A corrida pelo contexto: como medir o que acontece em centenas de milhares de m²

O comércio eletrônico tem vinte anos de contexto: cada clique, cada busca e cada carrinho abandonado fica registrado. Por isso um assistente de IA consegue explicar uma queda nas vendas online. Nos espaços físicos, os dados costumam ficar nas bordas: a contagem nas portas e as vendas nos caixas. Acontece o mesmo em um shopping center, em uma rede de lojas ou em um aeroporto.

Capturar contexto em escala significa medir, de forma contínua e anônima, o que acontece dentro: fluxos entre pisos e zonas em um shopping de 100.000 m², visitas e filas em centenas de lojas ao mesmo tempo, percursos e esperas em um terminal de aeroporto. A questão não é se isso é útil. A questão é qual arquitetura consegue fazê-lo a um custo razoável e continuar fazendo à medida que a IA evolui.

A IA já sabe quanto. Não sabe por quê. O contexto é o que transforma um indicador em uma explicação.

Um exemplo real de um shopping center na América do Sul. O tráfego total se manteve, mas um piso começou a receber menos visitas. A pergunta ao assistente de IA foi a mesma nos dois casos: por que o Nível 2 recebe menos visitas se o tráfego total se manteve?

Só com a contagem de acessos, o assistente apenas confirma que o tráfego se manteve. Com os dados das câmeras conectados via MCP (o padrão aberto que conecta assistentes de IA a fontes de dados), ele vê o fluxo entre pisos semana a semana: depois que duas escadas rolantes foram invertidas, 8,2% menos pessoas subiram ao Nível 2. A resposta chega com a causa e o momento em que começou.

Durante anos, a analítica em espaços físicos foi comprada como um pacote fechado. O mesmo fornecedor fabricava o equipamento, instalava, fazia a rede, desenvolvia o software e integrava com o cliente. Trocar uma peça significava trocar de fornecedor, e o que podia ser medido dependia do equipamento comprado.

Depois a cadeia se separou em camadas: fabricantes de câmeras, instaladores, redes e TI, software com IA e integradores. O operador passou a escolher a melhor opção em cada camada. A KSI nasceu nessa mudança: software de IA sobre câmeras de qualquer marca, sem fabricar nem instalar hardware.

Hoje os agentes de IA estão entrando em várias dessas camadas ao mesmo tempo. O hardware vira commodity: da câmera só se espera que grave bem. Dashboards e relatórios são absorvidos pelos agentes. A integração é padronizada com MCP. E surge uma camada nova: análise e ação, onde os agentes explicam, recomendam e alertam.

Nesta transição, os grandes operadores estão se dividindo em três grupos. A diferença não é orçamento nem intenção. É onde cada um decidiu que a IA roda: em um sensor dedicado, dentro de cada câmera ou como software sobre as câmeras que já existem.

Os que continuam com o modelo antigo

Sensores de contagem dedicados nos acessos, com ou sem IA. Resolveram a pergunta da década passada: quantas pessoas entraram. O limite é estrutural: custo alto por ponto de análise, uma segunda frota de equipamentos para manter junto ao CFTV, dependência do fornecedor e inovação que só chega quando o fabricante renova sua linha.

Os que caem na armadilha da IA embarcada

Trocar sensores por câmeras inteligentes parece modernização. Na prática repete o mesmo modelo com um equipamento mais caro: uma câmera com IA embarcada pode custar até USD 1.000, fica obsoleta em cerca de 5 anos e volta a amarrar a análise ao fornecedor do hardware. Com esse preço por ponto, cobrir um shopping de 50.000 m², um terminal de aeroporto ou uma rede de centenas de lojas se torna inviável, e a IA fica congelada na versão que veio com o equipamento.

O que estão fazendo os principais operadores

Os operadores mais avançados separam a infraestrutura da inteligência. Câmeras de qualquer marca, de propriedade do operador, que apenas gravam. Uma camada de percepção, entregue como software, que transforma o vídeo em dados anônimos e auditáveis. E agentes conectados por um padrão aberto que consultam esses dados em linguagem natural. Cada camada pode ser trocada sem refazer o resto.

Vista a partir de princípios fundamentais, medir o que acontece dentro de um espaço inteiro, ou de uma rede inteira de espaços, é uma árvore de decisões. Cada decisão errada torna a cobertura total economicamente inviável.

O único ramo que chega ao objetivo é a IA como software sobre as câmeras existentes. Onde for preciso ampliar a cobertura, há câmeras a partir de USD 50. Em projetos reais, a KSI validou uma diferença de 10x ou mais em comparação com hardware dedicado: menos custo de infraestrutura e mais cobertura de análise pelo mesmo orçamento.

O princípio é o mesmo em cada vertical, mas muda a pergunta que fica sem resposta e a forma de cada caminho. Cada vertical tem seu próprio artigo com casos publicados.

No modelo que está se consolidando, cada camada terá um dono claro e o operador poderá trocar qualquer uma sem refazer as demais.

• Competição entre fornecedores: os provedores de percepção competirão com inteligência sobre a infraestrutura do operador, não com hardware.
• Várias IAs em paralelo: modelos e fornecedores diferentes poderão rodar nas mesmas câmeras ao mesmo tempo.
• IA evolutiva: as melhorias chegarão como atualizações de software, sem trocar equipamentos.
• Conexão agêntica: Claude, ChatGPT, Gemini ou os agentes da KSI consultarão os dados via MCP.
• Custo por ponto de análise, não por equipamento, e cobertura de todo o espaço.

O operador que é dono da sua infraestrutura e escolhe sua camada de dados poderá adotar cada nova geração de IA no mesmo dia em que ela aparecer.