A IA está redesenhando o trabalho na moda (e por que “piloto eterno” virou o maior risco)
A moda costuma adotar tecnologia em ondas: primeiro a “operação” (para tirar ruído), depois o “cliente” (para ganhar receita), e só então o “desejo” (para elevar marca). Com IA generativa e automação, essa lógica acelera e, pela primeira vez, o impacto mais imediato não é só em marketing ou criação: é em estrutura organizacional, papéis, skills e forma de trabalhar.
O State of Fashion 2026 (BoF x McKinsey) é direto: até 2030, 30% do tempo de trabalho pode ser automatizado (Europa e EUA) com IA generativa e tecnologias relacionadas. E o “porquê agora” também vem com números: empresas, em média, são projetadas para capturar ganhos de produtividade acima de 30% nos próximos cinco anos via automação e GenAI.
O paradoxo: todo mundo vai investir, quase ninguém está pronto
O report traz uma contradição que você provavelmente reconhece no dia a dia: 92% das organizações dizem que vão aumentar investimentos em GenAI, mas apenas 1% descreve suas iniciativas como “maduras”.
Ou seja: o mercado está entrando com dinheiro, mas ainda sem “músculo” de execução.
E por que isso acontece? Porque, na prática, o gargalo raramente é “a IA”. É governança, dado e cultura. O próprio report aponta cultura como grande bloqueio: 60% dos líderes dizem que a cultura é o maior obstáculo para mudanças tecnológicas. E vai além: até 90% dos projetos transformacionais de IA ficam travados em piloto, por barreiras estruturais (governança fraca, baixa qualidade de dados, ferramentas fragmentadas) e culturais (incentivos e aversão a risco).
Onde o impacto chega primeiro (e por que isso muda o organograma)
O report detalha que, no varejo/moda, a automação tende a atacar primeiro tarefas repetitivas e transacionais, backoffice, operações e partes do ciclo comercial. E não é teoria: mais de 35% dos executivos já reportam uso de GenAI em rotinas como atendimento online, criação de imagem, copywriting, busca e descoberta de produto.
Do lado de marketing, o shift é bem específico: cerca de 22% das tarefas de marketing podem ser automatizadas até 2030 e a mudança é de “produção” para curadoria e direção (o time vira editor e estrategista, menos fábrica).
Casos que tornam isso palpável
Zalando: um dos exemplos mais citados é o uso de GenAI para acelerar criação de assets e reduzir custo o report menciona redução de 90% no custo de produção de imagens.
Clienteling com IA (luxo/premium): a tese é que IA relevante não “substitui vendedor”; ela equipa o vendedor com contexto e velocidade. O report traz o caso da Zegna com app desenvolvido com a Microsoft para apoiar o relacionamento e personalização.
Planejamento e merchandising: a Pandora aparece como exemplo de modernização via plataforma de IA para integrar planejamento de demanda/sortimento/MFP e reduzir fragmentação de sistemas.
O ponto comum nesses casos não é “prompt bom”. É processo redesenhado + dado confiável + integração.
O que muda para a moda, na prática: papéis, skills e “sistema de trabalho”
Até 2030, o report estima que até 40% dos trabalhadores em países desenvolvidos podem precisar se requalificar ou migrar de função por conta de tecnologia. E ele sugere quatro frentes de evolução para 2026: desenho organizacional, formas de trabalhar, papéis/talentos e cultura.
Na moda, isso costuma se traduzir em novos “donos” e novas cadeias de responsabilidade:
Data owner de produto (dado como ativo, não como subproduto)
Integração Estilo–Produto–Sourcing–Planejamento–TI como rotina, não como projeto
Funções híbridas (ex.: produto + dados, merchandising + automação, marketing + analytics)
E aqui entra um ponto sensível: IA não escala com “cadastro frágil”. Escala com base única, rastreável e viva do ciclo do produto. É por isso que, em empresas de moda, PLM costuma ser menos “sistema” e mais infraestrutura de confiança para colaboração e, sem isso, a IA vira mais uma camada em cima do caos.
Um exemplo de como “dado bem estruturado” libera capacidade humana: em case publicado pela uMode, a implementação de PLM centralizando informações e digitalizando fluxos é associada a 4x aumento de volume de desenvolvimento com a mesma equipe, -25% de trabalho operacional em estilo e -30% em erros de aprovação (além de integração com SAP/Linx).
Checklist executivo (para não cair no “piloto eterno”)
Se você lidera uma operação de moda e quer responder a IA de forma madura, comece com perguntas simples:
Quais 3 processos mais caros (tempo/erro/retrabalho) podem ser redesenhados com IA + automação?
Em quais dados de produto a empresa confia hoje (de verdade)?
Quem é o owner do dado de produto (governança, qualidade e auditoria)?
Que partes do trabalho devem virar curadoria/decisão (não execução)?
Qual plano de treinamento prático para funções impactadas (não palestra genérica)?
Como você vai medir “valor” (tempo de ciclo, erros, margem, ruptura, retrabalho) — não “quantos pilotos”?
Se a resposta para 2) e 3) é nebulosa, IA não é o primeiro passo. Dado confiável é.
