Em outubro de 2026, numa reunião de revisão de contagem cíclica num armazém logístico terceirizado em Ontario, Califórnia, um sistema de contagem cíclica por visão de IA em armazéns sinalizou uma divergência que calou a sala: a câmera informou dois caixas de pequenos eletrodomésticos faltando numa localização alta, enquanto o registro do sistema mostrava a localização em equilíbrio. Esse momento resume o verdadeiro problema das implantações de contagem cíclica por visão de IA em armazéns. A máquina pode contar o estoque. Não pode decidir o que uma divergência significa, se os caixas realmente sumiram, se o registro está desatualizado ou se a câmera simplesmente leu mal a cena. Esse veredito precisa vir de um conjunto de regras acordado antes de as câmeras entrarem em operação, e o armazém de Ontario acabou reescrevendo seu processo de divergências em vez de discutir a precisão da câmera.

O padrão por trás dessa reunião merece uma pausa. Com base nas minhas visitas de campo nos últimos dois anos, a contagem por visão se espalhou pelos armazéns 3PL e de comércio eletrônico norte-americanos mais rápido do que ondas anteriores de automação, porque exige muito pouco do prédio. As câmeras são montadas acima das prateleiras, os modelos começam a rodar e a contagem passa de pessoas subindo para alcançar localizações altas para máquinas que escaneiam conforme um cronograma. A parte cara da contagem cíclica nunca foi o ato de contar em si. Ela fica mais adiante, na cadeia de investigação, rechecagem, ajuste e atribuição de responsabilidade que segue cada divergência.

A câmera conta o estoque: os erros da contagem cíclica por visão de IA raramente são um só número

O caso de Ontario merece um olhar mais atento. A instalação cobre cerca de 90,000 pés quadrados e movimenta pequenos eletrodomésticos e artigos para o lar. Em setembro de 2026, instalou câmeras fixas sobre dois corredores de prateleiras altas, escaneando à noite, quando não havia picking em andamento. No primeiro mês, o sistema sinalizou 31 divergências em 240 localizações amostradas. As rechecagens manuais as classificaram em 19 leituras erradas da câmera, 7 registros desatualizados e apenas 5 discrepâncias reais de estoque. O que preocupou o gerente do armazém foi a carga de trabalho de rechecagem: cada localização sinalizada precisava ser verificada por alguém subindo até ela, e uma grande parte das horas de contagem que as câmeras haviam economizado foi direto para a rechecagem.

Um segundo armazém, perto de Dallas, Texas, conta uma história quase espelhada. Este site de comércio eletrônico que movimenta peças automotivas montou câmeras nas empilhadeiras, escaneando localizações enquanto os motoristas faziam suas rotas normais. Ao longo de três meses, escaneou mais de 4,000 localizações, e mais de sessenta por cento de suas divergências sinalizadas se concentraram em três tipos de lugar: localizações no nível do chão meio escondidas atrás de paletes, baias de canto apertadas contra as colunas e itens cuja embalagem havia mudado, de modo que os caixas já não correspondiam às fotos de referência arquivadas. A fraqueza não era o algoritmo, mas o mundo físico: os caixas ficam obstruídos, as etiquetas ficam viradas para dentro e as embalagens mudam.

Ambos os casos apontam para o mesmo diagnóstico. Os erros da contagem por visão caem em três camadas, e chegam misturados dentro de um único número de divergência. A camada superficial é o erro de reconhecimento, em que a oclusão, o brilho e as mudanças no formato dos caixas distorcem a contagem. A camada do meio é o tempo: o estoque acabou de ser movido e o registro ainda não foi atualizado, então a câmera e o sistema descrevem dois momentos diferentes. A camada mais profunda é o erro de processo, um caixa guardado na baia errada no recebimento ou retirado do nível errado, que a câmera apenas expõe. A precisão de reconhecimento citada pelo fornecedor deve, portanto, ser tratada apenas como um ponto de referência, com o desempenho real julgado no piloto de cada armazém.

As divergências da contagem cíclica por visão de IA em armazéns precisam de três categorias antes de se falar em culpa

O armazém de Ontario acabou adotando um método simples em sua estrutura: classificar primeiro, depois agir. A primeira categoria é uma leitura errada, demonstrada em conjunto pela captura de tela do sistema e pela foto da rechecagem, por exemplo quando a câmera conta caixas da baia vizinha ou confunde a sombra de um palete vazio com um caixa. Leituras erradas não provocam nenhum ajuste. Vão para um registro de problemas de reconhecimento que alimenta o ajuste do modelo e os ângulos das câmeras. A segunda categoria é um registro desatualizado, em que a documentação do movimento fica atrás do carimbo de data e hora da câmera e a rechecagem confirma o estoque com base nas transações de entrada e saída. Essas divergências levam à correção do registro, não à culpa, e o acompanhamento mira a pontualidade do processo. Apenas a terceira categoria, uma discrepância confirmada em que uma pessoa na baia verifica que o estoque realmente não corresponde ao registro, inicia um ajuste e uma investigação de causa raiz, graduada por valor e categoria de produto.

O valor da classificação está em onde ela traça as linhas de responsabilidade. As leituras erradas pertencem ao equipamento e ao modelo, os registros desatualizados pertencem ao processo e à integração do sistema, e apenas as discrepâncias confirmadas pertencem às operações e à gerência. Sem essas linhas, uma divergência rapidamente vira uma rodada de acusações, enquanto ninguém corrige o problema subjacente. A classificação precisa se apoiar em evidências. Cada divergência deve manter pelo menos três itens: o quadro da câmera do momento da varredura, uma fotografia tirada durante a rechecagem e um instantâneo do registro do sistema no mesmo momento. Se faltar algum deles, fica difícil reconstruir a cena depois, e a classificação vira suposição.

Uma tabela de decisão para saber se uma implantação de contagem cíclica por visão de IA em armazéns merece seu lugar

Se a contagem por visão vale a pena ser adotada não pode ser respondido a partir das especificações técnicas. Depende do formato de cada armazém, e a tabela abaixo percorre as quatro dimensões que mais importam.

Dimensão Contagem cíclica manual Instalação de câmeras fixas Instalação de patrulha móvel
Cobertura Amostragem planejada, alcance limitado Varreduras completas programadas, contínuas Escaneia ao longo das rotas de trabalho, a cobertura segue a rota
Pontos cegos Localizações altas e cantos são os mais difíceis de contar Posições profundas e caixas obstruídos são os mais difíceis de ver Áreas por onde os motoristas nunca passam ficam sem varredura
Evidência de uma divergência A memória e as anotações do rechegador Capturas de tela com carimbo de data e hora, revisáveis depois Imagens ao longo da rota, mas os ângulos variam
Melhor ajuste SKUs mistos, embalagem que muda com frequência Formatos de caixa estáveis, localizações fixas Corredores longos, trajetos fixos

O cálculo de custos de um projeto de contagem cíclica por visão de IA em armazéns precisa ser feito na mesma base, usando os números de cada armazém. O custo mensal de contagem equivale às horas de rechecagem multiplicadas pelo custo de mão de obra, mais as horas gastas rastreando e ajustando divergências, mais as perdas por paradas relacionadas à contagem ou envios errados. A contagem por visão muda a mistura em vez de simplesmente cortá-la: elimina as horas gastas contando localizações uma a uma e acrescenta horas de rechecagem, manutenção de câmeras e ajuste do modelo, além de um investimento único de implantação. No primeiro mês em Ontario, as horas economizadas por não contar à mão 240 localizações foram em grande parte consumidas rechecando 31 divergências sinalizadas, e o benefício líquido só aparece quando as regras de classificação se consolidam e as 19 leituras erradas caem bruscamente. Um pequeno piloto medido no local supera qualquer modelo de custo do fornecedor.

Eis o julgamento contraintuitivo: quanto mais preciso um sistema de contagem por visão se torna, mais perigoso ele fica. A confiança migra mais rápido do que a capacidade é verificada. Depois de alguns meses tranquilos com poucas divergências sinalizadas, os rechegadores começam a pular a verificação e a aceitar o veredito do sistema pelo valor de face, mas o modo de falha a que os sistemas de visão são mais propensos é o sistemático, por exemplo uma mudança de embalagem que faz o modelo subcontar em todo um corredor, que passa despercebida justamente porque menos divergências estão sendo levantadas. Na era manual, um contador subindo até uma localização alta notava de passagem coisas fora do plano. Uma câmera só responde à pergunta que lhe foi feita, e tudo o que fica fora do plano precisa de um mecanismo separado para ser detectado. O enquadramento mais seguro é tratar a contagem por visão como um radar, não como o juiz final da verdade do inventário, e manter contagens manuais periódicas por amostragem como calibração desse radar.

Meu julgamento sobre a tendência é cautelosamente otimista. A contagem por visão está saindo da fase de provar que a tecnologia funciona e entrando na fase em que o processo e as evidências decidem os vencedores. Nos próximos dois ou três anos, a linha divisória não serão os decimais da taxa de reconhecimento, mas quem tem as regras de classificação de divergências mais completas, quem fecha a cadeia de evidências com mais rigor e quem tem a integração com o WMS mais oportuna. A pergunta mais interessante está do outro lado: à medida que os armazéns retêm as imagens de contagem, essas imagens crescerão de ferramenta de contagem para uma camada geral de evidências para a gestão de inventário, reutilizada para verificações de recebimento, reclamações e consultas de clientes? Se sim, o valor de uma implantação de contagem cíclica por visão de IA em armazéns será medido em disputas que agora têm evidências por trás, não em horas de contagem economizadas. Se isso se confirma depende de quantos armazéns estão dispostos a escrever suas regras de divergência com clareza antes de discutir quantas câmeras comprar.

Por Dr. Chen, Pesquisador de cadeia de suprimentos Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.