registradas para uma fase seguinte.
Entregar o AI Value Map. O resultado foi um mapa navegável com os fluxos de cada área, as conexões entre elas, as dores levantadas, a maturidade de dados avaliada nos 10 pilares do framework DSGOV e o roadmap de soluções.
Provar antes de escalar. Onde o ganho já é claro, a solução segue para implementação. Onde a estimativa depende de dado real, o próximo passo é um protótipo antes do compromisso de projeto.
Exemplo: previsão de demanda de papel-cartão com IA
Na Emibra, o papel-cartão é o principal componente do custo. Quando a compra não acompanha a demanda, acontecem duas coisas: capital fica parado em estoque, ou falta o material certo e a produção recorre a um cartão alternativo, que pressiona a margem já no orçamento.
O AI Value360 conectou esses pontos. Uma previsão de demanda mais assertiva não é só um ganho de suprimentos: protege a margem lá na frente, no comercial. Num backtest com o histórico da empresa, o modelo de machine learning apontou um cenário-base de cerca de 10% de melhoria na previsão, com potencial de chegar a 15% a 20% se confirmado em protótipo.
É esse tipo de encadeamento entre áreas que uma análise isolada não enxerga, e que o AI Value360 é desenhado para encontrar.
As 6 oportunidades de IA priorizadas para a Emibra
O AI Value360 priorizou seis oportunidades. Cinco atuam sobre a margem, da compra de material ao chão de fábrica, e uma atua na geração de receita nova.
A fundação de dados com agente conversacional reúne orçado, produzido, consumido e faturado por ordem de produção, mostrando a margem de cada ordem no dia seguinte e não só no fechamento do mês.
O agente otimizador do planejamento sugere o sequenciamento da produção para reduzir trocas de setup, simulando a capacidade real de cada máquina.
O copiloto de orçamento leva estoque real e parâmetros reais de produção para o momento de orçar. A previsão de demanda de papel-cartão torna a compra mais assertiva.
O classificador de causa de paradas lê as justificativas escritas em texto livre e aponta a causa raiz. E o enriquecimento de lista de leads entrega ao comercial uma prospecção já qualificada, com o contato do decisor.
Três oportunidades seguem para implementação e duas passam antes por protótipo. O retorno de cada uma será medido a partir de uma linha de base com dado real. E, quando o resultado vier, quem vai declarar é a Emibra.
O discovery em números
8 áreas da empresa envolvidas
19 processos mapeados de ponta a ponta
133 etapas de processo mapeadas
12 reuniões de entendimento, com mais de 13 horas de conversa
1 visita presencial à fábrica
10 pilares de maturidade de dados avaliados
6 oportunidades de IA priorizadas, 5 ligadas à proteção de margem
Cerca de 30 dias de duração
100% dos gerentes alinhados com o roadmap
Nota 10 atribuída pelo cliente
O que a Emibra disse sobre o AI Value360
A Emibra validou o discovery numa reunião interna com todos os gerentes. O ponto mais citado pelo cliente foi o foco no que gera resultado.
“Algo que a gente tem certeza que pode ter um ganho, mas que não tem tanto retorno, a gente fez questão de não focar. Vocês focaram realmente onde pode apresentar mais resultado para a companhia.” Lucio Tanikawa, Coordenador de TI, Emibra
“Todos os gerentes ficaram alinhados com o que vocês apresentaram.” Lucio Tanikawa, Coordenador de TI, Emibra
“Em pouco tempo, conseguiram desenhar de uma forma muito efetiva. O time conseguiu pegar a essência da coisa.” Marcos Galvão, CFO, Emibra
Impacto estratégico
O discovery mudou a pergunta da Emibra. Deixou de ser “onde colocar IA?” e passou a ser “qual oportunidade protege mais margem primeiro?”. A diretoria ganhou uma visão integrada da operação e um roadmap validado por toda a gestão.
É isso que separa usar IA de ver a IA no resultado. Muitas indústrias estão no mesmo ponto da Emibra: dados de qualidade, processos maduros e margem parada entre um sistema e outro. O AI Value360 é o caminho da Dataside para encontrar esse valor antes de qualquer linha de código.
Quanto dinheiro a sua operação está deixando na mesa?
Comentários