Seu primeiro piloto de IA não deve ser o projeto mais chamativo da apresentação do fornecedor. Esse é o meu veredicto, e ele vem de ver armazéns aprenderem isso da maneira mais cara. O trabalho de um primeiro piloto não é provar que a IA é poderosa. É provar, à equipe de chão e ao chefe ao mesmo tempo, que isso pode funcionar no nosso armazém sem tornar o dia mais difícil. Um primeiro piloto de IA que falha na confiança custa mais do que o software. Custa também o segundo e o terceiro pilotos, porque ninguém os financiará.
Vi isso acontecer dos dois jeitos. Primeiro a versão ruim. Há alguns anos, um armazém de fulfillment de e-commerce escolheu a otimização inteligente de ondas como seu primeiro projeto de IA. Parecia impressionante: o sistema montaria as ondas, planejaria os trajetos e programaria a mão de obra automaticamente. Na primeira semana, uma promoção mudou o mix de pedidos, e o algoritmo dividiu vários SKU de alto giro entre ondas diferentes. Os separadores percorreram distâncias extras, os supervisores anularam o plano à mão e, depois de duas anulações, o chão simplesmente parou de seguir as sugestões do sistema. O projeto ainda estava nominalmente em execução, mas na prática tinha sido arquivado. O algoritmo não era burro. O piloto tinha escolhido um cenário com quase nenhuma tolerância a erro: erre uma onda uma vez, e o armazém inteiro sente.
A versão boa veio de um armazém de tamanho semelhante no mesmo período. Seu primeiro piloto fazia exatamente uma coisa: ler os documentos de entrega recebidos. Antes do piloto, a equipe de recebimento copiava à mão nomes de produtos, quantidades e números de lote da papelada do fornecedor para o sistema, facilmente um quarto de hora por entrega, com frequentes erros de linhas copiadas. O piloto fotografava o documento, reconhecia os campos e mostrava o resultado a uma pessoa para confirmação antes de escrever qualquer coisa. Em duas semanas, o tempo de lançamento de documentos tinha caído acentuadamente e, mais importante, a equipe de recebimento queria usá-lo — porque, quando o sistema errava algo, eles podiam corrigir na hora, sem retrabalho. O dinheiro economizado foi modesto. A confiança conquistada, não. Pela primeira vez, o armazém inteiro sentiu que a IA estava ali para ajudar, não para dar mais trabalho.
Não comece pelo primeiro piloto mais chamativo
Um primeiro piloto precisa passar em três testes rigorosos, e se falhar em qualquer um deles, escolha outro tema. Primeiro, os erros devem ser recuperáveis: se o sistema sugerir algo errado, uma pessoa pode perceber e corrigir na hora, sem um embarque errado ou uma reserva errada. Segundo, ele deve ficar ao lado do processo principal, e não exigir a reconstrução de todo o processo do armazém antes. Terceiro, a mudança deve ser visível em duas semanas: menos tempo, menos erros ou menos viagens desperdiçadas, em termos concretos ditos por quem faz o trabalho. Um projeto que falha nesses testes não é um projeto ruim. É um mau primeiro projeto.
Por esse critério, várias categorias devem esperar. Qualquer coisa em que o sistema decida diretamente — trajetos de separação, atribuição automática de tarefas, mudanças automáticas de preço — deve esperar. Qualquer grande projeto de previsão que precise primeiro limpar os dados do armazém inteiro deve esperar. Qualquer coisa que toque promessas ao cliente, prazos de embarque ou liquidação financeira deve esperar. O problema não é que esses cenários não tenham valor. É que um erro custa caro demais para ser o lugar onde a confiança é construída.
Três candidatos de baixo risco e alta visibilidade para um primeiro piloto
Três tipos de cenário atendem ao padrão de baixo risco e alta visibilidade, na ordem em que eu os consideraria. O primeiro é a leitura de documentos e informações: fotografar notas de entrega, etiquetas de caixas e comprovantes de devolução, reconhecer os campos e deixar uma pessoa confirmar antes que qualquer coisa seja escrita. A tecnologia é madura, os erros são interceptados antes de surtirem efeito, e recebimento e devoluções a usam todos os dias, então o chão sente a diferença imediatamente.
O segundo são os alertas de anomalias: estoque baixo, um SKU sem movimento há dias, um lote próximo do vencimento, uma posição em que o estoque contábil e o físico divergem há semanas. O sistema apenas alerta. Não age. Um alerta errado custa um olhar. Um alerta certo poupa o supervisor de ficar encarando relatórios. A vantagem dessa categoria é que ela não tira o trabalho de ninguém. Ela assume parte da vigilância deles.
O terceiro é a verificação de previsões em pequena escala: comparar o volume de saída previsto pelo sistema para amanhã com o plano de pessoal montado manualmente, apenas como referência, nunca como a escala em si. Quando a previsão acerta, o supervisor começa a consultá-la voluntariamente. Quando erra, ninguém embarca o pedido errado por causa dela. Essa categoria permite à gerência ver o julgamento do sistema sem ter de pagar pelos seus erros.
Qual dos três escolher depende de onde o armazém mais sofre. Se o recebimento está sufocado pela papelada, escolha o primeiro. Se os supervisores passam o dia correndo atrás de relatórios, escolha o segundo. Se a escala de pessoal e a preparação ainda são feitas no feeling, escolha o terceiro. E aqui está o julgamento contraintuitivo: o primeiro piloto mais valioso muitas vezes não é o que mais economiza dinheiro. É o que o chão mais quer continuar usando. Um piloto que economiza muito, mas que ninguém usa, custará uma segunda rodada de persuasão quando você tentar ampliá-lo. Um piloto que o chão pede para manter já está meio ampliado.
Avaliando o piloto em 30, 60 e 90 dias
Um primeiro piloto de IA deve ser avaliado em três etapas, e não em uma única revisão após três meses. Aos 30 dias, pergunte se ele é utilizável: o sistema é estável, o chão realmente o usa, e as pessoas conseguem corrigir seus erros rapidamente? Se qualquer um desses três falhar, pause e corrija em vez de forçar mais. Aos 60 dias, pergunte se ele é útil: em comparação com antes do piloto, pelo menos um entre tempo de lançamento de documentos, tempo de detecção de anomalias ou contagem de erros deve ter realmente melhorado, em um valor que você possa expressar como número, mesmo que o número seja modesto. Aos 90 dias, pergunte se ele pode ser ampliado: o mesmo cenário pode rodar em outra família de produtos, outro turno ou outro armazém sem grande retrabalho? Um piloto que não pode ser ampliado, por melhores que pareçam seus números, é uma vitrine, não uma base.
Escreva os critérios de sucesso antes de assinar qualquer coisa com um fornecedor, e escreva-os como critérios que uma pessoa possa verificar: qual taxa de precisão de reconhecimento, qual parcela dos alertas que se revelam genuinamente úteis, quantas vezes por dia o chão realmente usa o sistema. Os números mostrados em uma demonstração do fornecedor precisam ser testados novamente com seus documentos, sua iluminação e seu mix de produtos. A precisão em um ambiente de demonstração geralmente cai em um armazém real, e isso não é enganação. Armazéns reais são simplesmente mais bagunçados do que demonstrações.
Então aqui está a pergunta para levar de volta ao seu armazém: se você pudesse escolher apenas um cenário para o seu primeiro piloto de IA, escolheria aquele que fica bem no relatório do chefe, ou aquele que faz a equipe de recebimento chegar em casa meia hora mais cedo? Na minha experiência, os armazéns que escolhem o segundo chegam a ter um segundo e um terceiro piloto. Os armazéns que escolhem o primeiro muitas vezes descobrem que o primeiro piloto foi também o último. Conquiste primeiro a confiança do chão e depois mostre os números ao chefe. Não inverta essa ordem.
Por Lao Mi, Veterano da cadeia de suprimentos (20 anos) Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.









