A otimização de slotting com IA no armazém está silenciosamente transferindo um dos julgamentos mais antigos do setor — onde cada SKU pertence — dos cérebros dos veteranos para os modelos algorítmicos. Todo armazém que estudei tem um veterano assim: um supervisor que consegue olhar para um produto novo e dizer seu corredor e nível por instinto. Como pesquisador, o que me interessa não é a tecnologia em si, mas o que essa migração revela sobre as restrições subjacentes do setor.
O fenômeno: o slotting migra dos cérebros para os modelos
Com base em estudos de caso de fornecedores publicados e relatórios do setor, a otimização de slotting com IA normalmente ingere três tipos de dados: dados históricos de linhas de pedido (quais SKUs tendem a aparecer no mesmo pedido), dados mestres de SKU (dimensões, peso, velocidade, classe ABC) e o layout físico da instalação (comprimentos de corredores, alturas de faces de picking, posições de equipamentos). A saída é um conjunto de recomendações de slotting: quais SKUs merecem a zona dourada de picking, quais deveriam ficar juntos, e quais itens lentos deveriam ser realocados para fora.
Acompanhei dois casos com detalhe público suficiente para serem instrutivos. O primeiro envolve um 3PL americano de médio porte que fez um piloto em 2024 num centro de fulfillment de e-commerce de aproximadamente 20,000 metros quadrados na Califórnia. Eles alimentaram 12 meses de histórico de linhas de pedido num modelo de slotting, que recomendou realocar cerca de 15 por cento dos SKUs — principalmente puxando itens frequentemente pedidos juntos para corredores adjacentes. Em 3 meses de implementação, a instalação reportou uma redução significativa, de dois dígitos, na distância percorrida pelos separadores, junto com menor tempo de busca na etapa de verificação. O segundo caso vem de um centro de distribuição de peças automotivas europeu, onde o problema não era a distância percorrida, mas a má localização: componentes pesados continuavam sendo sugeridos para níveis altos de prateleira, forçando os separadores a subir e descer das empilhadeiras repetidamente. Uma vez que as restrições de peso e ergonomia foram adicionadas à função objetivo do modelo, essas recomendações "tecnicamente ótimas, operacionalmente desajeitadas" caíram drasticamente. Ambos os casos apontam para a mesma conclusão: o valor do algoritmo não é que ele calcule mais rápido, mas que pode otimizar conjuntamente entre restrições — velocidade, afinidade, peso, ergonomia — que uma mente humana só consegue equilibrar duas ou três de cada vez.
Os dados: o teto de desempenho é definido pela qualidade dos dados, não pelo algoritmo
Os materiais de marketing dos fornecedores adoram citar ganhos de eficiência impressionantes, e meu conselho é descontar cada número antes de levá-lo a sério. Dos casos documentados publicamente que revisei, a melhoria na eficiência de picking geralmente cai na faixa baixa de dezenas de por cento — tratem isso como uma ordem de grandeza, não uma promessa. Mais iluminador que qualquer número é uma comparação de como as três gerações de lógica de slotting realmente diferem na prática:
| Dimensão | Intuição do veterano | Motor de regras (ABC / velocidade) | Recomendações algorítmicas de IA |
|---|---|---|---|
| Base de decisão | Memória pessoal e instinto | Uma ou poucas métricas estáticas | Otimização conjunta entre muitas restrições |
| Escala de SKU tratada | Centenas — além disso, a cobertura quebra | Dezenas de milhares, mas as regras são estáticas | Centenas de milhares, recalculados dinamicamente |
| Resposta a mudanças de demanda | Detectada por humanos, com semanas de atraso | Ciclo fixo (p. ex., trimestral) de re-slotting | Recomendações contínuas, semanais ou até diárias |
| Tratamento de exceções | Forte — a experiência cobre as lacunas | Falha onde as regras não alcançam | Depende dos dados; dados sujos produzem maus conselhos |
| Custo oculto | O conhecimento sai pela porta com a rotatividade | Regras rígidas quebram na alta temporada | Sobrecarga de governança de dados e manutenção do modelo |
A última linha é a que importa. Na minha observação, menos de um terço das falhas de projetos de slotting com IA remonta ao algoritmo em si; mais de dois terços morrem nos dados. Dimensões e pesos ausentes nos mestres de SKU, devoluções e transferências poluindo o histórico de pedidos, mestres de localização que já não correspondem à realidade física — o modelo come dados sujos e emite recomendações em que ninguém confia, e uma vez que o pessoal de chão perde a fé nas sugestões, o projeto está efetivamente morto. A conclusão prática para quem avalia a otimização de slotting com IA é auditar primeiro os dados e ver a demo do modelo depois — porque o que determina o sucesso aqui é precisamente o trabalho fundacional que nunca foi feito na década anterior à chegada da IA.
A atribuição: por que agora? Três condições amadureceram de uma vez
A matemática da otimização de slotting não é nova — a pesquisa operacional a estuda há décadas. Então por que o slotting com IA só aterrissa nos últimos dois anos? Vejo três condições recém-amadurecidas. Primeiro, o custo da computação e da engenharia de algoritmos caiu o suficiente para que otimizar conjuntamente 100,000 SKUs passasse de "inacessível" para "roda de noite". Segundo, os dados de WMS se acumularam além de um limiar crítico — muitos armazéns agora têm 3 a 5 anos contínuos de histórico de linhas de pedido, o combustível mínimo para treinar relações de co-ocorrência e padrões sazonais. Terceiro, e o mais fácil de negligenciar, a estrutura do trabalho mudou: supervisores veteranos estão se aposentando, a rotatividade aumenta, e o conhecimento tribal está evaporando sozinho. As empresas estão sendo forçadas a mover o conhecimento dos cérebros para os sistemas. Removam qualquer uma dessas três condições, e o slotting com IA continua sendo um conceito de slide.
O julgamento de tendência: uma leitura contraintuitiva do slotting com IA, e um horizonte de três anos
Eis o julgamento contraintuitivo: no curto prazo, os armazéns que mais ganham com a otimização de slotting com IA não são os que têm os melhores supervisores veteranos, mas instalações médias com os dados mais limpos e os processos mais padronizados. O raciocínio se apoia em dois pontos. Primeiro, a vantagem do algoritmo é a otimização conjunta entre muitas restrições, enquanto a vantagem do veterano é o tratamento intuitivo de exceções — em armazéns com estruturas de SKU estáveis e padrões de pedido previsíveis, a primeira vence decisivamente; em instalações com rotatividade constante de SKU e caos impulsionado por promoções, a segunda continua insubstituível por enquanto. Segundo, grandes DCs flagship já colheram a maior parte da fruta baixa com motores de regras caseiros há anos, então o ganho marginal da IA ali é modesto; os armazéns médios que sempre fizeram slotting à mão, mas têm dados decentes, veem a maior melhoria de primeira vez.
Nessa base, eis como leio os próximos três anos. De 2026 a 2027, a forma dominante será híbrida: regras mais machine learning, com o algoritmo propondo e os humanos confirmando — humano no loop como modo operacional padrão. De 2027 a 2028, à medida que gêmeos digitais de armazém se tornarem comuns, o slotting passará de recomendações estáticas para validação simulada: rodar primeiro o layout proposto numa instalação virtual, verificar distância percorrida e congestionamento, depois executar. Depois de 2028, o aprendizado online genuíno poderá amadurecer — localizações se ajustando continuamente conforme a demanda muda. Mas cada marco desse cronograma depende da mesma corda: a governança de dados. Se a precisão do mestre de SKU de um armazém nem sequer chega a 80 por cento, então cada etapa descrita acima é, para aquela instalação, um castelo no ar.
O que me deixa com uma pergunta aberta mais que uma conclusão: à medida que os algoritmos assumem sistematicamente decisões como onde as mercadorias deveriam viver, qual se torna a competência central de um gerente de armazém? É entender melhor os algoritmos — ou entender como alimentá-los com dados limpos e como julgar se uma recomendação é realmente executável? Minha observação é que este último está se tornando um novo tipo de capacidade escassa: não escreve código, mas determina se a saída do código tem algum valor. E cultivar essa capacidade pode se provar mais lento, e mais difícil, que implantar qualquer modelo de IA.
Por Dr. Chen, pesquisador de cadeia de suprimentos
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
