Quem realmente define o preço do seu Big Mac? IA, algoritmos e o custo da conveniência
À medida que a inteligência artificial aprende quanto os consumidores estão dispostos a pagar, um hambúrguer tão familiar levanta questões incômodas sobre a formação de preços, a concorrência e o futuro do atendimento ao cliente.
AI‑Talks.org | 12 de outubro de 2026 | Aproximadamente 5 minutos de leitura
Gosto de Big Mac. Da experiência, nem tanto.
Tenho uma confissão a fazer: gosto de Big Mac. Sei perfeitamente que não é nenhuma obra-prima da gastronomia, mas há algo de familiar e ocasionalmente irresistível naquela combinação de pão, carne, queijo e molho especial. Meu entusiasmo, entretanto, raramente se estende à experiência de pedir um.
No Brasil, considero a experiência no McDonald’s cada vez mais frustrante. Não gosto dos totens de autoatendimento, com sua sucessão de telas, opções e tentativas de me vender alguma coisa a mais. O que antes era uma simples interação com um funcionário transformou-se em um pequeno exercício de navegação por uma interface digital. E, pelo menos na minha experiência, a qualidade do atendimento frequentemente deixa muito a desejar. Às vezes me pergunto se a tecnologia está realmente facilitando minha vida ou simplesmente transferindo para mim parte do trabalho da empresa.
Como alguém que acompanha há anos a evolução da inteligência artificial e da automação, reconheço a eficiência que a tecnologia pode proporcionar. Mas também acredito que o progresso tecnológico deveria melhorar a experiência das pessoas que supostamente se beneficiam dele, e não apenas otimizar as operações de uma empresa.
Agora, revelações recentes sobre o uso de inteligência artificial pelo McDonald’s para recomendar preços em seus cardápios me deram mais um motivo para reconsiderar a economia por trás do meu ocasional Big Mac.
Quando o algoritmo sabe quanto você está disposto a pagar
Em 29 de setembro de 2026, a Reuters publicou uma investigação revelando como o McDonald’s vem utilizando cada vez mais algoritmos de aprendizado de máquina para recomendar preços em seus restaurantes nos Estados Unidos e em determinados mercados internacionais.
O sistema analisa informações provenientes de milhões de transações, condições dos mercados locais, preços dos concorrentes e estimativas de quanto os consumidores estão dispostos a pagar. Seu objetivo é recomendar aquilo que a empresa descreve como um preço ideal para cada item do cardápio em cada restaurante.
Um exemplo particularmente revelador veio de Fresno, na Califórnia. A Reuters constatou que dois restaurantes McDonald’s administrados diretamente pela empresa, separados por aproximadamente três quilômetros, cobravam US$ 5,69 e US$ 6,89 pelo mesmo Big Mac — uma diferença de cerca de 21%.
É importante destacar que a Reuters não conseguiu determinar se o algoritmo foi responsável por essa diferença. Os preços sempre variaram entre estabelecimentos por razões legítimas, incluindo aluguel, custos trabalhistas e concorrência local. Ainda assim, o exemplo ilustra a crescente sofisticação com que as empresas podem analisar diferenças geográficas no comportamento dos consumidores.
O princípio econômico subjacente é relativamente simples. A formação tradicional de preços frequentemente começa com os custos de produção, aos quais se acrescenta uma margem de lucro. A precificação algorítmica pode ir consideravelmente além, estimando como a demanda responde às alterações de preço.
Um modelo econômico simplificado expressa o lucro como:
π(p) = (p − c)Q(p)
Aqui, p representa o preço de venda, c corresponde ao custo variável por unidade e Q(p) é a quantidade que se espera que os consumidores comprem àquele preço.
A parte difícil é estimar Q(p). Quantos consumidores continuarão comprando um Big Mac se seu preço aumentar cinquenta centavos de dólar? Quantos deixarão de comprá-lo se o aumento for de um dólar? O aprendizado de máquina pode ajudar as empresas a inferir essas relações a partir de grandes volumes de transações históricas.
Isso não representa necessariamente uma prática econômica negativa. Estimativas mais precisas da demanda também podem justificar preços menores, descontos direcionados e cardápios mais acessíveis. A preocupação surge quando a sofisticação das informações disponíveis ao vendedor se torna tão superior àquela do consumidor que a precificação passa a se parecer cada vez mais com um exercício de extrair o máximo que cada pessoa está disposta a pagar.
Da otimização à fixação algorítmica de preços?
A controvérsia tornou-se consideravelmente mais séria em 5 de outubro, quando a Reuters informou que o McDonald’s havia sido alvo de uma proposta de ação coletiva de abrangência nacional nos Estados Unidos.
A ação alega que seu sistema de precificação assistido por inteligência artificial facilita a coordenação ilegal entre franqueados, ao combinar informações comerciais sensíveis e gerar recomendações de preços. Isso levanta uma questão interessante no âmbito do direito concorrencial: empresas que deveriam tomar decisões independentes sobre seus preços podem, na prática, acabar coordenando suas decisões por meio de um algoritmo comum?
O McDonald’s rejeita as acusações. A empresa sustenta que suas ferramentas oferecem recomendações opcionais e que os franqueados mantêm a autoridade para determinar seus próprios preços. O processo continua em andamento, e as alegações ainda não foram comprovadas judicialmente.
Essa distinção é importante. Utilizar inteligência artificial para analisar a demanda não constitui, por si só, evidência de combinação de preços. Empresas independentes podem legitimamente empregar modelos estatísticos sofisticados para decidir quanto cobrar. O problema jurídico surge quando os sistemas de precificação facilitam formas proibidas de coordenação ou enfraquecem a concorrência efetiva.
Existe também um conflito sutil de incentivos entre a administração central do McDonald’s e seus franqueados. A corporação pode preferir preços mais baixos, capazes de aumentar o volume de transações, enquanto cada operador precisa considerar seus próprios custos operacionais e margens de lucro. Um algoritmo pode recomendar tanto preços menores quanto maiores, dependendo dos objetivos que lhe forem atribuídos.
É precisamente por isso que considero a expressão preço ideal um tanto enganosa. Ideal para quem? Para a corporação, para o franqueado ou para o consumidor? Esses objetivos não são necessariamente idênticos.
Seu próximo Big Mac está observando você?
Outra preocupação merece atenção, embora não deva ser confundida com aquilo que efetivamente foi demonstrado sobre o McDonald’s.
Em janeiro de 2025, a Comissão Federal de Comércio dos Estados Unidos (FTC) publicou resultados de uma investigação sobre aquilo que denomina surveillance pricing, ou precificação baseada em vigilância: a utilização de informações pessoais, hábitos de navegação, localização e outras características dos consumidores para influenciar os preços ou ofertas apresentados a cada indivíduo.
Imagine dois consumidores entrando no mesmo restaurante, pedindo a mesma refeição e descobrindo que um algoritmo calculou preços diferentes com base em sua avaliação dos respectivos comportamentos de compra.
Tecnicamente, essa discriminação de preços pode ser facilmente implementada no comércio digital. Economicamente, ela amplia práticas de diferenciação de preços que existem há séculos. O que muda é a precisão, a escala e a possível falta de transparência do processo.
Não existe, entretanto, evidência nas reportagens aqui discutidas de que o McDonald’s esteja utilizando seu sistema de precificação nos Estados Unidos para cobrar preços diferentes de consumidores individuais com base em seus perfis pessoais. O sistema documentado recomenda preços principalmente no nível de cada restaurante e produto. Tampouco essas reportagens demonstram que o mesmo sistema de precificação esteja sendo utilizado nos restaurantes brasileiros.
Ainda assim, essa evolução levanta uma questão legítima: à medida que as empresas coletam informações cada vez mais detalhadas sobre os consumidores, onde devemos estabelecer a fronteira entre a inteligência de mercado legítima e a exploração da assimetria de informações?
Eficiência para quem?
Isso me traz de volta aos totens de autoatendimento do McDonald’s no Brasil. Reconheço que eles podem ser convenientes: alguns consumidores os preferem, e os pedidos digitais podem reduzir erros e filas quando os sistemas funcionam adequadamente. Não sou contrário à tecnologia, muito menos à automação. O que me incomoda é perceber que, cada vez mais, a eficiência das empresas parece ter prioridade sobre a experiência dos clientes.
O que antes era uma simples conversa com um atendente transformou-se em uma sequência de telas, menus, ofertas adicionais e confirmações. Parte do trabalho anteriormente realizado por funcionários foi transferida ao próprio consumidor, que agora precisa selecionar produtos, personalizar pedidos, corrigir eventuais erros e concluir o pagamento. Quando esse processo é acompanhado por filas, poucos funcionários disponíveis e atendimento insatisfatório, fica difícil perceber onde está o benefício para o cliente.
Mas existe uma dimensão menos visível nessa transformação: os totens não são apenas interfaces de atendimento. Eles também podem funcionar como instrumentos de coleta de dados. Embora não sejam necessariamente sistemas de inteligência artificial, podem alimentar algoritmos capazes de analisar hábitos de consumo, preferências, horários de compra e respostas a promoções. Dependendo de sua configuração e integração com aplicativos, sistemas de pagamento e câmeras, as informações coletadas podem até ser associadas a nomes, contas pessoais ou imagens dos consumidores. Isso não significa que todos os estabelecimentos utilizem reconhecimento facial ou identifiquem individualmente seus clientes, mas demonstra o potencial dessas tecnologias para construir perfis de consumo cada vez mais detalhados.
E aqui surge uma conexão importante com a precificação algorítmica discutida anteriormente. Quanto mais uma empresa conhece os hábitos de seus consumidores, maior pode ser sua capacidade de prever a demanda, direcionar ofertas e estimar quanto diferentes grupos estão dispostos a pagar. A coleta de dados não implica necessariamente discriminação individual de preços, mas fornece parte da infraestrutura informacional que pode tornar essas estratégias possíveis.
Por isso, quando prefiro fazer meu pedido diretamente a um atendente e pagar em dinheiro, não estou apenas evitando a irritação de navegar por inúmeras telas. Estou também procurando limitar a quantidade de informações pessoais associadas à minha compra. Naturalmente, a transação continua registrada, e câmeras de segurança podem captar minha imagem. Pagar em dinheiro tampouco garante anonimato, especialmente quando utilizamos aplicativos de fidelidade ou fornecemos outros dados pessoais. Ainda assim, sem esses vínculos adicionais, torna-se mais difícil associar automaticamente uma compra à identidade financeira e ao histórico de consumo de determinado cliente.
Em uma economia na qual nossos dados pessoais possuem crescente valor comercial, pagar em dinheiro também pode ser uma pequena escolha em favor da privacidade.
Resta, então, uma questão econômica fundamental: para onde vão os ganhos proporcionados pela automação? São repassados aos consumidores na forma de preços menores? Reinvestidos em melhores serviços e condições de trabalho? Ou predominantemente incorporados às margens de lucro? Não podemos responder sem evidências, mas considero legítimo exigir que as empresas demonstrem os benefícios de suas inovações para os clientes com o mesmo entusiasmo com que apresentam aos acionistas seus ganhos de produtividade.
Eis o paradoxo que mais me incomoda: desenvolvemos tecnologias extraordinariamente sofisticadas para conhecer os consumidores, prever suas decisões e otimizar quanto estão dispostos a pagar, mas nem sempre demonstramos a mesma competência para oferecer algo muito mais simples — um atendimento rápido, eficiente e agradável. Parece que estamos aprendendo cada vez mais sobre o valor econômico de cada cliente, enquanto corremos o risco de esquecer o valor de tratá-lo bem.
O futuro do hambúrguer algorítmico
Não vejo a inteligência artificial como a vilã dessa história. Modelos mais eficientes de precificação podem melhorar a gestão de estoques, reduzir desperdícios, apoiar promoções e ajudar as empresas a responder de maneira mais eficiente às mudanças nas condições econômicas. São aplicações legítimas, e descartá-las simplesmente porque envolvem algoritmos não faria muito sentido.
Minha preocupação está na distribuição de seus benefícios. Se as empresas podem utilizar inteligência artificial para compreender os consumidores melhor do que os consumidores compreendem as empresas, a transparência e a concorrência efetiva tornam-se cada vez mais importantes. Os clientes devem saber quais preços estão pagando, as empresas devem preservar uma independência real nas decisões em que a legislação concorrencial assim exige, e a personalização não deve se transformar em desculpa para uma discriminação de preços pouco transparente.
Acima de tudo, a automação deveria ser avaliada não apenas pela eficiência que produz, mas também pela qualidade da experiência que proporciona.
Provavelmente continuarei comendo meu Big Mac de vez em quando. Gostaria apenas de poder pedi-lo sem precisar negociar com uma tela sensível ao toque, receber um atendimento decente e pagar em dinheiro um preço determinado em um mercado genuinamente competitivo.
E, se o McDonald’s consegue desenvolver algoritmos sofisticados o suficiente para estimar exatamente quanto estou disposto a pagar por um hambúrguer, talvez pudesse dedicar um pouco dessa engenhosidade tecnológica a algo mais modesto: fazer com que a experiência de comprar um Big Mac volte a ser agradável.
Referências
1. Cunningham, W. (2026, September 29). Inside McDonald’s push to have AI price your Big Mac. Reuters. Read article.
2. Reuters. (2026, October 5). McDonald’s hit with class action alleging AI-powered menu price-fixing. Read article.
3. Reuters. (2026, October 8). AI pricing lawsuit against McDonald’s raises new antitrust questions. Read article.
4. Associated Press. (2026, October 6). McDonald’s sued over AI tool that recommends prices to US franchisees. Read article.
5. Federal Trade Commission. (2025, January 17). FTC surveillance pricing study indicates wide range of personal data used to set individualized consumer prices. Official FTC report.
Maurício Veloso Brant Pinheiro, PhD
Professor of Physics, Federal University of Minas Gerais (UFMG)
Founder, Author and Editor, AI-Talks.org
About Us
Editorial transparency note: This article, as with all articles published on this site, was conceived, directed, written, and reviewed by Prof. Maurício Veloso Brant Pinheiro. Artificial intelligence was used as an assistant for editorial refinement, formatting, image generation, SEO metadata, and publication workflow.
Copyright 2026 AI-Talks.org
