Deixa eu te poupar alguns pitch decks. Assisti a dezenas de demos de IA para armazém nos últimos dois anos, e o padrão nunca muda: slides lindos, números heroicos e — quando você visita a operação de verdade — uma história bem menor.
Este é o único dado que importa para mim. Em junho de 2025, a Amazon anunciou que havia implantado seu milionésimo robô de armazém, espalhados por mais de 300 instalações no mundo todo. No mesmo ano, lançou o DeepFleet, um modelo de IA criado para orquestrar sua frota de robôs, que segundo a Amazon melhora a eficiência de deslocamento da frota em cerca de 10 por cento. Esse é o número da Amazon, não uma auditoria independente. Mas a escala te diz algo importante: no armazém, a IA aterrissa primeiro onde a matemática é mais limpa.
As três apostas que eu financiaria de verdade
Aposta um: inspeção de qualidade e detecção de exceções por visão. Verificação no recebimento, auditoria na expedição, detecção de avarias na linha de embalagem. Por que se paga primeiro? O ciclo é curto. Uma câmera sobre a esteira, cada pacote fotografado, o modelo sinaliza avarias, etiquetas erradas e divergências de contagem. Humanos só tocam nas exceções. Os dados já existem — armazéns fotografam pacotes para reclamações de qualquer forma. E o ROI é legível: menos horas de mão de obra em auditoria, menos envios errados, menos devoluções.
Esta categoria já passou da fase de storytelling. Fornecedores vendem arranjos de câmeras de 360 graus que escaneiam um pallet inteiro em uma passada, no recebimento e na expedição. Alguns alegam ganhos de várias vezes na velocidade de processamento de pallets — os números de fornecedores sempre vêm inflados, então eu desconto a magnitude, não a direção. Um humano audita um pallet em minutos; um arranjo de câmeras faz isso em segundos. Mesmo com metade do ganho alegado, a conta fecha.
Aposta dois: previsão de demanda e planejamento de mão de obra. Mão de obra é a maior linha do custo operacional de um armazém. Preveja mal e você ou paga gente para ficar parada ou explode o turno com hora extra. O valor da IA aqui não é uma precisão mística — é absorver a variância do planejamento. Uma instalação que despacha dezenas de milhares de pedidos por dia perde dinheiro de verdade com alguns pontos de erro de programação, todo mês. E a exigência de dados é amigável: histórico de volume de saída, calendários de promoções, sazonalidade. Nada que você já não tenha.
Mais uma coisa sobre previsão: não precisa ser perfeita. Precisa superar a programação que seu planejador monta no feeling numa noite de domingo. A maioria dos armazéns ainda planeja mão de obra pela experiência e pelos números da semana passada. Um modelo que corta seu erro de previsão pela metade já vale o que custa — e não precisa de um data lake, precisa de três anos limpos de histórico de saída.
Aposta três: orquestração de frotas AMR. Um AMR é barato; o valor está em quarenta deles não se bloqueando nos corredores. Roteirização é um problema de matemática pura, que é exatamente o que a IA faz bem. O exemplo do DeepFleet é instrutivo: um milhão de robôs, cerca de 10 por cento a mais de eficiência de deslocamento, multiplicado nessa escala — isso é dinheiro sério. Uma frota menor não verá os números da Amazon, mas o princípio se mantém: quanto mais veículos, maior o retorno marginal de um despacho mais inteligente.
O fio condutor, em uma frase: tarefas delimitadas, dados existentes, retorno quantificável. IA como ferramenta, não como história.
Se você quer se mexer, não implante no site inteiro no primeiro dia. Pilote em uma esteira ou em um posto de auditoria, rode por dois meses, meça a taxa de captura de exceções e as horas de mão de obra economizadas, e então decida se expande. Um piloto custa pouco e compra dados reais.
As duas armadilhas
Armadilha um: agentes genéricos de 'atendimento ao cliente com IA' ou assistentes de perguntas e respostas para operações de armazém. Problemas de armazém não são problemas de perguntas e respostas. Quando um cliente pergunta 'onde está minha carga', a resposta não está numa base de conhecimento — está nos dados dos seus sistemas. Duas respostas erradas do bot e o cliente exige um humano, que então começa a busca do zero. Vi um 3PL implantar um agente de atendimento com IA e aposentá-lo discretamente seis meses depois. O veredito do gerente de atendimento: 'Ele responde tudo, só nunca corretamente.'
Repare no que os fornecedores sempre demonstram: 'qual é o seu horário de recebimento'. Repare no que eles nunca demonstram: 'por que o PO 4471 veio com dois caixotes a menos' — a pergunta que sua equipe realmente responde cinquenta vezes por semana. Essa precisa de dados ao vivo, julgamento e uma ligação telefônica. Um chatbot não tem nenhum dos três.
O problema mais profundo: essas ferramentas prometem eliminar perguntas repetitivas, mas perguntas repetitivas num armazém são sinais de processos quebrados. Embrulhar o sinal em IA não conserta o processo. Só adiciona uma mensalidade.
Armadilha dois: análise preditiva sobre dados ruins. A acurácia do inventário é uma bagunça, os dados de localização não são atualizados há meses, e alguém quer que a IA preveja o reabastecimento? A saída do modelo parece sofisticada e está inteiramente errada. O teto da IA é a qualidade dos seus dados, e o chão também. Lixo entra, lixo sai — e na era da IA o lixo anda mais rápido, porque agora o pedido errado é feito automaticamente, com confiança.
Minha regra é simples: se um projeto de IA não consegue declarar seu retorno como 'horas de mão de obra economizadas' ou 'envios errados e devoluções reduzidos', não assine. Tudo que for vendido no feeling, trate como armadilha.
Meu cronograma para 2027
Primeiro: até o fim de 2027, a inspeção visual vira equipamento padrão em armazéns médios e grandes — como o escaneamento de código de barras hoje. Não porque a tecnologia seja mágica, mas porque câmeras e computação continuam ficando mais baratas, e a conta continua ficando mais fácil.
Segundo: previsão e orquestração continuam divergindo. Armazéns com fundações de dados sólidas obtêm retornos compostos; os sem fundações continuam perdendo dinheiro em pilotos. Haverá uma onda de manchetes de 'projeto de previsão com IA fracassa' em 2027. Não se surpreenda — volte e releia este artigo.
Terceiro: agentes de atendimento com IA e assistentes de propósito geral seguem como coadjuvantes nas operações de armazém até 2027. Armazéns precisam de execução, não de conversa. Conserte primeiro o processo, depois fale de inteligência.
Uma pergunta honesta para fechar: qual é a sua acurácia de inventário agora? Se estiver abaixo de 95 por cento, pule a conversa sobre IA e tenha a conversa sobre contagem cíclica. Num armazém onde os dados não se sustentam, a IA é só uma forma mais cara de errar mais rápido.
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
