Esta é a minha aposta: até 2027, se o seu armazém consegue mesmo usar IA terá quase nada a ver com qual algoritmo você comprar — e tudo a ver com a quantidade de dados limpos e utilizáveis que estão nos seus sistemas. Os algoritmos ficam mais baratos a cada mês. Os dados são a moeda forte.
Passei alguns dias no Modex, em Atlanta, na primavera passada. Os estandes de IA estavam lotados: picking por visão, previsão de demanda, planejamento inteligente de mão de obra — cada demonstração parecia impecável. Depois fui tomar umas cervejas com uns velhos amigos que vendem WMS, e ficávamos voltando sempre ao mesmo ponto: aquelas demonstrações rodam sobre conjuntos de dados preparados com carinho, impecáveis. Solte o mesmo software num armazém real de um cliente e, nove vezes em dez, ele tropeça nos dados.
O algoritmo já não é o gargalo
Cinco anos atrás, essa frase me teria arrancado risadas da sala. Hoje é simplesmente verdade. Um módulo de picking por visão custa menos a cada ano. Modelos de previsão de demanda estão em repositórios de código aberto. A distância entre algoritmos está diminuindo; a distância entre patrimônios de dados está aumentando.
E como é um armazém de verdade por dentro? No ano passado, percorri uma instalação 3PL de 300,000 pés quadrados no Inland Empire. Estavam no terceiro WMS em uma década, e os dados históricos chegavam em três formatos mutuamente ininteligíveis. Os registros de picking diziam "done" — não quem separou, em qual corredor andou, nem quantos minutos levou. A frota de AMR gerava dados, sim, mas eles moravam na nuvem do fornecedor do equipamento, e o contrato nunca deixou claro de quem era a propriedade. O TI queria uma exportação; o jurídico teve de se envolver.
Sobre uma base assim, a IA mais cara é só uma bonita casca sobre dados sujos. Os modelos amplificam o que você lhes dá: bons dados viram eficiência, dados ruins viram erros confiantes e automatizados — errados em velocidade de máquina, em formação perfeita.
Este é o sinal: os vendedores de WMS perceberam isso antes da maioria dos clientes. Ultimamente eles não vendem mais módulos de funcionalidades; o discurso é todo "plataforma de dados" e "pronto para IA". Tradução: deixe-nos limpar os seus dados primeiro. Quando os vendedores de software começam a vender pás, talvez seja hora de parar de esperar achar ouro no primeiro dia.
Como é, na prática, uma implantação de IA faminta de dados
Alguns anos atrás, um 3PL de vestuário que conheço pagou uma boa quantia por uma plataforma de "planejamento de mão de obra com IA". A promessa era sedutora: prever a demanda de mão de obra a partir do histórico de pedidos, gerar escalas automaticamente, nunca ficar sem gente no pico nem com gente demais no vale.
Foi desativada após três meses. A causa raiz era quase embaraçosa: o WMS deles não tinha números confiáveis de unidades por hora por pessoa, porque o picking era registrado só no nível do pedido. Ninguém jamais havia capturado dados de mão de obra no nível da pessoa. O algoritmo escalava contra os totais de pedidos e produzia turnos piores do que os que o supervisor desenhava de cabeça. O primeiro dia da alta temporada foi um caos; o supervisor reconstruiu a escala à mão durante a noite, e o sistema virou enfeite de prateleira a partir daquele dia.
O dinheiro foi gasto, os dados continuaram sujos. É o modo de fracasso de IA mais comum que já vi — não algoritmos ruins, mas falta de fundação. E o mais cruel: depois de um fracasso assim, o dono conclui que "a IA não funciona", o que mata o orçamento para a infraestrutura de dados de que ele realmente precisava. Uma implantação mal feita pode atrasar uma empresa em três anos.
Eles poderiam ter evitado tudo. Antes de comprar a IA, gastem três meses arrumando a captura de dados de picking: registrem a pessoa, o horário e a localização em cada tarefa de picking — três campos novos no WMS. Três meses desses dados bastam para validar se o modelo de planejamento está sequer na direção certa. Pule o pequeno investimento, pague a grande lição.
O cronograma: por que a janela é agora
É assim que vejo os próximos dezoito meses se desenrolarem. Do fim de 2026 ao primeiro semestre de 2027, estamos na janela da infraestrutura de dados. No ProMat, em Chicago, na próxima primavera, vocês verão os vendedores de IA começarem a qualificar clientes pela maturidade de dados — armazéns com dados limpos ganham pilotos de três meses que funcionam de verdade, e os vendedores lutam para transformá-los em contas de referência. Armazéns com os dados bagunçados nem conseguem tirar um POC do chão, e o vendedor percebe isso na primeira chamada de descoberta.
No segundo semestre de 2027, a divisão fica visível. Os 3PLs de ponta e os grandes CDs de varejo estarão rodando IA para planejamento dinâmico, reposição preditiva e manutenção preditiva de equipamentos. As curvas de custo deles começam a se separar das de todos os outros. Se um armazém de porte médio não começou até lá, a distância só aumenta — não porque os algoritmos sejam caros demais, mas porque acumular dados leva tempo, e o tempo é a única coisa que não dá para comprar de volta.
A lógica é uma aritmética simples: a infraestrutura de dados se paga em cerca de doze a dezoito meses. Comece a limpar e capturar dados agora, e você estará pronto quando a onda da IA quebrar em 2027. Fique parado, e estará brigando com planilhas enquanto os concorrentes rodam pilotos.
Você não precisa de um data lake no primeiro dia. O primeiro passo, nada glamouroso: exporte diariamente os dados do WMS, do TMS e dos sistemas de equipamentos, normalize os formatos, pouse tudo num lugar onde dê para consultar por tempo e juntar pelo número do pedido. Esqueça a "arquitetura lakehouse" por enquanto — chegue primeiro a "localizável, extraível, juntável".
Então, o que exatamente você deveria estar capturando? Três fluxos de dados, em ordem de prioridade.
Primeiro, dados de comportamento de pedidos e estoque. Não "enviamos 20,000 pedidos hoje" — mas quem separou o quê, em qual localização, a que horas, quantas unidades, quantos minutos. Essa é a matéria-prima de todo modelo de mão de obra e de slotting. Sem isso, qualquer IA de workforce é ficção.
Segundo, dados operacionais de equipamentos. Horas de operação, ciclos de carga, códigos de falha e tempo parado de empilhadeiras, AMRs e esteiras. Essa é a base da manutenção preditiva e do planejamento de capacidade. Em armazéns demais, esses dados ficam com o fornecedor do equipamento — negocie propriedade e direitos de acesso no contrato de compra, não três anos depois, quando você finalmente precisar deles.
Terceiro, velocidade ABC e histórico de slotting. Quanto tempo aquele SKU levou para deslizar de A para C? Quantas vezes o endereço foi movido, e ajudou? O seu WMS provavelmente já guarda isso; ninguém trata como um ativo, e isso tem o costume de se perder nas migrações de versão.
Ainda não compre IA. Faça primeiro três perguntas ao seu time de TI: vocês conseguem exportar os últimos doze meses de dados de picking quebrados por pessoa, localização e hora? Os registros de falhas de equipamentos são estruturados, ou estão rabiscados em planilhas? A última migração de WMS perdeu algum dado histórico?
Se a resposta a qualquer uma delas for "não sei", o dividendo de IA de 2027 não é para você — ainda não. Cave primeiro o data lake. Quando a água estiver lá, a IA virá.
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
