Comece pelo dinheiro, porque um caso de negócio de ROI de um projeto de IA no armazém vive ou morre por ele. No mês passado, o dono de um negócio de comércio eletrônico de artigos para o lar me trouxe uma proposta de fornecedor: verificação visual com IA, primeira fase ao preço de $800,000, com o vendedor prometendo retorno em um ano. Eu disse a ele para não assinar nada até ter construído o total de três anos: assinatura de software, câmeras e computadores edge, integração com o sistema de gestão de armazém, limpeza dos dados históricos, treinamento da equipe, mais a manutenção anual e o ajuste do modelo. Quando o total saiu, o investimento de três anos se aproximava de $2 milhões, e o benefício líquido anual sobre o volume de pedidos dele mal passava de $400,000. Retorno: cinco anos. O retorno de um ano do fornecedor era o preço do primeiro ano dividido por um benefício inventado. É exatamente contra isso que um caso de negócio de ROI de um projeto de IA no armazém precisa se proteger. (Todos os valores deste exemplo são hipotéticos, usados para mostrar o método.)

Um projeto de IA tem cinco rubricas de custo. O fornecedor cotiza só uma

O defeito mais comum de um caso de negócio é uma seção de custos com uma única linha. O custo real tem cinco rubricas. Primeira, software: assinatura ou licença perpétua, se o preço sobe a cada ano, se escala com o volume de pedidos. Segunda, hardware: câmeras, computadores edge, melhorias de rede, e se o calor da alta temporada exige equipamento de nível industrial. Terceira, integração: os dias-pessoa para conectar ao sistema de gestão de armazém e ao ERP, quanto custa cada mudança de interface, e quem assume o risco. Quarta, preparação de dados: limpeza de dados históricos, rotulagem, governança de dados mestres, a rubrica mais subestimada. Quinta, treinamento e gestão da mudança: horas para a equipe aprender o novo fluxo, dupla verificação manual durante o piloto, janelas de parada para mudanças de processo.

A Gartner descreveu essa armadilha anos atrás. Sua previsão de julho de 2024 dizia que pelo menos 30% dos projetos de IA generativa seriam abandonados após a prova de conceito até o fim de 2025, culpando a má qualidade dos dados, controles de risco inadequados, custos crescentes e valor de negócio pouco claro. No início de 2026, um artigo da Gartner elevou o número: pelo menos 50% dos projetos de IA generativa haviam sido abandonados após a prova de conceito até o fim de 2025. Os dois números diferem; a causa da morte é a mesma. Pilotos são baratos. Produção é cara. E o orçamento nunca contou tudo. Há também um custo oculto que ninguém coloca na cotação: durante os primeiros três meses após a entrada em operação, enquanto a precisão do modelo ainda está subindo, o efetivo de verificação não cai. Ele dobra. Escreva essa linha você mesmo, porque o fornecedor não vai escrever.

O caso de negócio de IA reconhece três benefícios: mão de obra, vazão, erros

Do lado dos benefícios, reconheço apenas três itens. Mão de obra economizada: horas evitadas, multiplicadas pelo custo total da mão de obra. Vazão ganha: pedidos extras por hora, multiplicados pela margem por pedido. Erros evitados: taxa de envios errados reduzida em alguns pontos, multiplicada pelo custo de retrabalho e indenização por pedido. Qualquer outra coisa na coluna de benefícios recebe primeiro um ponto de interrogação. «Melhor experiência do cliente» e «ativos de dados mais fortes» podem aparecer na proposta. Não podem aparecer nas contas de retorno.

Os dados do setor servem como quadro de referência, nunca como promessa. Um estudo do MIT Intelligent Logistics Systems Lab e da Mecalux, publicado em dezembro de 2025 e cobrindo mais de 2,000 profissionais de cadeia de suprimentos e armazenagem em 21 países, constatou que 60% dos armazéns já têm IA incorporada, com um período típico de retorno de dois a três anos e orçamentos de IA entre 11% e 30% dos orçamentos de tecnologia de armazém. Um estudo Forrester Total Economic Impact encomendado por um fornecedor relatou ROI de 219% em três anos com retorno em menos de seis meses para uma plataforma de inteligência de armazém. Isso é um composto encomendado por um fornecedor, construído a partir de clientes entrevistados, não uma promessa sobre o seu armazém. Cite-o com essa ressalva anexada. A mão de obra representa de 50% a 70% dos custos operacionais do armazém, pela faixa do setor comumente citada, e é por isso que a economia de mão de obra é a maior rubrica de benefícios. A base é grande assim.

Aqui está a parte contraintuitiva: as contas da economia de mão de obra são as mais fáceis de errar. Economizar dez pessoas não equivale a economizar dez salários. Adicionais de turno noturno, horas extras, custos irrecuperáveis de recrutamento e treinamento, e se as pessoas que ficam precisam de aumento, tudo isso entra no cálculo. A imprensa do setor, ao reportar a Pesquisa Global de Logística 2024 da McKinsey, constatou que 41% das empresas superestimaram a economia de mão de obra em mais de 35% em seus modelos iniciais. O padrão é sempre o mesmo: a eficiência de pico do piloto tratada como estado estável, e o efetivo de baixa temporada tratado como economia. Pegue qualquer número de um piloto, corte-o em trinta por cento, e então coloque-o no caso de negócio.

Como calcular o retorno para que o ROI do projeto de IA no armazém se sustente

A fórmula tem duas linhas, e pertence à página um do caso de negócio. O período de retorno em anos é igual ao investimento total dividido pelo benefício líquido anual. O benefício líquido anual é igual ao benefício anual menos o custo operacional anual. A fórmula é simples. Os três dados são a parte difícil. O investimento total é o total de três anos, não a cotação do primeiro ano. O benefício anual é a soma dos três benefícios, cada um com dados de referência por trás: a taxa atual de envios errados, os pedidos atuais por hora, os pedidos atuais processados por pessoa por dia. Sem uma linha de base, o benefício é inventado.

Exijo que todo projeto apresente três cenários: otimista, base e pessimista. A regra para o caso pessimista é benefícios cortados em trinta por cento e custos elevados em vinte por cento. Aqui está um exemplo hipotético:

Cenário Investimento de três anos Benefício líquido anual Retorno
Otimista $1.8 milhões $900,000 2 anos
Base $2.0 milhões $600,000 3.3 anos
Pessimista $2.4 milhões $420,000 5.7 anos

Leia a tabela do jeito certo: o caso otimista é para o fornecedor, o caso base é para o chefe, o caso pessimista é para você. Se o retorno pessimista passar de cinco anos, não aprove o projeto agora. Se o caso base passar de três anos, corte o escopo antes de aprovar qualquer coisa. As cinco razões mais frequentes pelas quais vejo casos de negócio serem rejeitados: sem dados de referência, então os benefícios são adivinhados; economia de mão de obra contada sem o custo das pessoas que ficam; números de pico do piloto tratados como normais; oscilações da alta temporada ignoradas, com as contas da baixa temporada aplicadas ao pico; e sem plano de saída, então ninguém sabe como parar um piloto que falha. Acerte duas das cinco, e o caso de negócio volta para ser reescrito.

A lista de verificação pré-aprovação: dez itens, nenhuma assinatura até todos passarem

Cole esta lista de verificação na última página do caso de negócio. Dez itens, todos devem passar antes que alguém assine. Um, existem dados de referência: taxa de envios errados, tempo de processamento por pedido, custo total da mão de obra. Dois, as cinco rubricas de custo estão incluídas, com um total de três anos. Três, cada um dos três benefícios tem sua própria planilha de cálculo. Quatro, o retorno em três cenários está feito. Cinco, prontidão dos dados: os dados históricos podem ser usados como estão, ou quantas semanas de limpeza precisam? Seis, a lista de integração: quantos sistemas, quem é responsável por cada interface. Sete, escopo do piloto: uma zona ou uma linha, e que número define o sucesso. Oito, o plano de saída: quanto tempo até o piloto parar, e qual é o teto do custo irrecuperável. Nove, responsáveis nomeados: um responsável de negócio e um responsável técnico, por nome, não por departamento. Dez, datas de revisão: dia 30 e dia 90 após a entrada em operação, com autoridade para parar se os números não baterem.

Cada item corresponde a uma falha real que presenciei. O item nove é o mais fácil de falsificar: um responsável listado como departamento significa que ninguém decide nada quando quebra. O item dez é o mais fácil de adiar: a reunião de revisão vai escorregando mês após mês até o orçamento acabar e alguém descobrir que o modelo nunca produziu benefício.

Então aqui está uma conclusão que você pode calcular: se o retorno do caso base passar de três anos, corte o escopo antes de aprovar. Se o caso pessimista passar de cinco anos, não aprove o projeto agora. Coloque essa tabela na página um do caso de negócio. Ela vale mais que dez páginas de proposta técnica. A tecnologia pode esperar a sua vez. O dinheiro não pode.

Por Lao Zhou, Analista de Custos Logísticos Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.