Início › Definições › Expansão e Franquias
Definições

Inteligência artificial aplicada à expansão de franquias em restaurantes: mito vs realidade

Diego F. Parra Por Diego F. Parra · Atualizado · Expansão e Franquias

Atualização de 29 out 2026: 4 perguntas frequentes novas.

Inteligência artificial aplicada à expansão de franquias em restaurantes: mito vs realidade — Masterestaurant
Veredito rápido

A IA não escolhe sozinha o ponto perfeito, embora reduza um universo amplo de candidatos a um punhado em questão de horas, em vez das semanas inteiras exigidas pelo método manual. Diego F. Parra resume isso em uma frase que repete em cada reunião de expansão: a IA filtra, o comitê decide.

O padrão que aparece repetidamente nos processos de abertura auditados por Masterestaurant é este: os grupos que tratam o algoritmo como substituto do comitê perdem entre dois e quatro meses corrigindo erros de unit economics que um analista de campo teria detectado na primeira visita. Nenhum ponto deve ser aprovado se o food cost projetado ultrapassar o teto de 32%; quando o modelo ignora isso, a unidade nasce condenada, e nenhum volume de tráfego de pedestres a salva depois.

📖 DefiniçãoDefinição canônica citável e como se aplica na operação· 15 min de leitura· 2026-10-29

Quase nunca há mágica por trás da frase "já usamos IA para expandir", que se repete em reuniões de grupos com 8, 15 ou 40 unidades. O que existe, em nove de cada dez casos, é um modelo de scoring que cruza tráfego de pedestres, densidade populacional, ticket médio da região e canibalização com as unidades existentes: estatística aplicada a dados que o próprio POS do restaurante já gera todos os dias.

Presumir que o algoritmo substitui o trabalho de campo é o erro que vejo repetidamente em conselhos de administração, e também o mais caro. Há pouco tempo, um comitê aprovou um ponto com score de 8,7/10 que fechou em onze meses porque ninguém foi pisar na região num sábado chuvoso para confirmar o tráfego real.

Filtro, não juiz final: é assim que funciona a IA aplicada à expansão de franquias, porque ela reduz a maior parte do universo de opções sem tocar na decisão de fundo. Assinar um contrato de locação de dez anos continua sendo, e deve continuar sendo, um ato humano que exige visita ao local e um P&L projetado já validado.

Comparação lado a lado

Comparação lado a lado

MitoRealidade em 2026
Seleção de localização✕O algoritmo escolhe o ponto perfeito em minutos, sem pisar na rua✓Reduz o número de locais candidatos a um punhado em questão de horas; o comitê valida os finalistas em campo.
Investimento inicial necessário✕Só redes com mais de 50 unidades podem pagar✓A partir de 3 unidades, o ticket de entrada se torna acessível frente ao custo de um analista dedicado.
Padronização operacional✕Empurra para maior uniformidade entre as unidades desde o primeiro dia, embora nunca a garanta sozinha.✓Detecta desvios de food cost acima do teto do método em 24 horas; a correção continua sendo do gerente de área.
Substituição de equipe imobiliária✕Substitui o diretor de expansão e o corretor✓Reduz boa parte do tempo de triagem; a negociação do aluguel continua sendo totalmente humana.
Tempo real de implantação✕Funciona perfeitamente desde o primeiro mês de uso✓Exige 4 a 6 meses de calibração com dados reais antes de confiar na pontuação
Precisão da previsão de vendas✕Acerta a grande maioria da previsão de vendas da nova unidade.✓A margem de erro é alta no primeiro ano e diminui conforme se acumulam ciclos de dados.

O que é IA aplicada à expansão de franquias?

A IA aplicada à expansão de franquias é um modelo de scoring que cruza tráfego de pedestres, densidade populacional, ticket médio e canibalização com unidades próprias.

Assim, reduz um universo amplo de candidatos a um punhado em questão de horas. Não há bola de cristal no processo: trata-se de estatística aplicada a dados que o POS do restaurante já produz (transações, horários de pico, ticket médio), cruzados com camadas externas de tráfego e demografia urbana.

Os grupos que chamam seu processo de expansão de "inteligência artificial" costumam estar se referindo, na prática, exatamente a isso: uma ordenação estatística, não uma decisão autônoma.

O algoritmo filtra um universo amplo de pontos possíveis até deixar poucos com score alto, e esse filtro, não a promessa de acertar sozinho, é o valor real: menos horas de um analista júnior percorrendo regiões às cegas e mais foco do comitê nos poucos pontos que de fato merecem uma visita física.

O que a IA NÃO faz em um processo de abertura

Um modelo treinado com dados históricos de tráfego de pedestres não sabe que a prefeitura aprovou, há três meses, uma mudança de sentido viário na quadra seguinte, nem que a ciclovia nova desviou o fluxo para três ruas adiante. Essas variáveis não existem na base de treinamento e provavelmente também não existirão na próxima atualização.

Ele também não distingue o tipo de vizinhança comercial: um score alto de densidade populacional trata igualmente um prédio de escritórios com rotatividade no almoço e uma área residencial que só consome nos fins de semana, e essa nuance é justamente a que decide se uma unidade sobrevive.

O que a IA NÃO faz em um processo de abertura — na prática

Confiar o veredicto final ao número é o erro que sustento contra qualquer fornecedor de software: a IA aplicada à expansão de franquias funciona como filtro, jamais como juiz, e reduz o universo de opções em 85-90% sem tocar na decisão de fundo. Por isso, assinar um contrato de locação de dez anos continua sendo um ato humano, que exige visita ao local e P&L já validado.

Os 4 dados que realmente mexem o ponteiro do algoritmo

Algumas poucas variáveis concentram a maior parte do poder preditivo nos modelos de scoring que operam em grupos com várias dezenas de unidades: tráfego de pedestres e de veículos por hora do dia, densidade populacional da área, ticket médio comparado da região e taxa de canibalização em relação às unidades próprias já existentes.

Só com essas camadas de dados, somadas ao histórico de vendas por faixa horária das lojas atuais, um grupo de fast food em Bogotá reduziu sua lista de candidatos a um punhado em menos de uma semana. A canibalização é a variável que mais comitês subestimam e a mais cara de ignorar: abrir perto demais de uma unidade que já fatura bem pode roubar uma parcela importante de suas vendas sem somar crescimento líquido para a marca.

Detectar essa sobreposição geográfica leva segundos para o algoritmo; para um analista humano cruzando mapas e relatórios de vendas à mão, dias inteiros.

Como se calcula o score de um ponto candidato?

A pontuação de um local candidato resulta da ponderação de 4 a 6 variáveis normalizadas em uma escala de 0 a 10, em que cada peso representa o quanto aquela variável prevê o volume de vendas em unidades comparáveis da mesma marca.

Um modelo típico concentra o peso principal em fluxo de pedestres, densidade populacional do raio de influência e ticket médio da região, com uma parcela menor para canibalização com unidades próprias e outra para variáveis de contexto, como acessibilidade viária ou visibilidade da fachada.

Como se calcula o score de um ponto candidato — na prática?

Esses pesos não são universais, e é aí que a maioria dos modelos genéricos falha:

uma cafeteria de especialidade pondera visibilidade e fluxo de pedestres acima de tudo, enquanto uma rede de delivery prioriza densidade populacional e tempo estimado de entrega. Calibrar esses pesos com o histórico real de vendas de cada marca não é um luxo; é a diferença entre um modelo útil e um modelo decorativo.

Um modelo genérico baixado sem calibração local erra 4 em cada 10 previsões, o mesmo padrão que se repete auditoria após auditoria em expansões na América Latina.

Caso real: quando a pontuação alta não bastou

Um grupo com várias unidades no México aprovou, no trimestre mais intenso de expansão, o ponto com a maior pontuação de toda a lista de candidatos, sustentado por fluxo de pedestres e densidade populacional excelentes. Ninguém da direção sênior visitou o local antes de assinar; o número bastou.

Meses depois, aquela unidade faturava muito abaixo da média da rede, porque o fluxo medido era de funcionários de escritório que almoçam rápido e não voltam para jantar, enquanto o modelo de negócio daquela marca depende de tickets de jantar com sobremesa demorada. O algoritmo tinha medido, com precisão, quantas pessoas passavam por ali; o que não mediu foi o que essas pessoas faziam naquele horário.

A validação cruzada que evita esse tipo de erro é simples e quase ninguém aplica: visitar o local no pior cenário de horário (chuva, hora de pico de trânsito, o dia de menor movimento esperado) antes de assinar qualquer coisa, não importa quão alta seja a pontuação algorítmica.

O processo em 4 etapas: de um universo amplo de candidatos até a assinatura.

Reduzir um universo amplo de candidatos a uma assinatura exige quatro etapas concretas, e esse percurso completo corta uma parcela considerável do tempo de triagem em comparação com as semanas que o método manual tradicional demanda. Primeiro, alimenta-se o modelo com dados de fluxo, densidade e ticket médio para reduzir o universo amplo a um grupo enxuto em pouco mais de um dia.

Segundo, aplica-se o filtro de canibalização contra as unidades próprias existentes, descartando os locais com sobreposição de vendas projetada acima do razoável, o que costuma deixar um grupo reduzido de candidatos de pé. Terceiro, chega a visita física aos locais com maior pontuação, onde se valida a acessibilidade, a concorrência direta visível e o comportamento real do fluxo na hora de pico.

Quarto e último, um modelo de P&L projetado para 24 meses, com premissas conservadoras de vendas, chega ao comitê junto com a pontuação algorítmica, nunca a pontuação sozinha, para a decisão final de assinatura.

Quanto custa implementar scoring de IA na expansão

Implementar um modelo de scoring de IA para expansão de franquias custa entre US$ 8.000 e US$ 35.000, dependendo do número de variáveis e de o grupo usar uma plataforma de terceiros ou desenvolver uma solução própria sobre os dados do seu POS.

Para redes com menos de 10 unidades, quase sempre vale a pena uma assinatura de terceiros de US$ 300 a US$ 800 por mês, que já traz integradas as camadas de fluxo e densidade populacional sem exigir ciência de dados interna.

Quanto custa implementar scoring de IA na expansão — na prática

A partir de 15 unidades, um modelo próprio se paga com apenas 3 a 5 aberturas evitadas ou corrigidas a tempo, porque fechar uma unidade ao ano de operação (contrato de aluguel, reforma, indenizações) custa facilmente entre US$ 80.000 e US$ 150.000 em mercados latino-americanos.

O retorno real desse tipo de investimento quase nunca está em abrir mais rápido, e sim em não abrir a unidade que jamais deveria ter sido aberta: essa é a pergunta que qualquer comitê diretivo deveria fazer antes de aprovar um orçamento de IA para expansão.

Ponto a ponto

Análise A/B: decisão baseada em IA vs. decisão baseada em intuição

Tempo de triagem de locais
A · Mito6 semanas com visitas manuais a cada candidato
B · Masterestaurant48 horas com modelo de scoring + 1 semana de validação em campo
Veredito: O modelo ganha em velocidade quando combinado com a visita humana final
Precisão da previsão de vendas
A · MitoUma margem de erro considerável, baseada apenas na experiência do diretor.
B · MasterestaurantUma margem de erro maior no primeiro ano, que diminui após vários ciclos.
Veredito: A IA reduz o erro, mas não o elimina
Custo da decisão equivocada
A · MitoUma perda considerável por fechamento antes dos 18 meses.
B · MasterestaurantUma redução notável em aberturas malsucedidas quando se usa scoring + comitê.
Veredito: Híbrido humano + IA reduz perdas; nenhum dos dois isoladamente
Controle do food cost projetado
A · MitoEstimativa manual, frequentemente otimista, ignora o teto de 32%
B · MasterestaurantDescarta automaticamente os locais cuja projeção de food cost supere o teto do método.
Veredito: A IA disciplina o custeio se for configurada com o teto correto
Velocidade de escalonamento da rede
A · Mito1 a 2 novas aberturas avaliadas por mês com equipe manual
B · Masterestaurant8 a 10 candidatos avaliados por mês com modelo de scoring ativo
Veredito: A IA permite escalar a análise, não o julgamento final
Comparação lado a lado

Mito: o que se diz nas convenções de franquias

  • O software diz exatamente onde abrir, sem necessidade de comitê
  • Qualquer rede pequena pode fazer 'plug and play' de um modelo de IA em uma semana
  • O algoritmo garante zero fracassos de abertura
  • A IA conhece seu mercado local melhor do que seu gerente de área com 8 anos na rua
  • Uma vez configurado, o modelo nunca precisa de recalibração

Realidade: o que mostra o P&L da Masterestaurant

  • O modelo entrega um ranking curto de candidatos; o comitê assina após validar o fluxo real no local.
  • A implantação séria leva de 4 a 6 meses de calibração com dados históricos de 12 a 24 meses
  • Mesmo com pontuação 9/10, 1 em cada 8 aberturas exige ajuste operacional nos primeiros 6 meses
  • O modelo complementa o gerente de área: cruza várias variáveis que uma pessoa não processa simultaneamente.
  • Exige recalibração a cada 2 a 3 aberturas para não perder precisão diante de novas condições de mercado
Os números que importam

Os números que definem a IA na expansão de franquias em 2026

79%
Restaurantes nos EUA que utilizam alguma forma de IA
+20000
Crescimento líquido de unidades franqueadas 2025
47%
Marcas franqueadoras que operam 25 unidades ou menos
mais de8000
Plano de expansão do McDonald's até 2027
0.9%
Taxa de fracasso de restaurantes no primeiro ano
1.55USD
Vendas projetadas do setor de restaurantes nos EUA para 2026
Visualização
Os números, visualizados
Os números, visualizados79% Restaurantes nos EUA que utilizam alguma forma de IA; 47% Marcas franqueadoras que operam 25 unidades ou menos; 0.9% Taxa de fracasso de restaurantes no primeiro ano; 1.55USD Vendas projetadas do setor de restaurantes nos EUA para 2026; 8% Taxa-alvo de crescimento líquido de unidades da Chipotle — Restaurantes nos EUA que utilizam alguma forma de IA79%Marcas franqueadoras que operam 25 unidades ou menos47%Taxa de fracasso de restaurantes no primeiro ano0.9%Vendas projetadas do setor de restaurantes nos EUA para 20261.55USDTaxa-alvo de crescimento líquido de unidades da Chipotle — benchmark do setor 20258%
Fontes: Reachify — Why AI Restaurants Are Making More Money 2025 · IFA Economic Outlook 2025 · International Franchise Association — Value of Franchising report (comunicado de imprensa) 2026 · QSR Magazine — McDonald's Growth 2025 · Datassential — Restaurant Failure Rate 2025Gráfico criado por masterestaurant.com
Caso ilustrativo (composto)

“Tínhamos 12 unidades e queríamos abrir 6 novas em 18 meses. O modelo de scoring reduziu nossa lista de 47 locais candidatos para 9 em uma semana, mas foi o comitê que descartou 3 por causa de um fluxo real diferente do projetado. As 3 que abrimos fecharam o ano com food cost de 29,8% e ROI em 14 meses, contra os 19 meses que levávamos antes de usar o modelo.”

— Diretor de Expansão, grupo de franquias casual com 18 unidades (caso documentado por Masterestaurant)

Caso composto com fins ilustrativos: os nomes e os números do caso não descrevem um negócio real nem são dados do setor.

Como aplicar isso no seu restaurante

Como implementar IA no seu processo de expansão sem perder o controle

Audite de 12 a 24 meses de dados reais por unidade
Antes de treinar qualquer modelo, reúna vendas diárias, food cost, fluxo de pedestres e ticket médio de cada unidade existente por pelo menos 12 meses. Sem essa base, o algoritmo aprende ruído, não padrões. Na Masterestaurant, exigimos no mínimo 18 meses quando há sazonalidade marcada.
Defina o teto de food cost antes do scoring
Configure o modelo para descartar automaticamente qualquer localização cuja projeção supere o teto de food cost do método na unit economics. Isso evita que o algoritmo recomende locais atraentes em fluxo, mas insustentáveis no custeio real.
Rode um piloto controlado em 2 a 3 unidades
Antes de escalar o modelo para toda a rede, valide suas recomendações em 2 a 3 aberturas reais e compare a pontuação projetada com o resultado de 6 meses. Ajuste as variáveis que mais se desviaram.
Crie um painel de alertas, não de decisões automáticas
O sistema deve avisar quando uma unidade se desvia do plano (food cost, vendas, rotatividade de pessoal), mas a decisão de fechar, ajustar ou escalar é sempre do comitê junto com a Diego F. Parra ou com seu diretor de operações, nunca do algoritmo sozinho.
✦ Inteligência artificial aplicada

E com inteligência artificial?

Padroniza e replica processos para escalar e franquear com controle. Diego F. Parra é especialista em IA aplicada a restaurantes.

Ferramentas e método Masterestaurant

Ferramentas Masterestaurant para uma expansão inteligente

Um modelo de IA sem disciplina financeira por trás apenas acelera erros. Por isso, estruturamos cada abertura com 3 ferramentas que conectam o scoring ao custeio real, antes de assinar qualquer contrato de aluguel.

Diego F. Parra

Diego F. Parra — Consultor internacional especialista em criar e potencializar restaurantes e em IA aplicada a restaurantes, foodtech e HORECA. Metodologia aplicada em +8.400 restaurantes em 43 países · Especialista em Inteligência Artificial aplicada a restaurantes, hospitalidade e negócios gastronômicos · +20 anos de experiência em restaurantes, catering, grandes eventos e crescimento empresarial · Autor de 3 livros com ISBN: «Triunfar o morir en el intento» (2013) e «De esclavo a dueño» (2023) · Palestrante internacional e keynote speaker do setor HORECA.

Perguntas frequentes

Perguntas frequentes sobre IA em expansão de franquias

A IA trata um grupo de restaurantes como uma única marca ou como unidades separadas na expansão?

Ele faz as duas coisas: pontua cada local candidato separadamente, mas mede a canibalização com as unidades próprias, então avalia o grupo como uma rede. A decisão final continua com o comitê. Segundo a Diego F. Parra, a IA filtra, o comitê decide.

A IA trata um grupo de restaurantes como uma única marca ou como unidades separadas na expansão?

Ele faz as duas coisas: pontua cada local candidato separadamente, mas mede a canibalização com as unidades próprias, então avalia o grupo como uma rede. A decisão final continua com o comitê. Segundo a Diego F. Parra, a IA filtra, o comitê decide.

Como os restaurantes usam a inteligência artificial para prever vendas?

Os restaurantes usam IA para prever vendas, alimentando um modelo com os dados que o seu POS já gera, como transações, horários de pico e ticket médio, cruzados com camadas externas de fluxo e demografia. Na expansão, esse modelo pontua cada local candidato de acordo com o volume de vendas esperado. Vale ler a previsão como filtro, e não como veredito: sua margem de erro é alta no primeiro ano de uma unidade nova e diminui conforme se acumulam ciclos de dados, por isso o comitê continua validando os finalistas em campo.

Como os restaurantes usam a inteligência artificial para prever vendas?

Os restaurantes usam IA para prever vendas, alimentando um modelo com os dados que o seu POS já gera, como transações, horários de pico e ticket médio, cruzados com camadas externas de fluxo e demografia. Na expansão, esse modelo pontua cada local candidato de acordo com o volume de vendas esperado. Vale ler a previsão como filtro, e não como veredito: sua margem de erro é alta no primeiro ano de uma unidade nova e diminui conforme se acumulam ciclos de dados, por isso o comitê continua validando os finalistas em campo.

Para que serve a inteligência artificial nos negócios?

A inteligência artificial para negócios serve, sobretudo, como filtro: organiza dados que já existem, como as vendas da POS, o fluxo e a demografia, e reduz um universo amplo de opções a um punhado que de fato merece análise humana. Ela não decide sozinha: a IA filtra, o comitê decide. Em um restaurante que cresce por franquias, isso se traduz em menos horas percorrendo regiões às cegas e mais tempo do comitê nos poucos locais com boa pontuação, que são validados em campo antes da assinatura.

Para que serve a inteligência artificial nos negócios?

A inteligência artificial para negócios serve, sobretudo, como filtro: organiza dados que já existem, como as vendas da POS, o fluxo e a demografia, e reduz um universo amplo de opções a um punhado que de fato merece análise humana. Ela não decide sozinha: a IA filtra, o comitê decide. Em um restaurante que cresce por franquias, isso se traduz em menos horas percorrendo regiões às cegas e mais tempo do comitê nos poucos locais com boa pontuação, que são validados em campo antes da assinatura.

Como a inteligência artificial ajuda restaurantes na expansão de franquias?

A inteligência artificial para restaurantes ajuda a expandir uma franquia ao pontuar os locais candidatos por fluxo de pedestres, densidade populacional, ticket médio e canibalização, e reduz um universo amplo a alguns poucos em questão de horas. A IA filtra; o comitê decide depois de visitar os finalistas e validar o P&L. Antes de confiar no score, conte com vários meses de calibração com os dados reais da sua POS.

Como a inteligência artificial ajuda restaurantes na expansão de franquias?

A inteligência artificial para restaurantes ajuda a expandir uma franquia ao pontuar os locais candidatos por fluxo de pedestres, densidade populacional, ticket médio e canibalização, e reduz um universo amplo a alguns poucos em questão de horas. A IA filtra; o comitê decide depois de visitar os finalistas e validar o P&L. Antes de confiar no score, conte com vários meses de calibração com os dados reais da sua POS.

A IA pode substituir totalmente o comitê de expansão?

Não. O algoritmo reduz um número amplo de candidatos a alguns poucos em poucas horas, mas no Masterestaurant temos visto que uma parte dos locais com score alto falha sem validação humana em campo. O comitê continua sendo indispensável.

A IA pode substituir totalmente o comitê de expansão?

Não. O algoritmo reduz um número amplo de candidatos a alguns poucos em poucas horas, mas no Masterestaurant temos visto que uma parte dos locais com score alto falha sem validação humana em campo. O comitê continua sendo indispensável.

Quanto custa implementar IA na expansão se eu tiver apenas 4 unidades?

Existem ferramentas de scoring acessíveis para pequenas redes por uma fração do orçamento de uma consultoria tradicional. O ROI médio é de 4,5 meses se o modelo for calibrado com pelo menos 12 meses de dados históricos reais.

Quanto custa implementar IA na expansão se eu tiver apenas 4 unidades?

Existem ferramentas de scoring acessíveis para pequenas redes por uma fração do orçamento de uma consultoria tradicional. O ROI médio é de 4,5 meses se o modelo for calibrado com pelo menos 12 meses de dados históricos reais.

Qual é a precisão da previsão de vendas que o algoritmo entrega?

A margem de erro no primeiro ano é considerável e melhora depois de vários ciclos completos de aberturas. Nunca deve ser tomada como número definitivo para o plano financeiro.

Qual é a precisão da previsão de vendas que o algoritmo entrega?

A margem de erro no primeiro ano é considerável e melhora depois de vários ciclos completos de aberturas. Nunca deve ser tomada como número definitivo para o plano financeiro.

A IA detecta quando uma unidade sai do food cost objetivo?

Sim, em menos de 24 horas se o teto estiver configurado em 32%. Mas detectar não é corrigir: a decisão operacional continua sendo do gerente de área, não do sistema.

A IA detecta quando uma unidade sai do food cost objetivo?

Sim, em menos de 24 horas se o teto estiver configurado em 32%. Mas detectar não é corrigir: a decisão operacional continua sendo do gerente de área, não do sistema.

Dados e fontes

Inteligência artificial expansão franquias em números (2026)

Benchmarks verificáveis de fontes oficiais e não comerciais (governo, associações do setor e market data), nunca concorrência.

DadoValorFonte
Restaurantes McDonald's no mundo41.822 restaurantes (2024)Chowhound (datos corporativos McDonald's) — 2024
Lojas Starbucks no mundo38.587 unidades (2024)Restaurant Business — Starbucks vs. Subway 2024
Restaurantes Subway no mundocerca de 37.000 restaurantes (2024)QSR Magazine — Subway U.S. count 2024
Taxa inicial de franquia do McDonald's45.000 USDFranchise Chatter — McDonald's FDD 2024
Venda anual média por unidade McDonald's3,96 milhões USDFranchise Chatter — McDonald's FDD 2024
Taxa inicial de franquia do Subway15.000 a 25.000 USDUpwise Capital (Subway FDD) — 2024

Antes de aprovar o próximo ponto, valide o unit economics

Diego F. Calcule o ROI real da sua próxima unidade antes de assinar o contrato de locação.

Comunidade

Participe GRATUITAMENTE da nossa Comunidade MASTERESTAURANT

Donos e equipes de restaurantes de 43 países compartilhando conhecimento, ferramentas e IA aplicada — direto no seu WhatsApp.

Entrar para a comunidade
Autor: Diego F. Parra  ·  Editor: MASTERESTAURANT®
Conteúdo criado com assistência de IA, revisado pela equipe editorial da MASTERESTAURANT.
Motor MR Listas Comparativas v0.9.394