Um dono de oficina mecânica em cidade média começou a usar IA para analisar a planilha do negócio depois de meses fechando o mês com a sensação de que algo não estava batendo. O faturamento estava crescendo. O movimento de clientes estava bom. Mas o caixa no final de cada mês não refletia esse crescimento. Segundo o Método Mente Operacional, essa é uma das situações mais comuns em que a análise de planilha com IA gera uma conclusão útil rápida: quando o dono sente que algo está errado mas não consegue identificar onde.
Este post descreve o processo que ele usou, o que encontrou e o que mudou no negócio depois.
O ponto de partida: faturamento crescendo, caixa parado
A planilha que o dono mantinha registrava entrada de clientes, tipo de serviço, valor cobrado e forma de pagamento. Era uma planilha simples, criada no Excel, que ele preenchia ao longo do mês com a ajuda da recepcionista. No final de cada mês, ele somava o total e verificava se estava dentro da meta de faturamento.
O problema era que a planilha registrava faturamento, não lucro. Os custos de peças, o tempo de mão de obra por tipo de serviço e as despesas fixas da oficina não estavam integrados. Então o número que o dono olhava todo mês era o faturamento bruto, sem nenhuma comparação com o que o negócio gastou para gerar aquele faturamento. Uma oficina que fatura bem mas tem custo de peças elevado e mão de obra mal precificada pode fechar o mês no vermelho mesmo com agenda cheia.
Quando ele levou os dados ao chat de IA pela primeira vez, a pergunta que trouxe era aberta: “analise minha planilha”. O resultado foi uma descrição dos dados, não uma análise. A IA listou os tipos de serviço mais frequentes, o valor médio por serviço e o mês de maior faturamento. Nada disso era novidade. Ele já sabia essas coisas intuitivamente. A ferramenta de IA fez exatamente o que qualquer ferramenta faz quando recebe uma instrução vaga: descreveu o que viu sem saber o que era relevante para quem perguntou.
A mudança aconteceu na segunda sessão, quando ele chegou com uma pergunta específica. Antes de abrir o chat, ele passou dez minutos escrevendo o que queria saber de verdade. Essa preparação simples fez toda a diferença no resultado.
A pergunta que mudou a análise
Depois da primeira sessão sem resultado prático, o dono voltou com uma pergunta diferente: “Quais três tipos de serviço têm maior volume de atendimento mas menor ticket médio por hora de trabalho?”
Para responder essa pergunta, ele precisou completar a planilha com uma coluna nova: tempo estimado de mão de obra por tipo de serviço. Ele passou uma tarde preenchendo esses dados com base na experiência dele, estimando quantas horas cada tipo de serviço levava em média. Não eram números exatos. Eram estimativas baseadas em anos de operação.
Com esses dados na planilha, ele levou tudo ao chat com a pergunta específica. A resposta organizou os serviços por volume de atendimento e calculou o ticket médio por hora para cada um. E um número chamou atenção imediatamente: um tipo de serviço específico, revisão preventiva de embreagem, estava no segundo lugar em volume mas tinha o menor ticket por hora de toda a lista.
Ele já sabia que revisão de embreagem era trabalhosa. O que ele não tinha visto claramente era o quanto esse serviço estava sendo subprecificado em relação ao tempo que demandava. O preço cobrado cobria as peças mas deixava a mão de obra subvalorizada.
O que o dono fez com essa informação
A primeira reação foi de ceticismo. O dono conhecia o negócio e sabia que muitos clientes chegavam pela revisão de embreagem antes de fechar serviços maiores. Mudar o preço poderia afastar esses clientes e reduzir o volume de serviços subsequentes.
Esse é exatamente o passo que o Método Mente Operacional chama de validação: comparar a conclusão da IA com o que você sabe da operação. A análise disse que o serviço estava subprecificado. O dono sabia que esse serviço tinha uma função estratégica de captação que os dados não mostravam. Os dois pontos eram verdadeiros ao mesmo tempo.
O que ele fez foi uma análise adicional: voltou ao chat com uma segunda pergunta. “Dos clientes que fizeram revisão de embreagem nos últimos seis meses, quantos fizeram pelo menos um serviço adicional no mesmo período?” A planilha tinha os dados de cliente e de serviço. A IA conseguiu cruzar e responder: cerca de 40% dos clientes de revisão de embreagem voltaram para pelo menos um serviço adicional nos seis meses seguintes.
Com esse dado, a decisão ficou mais clara. O serviço tinha função de captação real: quatro em cada dez clientes voltavam. Mas o preço ainda estava baixo demais para cobrir o custo de mão de obra. A solução foi ajustar o preço parcialmente, não no nível que cobriria o custo completo, mas o suficiente para melhorar a margem sem perder o efeito de captação. O preço subiu 18% no trimestre seguinte.
O que mudou na rotina de análise depois desse processo
Depois dessa experiência, o dono mudou a planilha e a rotina de análise. A planilha ganhou três colunas que não existiam antes: custo estimado de peças por serviço, tempo estimado de mão de obra e margem calculada. Esses valores são estimativas, não contabilidade formal. Mas com essas colunas, a análise mensal com IA passou a gerar conclusões muito mais precisas do que antes.
A diferença entre uma planilha de faturamento e uma planilha com margem estimada é grande na prática. Com faturamento apenas, a IA consegue dizer o que entrou. Com margem estimada, ela consegue dizer o que sobrou. E “o que sobrou” é a pergunta que importa para quem precisa fechar o mês no azul.
A rotina ficou assim: no fechamento de cada mês, ele passa vinte minutos organizando os dados do mês e formulando duas ou três perguntas específicas com base no que chamou atenção no período. Leva os dados ao chat, anota as conclusões num bloco de notas junto com a planilha do mês e decide o que vai ajustar no mês seguinte.
Em quatro meses de uso regular, ele identificou dois outros serviços com problema de precificação, descobriu que uma linha de serviços de revisão rápida tinha margem muito acima da média e era candidata a ter mais divulgação, e identificou que às terças-feiras o volume de atendimento era consistentemente menor, o que abriu uma conversa sobre ações específicas para esse dia da semana.
Nenhuma dessas descobertas exigiu fórmula complexa nem sistema caro. Exigiram planilha organizada, pergunta específica e disposição para comparar a resposta da IA com o que ele já sabia da operação. O tempo total investido por mês nessa análise ficou em torno de trinta minutos. Bem menos do que ele passava somando colunas manualmente antes e chegando a conclusões menos úteis.
O que esse caso mostra sobre análise de planilha com IA
A conclusão prática é que a IA não encontrou nada que os dados não continham. O dado do volume de embreagem estava na planilha há meses. O que mudou foi a forma de perguntar, que trouxe a conclusão à superfície de forma clara e rápida. Uma pergunta genérica gera uma descrição genérica. Uma pergunta com critério específico gera uma conclusão que você consegue usar para decidir.
Sem a IA, o dono provavelmente teria chegado à mesma conclusão em algum momento. Mas chegaria meses depois, depois de mais tempo com o serviço subprecificado, ou não chegaria de forma estruturada o suficiente para tomar uma decisão com confiança. A IA comprimiu o tempo entre “sentir que algo está errado” e “saber o que está errado e ter dado para justificar a mudança”.
Outro ponto relevante desse caso: a decisão final não foi tomada com base só na análise da IA. O dono trouxe o contexto que a IA não tinha, que era o papel estratégico do serviço de embreagem como entrada de novos clientes. A análise mostrou o problema. O dono avaliou o contexto. A decisão combinou as duas coisas. Esse é o modelo que funciona: a IA processa e organiza, o dono interpreta e decide.
O processo completo de como estruturar a análise de planilha com IA está em Guia pra analisar a planilha com IA: passo a passo. E se você identificar os erros mais comuns nesse processo antes de começar, o post sobre os 7 erros ao analisar a planilha com IA cobre os pontos que mais travam quem está começando.
A planilha já tem as respostas. A IA ajuda a formular as perguntas certas para encontrá-las. E as melhores perguntas são as que partem do que o dono sente que está errado, não de uma lista genérica de métricas.
