Resumo

Avaliar a confiabilidade, sensibilidade e eficácia dos modelos de Inteligência Artificial Generativa na priorização de bairros para abertura de negócios, comparando recomendações com e sem dados estruturados, tomando Porto Alegre como estudo de caso para uma tomada de decisão territorial.

O estudo busca preencher lacunas sobre uso de IA generativa no geomarketing, oferecendo análise empírica comparativa de modelos LLM. Assim, destacando o potencial dessas ferramentas para decisões territoriais, integrando dados estruturados e inferências qualitativas de contextos presentes no ambiente urbano.

Aplicação de prompts a dois modelos de IA em cenários com e sem dados estruturados por bairro. Análise comparativa baseada nos critérios de confiabilidade, sensibilidade à informação e eficácia, comparando respostas aos indicadores oficiais e tradicionais ao geomarketing.

Ambos os modelos geraram recomendações coerentes e bem alinhadas com as práticas de geomarketing, mesmo que tenham alterado as indicações ao receberem dados estruturados. O ChatGPT-4o adotou abordagem quantitativa ponderada, enquanto o DeepSeek-V2 combinou análise quantitativa com filtros qualitativos e consistência contextual.

Amplia evidências sobre a integração de IA generativa em Sistemas de Apoio à Decisão Espacial. Demonstra abordagens distintas de raciocínio em LLMs, propondo critérios de avaliação para decisões territoriais e destacando sensibilidade das IAs à qualidade e organização dos dados.

Oferece subsídios para gestores e consultores utilizarem IA generativa como apoio a decisões de localização, potencializando análises de mercado, identificando oportunidades e complementando métodos tradicionais de geomarketing com interpretações qualitativas e contextuais dos territórios.

To assess the reliability, sensitivity, and effectiveness of ChatGPT-4o and DeepSeek-V2 in prioritizing neighborhoods for new business openings, comparing recommendations with and without structured data, using Porto Alegre as a geomarketing case study.

The study addresses a gap on generative AI use in geomarketing, offering an empirical comparative analysis of LLM models. It highlights these tools’ potential for territorial decisions by integrating structured data and qualitative inferences in urban market contexts.

Standardized prompts were applied to two AI models in scenarios with and without neighborhood-level structured data. Comparative analysis used criteria of reliability, information sensitivity, and efficacy, employing official indicators and geomarketing methods.

Both models generated recommendations aligned with geomarketing practices, even thought changing outputs when given access to structured data. ChatGPT-4o adopted a weighted quantitative approach, while DeepSeek-V2 combined quantitative analysis with qualitative filters and contextual consistency.

Expands evidence on integrating generative AI into Spatial Decision Support Systems. Demonstrates distinct LLM reasoning approaches, proposes evaluation criteria for territorial decisions, and highlights AI sensitivity to the quality and organization of data.

Provides managers and consultants with insights on using generative AI to support location decisions, enhancing market analysis, identifying opportunities, and complementing traditional geomarketing methods with qualitative and contextual interpretations of territories.