2026 já entrou para os livros, e chegou a hora de dar nota ao gasto do ano com IA no armazém. Meu veredito: menos de três em cada dez projetos recuperaram o investimento, mais de quatro em cada dez foram pura mensalidade, e o resto está «em andamento» — que costuma ser um jeito educado de não chamá-los de mortos. Caminhei por dezenas de armazéns este ano, de 3PLs de 50.000 pés quadrados a centros de fulfillment de e-commerce de 400.000 pés quadrados. Os projetos que se pagaram são todos parecidos: perto do dinheiro, alimentados por dados que já existiam, e ninguém marcando reuniões semanais sobre eles. Os que morreram em slides compartilham o mesmo defeito: o dinheiro foi gasto antes de alguém pensar a sério no que «funcionar» realmente significaria. Este balanço não é para debochar da IA — é para não pagar duas vezes a mesma mensalidade em 2027.
Três apostas que se pagaram
Controle de qualidade por visão. A inspeção de entrada e saída acabou sendo o retorno de IA mais confiável de 2026. A lógica é brutal: inspeção é mão de obra pura, onde um defeito não detectado custa dinheiro de verdade, então cada hora que a câmera substitui aparece diretamente em menos reclamações e devoluções — sem contabilidade criativa. Um 3PL de 120.000 pés quadrados em Ontario, Califórnia, instalou inspeção visual de saída no fim de 2025, com câmeras checando etiquetas de envio e lacres de caixas. Cerca de $80.000 investidos (número observado, aproximado); em seis meses a taxa de envios errados caiu de cerca de 0,4% para menos de 0,1% (números observados, aproximados). Só as reclamações e reentregas evitadas pagaram o sistema. O trade-off também importa: funciona onde os SKUs mudam devagar e as exceções podem ser enumeradas. Se seus SKUs giram a cada poucas semanas e as caixas chegam em formatos estranhos, o modelo passa a vida perseguindo aparências novas, e a economia vaza de volta por ali mesmo.
Previsão de mão de obra e escalas. Usar o histórico de pedidos para prever necessidades de mão de obra com semanas de antecedência, para a escala deixar de depender do instinto de um supervisor. Um armazém de e-commerce em Dallas que processa cerca de 30.000 pedidos por dia usa isso há dois anos; o gasto com mão de obra temporária na alta temporada de 2026 ficou cerca de 20% abaixo do ano anterior (número observado, aproximado). Não dê o crédito ao brilhantismo do modelo — dê ao aviso de duas semanas. Saber que «vamos ficar 40 pessoas curtos na terça à tarde, daqui a duas semanas» dá ao supervisor tempo para ajustar escalas e negociar tarifas de temporários em vez de improvisar no dia. Também houve um bônus inesperado: com escalas mais próximas da realidade, caíram as reclamações de hora extra dos efetivos, e com elas o turnover na alta temporada — o gerente de RH me disse que essa foi a maior surpresa dele em 2026. Um aviso primeiro: se seus dados de ponto do WMS são uma bagunça, a previsão também será. Passe dois ou três meses limpando os registros de mão de obra antes de comprar previsão, ou você está fazendo astrologia com dados sujos.
Separação por voz, turbinada. A separação dirigida por voz é tecnologia velha, mas 2026 foi o ano em que modelos de voz melhores lhe deram uma segunda vida em ambientes barulhentos. Um centro de distribuição de alimentos de 200.000 pés quadrados nos arredores de Phoenix trocou no início do ano um sistema de voz de oito anos; a acurácia de separação subiu de 99,2% para 99,7% (números observados, aproximados). Não torça o nariz para meio ponto: em distribuição de alimentos um erro de separação significa reconstruir o pedido inteiro, e algumas dezenas de erros a menos por dia na alta temporada pagam o upgrade só em mão de obra e embalagem. Minha conclusão: se você já usa voz, esse upgrade é conta fácil com ciclo de implantação curto. Se está partindo do zero, coloque no ROI os custos ocultos — headsets quebrados, tempo de treinamento, erros de reconhecimento em corredores barulhentos — não só o número da cotação do fornecedor.
Dois que queimaram dinheiro
Gêmeos digitais. A pior categoria de 2026, e não é perto. Vi três armazéns construírem gêmeos: quatro a seis meses de modelagem, um dashboard lindo no dia da entrega, e depois ninguém abriu de novo. A tecnologia não é o problema — a pergunta que ele responde («e se convertêssemos a Zona A para flow rack?») aparece talvez algumas vezes por ano, enquanto as pessoas que mantêm o modelo recebem todo mês. Uma instalação de 80.000 pés quadrados gastou cerca de $150.000 (número observado, aproximado) num gêmeo; um ano depois ele era aberto cerca de uma vez por mês (número observado, aproximado). O detalhe mais demolidor: antes de construí-lo, ninguém tinha escrito qual pergunta o gêmeo deveria responder. Meu julgamento: para um armazém cujo layout fica parado por anos e cujo mix de SKUs é estável, um gêmeo é um protetor de tela caro. Só operações que rodam simulações de layout o tempo todo têm o direito de falar disso.
Assistentes de IA genéricos. Chatbots para consultas de estoque e perguntas sobre status de pedidos soam como economia de mão de obra; na prática falham nas duas pontas. Perguntas com resposta já estão a três cliques no WMS; perguntas sem resposta recebem uma resposta com mais confiança do que qualquer humano ousaria. Um 3PL implantou uma IA de atendimento ao cliente e economizou aproximadamente zero mão de obra no ano (número observado, aproximado) — enquanto criava um cargo novo: alguém alimentando a base de conhecimento todo dia, salário incluso. A regra: se sua base de conhecimento interna não está organizada, um assistente de IA só acelera o caos. Coloque seus SOPs e sua base de conhecimento em forma de um humano conseguir seguir primeiro, depois falamos de IA. Senão você não está comprando um assistente; está comprando uma máquina de desculpas muito eloquente.
Por que a mesma tecnologia teve destinos opostos
A linha divisória fica clara em retrospecto. Todo projeto que se pagou cumpriu três condições: substituiu um custo de mão de obra que já existia em vez de inventar uma necessidade nova; seus dados estavam prontos no dia um, sem «vamos coletar seis meses e ver»; e o sucesso era mensurável — taxa de envios errados, horas de mão de obra, acurácia — então no dia da aceitação não houve discussão. Falhe em uma das três e você está pagando mensalidade. A maioria dos fracassos de 2026 seguiu o mesmo roteiro: o fornecedor pintou a visão, o armazém pagou primeiro, e os critérios de aceitação ficaram num anexo do contrato que ninguém releu depois do kickoff. Há mais um padrão que vale nomear: projetos de IA que exigiam que todo mundo adotasse hábitos novos morreram rápido; os que se instalaram quietos e fizeram o trabalho sem incomodar ninguém viveram longo. Essa regra vai valer em 2027 também.
Onde eu colocaria dinheiro em 2027
Sem grandes direções — três jogadas que você pode começar amanhã. Primeiro, audite seus dados antes de comprar IA: puxe os registros de transações do WMS, as horas de mão de obra e as reclamações de exceções. Se você não consegue produzir 12 meses contínuos sem lacunas ou contradições, ainda não se qualifica para IA preditiva; gaste primeiro o orçamento de 2027 com higiene de dados — rende mais do que qualquer compra de modelo. Segundo, a única linha em que eu apostaria de verdade em 2027 é «detecção de exceções mais revisão humana»: o QC por visão provou o padrão, e a próxima aplicação madura é a interceptação automatizada de exceções de entrada — danos, divergências de quantidade, etiquetas erradas — a câmera sinaliza, um humano confirma. A tecnologia está pronta e a conta fecha. Terceiro, dê a cada projeto de IA uma linha de aceitação de 90 dias: se a métrica central não se moveu 90 dias depois do go-live, mate-o. Sem renovações, sem «mais uma rodada de otimização». A mensalidade de 2026 se paga uma vez; não se matricule de novo em 2027.
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
