Em 2026, quase todos os fornecedores de software para armazéns falam de agentes de IA. Nos vídeos de demonstração, o agente se comporta como um despachante incansável: chegam os pedidos e ele agenda as ondas; o estoque cai e ele gera ordens de reposição; um motorista atrasa e ele remarca o agendamento no dock. Ao ver uma demonstração, é fácil concluir que a era da execução autônoma no armazém já chegou. Mas entre essa impressão e a realidade há várias lacunas que ainda não foram cruzadas. Este artigo tenta algo simples: pegar os dados públicos, abrir essas lacunas e contar quantos passos restam entre os agentes de IA no armazém que respondem perguntas e os que agem por conta própria.
Comece pelos dados: entusiasmo real, pouso incerto
Segundo a previsão da Gartner de junho de 2025, mais de 40% dos projetos de IA agêntica serão cancelados até o final de 2027, tendo como principais causas a escalada de custos, o valor de negócio pouco claro e controles de risco inadequados. Isso é uma previsão, não um fato consumado.
A mesma previsão contém outro conjunto de números que vale a pena colocar ao lado. A Gartner espera que, até 2028, pelo menos 15% das decisões diárias de trabalho sejam tomadas de forma autônoma por meio de IA agêntica, ante quase zero hoje; e que, até 2030, 60% das empresas que usam software de gestão da cadeia de suprimentos tenham adotado recursos de IA agêntica, ante 5% em 2025. Uma análise do setor citando a Gartner acrescenta que, até o final de 2026, 40% das aplicações empresariais integrarão agentes de IA específicos para tarefas, ante menos de 5% em 2025.
Os dados de adoção do lado do armazém mostram a mesma lacuna. Segundo um estudo de 2025 do MIT e da Mecalux cobrindo mais de 2,000 profissionais da cadeia de suprimentos, mais de 60% dos armazéns implementaram alguma forma de IA ou aprendizado de máquina, e quase 90% operam em níveis de automação além do básico. Mas "usar IA" e "deixar um agente executar de forma autônoma" são duas propostas diferentes. A primeira significa principalmente previsão, reconhecimento e recomendação. A segunda exige que um sistema reescreva instruções reais de trabalho sem que ninguém aprove cada passo. A distância entre elas é exatamente os poucos passos de que trata este artigo.
As implantações reais de hoje se concentram na camada de coordenação, não no núcleo de execução. A parceria entre a DHL Supply Chain e a HappyRobot é um caso representativo: agentes de IA cuidam do agendamento de compromissos, das ligações de acompanhamento com motoristas e da coordenação prioritária do armazém por telefone e e-mail — trabalho de coordenação repetitivo e regido por regras. O sistema ORION da UPS analisa mais de um bilhão de pontos de dados por dia para orquestrar as rotas de entrega de pacotes, novamente um caso de calcular uma resposta ótima e executar uma ação pré-definida. A Amazon integra agentes de IA diretamente nas operações dos centros de fulfillment, gerenciando posições de estoque, otimização do espaço nas prateleiras, separação de pedidos e coordenação de robôs. Esses casos provam que os agentes já podem trabalhar onde as regras são explícitas e as metas são mensuráveis. Não provam que um agente possa decidir sozinho onde as regras são ambíguas e os riscos são altos.
Uma escala de maturidade para os agentes de IA no armazém: de L1 a L4
Para julgar "quantos passos restam", a autonomia primeiro precisa ser dividida em graus. Com base nas abordagens de classificação comumente usadas no setor, aqui está um framework de quatro níveis:
| Nível | Forma | O que o agente pode fazer | Onde fica a pessoa | Exemplo no armazém |
|---|---|---|---|---|
| L1 | Resposta a perguntas | Responder perguntas, consultar dados, gerar relatórios | A pessoa pergunta, a pessoa decide | "Qual foi a taxa de erro de separação na semana passada?" |
| L2 | Consultor | Analisar dados, apresentar recomendações classificadas | A pessoa escolhe, a pessoa executa | Três planos de onda com prós e contras |
| L3 | Execução com confirmação | Redigir ações, executar somente após aprovação humana | A pessoa é o portão de aprovação | Ordem de reposição gerada, o supervisor confirma antes da liberação |
| L4 | Execução autônoma com salvaguardas | Executar dentro das regras, escalar exceções automaticamente | A pessoa supervisiona, cuida apenas das exceções | Ondas noturnas agendadas automaticamente, pedidos acima do limite encaminhados à equipe |
De L1 a L2 é um passo de capacidade: a qualidade das recomendações depende da qualidade dos dados. De L2 a L3 é um passo de confiança: a disposição das pessoas de entregar ações redigidas por máquina depende da precisão das recomendações passadas. De L3 a L4 é um passo de responsabilidade: a execução autônoma significa que alguém arca com o custo de um erro, e esse alguém hoje só pode ser uma pessoa. A maioria dos armazéns está hoje entre L1 e L2, alguns pilotos tocaram L3, e L4 existe apenas em cenários estreitos onde as regras são extremamente claras e os riscos muito baixos.
Quatro lacunas antes que os agentes de IA no armazém possam agir sozinhos
A primeira lacuna é a maturidade técnica. Para que um agente execute de forma autônoma, ele precisa fazer três coisas ao mesmo tempo: entender o objetivo, chamar as ferramentas e verificar o resultado. O objetivo é entendido por meio do modelo, as ferramentas são chamadas por meio das interfaces do sistema, e o resultado é verificado por meio de releitura e checagens. O elo mais fraco dos três são as interfaces: muitos armazéns operam WMS, TMS e sistemas de controle de equipamentos sem uma interface unificada chamável por máquina entre eles, de modo que um agente que quer mudar uma onda precisa atravessar primeiro três ou quatro silos de dados. O servidor MCP da Opendock, no ar desde junho de 2026, permite que qualquer agente de IA compatível com MCP agende, modifique, cancele e consulte agendamentos de dock diretamente — um avanço direcional, mas que cobre os agendamentos de dock, não o núcleo de execução dentro do armazém.
A segunda lacuna são as permissões e as salvaguardas. Um agente executando de forma autônoma está gastando dinheiro e reescrevendo planos em nome de alguém: uma reposição automática errada pode significar um caminhão cheio de estoque parado; uma reprogramação de onda errada pode desorganizar o ritmo de separação de todo um turno da noite. As salvaguardas precisam ser construídas antes de conceder a autonomia: tetos de valor, tetos de quantidade, janelas de tempo, SKUs na lista negra, reversão automática. Autonomia sem salvaguardas não é inovação; é perda de controle.
A terceira lacuna é o lugar do supervisor humano. L4 não remove as pessoas do armazém; ele as move para a supervisão: observar painéis, lidar com exceções, auditar periodicamente os registros de decisão do agente. Mas a supervisão em si exige uma nova capacidade: um supervisor precisa conseguir ver por que o agente agendou uma onda dessa forma, pará-lo depois de três decisões ruins seguidas, e distinguir "o agente estava errado" de "os dados estavam errados". Segundo uma pesquisa da Gartner com 782 líderes de infraestrutura e operações no final de 2025, entre os que relataram contratempos, 38% citaram a má qualidade dos dados ou a disponibilidade limitada de dados como causa direta — a primeira coisa que um supervisor geralmente precisa supervisionar não é o agente, mas os dados alimentados a ele.
A quarta lacuna é o livro de custos. O custo de um agente não é apenas uma taxa única de implementação; inclui as chamadas contínuas ao modelo, a manutenção das interfaces, a mão de obra de supervisão e as reservas de salvaguarda. Considere as contas (exemplo ilustrativo): se um armazém de médio porte deixa um agente assumir o agendamento das ondas noturnas, os custos mensais de modelo e interface ficam em torno de 8,000 yuans, enquanto a mão de obra de agendamento noturno economizada é de cerca de 1.5 hora por dia; a 40 yuans por hora, isso economiza cerca de 1,800 yuans por mês — um prejuízo no papel. Somente quando o mesmo agente também cuida do aconselhamento de reposição, dos pedidos de exceção e da coordenação de agendamentos é que o custo pode se espalhar por tarefas suficientes para atingir o ponto de equilíbrio. Um agente de ponto único raramente se paga; um agente agrupado talvez consiga.
Um julgamento sobre o cronograma: minha visão
Juntando tudo, meu julgamento é o seguinte. Em 2026 e 2027, os agentes de IA consultivos de nível L2 no armazém se tornarão padrão no software de armazém, e a "execução com confirmação" de L3 entrará em pilotos em três cenários — reposição, agendamentos e pedidos de exceção. Antes do final de 2027, a taxa de cancelamento de 40% prevista pela Gartner se materializará em grande parte, e os sobreviventes serão principalmente projetos que estreitaram o escopo e construíram salvaguardas reais. Até 2028, o número de 15% de decisões autônomas tem mais chance de ser alcançado na camada de coordenação do que no núcleo de execução — agendamentos, reagendamentos, acompanhamento de motoristas, notificações de exceção — em vez da reescrita automática dos planos de separação. A genuína execução autônoma de L4, acredito, só se tornará rotina em cenários estreitos, de regras claras e risco controlado, por volta de 2030, o que corresponde aproximadamente à previsão da Gartner de que 60% das empresas que usam software de cadeia de suprimentos terão adotado recursos de IA agêntica até então.
Esse julgamento deixa uma pergunta em aberto: se as interfaces chamáveis por máquina entre o WMS e os sistemas de equipamentos se tornarem amplamente padronizadas antes de 2027, a primeira lacuna desmoronará mais rápido do que o esperado e todo o cronograma se adiantará; inversamente, se os problemas de qualidade de dados continuarem arrastando, até a disseminação de L3 será atrasada. A história dos agentes de IA no armazém, em última análise, não é sobre o quão espertos são os modelos, mas sobre se a base do armazém — dados, interfaces, regras de salvaguarda — está pronta. Se a base não estiver pronta, por mais esperto que seja o agente, ele só poderá ficar no posto de responder perguntas e observar o armazém trabalhar.
Por Dr. Chen, Pesquisador da cadeia de suprimentos Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.







