Sejamos diretos: na era da IA, o mais valioso do seu armazém não são os AMRs nem as estantes altas. É a década de dados adormecida no seu WMS — seus ativos de dados, quer você os trate assim ou não.
Perguntam-me o tempo todo: "Lao Mi, devemos investir em IA?". Minha primeira resposta é sempre a mesma: os carimbos de data/hora do recebimento são precisos? Nove em cada dez vezes, silêncio.
A questão tem dois lados. Por um lado, a IA funciona de verdade nos armazéns: previsão de demanda, otimização de ondas, planejamento de mão de obra, alertas de exceção — casos de uso por toda parte. Por outro lado, cada um desses casos de uso é alimentado por dados. Lixo entra, lixo caro sai. Mais dados não são melhores dados. Dados sujos custam mais do que não ter dados — sem dados, pelo menos você sabe que está voando às cegas; dados sujos fazem você errar com total confiança.
Já vi muitos desses desastres. O de que mais me lembro: um 3PL na Califórnia, uma operação de tamanho decente, maioria de clientes de e-commerce. Em 2023, eles gastaram muito dinheiro num sistema de previsão de mão de obra com IA que montava automaticamente as escalas a partir do volume histórico. Soava razoável. Três meses depois, as escalas pioraram em vez de melhorar. Na semana anterior à alta temporada, tudo desmoronou por completo — tiveram que chamar uma agência de trabalho temporário para pessoal de emergência, com um prêmio doloroso.
A autópsia foi constrangedora. O algoritmo estava bem; os dados eram lixo. A equipe de recebimento tinha o hábito de lançar os recebimentos em lote logo antes de bater o ponto, de modo que todos os carimbos de data/hora de recebimento do sistema se concentravam entre 5 e 6 PM. A IA aprendeu exatamente o que lhe ensinaram: todo dia às 5 PM chega uma onda de volume, então reforce o pessoal. Na realidade, a carga chegava de manhã — 5 PM era só quando alguém digitava. O modelo aprendeu a lição errada com total confiança.
Pior ainda, os horários de liberação de ondas e de conclusão de picking eram todos carimbos preenchidos retroativamente do mesmo tipo. Toda a dimensão temporal do WMS deles era ficção. O projeto de IA morreu, o dinheiro se foi, e a diretoria saiu convencida de que "IA é golpe". Sejamos diretos: a IA não morreu. Morreram os dados.
Não foi um caso isolado. Um armazém de vestuário que conheço usou durante anos um único código de motivo de devolução: "outro". Quando mais tarde quiseram que a IA previsse devoluções e agilizasse o controle de qualidade, puxaram os dados e descobriram que a grande maioria das linhas dizia "outro". O algoritmo não tinha nada a aprender. Culpe quem desenhou os códigos de motivo por comodidade — e culpe todos que nunca trataram dados como ativo.
Quanto valem de verdade seus ativos de dados
Percorra a tabela abaixo. Coluna da esquerda: os dados. No meio: os casos de uso de IA que eles alimentam. À direita: o que provavelmente está faltando. Faça o exercício uma vez e você saberá se está sentado sobre ativos ou sobre passivos.
| Domínio de dados | Casos de uso de IA alimentados | Problemas típicos de qualidade |
|---|---|---|
| Detalhe das linhas de pedido (SKU, qtd., promessa de serviço) | Previsão de demanda, estratégia de ondas | Promoções não sinalizadas, histórico distorcido |
| Transações de estoque (recebimentos, expedições, ajustes, contagens cíclicas) | Estoque de segurança, alertas de estoque morto | Ajustes sem códigos de motivo |
| Carimbos de data/hora das tarefas (recebimento, endereçamento, picking, embalagem) | Previsão de mão de obra, análise de gargalos | Horários preenchidos retroativamente ou em lote |
| Velocidade de slotting (movimentação ABC, utilização) | Otimização de slotting, reposição | Classes ABC intocadas há um ano |
| Horas de mão de obra (quem fez o quê, por quanto tempo) | Linhas de base de UPH, otimização de escalas | Horas não vinculadas a tarefas |
| Eventos de equipamentos (alertas AMR, recarga, falhas) | Manutenção preditiva | Logs de alertas que ninguém lê |
A maioria dos armazéns termina este exercício com uma descoberta desconfortável: muitos dados, poucos utilizáveis. É isso que uma auditoria de ativos de dados realmente significa — não contar quantas tabelas você tem, mas verificar quantos dos seus dados sobrevivem ao interrogatório de um algoritmo.
Antes de consertar seus ativos de dados, faça as contas
Isso tem dois lados. Consertar os dados custa dinheiro de verdade: a confirmação de escaneamento em tempo real no recebimento adiciona segundos a cada recebimento; as liberações de ondas e as conclusões de picking exigem disciplina rígida com os carimbos de data/hora; as classes ABC precisam de recálculo periódico; as horas de mão de obra devem ser vinculadas às tarefas. Tudo isso adiciona etapas para a equipe de chão e, no curto prazo, a produtividade cai. O supervisor de turno será o primeiro a reclamar: já estamos soterrados em volume, e agora você quer mais escaneamentos?
Mas não consertar custa mais. Cada carimbo preenchido retroativamente é uma mina que você está plantando para seu futuro projeto de IA — e ela detona no dia em que você gastar dinheiro de verdade no sistema. A lição daquele 3PL da Califórnia, traduzida em linguagem simples: o juro da dívida de dados é mais alto do que você pensa. O projeto morto, o pessoal temporário de emergência, a fé perdida da diretoria na IA — tudo somou muito mais do que o custo de "um escaneamento extra".
Faça também o cálculo do ROI sobre o livro inteiro. No orçamento de um projeto de IA, o algoritmo e as licenças de software costumam ser a parte pequena; implementação, integração e retrabalho são a parte grande. Má qualidade de dados e retrabalho podem comer mais da metade do seu orçamento. É mais barato despejar a fundação de dados agora do que pagar depois o corpo de bombeiros. Todo dono entende essa matemática — ele só não gosta de gastar dinheiro com coisas que não pode ver. E essa é a forma mais cara de economizar.
Meu conselho: três passos, e não tente fazer tudo de uma vez.
Primeiro, proteja o tempo e o motivo. Todo carimbo de data/hora de tarefa deve ser capturado em tempo real — nada de preenchimento retroativo no fim do turno. Todo ajuste de estoque precisa de um código de motivo. O menor custo, o maior retorno. Acerte primeiro a fundação.
Segundo, vincule as pessoas às tarefas. Dados de mão de obra que não estão ligados a tarefas específicas são uma bagunça. Escaneie entrada e saída, atribua tarefas a indivíduos — chegue ao ponto em que "quem fez quanto" é rastreável. Só então as linhas de base de UPH e a otimização de escalas têm dados que valem a pena discutir.
Terceiro, então fale de IA. Acumule dados ao longo de vários ciclos de negócio — pelo menos uma alta temporada completa — antes de falar de previsão e otimização. Prever o pico do ano que vem com três meses de dados não é IA. É aposta.
Não compre o algoritmo antes de despejar a fundação
Quando o vendedor de um fornecedor de IA lhe contar como seu algoritmo é ótimo, faça uma pergunta: qual é a tolerância do seu modelo a dados sujos? Observe como ele responde.
A versão direta: na era da IA, a competição entre armazéns tem duas camadas. A camada de cima — algoritmos e aplicações — mais cedo ou mais tarde todos poderão comprar. A camada de baixo — os ativos de dados — não pode ser comprada. Você só pode acumulá-los. Quem tiver dados limpos, contínuos e com sentido de negócio vencerá com a IA. O inverso é igualmente verdade: um armazém com uma bagunça de dados queimará dinheiro na IA mais cara.
Então pare de perguntar "devemos investir em IA?". Faça três perguntas em vez disso: nossos carimbos de data/hora são precisos? Nossos ajustes trazem motivos? Acumulamos dados ao longo de várias altas temporadas? Se você não consegue responder nem a uma, a resposta é clara: audite primeiro seus ativos de dados, depois fale de IA.
Os dados do seu armazém são um ativo ou um passivo. Você já auditou os seus?
Por Lao Mi, veterano da cadeia de suprimentos (20 anos)
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
