Meu veredito, logo de início: hoje a maioria dos armazéns deve parar na segunda etapa. Ainda não vi uma única operação executar a quarta etapa sem problemas. Isso não é uma crítica à tecnologia. É um fato sobre armazéns: a tolerância a erros no chão de um armazém é muito menor do que em um escritório.
Dito de forma simples, a IA generativa no armazém passa de «saber falar» para «saber decidir». O que fica entre esses dois pontos não são algoritmos melhores. São os dados, a responsabilidade e um plano de contingência. Pular uma etapa custa dinheiro de verdade.
Etapa um: o assistente de perguntas e respostas com IA generativa — vale a pena ou não?
Já vi armazéns demais gastarem bom dinheiro primeiro com um assistente de perguntas e respostas. Um trabalhador pergunta onde está um produto, e o sistema busca a resposta no manual de operação. Um funcionário novo pergunta como as devoluções são tratadas, e o sistema cola o procedimento. Parece ótimo. Na prática, vai por um de dois caminhos.
O primeiro caminho: os manuais do próprio armazém são uma bagunça, espalhados por uma dúzia de documentos com versões conflitantes. O assistente aprende a bagunça fielmente e responde com total confiança — e erra. Um armazém de autopeças lançou um assistente de perguntas e respostas no verão de 2025. Um funcionário novo seguiu a resposta e moveu um lote de devoluções direto para a zona de inspeção. O procedimento na verdade exigia fotos como prova primeiro. Quando o cliente abriu uma reclamação, o armazém não tinha fotos e pagou mais de $20,000. A IA não era o problema. Os dados alimentados nela estavam errados.
O segundo caminho: a documentação está limpa, e o assistente realmente economiza tempo. Um 3PL que lida com artigos para o lar trouxe mais de 40 trabalhadores temporários durante a alta temporada, e o líder de turno atendia cem perguntas repetidas por dia. Depois que o assistente entrou no ar, as interrupções do líder caíram cerca de metade, e o tempo liberado foi para acompanhar os pedidos excepcionais. Essa conta fecha.
Então o teste para a etapa um é simples: os seus documentos operacionais estão apresentáveis? Se são uma bagunça, arrume primeiro os documentos e pule a IA. Organizar os documentos custa muito menos do que pagar pelos erros da IA.
Etapa dois: o copiloto — onde os humanos são o freio
A etapa dois é o copiloto. O sistema faz mais do que responder; ele sugere. Para qual posição esse lote deve ir, como montar a próxima onda, qual pedido provavelmente vai perder o prazo. Mais útil e mais perigoso.
No início de 2026, visitei um armazém de vestuário cujo sistema sugeria rotas de separação. As sugestões eram boas em teoria. O problema era a responsabilidade: quando uma sugestão estava errada, ninguém era responsável por ela. O sistema uma vez sugeriu mover roupas de inverno de alta rotatividade para um corredor distante porque havia espaço livre lá. Os separadores seguiram o conselho por duas semanas e caminharam distâncias extras todos os dias. A mão de obra da alta temporada já estava apertada, e o supervisor desligou o recurso, frustrado.
Há dois lados nisso. Um copiloto vale o que custa onde ele vê o quadro completo: quais zonas estão enchendo, como o mix de pedidos de uma onda mudou. Mas ele não consegue ver muitas coisas que importam: um embarque urgente chegando amanhã, um cliente que acabou de mudar os requisitos de embalagem, uma empilhadeira que quebrou esta manhã. Se essa informação não está no sistema, a IA não pode sabê-la.
Então a etapa dois precisa de uma regra dura: uma sugestão é apenas uma sugestão. A pessoa que a executa pode recusá-la, e cada recusa fica registrada. O registro não é para culpar. É como o sistema aprende onde errou. Um recurso de sugestões sem recusa e sem ciclo de feedback será ignorado pela equipe de chão em três meses.
Etapa três: semiautônoma, com o humano no circuito
A etapa três é semiautônoma, com um humano no circuito. O sistema age por conta própria dentro de limites definidos enquanto uma pessoa observa e pode pará-lo a qualquer momento. Ele reprioriza tarefas de reposição, sinaliza pedidos excepcionais, elabora o plano de ondas de amanhã, e o supervisor o revisa a cada manhã e o aprova.
O exemplo mais próximo de um caso funcionando que já vi é um distribuidor de eletrônicos. A reposição dependia da experiência do supervisor e levava mais de uma hora toda manhã. Depois que o sistema começou a elaborar a sequência e o supervisor passou a revisá-la, o planejamento matinal caiu para menos de 20 minutos. A chave era um limite claro: o sistema só tocava na reposição de rotina. Pedidos envolvendo mercadorias de alto valor ou lotes especificados pelo cliente continuavam manuais, sem exceções.
Um armazém de alimentos não teve tanta sorte. Eles deixaram o sistema sequenciar automaticamente mercadorias próximas do vencimento para cortar o desperdício. O sistema também despachou um lote que um cliente havia especificado por número de lote. O cliente encontrou o lote errado na chegada e devolveu o contêiner inteiro. A perda não foi enorme, mas a confiança evaporou da noite para o dia, e o projeto ficou parado por seis meses.
Aqui está a parte contraintuitiva: na etapa semiautônoma, a coisa mais difícil não é a tecnologia. É escrever, com precisão, as condições sob as quais o sistema deve parar e perguntar a um humano. Essa lista de paradas importa dez vezes mais do que o algoritmo. Quanto mais específica a lista, mais longe o sistema pode ir. Uma lista vaga garante um incidente grave mais cedo ou mais tarde.
Há também um trade-off a encarar com honestidade: para onde vai o tempo economizado? Economizar uma hora de planejamento matinal de um supervisor é uma vitória. Cortar pessoal de controle de qualidade para vigiar o sistema no lugar é um risco. Meu conselho é reinvestir o tempo economizado no tratamento de exceções, não em cortes de pessoal. Quanto mais autônomo o sistema, mais raras se tornam as exceções — e mais cara cada uma fica.
Etapa quatro: decisões autônomas restritas — o que a IA generativa ainda não consegue fazer
A etapa quatro é a tomada de decisão autônoma restrita. Dentro de um escopo definido, o sistema decide e executa por conta própria, deixando um rastro de auditoria, sem aprovação humana por pedido. Reposição automática de consumíveis de baixo valor, liberação automática de ondas de rotina, tratamento automático de exceções padrão.
Até hoje, não vi nenhum armazém afirmar que executa isso por completo. Três obstáculos estão no caminho, e nenhum pode ser contornado.
Primeiro, os dados. Decisões autônomas exigem inventário, pedidos, posições e status de equipamentos, todos ao vivo e todos precisos ao mesmo tempo. Se qualquer um desses quatro não for confiável, a decisão é construída sobre areia. Muitos armazéns não conseguem garantir a precisão do próprio inventário. Falar de decisões autônomas por cima disso é construir no ar.
Segundo, a responsabilidade. Quando um embarque sai errado, é culpa do sistema ou do supervisor? O que diz o contrato, o que o seguro reconhece, contra quem o cliente reclama? Até que essas perguntas sejam resolvidas, nenhum dono de armazém entregará a autoridade de assinatura a um sistema.
Terceiro, o plano de contingência. Quando o sistema falha, há um interruptor para voltar à operação manual, quanto tempo leva a troca e o que acontece com os pedidos no meio? Se você não consegue responder a essas três perguntas, a etapa quatro é decoração.
Meu julgamento é este: nos próximos três a cinco anos, a maioria dos armazéns acabará executando bem a terceira etapa, com a quarta testada apenas em cenários pequenos e fechados — uma única categoria de produto, baixo valor, reposição altamente padronizada. Quem espera que a IA generativa comande o armazém no ano que vem provavelmente vai se decepcionar.
Quatro perguntas para o seu próprio armazém: Esqueça o que os fornecedores dizem e faça a si mesmo quatro perguntas. Primeira, os seus documentos operacionais e dados mestres são precisos o suficiente para que você coloque por escrito a precisão do seu inventário? Segunda, quem cuida hoje do tratamento de exceções, e quem recebe a ligação quando algo dá errado? Terceira, quando a sugestão do sistema está errada, a equipe de chão se sente segura para dizer não? Quarta, se o sistema cair, a operação manual pode assumir em meia hora?
Se você consegue responder às quatro, a etapa dois é terreno seguro e a etapa três vale um piloto. Se qualquer uma delas não tem resposta, resolva primeiro esse problema. A IA generativa no armazém não é uma corrida para ver quem tem o modelo mais novo. É uma competição para ver quem tem os fundamentos limpos e as regras claras.
Onde está o seu armazém hoje, e em qual pergunta ele está travado?
Por Lao Mi, Veterano da cadeia de suprimentos (20 anos)
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.







