Resultados concretos de empresas que implementaram soluções de IA conosco. Sem promessas vagas, só números e depoimentos reais.
Pedimos a alguns dos nossos clientes que descrevessem a experiência de trabalhar com a Astute AI Vision. Aqui estão as respostas, editadas apenas para clareza.
Tínhamos um problema sério de classificação de documentos fiscais. Recebíamos cerca de 4.000 notas por mês e três pessoas passavam o dia inteiro separando tipos de documento. A equipe da Astute montou um modelo de NLP que classifica 97% das notas corretamente. Hoje uma pessoa faz a revisão em duas horas. O projeto levou cinco semanas do início ao fim.
Gerente financeira, distribuidora de alimentos em Londrina
Precisávamos prever a demanda de peças de reposição para reduzir o capital parado em estoque. O modelo que a Astute entregou usa dados de vendas dos últimos três anos, sazonalidade e até previsão do tempo. No primeiro trimestre após a implantação, nosso estoque médio caiu 18% sem aumento de rupturas. O retorno sobre o investimento aconteceu em menos de quatro meses.
Diretor de operações, rede de autopeças com 12 lojas no Paraná
Contratamos a Astute para criar um chatbot que atendesse dúvidas frequentes dos nossos assinantes. O bot responde perguntas sobre planos, segunda via de boleto e horários de atendimento. Ele resolve 62% dos chamados sem intervenção humana. Dou quatro estrelas porque a fase de ajuste fino demorou um pouco mais do que o previsto, mas o resultado final ficou muito bom.
Coordenador de suporte, provedor de internet em Maringá
Trabalhamos com a Astute num projeto de triagem de laudos de radiografia torácica. O modelo sinaliza exames com alta probabilidade de achados críticos para que o radiologista os analise primeiro. Desde a implantação, o tempo médio entre a realização do exame e a emissão do laudo urgente caiu de 4 horas para 45 minutos. A equipe médica confia no sistema porque participou de todo o processo de validação.
Diretora clínica, clínica de diagnóstico por imagem em Curitiba
Dois projetos que ilustram como abordamos problemas diferentes com técnicas diferentes.
Uma fábrica em São José dos Pinhais produzia 12.000 peças por dia e dependia de inspeção visual humana para detectar trincas e rebarbas. Dois inspetores trabalhavam em turnos de oito horas, e a taxa de defeitos que passavam despercebidos girava em torno de 5%.
Instalamos quatro câmeras industriais na linha e treinamos um modelo de detecção de objetos com 8.000 imagens anotadas pela própria equipe de qualidade. O modelo classifica cada peça em menos de 200 milissegundos. Após três meses, a taxa de defeitos não detectados caiu para 1,4% e o retrabalho diminuiu 34%. Os inspetores passaram a atuar apenas nos casos sinalizados pelo sistema, o que reduziu a fadiga e melhorou a consistência da avaliação.
O distribuidor operava com 6.500 SKUs e fazia pedidos de reposição com base em médias móveis simples. Isso gerava dois problemas: excesso de estoque em itens de baixo giro e falta de produtos populares durante picos de demanda.
Construímos um modelo de gradient boosting que combina histórico de vendas de 30 meses, calendário de feriados regionais, dados de lançamentos imobiliários na região e índices de confiança do consumidor. O modelo gera previsões semanais por SKU e alimenta o sistema de compras via API. No primeiro semestre de operação, as rupturas caíram 23% e o capital investido em estoque foi reduzido em R$ 480.000. O retreinamento acontece automaticamente a cada 60 dias com os dados mais recentes.
Esses dados refletem projetos concluídos entre janeiro de 2022 e dezembro de 2024. Atualizamos esta seção a cada trimestre.
Conte para nós qual problema você quer resolver. A conversa inicial é gratuita e leva cerca de 30 minutos.
Falar com a equipe