O corte de 50% dos modelos da Volkswagen: uma lição de IA aplicada à indústria

Em outubro de 2023, o Grupo Volkswagen anunciou um plano de reestruturação que prevê cortar metade dos modelos de seu portfólio global até 2030, fechar fábricas na Alemanha e realizar demissões em massa. Para quem acompanha o mercado automotivo, a notícia não chega a ser surpreendente — a pressão por margens, a concorrência chinesa e a transição para veículos elétricos já vinham apertando o cerco. Mas o que realmente me chama a atenção, como profissional de transformação digital, é o que essa decisão revela sobre o papel da inteligência artificial e da automação na indústria tradicional.

Não se trata apenas de cortar custos. Trata-se de usar dados para decidir o que manter, como produzir e onde alocar recursos. A Volkswagen, que já teve um dos portfólios mais extensos do mundo, está agora forçada a racionalizar sua oferta. E aí entra a IA: algoritmos de segmentação de mercado, previsão de demanda e análise de ciclo de vida podem indicar com precisão quais modelos são viáveis a longo prazo. Empresas que dominam esses modelos têm vantagem competitiva clara. A VW, porém, parece estar reagindo tardiamente, enquanto concorrentes como a Tesla já nasceram com DNA digital.

Análise de portfólio orientada a dados

Reduzir 50% dos modelos não é uma decisão trivial. Cada variante de produto carrega consigo custos de engenharia, manutenção de ferramentas, estoque de peças e treinamento de equipes de vendas. Em projetos de otimização de portfólio que acompanhei, a primeira etapa sempre é modelar a elasticidade da demanda: quanto um modelo específico contribui para a margem total, considerando canibalização entre versões. A IA pode simular cenários de descontinuação, avaliando impacto na receita e na percepção de marca. A Volkswagen, com seus mais de 300 modelos diferentes no mundo, precisa de um sistema de recomendação de portfólio tão sofisticado quanto qualquer plataforma de e-commerce. No entanto, a cultura organizacional ainda é fortemente baseada em intuição de executivos, e não em dados em tempo real.

O que vemos na prática é que a implementação de modelos preditivos de demanda exige maturidade de dados que muitas montadoras não têm. Dados históricos de vendas são úteis, mas insuficientes num mercado em rápida eletrificação. É preciso incorporar variáveis como preço do combustível, incentivos fiscais, infraestrutura de recarga e até sentimento de consumidores em redes sociais. A Volkswagen investiu pesado em software nos últimos anos, mas a integração entre os silos de dados ainda é um gargalo. Sem uma base única e limpa, qualquer modelo de IA será tão bom quanto os dados que o alimentam.

Automação na produção: o que muda com menos modelos

Com menos modelos, a linha de produção pode ser simplificada. Menos variantes significam menos setups, menos peças distintas e menos treinamento de operadores. A automação industrial, especialmente com robôs colaborativos e sistemas de visão computacional, se beneficia diretamente dessa redução de complexidade. Em fábricas que utilizam manufatura enxuta, a redução do número de SKUs pode reduzir o tempo de ciclo em até 30%.

Mas a simplificação também traz riscos. A Volkswagen enfrenta concorrentes que oferecem alta personalização — a própria Tesla já produz veículos com opções limitadas, mas com atualizações por software. A solução está em equilibrar a padronização física com a customização digital. Nesse cenário, a IA pode ser usada para prever quais opções de personalização são mais demandadas, permitindo uma produção flexível sem explodir a complexidade. Sistemas de planejamento de produção baseados em aprendizado por reforço já são usados por montadoras como a Toyota para otimizar o sequenciamento de pedidos. A Volkswagen, que anunciou joint ventures com empresas de software, precisa acelerar a adoção dessas técnicas.

Impacto no mercado de trabalho: quem será cortado e quem será contratado

O anúncio de demissões na Alemanha é sintomático de uma transformação mais ampla. A reestruturação não é apenas sobre cortar carros, mas sobre cortar funções que serão automatizadas. Na indústria automotiva, cargos como inspetores de qualidade, planejadores de produção manuais e analistas de logística baseados em planilhas estão com os dias contados. A tendência é que essas funções sejam substituídas por sistemas de visão computacional, algoritmos de otimização e plataformas de supply chain com IA.

Por outro lado, a demanda por profissionais de dados, engenheiros de machine learning e especialistas em automação robótica cresce exponencialmente. Em conversas com colegas da área de RH de grandes montadoras, o relato é unânime: está mais difícil contratar cientistas de dados do que engenheiros mecânicos. A Volkswagen, que tem um programa de requalificação (reskilling) para seus funcionários, precisa ir além de treinar eletricistas para trabalhar com carros elétricos. É preciso treinar analistas de produção para usar ferramentas de análise preditiva e interpretar modelos de IA.

Para o profissional de tecnologia, essa é uma oportunidade clara. Empresas tradicionais estão dispostas a pagar bem por quem entende de processos industriais e sabe aplicar IA. Mas é um mercado que exige habilidades multidisciplinares: não basta saber programar; é preciso entender de manufatura, logística e até de regulamentação automotiva.

Riscos e limitações da transformação digital na indústria

Nem toda aplicação de IA na indústria automotiva é bem-sucedida. Um erro comum é tentar implementar soluções de IA sem antes resolver problemas básicos de qualidade de dados e integração de sistemas. A Volkswagen já enfrentou escândalos de fraude de emissões, que evidenciaram uma cultura de silos e falta de transparência. Se a transformação digital for tratada apenas como um projeto de TI, sem patrocínio da alta liderança e sem mudança cultural, o risco de fracasso é alto.

Outro ponto é a dependência de fornecedores de tecnologia. A Volkswagen criou sua própria unidade de software, a Cariad, mas enfrentou dificuldades de execução. A opção de comprar soluções prontas de IA pode ser mais rápida, mas gera dependência e dificuldade de customização. O trade-off entre construir e comprar é clássico, e a decisão deve ser baseada na capacidade de diferenciação. Para algoritmos de previsão de demanda, que são críticos para a estratégia de portfólio, faz sentido desenvolver internamente. Para sistemas de visão computacional de inspeção de qualidade, soluções de mercado podem ser mais adequadas.

Lições para outras indústrias

O caso Volkswagen não é isolado. Indústrias de bens de consumo, varejo e até serviços financeiros enfrentam o mesmo dilema: como usar IA e automação para reduzir custos sem perder relevância? A lição principal é que a transformação digital não é opcional. As empresas que postergarem a adoção de IA para racionalizar portfólio, otimizar produção e requalificar equipes serão forçadas a fazer cortes drásticos, como a VW está fazendo agora.

Para quem trabalha com tecnologia, o recado é claro: a indústria tradicional está se digitalizando, e isso abre um mercado enorme. Mas é preciso entender o negócio a fundo. A IA aplicada não é sobre algoritmos sofisticados, mas sobre resolver problemas reais de margem, eficiência e sustentabilidade.

Fica a reflexão: a Volkswagen está cortando 50% dos modelos, mas será que está cortando também a burocracia que impede a inovação? Sem uma transformação cultural paralela, os cortes podem ser apenas um adiamento do problema.