Uma verificação da realidade da adoção de IA em armazéns já estava atrasada. Há três anos, quase todos os lançamentos de IA para armazéns prometiam as mesmas coisas: separação de pedidos sem pessoas, previsões precisas o bastante para programar por hora, e inspeção de qualidade feita por uma única câmera. A forma honesta de julgar essas promessas não é rever os vídeos de lançamento, mas olhar para o que realmente está funcionando hoje nos armazéns, e separar as afirmações em três grupos: entregue, entregue pela metade e ainda uma demonstração.

Os dados das pesquisas dão o contexto. Segundo o relatório anual da indústria da MHI, cerca de 28% dos respondentes já usavam IA no final de 2024, enquanto outros 54% disseram que planejavam adotá-la dentro de cinco anos. Em outras palavras, a maioria dos armazéns ainda estava observando ou fazendo pilotos. Um relatório de 2026 da PitchBook traz contexto útil: apenas cerca de um quarto dos armazéns do mundo implementou alguma forma significativa de automação. O investimento em robótica com IA está acelerando e os números de financiamento parecem impressionantes, mas a parcela de armazéns com sistemas realmente funcionando no dia a dia é muito menor do que o entusiasmo sugere. Essa lacuna entre entusiasmo e implantação é, em si, a história dos últimos três anos.

Verificação da realidade da adoção de IA em armazéns: o que foi entregue

Duas aplicações entregaram de forma mais convincente. A primeira é a inspeção por visão. Uma câmera lendo o código de barras de um palete, conferindo a etiqueta de uma caixa ou sinalizando um pacote danificado é uma tarefa bem delimitada: a entrada é uma imagem, a saída é um julgamento, e se está certo ou errado pode ser verificado na hora. Em um centro de distribuição de e-commerce que acompanho, o controle de qualidade costumava depender de amostragem manual, e os erros geralmente só apareciam quando um cliente reclamava. Depois que um sistema de visão entrou, as exceções passaram a ser detectadas antes do despacho. O efetivo da inspeção não desapareceu, mas o trabalho mudou de apagar incêndios depois do fato para interceptar antes que acontecesse. Essa é a marca de uma aplicação entregue: a IA não substituiu as pessoas, ela as transferiu do julgamento repetitivo para lidar com as exceções que as máquinas não conseguem julgar.

A segunda é a previsão de demanda e o slotting. Previsão nunca foi adivinhação. Seu valor real é estreitar a volatilidade para uma faixa com a qual a escala de turnos e o reabastecimento possam trabalhar. Os especialistas citados no relatório da MHI dizem o mesmo: a IA ajuda mais a prever oscilações da demanda e a apoiar decisões de slotting, principalmente para categorias sazonais. A lógica é simples. Os dados históricos já estão no WMS; quanto mais limpos forem, mais útil será a previsão. Um armazém com dados mestres bagunçados vai tirar pouco até de um modelo de previsão caro. Ambas as aplicações entregues compartilham três características: um limite claro da tarefa, resultados que podem ser revisados semanalmente e um custo de falha que se mantém contido.

Agendamento de AMR: entregue pela metade, e a escala muda o problema

O agendamento de AMR está no grupo do entregue pela metade. Colocar um AMR para funcionar não é difícil. Colocar dezenas ou centenas deles compartilhando corredores, carregadores e cruzamentos com esteiras sem engarrafamento é um problema completamente diferente. Uma análise do setor de 2026 colocou isso de forma clara: quando uma frota chega às centenas, o que determina a produtividade já não é a capacidade de um único robô, mas a qualidade do roteamento e da prevenção de congestionamentos. O valor da IA dos AMRs, em outras palavras, está no software da frota, não no veículo, e a qualidade desse software não pode ser julgada a partir de uma demonstração. Ela só aparece depois de duas semanas em plena carga de alta temporada.

Acompanhei um 3PL de médio porte passando por exatamente essa transição. Uma zona piloto com uma dúzia de robôs funcionava maravilhosamente, a distância a pé dos separadores caiu, e a diretoria aprovou a implantação em todo o centro com base nessa evidência. Quando a frota passou de cem unidades, as filas de carregamento e o tempo de espera nos cruzamentos corroeram a economia de mão de obra, e a equipe do projeto passou meses reajustando parâmetros e redesenhando as faixas de circulação antes que a produtividade se estabilizasse. A lição não é que os AMRs não funcionam. É que a escala muda o problema: uma solução validada em pequena escala precisa ser revalidada quando cresce. Qualquer fornecedor que mostre dez robôs funcionando sem problemas, mas que não queira discutir estratégia de agendamento, planejamento de carregamento e comportamento diante do congestionamento com cem unidades merece mais uma pergunta difícil.

Ainda majoritariamente demonstração: separação geral de pedidos e o armazém sem pessoas

O grupo do ainda-demonstração é dominado pela separação de pedidos de uso geral e pela narrativa do «armazém sem pessoas». Os braços de separação guiados por visão melhoraram de verdade e agora lidam com uma gama mais ampla de formatos de produto e embalagens do que os sistemas antigos baseados em regras. Mas a diversidade de SKUs do e-commerce é brutal: formatos irregulares, embalagens moles e superfícies reflexivas ainda devolvem grandes volumes aos separadores humanos. Mais importante é a economia. A mão de obra que um braço robótico economiza precisa ser ponderada contra depreciação, manutenção e tempo de inatividade, e a maioria das demonstrações só conta o primeiro desses três.

A escala também transforma risco técnico em risco financeiro. O mesmo relatório de 2026 da PitchBook observa que um grande varejista registrou uma baixa contábil de vários bilhões de dólares ligada a um programa de automação. Isso não prova que a automação esteja errada; prova que, quando um projeto é grande o bastante, o risco deixa de ser uma nota técnica e se torna um evento de balanço. Há mais um obstáculo que raramente aparece no material de vendas: segurança e certificação. Sistemas de IA probabilísticos trabalhando ao lado de pessoas são muito mais difíceis de certificar do que máquinas determinísticas regidas por regras explícitas. Quando algo dá errado com um sistema baseado em regras, dá para rastrear até uma linha de lógica. Com um sistema estatístico, a cadeia de responsabilidade e o caminho de certificação precisam ser renegociados. Até que essa barreira seja superada, o «sem pessoas» fica confinado a ambientes fechados.

A lista de verificação antes de comprar IA para armazéns

O que os tomadores de decisão precisam não é de mais um white paper de fornecedor, mas de uma lista curta de perguntas que podem ser respondidas com evidências. Esta verificação da realidade da adoção de IA em armazéns se resume a cinco delas.

Pergunta Como verificar Se a resposta for não
Os dados estão limpos? Amostre um mês de dados mestres e verifique a taxa de erros Corrija a governança de dados antes de comprar um modelo
Os resultados podem ser revisados semanalmente? Combine uma métrica de controle com antecedência: taxa de interceptação, erro de previsão, minutos por pedido Sem grupo de controle, sem grande contrato; primeiro um piloto
Ainda se sustenta no triplo da escala do piloto? Peça um centro de referência de escala igual que tenha sobrevivido a uma alta temporada Trate a demonstração como não comprovada na sua escala
Quem lida com as exceções? Precifique o fallback manual, não apenas a mão de obra economizada Coloque o custo do fallback dentro do ROI, não fora dele
Quanto custa parar? Verifique a saída: dá para reduzir com elegância se os resultados decepcionarem? Prefira expansão por etapas e preços baseados no uso

Há uma conclusão contraintuitiva escondida nos últimos três anos. Os maiores vencedores da IA em armazéns talvez não sejam os compradores dos sistemas mais caros, mas os operadores que fizeram primeiro o trabalho preparatório sem glamour. Slotting preciso, dados mestres limpos, processos padronizados: nada disso carrega um rótulo de IA, mas são eles que decidem se a IA amplifica os ganhos ou amplifica a bagunça. Um armazém que nunca fez uma classificação ABC adequada e espera que a IA organize seu slotting é como alguém que espera que um aplicativo de navegação escolha o destino. A rota pode estar perfeitamente calculada e ainda assim terminar no lugar errado.

Três anos depois, o padrão é razoavelmente claro. A parte entregue da IA em armazéns é a menos glamourosa: detectar defeitos, estreitar o erro de previsão, manter os robôs fora do caminho uns dos outros. A parte entregue pela metade está travada na escala e no tratamento de exceções. A parte de demonstração está travada na economia e na certificação. É improvável que esse padrão se reverta drasticamente no próximo ano ou dois; é mais provável que convirja lentamente, com menos demonstrações e mais revisões semanais.

Resta uma pergunta aberta em vez de uma conclusão. À medida que a IA fica mais barata e mais capaz, a organização do armazém mudará primeiro? Escala de turnos, medição de desempenho, rotinas de tratamento de exceções: são mais difíceis de mudar do que qualquer modelo, e podem acabar decidindo quanto da promessa será entregue. A tecnologia pode ser comprada. A capacidade organizacional precisa ser cultivada.

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