Há dois outonos, visitei um armazém terceirizado no leste da China. O gerente do local apontou para um rack de grande altura e me disse que o montante da base tinha uma leve torção: uma empilhadeira do turno da noite o havia atingido três meses antes, e ninguém havia relatado. É aí que a conversa sobre inspeção de armazém com câmeras e IA realmente começa: os racks não desabam da noite para o dia. Eles entortam, inclinam e afrouxam por muito tempo antes de cair. O problema é que a ronda nunca passou por ali, nunca percebeu, ou percebeu e decidiu que não valia a pena mencionar.

Os registros de incidentes do setor publicados apontam um padrão: em uma parcela significativa dos casos de colapso de racks, havia sinais de alerta observáveis de antemão — um montante entortado, um conector de viga deslocado, um palete muito inclinado, água acumulada no chão. Esses sinais têm uma característica em comum: são visíveis. E se algo é visível, em princípio uma câmera pode vigiá-lo. As perguntas reais são se a câmera vigia com precisão, quem assume a responsabilidade depois que ela sinaliza algo e se o investimento vale a pena.

O que a inspeção de armazém com câmeras e IA realmente vigia

Deixe-me primeiro estabelecer o limite. O que a inspeção de armazém com câmeras e IA pode fazer hoje de forma confiável se concentra em cinco tipos de sinais visuais.

A primeira é a deformação dos racks. Os algoritmos comparam os contornos dos montantes e das vigas; um montante entortado além de um limite definido, um conector de viga caído ou um deck afundado é sinalizado. A vantagem não é que a câmera veja melhor do que uma pessoa, mas que ela vê sempre. Uma ronda humana pode passar uma vez por semana; uma câmera pode varrer a cada hora. O intervalo entre o surgimento de uma deformação e sua detecção cai de dias para horas.

A segunda são os corredores bloqueados. Os corredores principais, as vias corta-fogo e as saídas de emergência temporariamente ocupados por paletes, caixas vazias ou mercadorias aguardando processamento são as violações mais comuns — e mais fáceis de justificar — em um armazém. As câmeras avaliam a ocupação em relação às zonas marcadas no chão e emitem um alerta quando a ocupação excede uma duração definida. Quanto mais cedo forem detectadas, mais barata é a correção; esperar uma inspeção de incêndio para desobstruí-las muda completamente o custo.

A terceira são os paletes inclinados e os níveis sobrecarregados. Paletes que se projetam além da borda do rack, mercadorias empilhadas acima da altura da viga, caixas pesadas sobre as leves — essas são as condições prévias de um colapso. Os modelos de visão são relativamente sensíveis a anomalias geométricas desse tipo, e sua taxa de falsos alarmes aqui é menor do que a de julgamentos semânticos.

A quarta é a água e os líquidos no chão. Em câmaras frigoríficas, armazéns de produtos químicos e docas de recebimento durante a estação chuvosa, a água acumulada é tanto um risco de escorregão quanto um risco de dano ao produto. As câmeras a detectam por meio das características de reflexo do chão. A sensibilidade é modesta, mas o sistema está online permanentemente.

A quinta são as pessoas e os equipamentos que cruzam limites — um trabalhador entrando em uma zona de empilhadeiras de grande altura, um pedestre caminhando para dentro de uma via de veículos. Tecnicamente maduro, mas o mais contestado na prática, porque toca diretamente em como os funcionários se sentem ao serem observados. Mais sobre isso abaixo.

Inspeção de armazém com câmeras e IA: superando o problema dos falsos alarmes

Qualquer discussão sobre inspeção de armazém com câmeras e IA que ignore os falsos alarmes está evitando a questão central. Na minha opinião, os falsos alarmes não são um defeito técnico; são a mensalidade que esse tipo de sistema precisa pagar. A questão é quem a paga, e por quanto tempo.

Acompanhei um armazém de comércio eletrônico no norte da China que, no primeiro mês após a entrada em operação da inspeção por visão, recebia mais de 40 alertas por dia, dos quais menos de 5 realmente precisavam de ação. O restante eram mudanças de luz, empilhadeiras estacionadas brevemente, sombras projetadas pelos paletes. O gerente do local foi direto: se isso continuar, os líderes de turno pararão de olhar os alertas por completo. Essa frase resume o custo real dos falsos alarmes — não os poucos minutos gastos verificando cada um, mas o momento em que os próprios alertas perdem a credibilidade.

O setor convergiu para várias respostas viáveis. Primeiro, classificar os alertas por níveis: um montante de rack entortado é um alarme de primeiro nível que deve ser tratado no mesmo dia; uma ocupação temporária de corredor de 10 minutos é uma nota de terceiro nível, registrada mas não enviada. Segundo, adicionar uma etapa de verificação: os alertas vão para um operador da sala de controle que olha a imagem antes de decidir se despacha alguém, em vez de irem direto ao supervisor de chão. Terceiro, reservar pelo menos um mês para o ajuste: os limites, a sensibilidade e as zonas de detecção devem ser recalibrados para a iluminação, o fluxo de tráfego e o mix de produtos do próprio local. Os padrões de fábrica do fornecedor são apenas um ponto de partida.

Aqui está a parte contraintuitiva: quando a taxa de falsos alarmes não cai, o problema muitas vezes não é o algoritmo, mas o próprio armazém. Em um local onde os corredores são bloqueados todos os dias e os paletes estão sempre inclinados, até os alertas precisos parecem falsos alarmes — porque estão relatando violações às quais todos se acostumaram. Nesse sentido, a inspeção de armazém com câmeras e IA funciona como um espelho: ela quantifica, item por item, a não conformidade com a qual o armazém havia aprendido a conviver.

As contas fecham?

Antes de falar de ROI, uma premissa precisa ser enunciada: grande parte do benefício da inspeção é medida em coisas que não aconteceram — um rack que não caiu, uma via corta-fogo que não foi bloqueada, um trabalhador que não escorregou. Esses benefícios nunca aparecem em um relatório, e é também por isso que o gerente do local dorme tranquilo à noite. Portanto, esse cálculo só pode ser feito em termos de perdas evitadas, e as perdas evitadas são inerentemente hipotéticas.

Os números abaixo são um exemplo hipotético de cálculo, oferecido apenas para mostrar o método — eles não representam o nível de custo de nenhum armazém real. Tome uma instalação de grande altura de aproximadamente 20.000 metros quadrados. Suponha 60 câmeras de inspeção mais uma plataforma de análise por visão, com um custo único de hardware e implementação de cerca de 400.000 yuans, e manutenção anual e ajuste de modelos de cerca de 80.000 yuans. Suponha que a inspeção manual exigia antes dois funcionários de ronda em tempo integral a 120.000 yuans por pessoa por ano, e que depois que o sistema entra em operação, o efetivo cai para um revisor em meio período a cerca de 60.000 yuans por ano. Com essas premissas, o desembolso do primeiro ano é de cerca de 480.000 yuans, e depois cerca de 140.000 yuans por ano; a economia de mão de obra é de cerca de 180.000 yuans por ano. Apenas com a economia de mão de obra, o período de retorno passa de dois anos. Não é um número empolgante.

Mas a mão de obra não é toda a conta. O cálculo só começa a funcionar quando três tipos de perdas evitadas são incluídos. A primeira é um incidente de colapso de rack: um colapso de médio porte — danos ao produto, reconstrução do rack, tempo de inatividade — custa da ordem de 1.000.000 de yuans neste exemplo hipotético. Evitar mesmo um em cinco anos cobre todo o investimento. A segunda são as multas por incêndio e conformidade: as multas e as ordens de fechamento por saídas bloqueadas variam conforme a jurisdição, portanto consulte a regulamentação local para obter os valores reais. A terceira é o seguro: algumas seguradoras começaram a oferecer descontos no prêmio para armazéns com inspeção por visão instalada — confirme a cotação real com sua seguradora.

Minha conclusão é, portanto, matizada. Julgado puramente pela economia de mão de obra, o ROI da inspeção de armazém com câmeras e IA não é convincente. Mas uma vez que o custo do risco entra no cálculo, ele merece uma avaliação séria para armazéns com racks altos, SKUs mistos e tráfego intenso de empilhadeiras. Para um armazém pequeno de racks baixos e fluxo simples, muito provavelmente é um sobreinvestimento. A decisão pode ser reduzida a três perguntas: qual é a altura dos seus racks, com que facilidade seus corredores ficam bloqueados, e seu armazém teve algum momento de «quase acidente» nos últimos três anos? Se duas das três respostas forem sim, então falem de compra. Caso contrário, tornem primeiro sólida a lista de verificação da ronda humana — ela pode render mais.

Por fim, o que a IA não pode fazer. Uma câmera não pode ver uma solda rachada dentro de um rack, não pode saber se um parafuso se afrouxou meia volta, não pode julgar a fadiga do metal em um conector de viga. Ela não pode decidir se um palete foi empilhado com sensatez, apenas se está inclinado. E não pode lidar com as verificações que exigem uma pessoa no local para cheirar, tocar e perguntar: o leve odor de um vazamento químico, o cheiro de queimado de um motor superaquecido, um trabalhador mencionando de passagem que uma coluna «fez um barulho duas vezes esta semana». Nada disso está ao alcance de um modelo de visão.

O lugar sensato para a inspeção de armazém com câmeras e IA é dar às rondas humanas um par de olhos que nunca se cansam — não substituir a ronda. As câmeras cuidam das verificações visíveis, repetitivas e de alta frequência; as pessoas cuidam das verificações de baixa frequência, baseadas em julgamento, que exigem estar presentes pessoalmente. Quando a divisão do trabalho é clara, o sistema se paga. Esperem que a câmera faça tudo, e vocês terminam com uma pilha de alertas que ninguém lê.

No seu armazém, quem está fazendo esse trabalho hoje — e o que está sendo perdido?

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