Durante a semana da Black Friday de 2024, o diretor de operações de um 3PL do Meio-Oeste americano disse algo na análise pós-mortem que ficou na minha cabeça: "Fomos derrotados pelo nosso próprio plano de ondas". O volume diário de pedidos era mais que o triplo do normal. O WES liberava uma onda a cada 90 minutos como um relógio, seis ondas perfeitamente alinhadas — mas durante a terceira e a quarta ondas, os separadores faziam fila na entrada da Zona A enquanto os totes se acumulavam em frente ao put wall aguardando verificação. Os dados mostraram depois que a distância percorrida a pé tinha aumentado apenas cerca de dez por cento; o verdadeiro problema era a sobreposição das ondas e o congestionamento a jusante. É por isso que a otimização de ondas com IA continua aparecendo nas conversas do setor: o problema nunca foi só "como agrupar pedidos", mas um conjunto de decisões mutuamente restritivas tomadas sob restrições rígidas.
Por que a otimização de ondas com IA importa: a separação é onde o dinheiro vai
Um estudo de caso de armazenagem de 2025 publicado na Applied Sciences coloca a separação de pedidos (order picking) entre 50 e 75 por cento dos custos operacionais totais do armazém e aproximadamente 55 por cento do tempo total de mão de obra. Os números variam entre os estudos, mas a conclusão se mantém: o picking é a atividade mais cara do prédio, e o planejamento de ondas determina sua estrutura.
A otimização de ondas, em outras palavras, atua sobre o maior bloco da estrutura de custos do armazém — por isso quase todos os grandes fornecedores de WES adicionaram o "planejamento inteligente de ondas" ao seu roadmap nos últimos três anos. Mas entre o roadmap e os resultados está a complexidade das restrições.
A lógica algorítmica da otimização de ondas com IA: três gerações
Para ver o que a IA realmente faz aqui, reformulemos o planejamento de ondas como um problema de otimização. Entrada: um conjunto de pedidos aguardando separação. Saída: um conjunto de ondas, cada uma um grupo de pedidos mais um momento de liberação. O objetivo costuma ser minimizar a distância total percorrida no picking ou as horas de mão de obra sem perder os horários limite das transportadoras — sujeito a pelo menos quatro famílias de restrições: janelas de corte e de coleta, distribuição de endereços e congestionamento das zonas quentes, disponibilidade de mão de obra e mix de habilidades, e o takt time dos equipamentos.
A primeira geração foram os motores de regras: cortes rígidos por horário limite, empilhamento por transportadora, tipo de pedido e prioridade. Era a prática padrão dos WMS antes de 2015 — experiência humana codificada: explicável, controlável e completamente inelástica quando o perfil de pedidos mudava.
A segunda geração trouxe heurísticas e clustering: pedidos com endereços de separação próximos são agrupados, as rotas são aproximadas com heurísticas do problema do caixeiro-viajante, e o recozimento simulado ou os algoritmos genéticos buscam um equilíbrio quase ótimo entre tamanho da onda e cadência de liberação. Essa é a corrente dominante dos WES comerciais atuais e o verdadeiro núcleo da maioria dos produtos de "planejamento de ondas com IA" — o nome diz IA, mas o motor costuma ser pesquisa operacional.
A terceira geração usa aprendizado de máquina e aprendizado por reforço: prevê padrões de chegada e tempos de separação por pedido a partir do histórico e depois decide dinamicamente se libera agora ou espera dez minutos. Muitos artigos, poucas implantações em produção.
Uma descoberta contraintuitiva: o momento supera o agrupamento
A maioria das discussões sobre otimização de ondas com IA foca em agrupar pedidos de forma mais engenhosa — clusters mais finos, rotas mais curtas. Mas um 3PL que estudei no final de 2024 — uma instalação de cerca de 50,000 metros quadrados no Meio-Oeste, especializada em artigos para o lar — apontava para uma conclusão diferente.
Depois de ondas fixas de 90 minutos no pico de 2023, o site adicionou em 2024 um módulo de ondas com previsão de chegadas. A maior melhoria não foi o "agrupamento mais inteligente" — foi o sistema responder dinamicamente quando liberar cada onda. Quando o modelo previa uma grande chegada de pedidos da mesma transportadora dentro de 30 minutos, atrasava deliberadamente a liberação, fundindo o que teriam sido duas viagens de separação em uma. Segundo o líder de operações que entrevistei, a distância média percorrida a pé pelos separadores caiu cerca de vinte por cento durante o pico — mais da metade desse ganho vindo das decisões de momento de liberação, não da lógica de agrupamento.
A lógica é simples: o planejamento de ondas é fundamentalmente uma decisão na dimensão do tempo, e toda otimização de agrupamento repousa sobre um julgamento anterior — esperar o próximo lote ou não? Esperar compra consolidação, mas comprime o tempo de atendimento; liberar agora protege os níveis de serviço, mas pode desperdiçar uma viagem. O valor da IA é transformar esse trade-off do palpite em algo computável: dada a previsão de chegadas e a capacidade restante, encontrar o ponto de liberação com o menor custo esperado.
O outro trade-off: quanto mais rápido você separa, mais você trava
Há uma realidade mais dura. Um armazém de e-commerce transfronteiriço no leste da China intensificou o agrupamento antes do pico de 2024: dobrou o tamanho das ondas e a produtividade dos separadores realmente melhorou. Duas semanas depois, o gargalo se deslocou para jusante: as filas de verificação no put wall passaram de 40 minutos, e os totes de staging invadiram espaço emprestado dos corredores. O site recuou para "ondas mais soltas mais pré-triagem", e o lead time total do cais à expedição (dock-to-ship) acabou melhor do que na fase agressiva.
A lição que os fornecedores raramente confessam: uma função objetivo que só minimiza a distância percorrida no picking pode facilmente produzir uma solução sistemicamente subótima. As restrições reais estão a jusante — capacidade de verificação, embalagem, staging e carregamento. Um modelo de agrupamento com IA precisa incorporar o takt time a jusante como restrição rígida; caso contrário, cada minuto economizado no picking é pago com juros na área de staging. Esse também é o modo de falha mais comum das implantações de segunda geração: belas na simulação, reprovadas pela teoria das filas no chão de fábrica.
Antes de implantar: seu armazém se qualifica?
Nem todo armazém merece a otimização de ondas com IA. O framework abaixo sintetiza casos de fornecedores e pesquisas publicadas; os números são estimativas de ordem de grandeza:
| Perfil do armazém | Volume diário de pedidos | Abordagem recomendada | Ganho esperado (ordem de grandeza) | Pré-requisito de dados |
|---|---|---|---|---|
| Microarmazém, zona única, <5,000 SKUs | Menos de 2,000 pedidos | Ondas fixas mais julgamento do operador | Investimento em IA provavelmente líquido negativo | Nenhum |
| Médio porte, zona única | 2,000–10,000 pedidos | Motor de regras mais clustering simples | 5–15% menos distância percorrida | 6+ meses de histórico de pedidos |
| Grande, multizona | Mais de 10,000 pedidos | Otimização heurística mais liberação dinâmica | 15–25% menos distância percorrida | Dados de pedidos, slotting e mão de obra todos completos |
| Automatizado (AMRs, sorters) | Qualquer | Otimização conjunta com a programação de equipamentos | Ganho de throughput em nível de sistema | Fluxos de dados de equipamentos em tempo real |
Note a primeira linha: abaixo de alguns milhares de pedidos por dia, o ROI muito provavelmente é negativo — não por causa do algoritmo, mas por causa do denominador. A limpeza de dados, a integração e o ajuste têm custos fixos, enquanto um conjunto pequeno de pedidos oferece margem limitada. Acertar o slotting ABC e a disciplina de ondas rende mais. Esse é o primeiro limite de uma contabilidade honesta do ROI da IA.
Preparação de dados para a otimização de ondas com IA: três conjuntos de dados, nenhum opcional
Isso repete um ponto anterior: a preparação de dados determina se a IA no armazém terá sucesso ou falhará. A otimização de ondas precisa de três conjuntos de dados; se faltar um, o modelo se degrada a um motor de regras:
Primeiro, o histórico de pedidos: pelo menos 6 a 12 meses de detalhe em nível de pedido, incluindo timestamps, composição do pedido, transportadora e prioridade. Isso alimenta a previsão de chegadas — mas em muitos armazéns ele está dividido entre o OMS e o WMS com timestamps inconsistentes, a armadilha mais comum.
Segundo, dados de slotting e velocidade: coordenadas de endereços, frequência histórica de separação e registros de armazenagem (putaway) para cada SKU. Sem dados mestres de endereço precisos, as "zonas quentes" produzidas pelo clustering estão simplesmente erradas. Dados de slotting ruins são a causa número um dos projetos fracassados de otimização de ondas.
Terceiro, dados de mão de obra e takt: padrões de engenharia por etapa do processo, históricos de realizado e tags de habilidade dos operadores. Sem eles, a "onda ótima" produzida pelo modelo pode ser um plano que a equipe atual fisicamente não consegue executar.
Os três precisam ser em tempo real, reproduzíveis e definidos de forma consistente. A reprodutibilidade é a crítica: pegue um fluxo real de pedidos de três meses atrás, rode de novo no novo modelo e compare com o que realmente aconteceu. Sem isso, qualquer afirmação de que "a IA melhora X em Y%" é inverificável.
Perspectiva de tendências, 2025–2027: três mudanças
Minha leitura dos próximos dois ou três anos:
Primeiro, as técnicas de segunda geração — heurísticas, clustering, liberação dinâmica — se tornarão recursos padrão dos WES em vez de módulos de IA vendidos separadamente. A inteligência de ondas está passando de diferencial para requisito básico, provavelmente por volta de 2026.
Segundo, as abordagens de terceira geração, como o aprendizado por reforço para liberação dinâmica, verão pilotos limitados em 3PLs de primeira linha e redes cativas de fulfillment de e-commerce, mas o uso comercial amplo esperará a infraestrutura de dados alcançar o nível necessário. O algoritmo já não é o gargalo; os pipelines de dados em tempo real, limpos e reproduzíveis são — e isso é exatamente o que falta na maioria dos armazéns.
Terceiro, a otimização de ondas se fundirá com a programação a jusante — verificação, embalagem, carregamento com agendamento — em um problema de otimização conjunta maior. A era de otimizar o picking de forma isolada está terminando; a otimização em nível de sistema é o tema da próxima década.
Uma pergunta em aberto
Então talvez a pergunta certa não seja "a IA pode agrupar pedidos melhor" — matematicamente, quase certamente sim. É se o seu armazém transformou cada liberação de onda e cada decisão de agrupamento em dados estruturados. Se não, por mais gerações que os algoritmos avancem, daqui a cinco anos você enfrentará a mesma Black Friday — agrupando por instinto, sobrevivendo ao pico por sorte.
Por Dr. Chen, pesquisador de cadeia de suprimentos
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
