Desde 2024, uma divisão interessante surgiu nas frotas regionais de entrega. De um lado, os sistemas de otimização de rotas com IA estão se espalhando rapidamente, com as páginas dos fornecedores prometendo menos quilometragem e menos tempo na estrada. Do outro, despachantes com uma década ou mais de ofício olham as rotas que o sistema produz e balançam a cabeça — a rota parece mais curta no papel, dizem eles, mas não necessariamente será percorrida mais rápido. A divergência merece ser levada a sério, porque a verdadeira questão não é se a tecnologia funciona. É o que a otimização de rotas realmente economiza, e o dinheiro de quem ela economiza.
Comecemos com um cálculo aproximado baseado em premissas declaradas. Tomemos uma frota regional que faz 40 entregas por dia com 12 caminhões, cada caminhão rodando em média 180 quilômetros por dia. Se a otimização de rotas com IA realmente reduzisse a quilometragem em 8 por cento, a frota economizaria cerca de 173 quilômetros por dia, ou cerca de 4,500 quilômetros por mês em uma escala de 26 dias. Com um custo operacional aproximado por quilômetro, isso soma vários milhares de dólares por mês — uma quantia significativa ao longo de um ano. O problema é que o número de 8 por cento vem de fornecedores que medem em condições ideais. Quando entram em cena as variáveis do mundo real — esperas de descarga, janelas de recebimento dos clientes, pedidos de última hora — as contas ficam bem menos favoráveis.
A otimização de rotas no papel nem sempre é a mais rápida na estrada
Na segunda metade de 2024, um distribuidor regional no leste da China implantou um sistema de despacho com IA. As rotas que ele produzia eram de fato mais curtas no papel: a quilometragem total caiu, e o tempo teórico de direção caiu junto. Mas depois de três meses, a taxa de pontualidade da frota havia piorado. A análise posterior foi instrutiva. O sistema otimizava a distância no mapa, mas nunca levava em conta as esperas de descarga. O armazém do cliente A só aceitava dois caminhões de manhã, e o sistema programou três na mesma janela — o terceiro caminhão esperou mais de uma hora no portão. A janela de recebimento do cliente B era das 2 às 3 p.m., mas o sistema mandou um caminhão de manhã para economizar quilometragem, e o motorista simplesmente teve de esperar.
Isso aponta para uma distinção fundamental. A otimização de rotas com IA otimiza a distância no mapa. Um despachante veterano otimiza a certeza dentro das janelas de horário. O que o despachante carrega na cabeça não é um mapa — é qual cliente pode descarregar a que horas, qual portão de armazém congestiona, qual estrada fica intransitável depois das 3 p.m. Nenhum sistema gera esse conhecimento sozinho. Tudo precisa ser alimentado, entrada por entrada, por um humano. Até que isso aconteça, quanto mais «ótimas» as rotas do sistema parecem, mais tempo de espera elas podem criar na prática.
Outro caso ilustra o ponto ainda melhor. Um despachante com 12 anos de ofício certa vez trocou a ordem de dois clientes cujas janelas de recebimento conflitavam. O sistema sinalizou a nova rota como um desvio — uma dúzia de quilômetros a mais. Mas depois da troca, nenhum caminhão precisou esperar no portão de um cliente, economizando 40 minutos de tempo parado entre os dois. A quilometragem subiu, o tempo caiu, e um motorista até conseguiu encaixar uma entrega extra naquele dia. Por quilometragem, a decisão perdia dinheiro. Por tempo, ganhava. O problema é que muitos painéis de otimização de rotas com IA só medem a quilometragem, não a espera.
Como colocar a experiência no sistema de otimização de rotas, em três passos
Isso nos leva a uma pergunta prática: como o conhecimento na cabeça de um despachante veterano realmente entra em um sistema de IA? Pelo que vi nas frotas que fazem isso bem, resume-se a três passos.
O primeiro passo é estruturar. Não tentem fazer tudo de uma vez. Comecem anotando os três tipos de informação mais valiosos: quanto tempo cada cliente leva para descarregar, a janela de recebimento de cada cliente e quais trechos de estrada congestionam a que horas. O despachante dedica dez minutos no fim de cada dia para anotar as exceções do dia. Depois de um mês, isso já é uma base sólida de conhecimento local.
O segundo passo é validar. Não implantem as rotas do sistema em toda a frota de uma vez. Façam um despachante veterano acompanhar as novas rotas por duas semanas, avaliando-as diariamente em comparação com o que realmente aconteceu na estrada. Fiquem com o que o sistema acertou, sinalizem o que ele errou — e cada sinalização é mais dados para alimentar. O pior erro nesta fase é confiar cegamente no sistema e ter medo de corrigi-lo quando ele sai do rumo.
O terceiro passo é manter as pessoas. Depois que o sistema entra em operação, o papel do despachante não desaparece — ele muda. Em vez de planejar rotas todos os dias, o despachante revisa as rotas e preenche as lacunas dos dados. O resultado que toda frota deveria temer é este: três anos depois da entrada em operação, o veterano se aposentou, o novo contratado só sabe clicar com o mouse e ninguém se lembra de como a estrada deve ser percorrida. A tecnologia pode ser atualizada. O julgamento precisa ser transmitido por uma pessoa.
Quando confiar no sistema, quando confiar no veterano
Com base no que observei nos últimos dois anos, a linha divisória é na verdade bastante clara. Aqui está um modelo para decidir:
| Situação | O sistema de IA se sai melhor | A experiência do veterano se sai melhor |
|---|---|---|
| Rotas | Rotas fixas, alto volume, muitas paradas | Pedidos frequentes de última hora, rotas que mudam diariamente |
| Janelas de horário dos clientes | Janelas flexíveis, ajustáveis | Janelas rígidas que conflitam entre si |
| Complexidade das estradas | Rede simples, congestionamento previsível | Obras, restrições, congestionamento sazonal |
| Base de dados | Dados de clientes e tempos de descarga já estruturados | O conhecimento prático ainda está na cabeça das pessoas, não no sistema |
Este modelo aponta para uma conclusão contraintuitiva: o maior valor da otimização de rotas com IA talvez não seja produzir rotas mais ótimas, mas transformar o conhecimento do despachante veterano em um ativo que toda a frota possui. Os ganhos reais aparecem depois que os despachantes alimentam, entrada por entrada, esse tipo de conhecimento como «qual cliente pode descarregar a que horas». E o maior risco corre na direção oposta — não que o sistema calcule uma rota errada, mas que a frota perca gradualmente a capacidade de planejar rotas. Quando o veterano se aposenta, a experiência vai embora com ele, e o sistema fica com um algoritmo que nunca foi devidamente alimentado.
Então, o que a otimização de rotas realmente economiza? A resposta honesta depende de onde sua frota está. Para uma frota com rotas fixas e dados completos, a economia de quilometragem é real. Para uma frota com janelas de horário complexas e experiência que ainda não entrou no sistema, a primeira coisa a economizar é o tempo de espera, não a quilometragem. Os números de economia anunciados pelos fornecedores podem servir de referência, mas tomá-los diretamente como o retorno esperado é uma boa maneira de se decepcionar.
A verdadeira questão nesta disputa não é quem vence. Os sistemas continuarão ficando mais fortes — isso é uma tendência. Mas se a experiência sobrevive é uma escolha da própria frota. A otimização de rotas com IA e o despachante veterano não são uma questão de um ou outro. São uma questão de como colocar o segundo dentro do primeiro. Respondam bem a isso, e o que vocês economizarão não será apenas dinheiro com combustível — será aquilo que uma frota menos pode se dar ao luxo de perder: pessoas que sabem como a estrada deve ser percorrida.
Por Dr. Chen, Pesquisador em cadeia de suprimentos Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.







