Observação: Nós nos empenhamos ao máximo para manter o espírito e as nuances originais de nossos artigos. Porém, pedimos desculpas desde já por quaisquer erros de tradução que você venha a notar. Seu feedback é bem-vindo através do e-mail reader_input@mckinsey.com
Os fatores que influenciam os mercados de commodities agrícolas estão mudando mais rapidamente e interagindo de maneiras mais complexas do que nunca. Em 2025, políticas comerciais oscilantes, o aumento da frequência e da intensidade de eventos climáticos extremos, novas regulamentações sobre biocombustíveis, a volatilidade dos preços e gargalos logísticos tornaram cada altamente desafiador para os principais traders de commodities antever mudanças na oferta, na demanda e nos fluxos comerciais. Com isso, o lucro do comércio de commodities agrícolas caiu 15% em relação ao ano anterior, segundo estimativas da McKinsey, atingindo o menor patamar desde 2022.
Mais insights da McKinsey em português
Confira nossa coleção de artigos em português e assine nossa newsletter mensal em português.
A maior frequência de eventos imprevisíveis deverá continuar. Em termos práticos, espera-se que as variações na produção agrícola aumentem devido a mudanças nas faixas típicas de temperatura e precipitação, condições mais favoráveis para surtos de pragas e doenças, e alterações na saúde do solo (como a ciclagem acelerada de nutrientes), entre outros fatores. Os mercados também estão se tornando uma fonte crescente de disrupção em razão das mudanças no comércio global e das tensões geopolíticas – a interrupção do fluxo comercial no Estreito de Ormuz no início de 2026 é um exemplo desse risco.
Neste artigo, examinamos as tendências que poderão afetar o comércio agrícola e as competências que os principais traders provavelmente terão de desenvolver para enfrentar a volatilidade do mercado de commodities. Quanto aos mercadores e as agroindústrias, será fundamental tornar suas equipes de negociação mais ágeis e aprimorar as análises utilizadas para fundamentar suas decisões. Quem não investir nessas capacidades corre o risco de ficar em desvantagem estrutural, à medida que novas empresas, com maior sofisticação digital, entram no mercado e investem para eliminar assimetrias de informação. Prevê-se também um aumento radical da agilidade, pois os principais participantes estão redesenhando seus fluxos de trabalho para incorporar a IA agêntica ao comércio, ao hedge, à logística e à mitigação de riscos. O aprimoramento dessas capacidades deverá permitir que empresas globais e regionais aumentem a resiliência de seus ativos e ajustem suas posições mais rapidamente diante de eventos imprevisíveis.
O cenário atual: mercados divididos e produtores pressionados
A oferta de diferentes commodities está divergindo, pressionando produtores, traders e agroindústrias igualmente. Entre 2024 e 2025, houve uma acentuada cisão nos mercados futuros agrícolas, com commodities de ciclo longo, como cacau e café, entrando em altas impulsionadas pela restrição da oferta, enquanto culturas em fileiras1, como milho e soja, despencaram sob o peso de múltiplas safras recordes (Quadro 1).
De um lado, houve redução na oferta de laranjas, cacau, café e carne bovina devido a uma combinação de condições climáticas adversas, doenças, pragas e contração dos rebanhos reprodutores, provocando fortes aumentos de preços. A elevação dos preços permitiu que alguns pecuaristas e produtores de cacau e café fizessem investimentos direcionados, como recomposição de rebanhos, plantio de mudas e irrigação, mas esses esforços provavelmente levarão de dois a quatro anos para se traduzirem em maior produção. No curto prazo, decisões como replantio ou retenção de novilhas2 poderão restringir ainda mais a oferta.
De outro lado, a produção recorde de milho, soja e trigo em todo o mundo (graças ao aumento da área colhida e da produtividade) levou os preços futuros a mínimas históricas. Os produtores de grãos e oleaginosas enfrentam agora um arrocho de rentabilidade, pois os custos de fertilizantes, sementes, combustível e financiamento também permanecem elevados face aos preços historicamente baixos das commodities. Desde o início de 2026, os aumentos nos preços futuros de culturas intensivas em insumos, como milho e trigo, não têm sido suficientes para compensar a disparada nos preços desses insumos, de acordo com análise da McKinsey em abril de 2026. Com isso, para muitos produtores, o retorno líquido médio por hectare de culturas em fileiras entrou em território negativo antes do pagamento dos subsídios governamentais.
Esses desequilíbrios de oferta se propagaram por toda a cadeia de valor, com traders e agroindústrias se esforçando para manter a lucratividade. Assim como os produtores, eles também tiveram de lidar com uma oferta abundante de grãos e oleaginosas – e ainda com capacidade de processamento excedente em importantes regiões de origem (como América do Norte), custos de capital mais elevados e acordos comerciais e tarifas imprevisíveis que afetaram a descoberta de preços. Dificuldades logísticas aumentaram ainda mais a complexidade operacional e a pressão sobre as margens.
As circunstâncias do mercado de oleaginosas nos últimos anos ilustram o quanto os regimes de preços mudaram. De 2018 a 2024, políticas de diesel renovável nos Estados Unidos e na Indonésia estimularam investimentos na expansão da capacidade. Em 2022, por exemplo, a demanda crescente por matérias-primas usadas em combustíveis renováveis na América do Norte elevou os preços futuros do óleo de soja ao nível mais alto desde 2008 e as margens da indústria de esmagamento de oleaginosas a picos plurianuais. Esse ambiente de margens elevadas estimulou investimentos em larga escala na expansão da capacidade de esmagamento nos Estados Unidos. Com a entrada em operação de novas instalações, o mercado sofreu dois efeitos principais: primeiro, os volumes de esmagamento de soja continuaram a atingir recordes por quatro anos consecutivos, até 2024. Segundo, as margens das indústrias de esmagamento de soja despencaram até 80% entre 2023 a 2024. Essas conexões históricas entre políticas governamentais, preços de energia e preços de commodities agrícolas persistem ainda hoje; por exemplo, aumentos nos preços dos combustíveis normalmente fortalecem a demanda por biocombustíveis e suas matérias-primas agrícolas, frequentemente aumentando também as margens dos produtores de biocombustíveis.
Flutuações semelhantes foram observadas em outras lavouras em todo o mundo, forçando as empresas de trading acompanhar o ritmo. Aquelas com flexibilidade limitada enfrentam dificuldades para se adaptar às mudanças, enquanto as que dispõem de ativos geograficamente diversificados, acesso a diferentes modais de transporte e presença em múltiplos mercados de destino têm se beneficiado com margens mais resilientes. Muitas empresas também estão deslocando sua exposição ao risco para margens estruturalmente mais amplas e fontes de demanda mais estáveis, afastando-se das atividades historicamente mais voláteis de originação, processamento e comercialização de grãos. Por exemplo, muitas agroindústrias investiram em mercados de produtos mais voltados para o consumidor, como óleos especiais, proteínas alternativas processadas e produtos voltados à saúde e ao bem-estar, com o objetivo de reduzir a volatilidade dos lucros.
Hoje, a incerteza crescente relacionada à inflação e à disponibilidade física de fertilizantes e combustíveis introduziu novos desafios para produtores, traders e agroindústrias. A combinação de mercados mais voláteis e mudanças contínuas nas taxas de juros criou necessidades adicionais de capital de giro e ampliou a pressão sobre as empresas. Todas enfrentam custos de capital elevados para manter estoques e prover novas garantias exigidas para cumprir as obrigações de margem nas principais bolsas de commodities, como a Chicago Mercantile Exchange (CME) e a Intercontinental Exchange (ICE).
Três tendências que estão reconfigurando os mercados agrícolas
O ambiente incerto atual significa que o amanhã poderá ser muito diferente. Mas de que forma? Alguns fatores fundamentais podem afetar profundamente o futuro do comércio agrícola.
A variabilidade da oferta deve aumentar
É provável que a variabilidade da produção e as disrupções na cadeia de suprimentos aumentem no futuro, por vários motivos.
Tarifas e incertezas geopolíticas vêm afetando as estratégias mercantis há vários anos. Se essas tendências se mantiverem, a frequência de eventos que interferem no fluxo comercial no curto e no médio prazo deverá aumentar, impactando as cadeias de valor agrícolas – desde os produtores até os mercados consumidores (veja Box, “Disrupções da oferta no Oriente Médio”). Escassez em diferentes regiões, alterações nas rotas comerciais e mudanças frequentes nas barreiras comerciais estão se tornando a regra, não a exceção.
Em termos práticos, a oferta global de diferentes commodities agrícolas deverá ser afetada no futuro próximo por eventos climáticos adversos, mudanças na biodiversidade e alterações na saúde e disponibilidade do solo, provocando flutuações maiores na produtividade e quebras de safra. Por exemplo, em regiões tropicais, a produção de milho poderá diminuir cerca de 30% até 2050 em cenários de alta emissão de carbono. Além disso, um terço dos solos aráveis do mundo já foi degradada, e prevê-se que até 90% dessa rica camada superficial poderá estar comprometida até aquela data.
Além disso, as mudanças nos padrões climáticos cíclicos deverão afetar todas as regiões do mundo. Em particular, os eventos do El Niño-Oscilação Sul (ENOS) vêm se intensificando gradualmente, e seus efeitos tendem a tornar ainda mais extremos em decorrência das mudanças climáticas, dificultando prever seus impactos nas colheitas de cada região. Por exemplo, a seca de 2023 no Brasil afetou severamente a produção de soja em regiões importantes, como Mato Grosso, enquanto as chuvas associadas à La Niña na Austrália em 2022-23 empobreceram a qualidade do trigo, favorecendo os traders que contavam com fontes de fornecimento diversificadas.
O fato de os mercados dependerem cada vez mais de um número menor de regiões-chave tornou-os mais suscetíveis a disrupções nas cadeias de suprimentos, resultado em maior volatilidade. No caso de alguns produtos agrícolas específicos, como café e cacau, a redução da fertilidade do solo em bolsões regionais concentrados de produção (por exemplo, café no Brasil, Colômbia e Indonésia, e cacau em Gana e na Costa do Marfim) deverá aumentar os riscos nas cadeia de suprimentos para os compradores de commodities (Quadro 2).
O ingresso de novas empresas tornará a liquidez mais complexa
O momentum e a volatilidade atuais estão atraindo novas empresas para o mercado, incluindo fundos de hedge, grande empresas de petróleo e gás, e novos tipos de compradores de commodities:
- Fundos de hedge. O aumento expressivo dos preços provocado pela escassez de oferta pode ser altamente atraente para fundos de hedge. Esses fundos utilizam estratégias “quantamentais” que combinam insights fundamentais sobre oferta e demanda com ferramentas quantitativas (como indicadores de momentum) para identificar tendências fortes e persistentes de preços. No entanto, a volatilidade elevada pode aumentar acentuadamente o caixa necessário para atender aos requisitos de margem inicial e de manutenção. Além disso, quando a liquidez diminui, os especuladores reduzem suas posições, o que pode intensificar ainda mais as oscilações do mercado.
- Empresas estabelecidas de petróleo e gás. As grandes empresas de energia estão ampliando seus investimentos estratégicos no comércio de commodities agrícolas. Alguns pontos se destacam nesses investimentos, incluindo mesas de negociação de combustíveis renováveis para transações com matérias-primas e subprodutos (por exemplo, farelo de soja) e a infraestrutura física utilizada para produzir diesel renovável e combustível sustentável de aviação. Com a expansão da capacidade de esmagamento de oleaginosas e de refino de combustíveis renováveis na América do Norte nos últimos anos, essas mesas de negociação têm obtido sucesso na utilização de análises avançadas para desenvolver uma visão de mercado sobre a evolução futura das correlações entre produtos alimentícios e energéticos, como os spreads de preço do óleo de soja e do diesel.
- Compradores de commodities. Empresas de bens de consumo com giro rápido e de serviços de alimentação estão ingressando cada vez no espaço do trading agrícola e realizando hedges dinâmicos que visam o valor, não a certeza. Desse modo, muitas estão investindo em sofisticar suas estratégias e instrumentos de hedge (por exemplo, opções). Alguns compradores também subcontratam seus riscos de preço para terceiros que negociam em seu nome.
Com a entrada desses novos participantes no espaço do trading agrícola, novas fontes de liquidez poderão criar oportunidades para as empresas já estabelecidas. Por outro lado, um mercado mais concorrido pode prejudicar a rentabilidade caso participantes mais sofisticados passem a representar uma parcela maior do interesse em aberto e do volume negociado.
Algoritmos acelerarão a descoberta de preços
Um mundo mais imprevisível tem levado os traders a aprimorar seus sistemas preditivos. Com a entrada no mercado de novos compradores orientados por algoritmos, uma parcela maior dos volumes negociados e do interesse em aberto passou a ser determinada por algoritmos e sinais quantamentais. A descoberta de preços também está migrando da interpretação humana para a interpretação por máquinas. Paralelamente, os mercados estão acelerando.
Negociações mais frequentes significam que os sinais fundamentais de oferta e demanda estão sendo incorporados aos preços muito mais rapidamente, reduzindo o tempo de reação dos traders. Se antes eles podiam formular previsões básicas analisando desequilíbrios de estoques que se acumulavam ao longo de meses, hoje os mercados exigem intervenções mais rápidas e analíticas. Muitos dos grandes traders utilizam atualmente imagens de satélite, dados meteorológicos e modelos de machine learning para prever possíveis choques de oferta e otimizar a logística com mais rapidez, quase em tempo real.
Em nosso trabalho com clientes, observamos que os participantes do mercado têm investido cada vez mais em provedores externos de análises de dados, que se beneficiam não só das economias de escala, mas também de pesquisas quantamentais. Os avanços nos grandes modelos de linguagem (LLMs) também têm permitido que os corretores de commodities sintetizem notícias à medida que elas surgem, reduzindo assim a assimetria de informações que historicamente sempre tendia a beneficiar os participantes maiores e mais diversificados. Essa dinâmica está redefinindo quem compete com quem: os compradores de produtos agrícolas, cada vez mais, estão utilizam algoritmos para avançar sobre áreas nas quais os formadores do mercado de baixa latência sempre tiveram vantagem.
Também houve um aumento da demanda por dados para alimentar os modelos que identificam sinais de negociação. Consequentemente, participantes ao longo de toda a cadeia de valor passaram a monetizar seus dados internos – preços de base física e sinais de mercado, por exemplo – fornecendo-os a terceiros, como fundos de hedge. Essa monetização cria um dilema, pois pode gerar receita, mas também corroer vantagens proprietárias desenvolvidas ao longo de décadas.
É provável que o ritmo de mudança acelere ainda mais, impulsionado por agentes digitais de IA capazes de formular e executar decisões autonomamente. Antes da execução de uma operação, agentes de pesquisa que combinam sinais técnicos, macroeconômicos, fundamentais e de sentimento, provenientes de fontes internas e externas, poderão ajudar os traders a deliberar e agir com muito mais rapidez. Além disso, agentes focados em riscos – que monitoram o valor em jogo, a exposição ao crédito e a liquidez quase em tempo real, e que recomendam intervenções quando certos limiares são atingidos – poderão aprimorar substancialmente a gestão de riscos. Por outro lado, se esses agentes forem mal projetados ou calibrados, grandes participantes do setor poderão desencadear verdadeiras cascatas de ordens de stop-loss – instruções automatizadas executadas em sequência para encerrar posições e limitar perdas – aumentando ainda mais o estresse do mercado.
Desafios exacerbados na cadeia de suprimentos, novos entrantes e a descoberta algorítmica de preços estão acelerando e intensificando as transformações do setor. Traders agrícolas e agroindústrias precisam considerar esses fatores ao formular suas estratégias para o futuro próximo e distante.
Imperativos para traders e agroindústrias
Os traders e as agroindústrias em melhor posição para prosperar nesse ambiente calibraram seu modelo operacional e investiram em competências que os tornaram mais ágeis em diferentes regiões geográficas. Redesenhar as estruturas organizacionais, priorizar uma cultura de trabalho colaborativa e criar incentivos alinhados para otimizar os lucros em toda a empresa são medidas que podem ampliar a capacidade de redirecionar proativamente os fluxos diante da volatilidade dos preços e das variações regionais nas margens de processamento.
Para se tornarem mais ágeis e preparados para o futuro, traders e agroindústrias devem considerar algumas vias de transformação: migrar da otimização regional para a otimização global da cadeia de valor; desenhar um modelo operacional ágil que permita ações rápidas; promover colaboração eficiente melhorando a qualidade e a transparência dos dados; e flexibilizar e escalar as análises interconectando-as em um domínio comum.
Migrar da otimização regional para a otimização global da cadeia de valor
Hoje, a maioria das empresas agrícolas otimiza suas decisões no nível de cada unidade de negócio ou região. O problema é que esses grupos podem ter perspectivas conflitantes sobre o que é melhor para a empresa como um todo, visto que líderes globais e regionais não contam com processos decisórios unificados, padronizados e transparentes. Para tornar a tomada de decisão mais eficiente, as empresas devem buscar transformações operacionais que reduzam os atritos, especialmente aquelas voltadas a tornar mais claros os repasses de tarefas e responsabilidades.
Tais transformações devem ter como objetivo estabelecer uma linha clara de responsabilização mediante estruturas de incentivo redesenhadas e protocolos de delegação aprimorados. As empresas também devem vincular esses incentivos e responsabilidades a metas de desempenho alinhadas entre os diferentes níveis decisórios da organização (por exemplo, originação, logística ferroviária e fluvial, frete marítimo e processamento primário). Outro elemento-chave de uma transformação bem-sucedida é estender as iniciativas de mudança para todos os níveis hierárquicos. Quanto maior e mais integrada for uma empresa de commodities, maior será a probabilidade de que os gestores ao longo de toda a cadeia de valor (ou seja, unidades de negócio, regiões e empresas operacionais) tenham perspectivas divergentes.
À medida que mais atividades passam a ser gerenciadas por IA agêntica, também se tornará cada vez mais importante reavaliar os processos de interface e os protocolos de interação entre agentes. Em organizações que incorporam IA agêntica, as tarefas e as responsabilidades devem ser repassadas e encaminhadas não só entre agentes, mas também entre agentes e humanos. Uma solução é instituir um “conselho de controle de mudanças em agentes” para revisar versões da tecnologia, acesso a prompts e ferramentas, e planos de reversão. Esses “conselhos” podem ser análogos aos sistemas de gestão de riscos dos modelos, mas adaptados aos comportamentos de planejamento e memória dos agentes. Quando bem executadas, as transformações operacionais podem não apenas capacitar as equipes a agir mais rapidamente, mas também favorecer decisões multifuncionais mais rápidas.
Para facilitar a resolução de divergências, os traders agrícolas podem buscar inspiração em empresas de outros setores. Em um estudo de caso, por exemplo, uma grande empresa de energia que havia separado seus negócios de geração, comercialização e atendimento ao cliente criou uma equipe de otimização de portfólio para equilibrar conflitos e otimizar operações. Essa equipe centralizada assegurou o alinhamento global entre traders de toda a cadeia de valor, permitindo que os profissionais superassem as dinâmicas internas e agissem em benefício da empresa como um todo. A maioria das grandes empresas integradas de petróleo e gás utiliza equipes similares para otimizar a cadeia de valor e intermediar as relações entre traders e gerentes de refinaria. Dessa forma, asseguram que a aquisição de petróleo bruto e a comercialização de produtos refinados (como gasolina ou diesel) maximizem o lucro total – e não apenas o de uma ou outra refinaria ou mesa de operações.
Desenhar um modelo operacional ágil que permita ações rápidas
Os traders, especialmente aqueles que atuam em escala global, podem ter dificuldade para mover e se adaptar rapidamente. Um modelo operacional ágil pode ajudar a empresa a se diferenciar ao introduzir ciclos de planejamento mais curtos e frequentes, ampliando sua capacidade de resposta às mudanças do mercado.
A empresa também pode adotar o planejamento baseado em cenários para modelar múltiplos contextos geopolíticos, econômicos e de políticas públicas. Idealmente, esses modelos devem incorporar explicitamente as opções físicas e comerciais existentes ao longo de toda a cadeia de valor. Desse modo, torna-se possível formular antecipadamente planos que deixem a organização preparada para eventos imprevisíveis. Com o planejamento baseado em cenários, a empresa pode otimizar sua exposição ao risco por meio de testes de estresse que simulem eventos extremos abruptos não lineares, como os que costumam ocorrer após notícias sobre choques geopolíticos e de oferta. Isso garante que o risco modelado corresponda ao apetite ao risco definido pela liderança.
Além disso, a empresa pode utilizar regularmente análises retrospectivas [backcasting] para aprender com oportunidades perdidas e aplicar esses aprendizados a decisões prospectivas. Isso exige colaboração mais estreita entre traders e equipes de análise, garantindo garantir que dados e insights sejam rapidamente compartilhados e alinhados. Com tal alinhamento, essas equipes podem atuar com mais eficiência nas transações e na gestão dos riscos de mercado. O mesmo se aplica a organizações que adotam a IA agêntica, nas quais a reformulação do fluxo de trabalho é o fator que mais tem correlação com o impacto sobre o EBIT, segundo pesquisa da McKinsey. Entre as abordagens bem-sucedidas estão agentes que atuam no cerne do planejamento de cenários e ciclos contínuos de “planejar, operar, aprender” para que as equipes aprimorem limites operacionais e mecanismos de proteção à medida que os modelos e os mercados evoluem.
Em um caso, uma trading global de commodities implementou uma estrutura ágil de gestão de riscos que tornou possível ajustar, em tempo real, suas estratégias de hedge. Também adotou o monitoramento ininterrupto dos riscos, em vez de confiar em modelos de risco estáticos, e utilizou análises de cenários para se preparar para possíveis disrupções decorrentes de sanções ou gargalos nas cadeias de suprimentos. Com isso, fortaleceu sua capacidade de mitigar riscos e aproveitar oportunidades mais amplas de arbitragem, e ao mesmo tempo melhorou o alinhamento interno entre as decisões de comercialização e os grandes objetivos corporativos.
Promover colaboração eficiente melhorando a qualidade e a transparência dos dados
Organizações de trading de todos os portes tendem a ser prejudicadas pela baixa qualidade dos dados, o que retarda a tomada de decisões e aumenta o custo da colaboração (Quadro 3). Embora os investimentos necessários para melhorar a qualidade dos dados possam levar anos para serem plenamente implementados, eles podem começar a gerar valor em poucos meses.
Além de melhorar a qualidade dos dados, tornar os lucros e perdas plenamente visíveis para todos os traders de uma cadeia de valor mitigará conflitos e permitirá priorizar os negócios que maximizem a rentabilidade da empresa como um todo, não apenas a de uma mesa de operações ou unidade de negócio. Isso pode ser alcançado por meio de algumas etapas:
- Estabelecer uma fonte única de verdade para dados sobre o mercado, as operações e a metodologia de cálculo de KPIs, garantindo consistência em toda a organização.
- Documentar a opcionalidade de ativos e contratos (por exemplo, cláusulas flexíveis e direitos incorporados) para permitir que equipes adjacentes compreendam o conjunto de soluções disponíveis.
- Compartilhar resultados interoperáveis dos modelos analíticos para que os analistas em um elo da cadeia de valor compreendam as implicações para a lucratividade de todos os demais elos ao longo da cadeia.
Quando já houver uma perspectiva e uma metodologia comuns para interpretar as variações da lucratividade da empresa, os traders podem começar a agir em tempo real com base nesse entendimento compartilhado.
Em um estudo de caso, um trader agrícola global embarcou em uma jornada de dois anos para transformar seu modelo digital e de negócio. Por focar inicialmente apenas a cadeia de valor de uma commodity, a empresa foi capaz não só de implementar uma infraestrutura analítica personalizada que utilizava da forma mais eficiente os repositórios de dados do SAP, mas também de construir um simulador de “livro de negócios” para modelar o valuation de estoques, saldos contratuais, margens de processamento e operações de hedge, simulando interativamente sua exposição ao mercado e os impactos sobre o EBIT. A iniciativa não apenas ajudou a empresa a identificar mais de $150 milhões em melhorias do EBITDA, como também criou um pipeline adicional de mais de 70 casos de uso de IA para otimizar ainda mais seu modelo de negócio.
Flexibilizar e escalar as análises interconectando-as em um domínio comum
Investir em IA tornou-se essencial: mais de 60% dos traders e agroindústrias planejam iniciativas ou criaram programas-piloto de IA em larga escala (Quadro 4). Ao mesmo tempo, os executivos do setor agrícola permanecem mais pessimistas quanto ao potencial da IA do que seus pares dos setores de energia e metais. Embora cerca de um em cada três traders agrícolas esteja implementando IA, a maioria ainda não conseguiu obter retornos significativos. A questão é estrutural: casos de uso mais simples de implementar geram retornos modestos, enquanto as oportunidades com maior potencial de retorno aos acionistas exigem investimentos mais elevados e envolvem riscos maiores de execução. Aqueles que conseguiram resolver esse dilema obtiveram resultados excepcionais, sendo que um em cada dez relatou aumentos de 10% ou mais no EBIT.
Para os traders, escolher sabiamente entre viabilidade e potencial de ganho pode fazer a diferença entre superar ou ficar aquém das projeções de lucro. Isso é particularmente importante na escolha de quais sistemas de análise priorizar e no modo de gerenciar os investimentos ao longo do ciclo de desenvolvimento analítico (análise exploratória de dados, desenvolvimento de prova de conceito ou produto mínimo viável, e produção de modelos de machine learning).
Por esse motivo, os traders agrícolas podem obter melhores resultados investindo em um portfólio diversificado de análises ágeis e interoperáveis que possa evoluir e progredir ao longo do tempo após comprovar seu valor. O ideal é que essa jornada comece com a definição de expectativas realistas de curto prazo, desenhadas com base na qualidade atual dos dados e nas limitações tecnológicas, ao mesmo tempo em que se planejam possibilidades futuras por meio de metas ambiciosas de longo prazo.
À medida que as empresas constroem portfólios de análises ágeis, algumas diretrizes devem orientar sua trajetória:
- Cumprir os cronogramas. Resultados rápidos são raros em análises de transações de commodities, e a maioria das pesquisas quantamentais e das análises que antecedem uma operação são investimentos arriscados, com retornos irregulares que podem variar drasticamente ao longo do tempo. Algumas empresas têm conseguido reduzir substancialmente o capital de giro em poucos meses por meio de uma melhor gestão de estoque ou da priorização de determinados corretores. No entanto, a maioria dos casos de uso de análises personalizadas exige pelo menos dois meses para desenvolver um mínimo produto viável funcional antes de iniciar a fase de produção dos modelos.
- Começar pequeno para depois expandir. Os traders de commodities que realizam análises de escopo restrito são os mais propensos a capturar valor rapidamente. O planejamento de um roteiro analítico que conecte casos de uso ao longo das cadeias de valor e das diferentes funções relacionadas às commodities pode facilitar a ampliação dos investimentos em um domínio comum, otimizar a cadeia de valor e preparar a organização para a IA agêntica.
- Fortalecer ainda mais as competências existentes. Taticamente, as empresas devem alavancar suas capacidades, ferramentas e abordagens bem-sucedidas ao criar novas funções analíticas. Ao decidir onde investir em dados, ferramentas e tempo, é importante considerar o impacto potencial sobre os lucros e retornos, bem como a viabilidade e a reprodutibilidade dos casos de uso.
- Repensar radicalmente os fluxos de trabalho. Embora os agentes de IA generativa baseados em LLMs não sejam capazes de substituir integralmente as equipes de middle-office ou back-office, a expectativa é de que os fluxos de trabalho serão substancialmente transformados pela IA agêntica nos próximos anos. Uma pesquisa recente da McKinsey com executivos de empresas de trading de commodities agrícolas sugere que mais da metade deles espera que a IA proporcione um aumento de mais de 5% no EBIT na próxima década. As empresas pioneiras e aquelas que adotam rapidamente novas tecnologias devem avaliar como os fluxos de trabalho tradicionais evoluirão à medida que a inteligência artificial continuar avançando em ritmo acelerado.
Embora não exista uma bola de cristal capaz de prever o futuro com precisão e a otimização de todas as decisões em escala global seja inalcançável, os benefícios da implementação de portfólios de análises ágeis são notáveis. Os principais traders de commodities que investiram em análises preditivas e otimização da cadeia de valor aumentaram sua lucratividade em 200 a 500 pontos-base. Além disso, a utilização da IA agêntica após a execução de operações (por exemplo, registro de negociações, reconciliação e liquidação) deverá elevar a produtividade em 30% a 60% nos próximos dois a quatro anos, de acordo com análise da McKinsey.
O ritmo de mudança nos mercados agrícolas está acelerando e o descompasso entre líderes e retardatários continua aumentando. A vantagem competitiva não estará mais na criação de novos dashboards, mas sim na reinvenção dos fluxos de trabalho por agentes de IA integrados a modelos preditivos e de otimização baseados em técnicas de machine learning já consolidadas. Esses agentes são capazes de reduzir os ciclos de decisão de dias para horas, enquanto mecanismos de proteção com governança humana preservam a segurança, a confiabilidade e os controles internos. A construção de uma base sólida, fundamentada na agilidade organizacional, permitirá que as empresas continuem evoluindo no futuro à medida que novas tecnologias e mudanças moldam a agricultura global. Embora ainda seja incerto como evoluirão as capacidades dos modelos de IA mais avançados, traders e agroindústrias que investirem desde já em dados robustos de alta qualidade, modelos analíticos interoperáveis e modelos operacionais ágeis estarão mais bem posicionados para obter os melhores resultados com IA.