A conclusão de antemão: o fracasso de um projeto de IA é um problema de organização, não de tecnologia
Em três anos e sete projetos de IA em armazéns — verificação por visão, previsão de demanda, despacho de AGV — nenhum morreu por motivos técnicos. Seis morreram por motivos organizacionais: o CEO aprovou mas o chão de fábrica não usava, ninguém era dono dos dados, os KPIs brigavam entre si, o treinamento foi uma formalidade, e um piloto não conseguiu escalar.
É por isso que este artigo não é sobre tecnologia. Cinco armadilhas, cada uma com uma história que vivi e uma checklist que você pode copiar palavra por palavra. Quando um projeto de IA fracassa, audite a organização antes de auditar a tecnologia.
Armadilha 1: O mandato do CEO que ninguém no chão segue
Já vi isso três vezes.
Outono de 2024. Um 3PL de vestuário. O CEO viu uma demo de verificação por visão numa cúpula e assinou na hora: mais de 40 câmeras em 28 estações de embalagem. Semana um: 11% dos pedidos sinalizados. Semana três: os operadores começaram a cobrir as câmeras com papelão — cada alerta significava 2 minutos de reconferência, cerca de uma hora extra não paga por pessoa por dia no pico.
Mais da metade das câmeras estava coberta antes de percebermos. O CEO disse "façam eles usarem"; os supervisores disseram "venham fazer vocês mesmos". Duas semanas de impasse — projeto morto.
Foi assim, exatamente, que trouxemos ele de volta:
- Converta os 2 minutos extras em dinheiro. Um pedido enviado errado custa de 5 a 7 dólares para corrigir (frete de devolução, atendimento, reenvio); a reconferência de 2 minutos custa menos de 0,30 dólar em salários. Colamos essa comparação em cada estação.
- Mude o salário, não as pessoas. Os operadores ganhavam por peça. Adicionamos a conformidade de verificação à fórmula: equipes de alta conformidade ganhavam 8% a mais por peça. O papelão sumiu no dia seguinte.
- Coloque o chão na checklist do go-live. Antes do relançamento, três veteranos processaram 200 pedidos à mão, etiquetando cada falso positivo. A taxa caiu de 11% para menos de 4% — aí eles assinaram.
Checklist de prevenção: antes do go-live, responda três perguntas — ① custa tempo do chão ou economiza? ② Se custa tempo, é compensado em dinheiro? ③ O chão já mexeu nisso antes do lançamento? Uma sem resposta — não entra no ar.
Armadilha 2: Dados sem dono, modelos alimentados com lixo
Início de 2025. Um distribuidor de alimentos queria que a IA de previsão baixasse as rupturas de 6% para menos de 3%. Os dados pareciam completos: três anos de vendas, um calendário de promoções, transações de estoque.
Dois meses depois, o modelo travou. A auditoria: quatro meses de vendas de 2023 digitados à mão retroativamente, o calendário de promoções sem as ofertas regionais (estavam no app de chat do gerente de vendas), 12% dos ajustes sem códigos de motivo.
Pior ainda — ninguém era dono dos dados. A TI culpava o negócio, o negócio culpava o sistema, o CEO culpava a gente. Seis semanas de jogo de empurra, depois pausa. De todas as causas de fracasso de um projeto de IA, dados órfãos são a mais cara — sempre aparecem no meio do projeto, depois que a maior parte do orçamento já foi gasta.
Agora todo contrato que escrevo inclui uma cláusula de dono dos dados:
- Item um da checklist de go-live: nomeie o dono dos dados. Não o departamento de TI — uma pessoa específica do negócio, nome no documento do projeto, com uma linha de KPI: completude dos campos-chave ≥ 98%.
- Primeiro audite, depois modele. A primeira semana é só auditoria: amostre três meses, cheque cada campo por taxas de ausência e consistência. Campos com mais de 15% de ausência são recuperados ou cortados.
- Orce a limpeza como linha própria. Regra prática: a limpeza é de 30% a 40% do esforço total de um projeto de IA. Se não for uma linha separada na proposta, vocês vão discutir por causa dela depois.
Armadilha 3: KPIs em conflito mandam as recomendações da IA para o lixo
A armadilha mais sorrateira — na superfície tudo parece bem.
- Um 3PL de autopeças implantou reposição com IA: recomendações diárias às 8h, 82% de acurácia no teste. Um mês depois, a adoção era de 23% — o líder dizia que as quantidades "não batiam com a minha experiência".
O líder era medido pela taxa de ruptura; compras pelo giro de estoque. A IA recomendava mais estoque de segurança — as rupturas caíam, o giro sofria. Pressionado no meio, o líder ignorou a maioria das recomendações. KPIs medem resultados, não "se você ouviu a IA".
Já vi isso três vezes, mesmo roteiro: a IA otimiza para o objetivo global, mas o KPI de cada pessoa é um objetivo local. O que é ótimo globalmente parece sabotagem localmente.
O único conserto: alinhar os KPIs antes do go-live.
- Desenhe um mapa de conflitos de KPI. Liste cada papel que a IA toca; marque se cada recomendação ajuda ou prejudica o KPI dele. Os conflitos ficam óbvios na hora.
- Dê um nome formal à "taxa de adoção de IA". Coloque-a na avaliação trimestral do líder: adoção ≥ 70%, rejeições fundamentadas excluídas, peso de 10%. O suficiente para colocar "ouvir a IA" na linguagem da avaliação.
- Estabeleça um período de proteção de 30 dias. No primeiro mês, as oscilações de KPI causadas pelas recomendações da IA não contam. Sem isso, o chão desliga o sistema no primeiro dia.
Armadilha 4: Treinamento de formalidade transforma o sistema em decoração
O treinamento típico de IA: na véspera do go-live, duas horas de slides do fornecedor, o chão no celular, folha de presença assinada. Pronto. E depois nada.
Verão de 2025. Um armazém de e-commerce de cosméticos implantou planejamento de ondas com IA, mirando 15% menos deslocamento dos separadores. Duas semanas depois: só 3% a menos. Os separadores ignoravam as ondas do sistema e montavam por instinto — "o treinamento foi rápido demais". Eles nunca tinham clicado em "montar onda com um clique": medo de clicar errado e levar a culpa.
Não é um problema de pessoas; é um problema de design do treinamento. Meu padrão agora:
- Sem slides — mãos no teclado. Regra de go-live: cada operador completa 20 pedidos inteiros na prática. Mais de 3 erros, sem liberação. Folhas de presença não valem; provas práticas contam.
- Publique uma política de "pode errar o clique". As duas primeiras semanas são período de teste: erros de clique não são punidos, a equipe do projeto está no local. O medo bloqueia mais que a preguiça.
- Mantenha um "tradutor" por turno. Um veterano respeitado por equipe aprende primeiro, depois ensina os outros. O chão faz aos colegas perguntas que jamais faria a um fornecedor.
Armadilha 5: O piloto dá certo, e então nada escala
Fuja das quatro primeiras e esta ainda está esperando.
Final de 2024. O DC regional de uma rede de supermercados rodou um belo piloto de previsão: rupturas de 5,2% → 2,8%, ovação de pé na conferência do grupo, o CEO mandou rolar para os 12 DCs. Um ano depois, 2 estavam no ar.
O gerente do piloto era cedido e foi embora. Os dados do piloto foram limpos à mão durante três meses; ninguém limpou o resto. Cada DC tinha mixes e ritmos diferentes — os parâmetros precisavam de reajuste, ninguém agendou. E a grande: a equipe foi desfeita. Um "projeto piloto" não tem headcount, não tem orçamento, não tem dono.
Conclusão contraintuitiva: um piloto bem-sucedido é às vezes onde o fracasso de um projeto de IA começa — a direção assume que "o modelo está provado" e subestima o custo organizacional da réplica. Copiar tecnologia é Ctrl+C; copiar uma organização é fundar uma startup de novo.
- Escreva o plano de réplica quando constituir o piloto. O DC nº 1 pilota, os DCs nº 2–3 começam quando, quem é responsável, qual é o orçamento — tudo na carta. Um piloto sem plano de réplica é uma demo.
- Converta a equipe do piloto em equipe permanente. Mantenha o núcleo de 2–3 pessoas como equipe de implantação com headcount e orçamento dedicados. Doze DCs a 6–8 semanas cada um é um ano de trabalho.
- Documente o manual "um DC, um ajuste". Quais parâmetros são universais, quais precisam de reajuste por DC, o procedimento padrão de reajuste. Sem isso, cada DC novo reaprende as mesmas lições.
O autocheque das cinco armadilhas: checklist da noite do go-live
Uma tabela. Imprima, marque cada caixa na noite do go-live. Alguma caixa desmarcada — não entra no ar:
| # | Armadilha | Pergunta do autocheque | Padrão de aprovação |
|---|---|---|---|
| 1 | O chão não usa | O sistema custa tempo do chão ou economiza? | O tempo extra é compensado em dinheiro; o chão testou à mão |
| 2 | Dados órfãos | Quem é o dono dos dados — nome no documento? | Pessoa nomeada, ligada ao KPI, auditoria antes de modelar |
| 3 | KPIs em conflito | Os KPIs dos papéis que a IA toca entram em conflito? | Mapa de conflitos desenhado, adoção nas avaliações, proteção de 30 dias |
| 4 | Treinamento de formalidade | Quantos pedidos cada operador processou à mão? | ≥20 pedidos; 3+ erros significa sem liberação |
| 5 | Não replica | Plano de réplica, equipe, orçamento, manual — os quatro? | A carta tem um capítulo de réplica; equipe de implantação com pessoal |
Uma última coisa sobre o fracasso de um projeto de IA
Quando a autópsia diz "a tecnologia não estava madura", nove em dez vezes a causa real não foi escrita. Problemas de organização não são vergonhosos — metas desalinhadas, dados sujos, KPIs em conflito são naturais. Voltar a cair no mesmo buraco pela terceira vez é.
Cada uma dessas cinco covas, já vi pelo menos três vezes. Espero que você não veja nenhuma.
Por Lin Xiao, consultor de implementação de WMS
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
