IA na prática: como transformar tecnologia em decisão e resultado no supply chain

Depois de uma primeira onda marcada por pilotos, copilotos e agentes, a discussão sobre inteligência artificial (IA) no supply chain começa a mudar de lugar. Previsão de demanda e estoques, roteirização, automação de processos e agentes capazes de executar tarefas já aparecem nas operações. O desafio agora é fazer a tecnologia entrar de fato no fluxo do negócio, gerar resultado e ganhar escala.

Os cases apresentados no 40º Simpósio Supply Chain mostram que não existe um único caminho para chegar lá. Enquanto algumas empresas já colocam agentes para executar partes da operação, outras ainda constroem as bases de dados, integração e automação necessárias para avançar.

As experiências apontam para perguntas que vão além de buscar a ferramenta mais sofisticada: qual problema vale a pena resolver com IA? Como sair do piloto? O que é necessário para escalar uma solução? E o que acontece quando diferentes modelos e agentes começam a trabalhar juntos?

É essa mudança que começa a definir uma nova régua de maturidade. Ter uma prova de conceito ou um modelo funcionando já não basta. O valor aparece quando a tecnologia transforma uma capacidade técnica em uma decisão melhor, uma tarefa mais rápida ou um resultado mensurável.

Neste conteúdo, vamos mostrar como diferentes empresas estão avançando nessa régua de maturidade da IA no supply chain — da escolha dos problemas que realmente valem a pena resolver à construção das bases de dados e integração, passando pela entrada de agentes na operação, pelos desafios de escala e governança e pelo papel do conhecimento humano nesse processo.

IA avança no supply chain, mas ainda esbarra na escala

Os resultados de uma pesquisa realizada pela CICLO Academy em parceria com a McKinsey, apresentada durante o Simpósio, ajudam a dimensionar o estágio atual dessa jornada. A consultoria, que ouviu 137 líderes da área, colocou inteligência artificial e automação no topo das tendências que devem concentrar a atenção do supply chain em 2027. Mas quando a pergunta muda para as prioridades dos próximos 12 meses, custos, margem e caixa aparecem à frente — mostrando que o avanço da tecnologia precisa estar cada vez mais associado a resultados concretos para o negócio.

A distância entre interesse e aplicação prática é ainda mais evidente: 73% dos participantes disseram que suas empresas já iniciaram a jornada de IA, mas apenas 10% das iniciativas chegaram efetivamente à produção. Ou seja, boa parte das aplicações ainda não está incorporada ao dia a dia e à tomada de decisão das organizações.

As dificuldades para avançar tampouco estão apenas na tecnologia. Qualidade dos dados, integração com os sistemas existentes e disponibilidade de talentos e capacidades concentram 57 dos 100 pontos atribuídos pelos participantes às barreiras para colocar IA em produção.

Para Marcelo Steffen, sócio associado da McKinsey, a resposta não está em multiplicar experimentos. A recomendação é selecionar um domínio relevante — como estoques —, investir nos dados necessários, colocar o modelo em produção, amadurecê-lo e só então avançar para uma nova frente. “Não adianta a gente querer atacar todos os domínios de uma vez. Ou fazer 100 pilotos de uma vez”, afirmou. “IA não é um tema de tech, não é um tema do pessoal de TI, é um tema de negócio”. Para ele, as soluções de IA aplicadas à cadeia precisam ser lideradas pelo próprio supply chain.

O desafio vem antes mesmo da tecnologia

Cláudia Marquesani, Diretora de Tecnologia da Copa Energia, também enfatizou que a definição das iniciativas de inteligência artificial precisa partir do valor para o negócio. Na companhia, as prioridades são organizadas em três frentes, começando pelas aplicações diretamente ligadas ao core: previsão de demanda, gestão de estoques e disponibilidade de ativos. Depois aparecem iniciativas voltadas à eficiência corporativa e à produtividade individual.

“Começar pela decisão e não pelo dado. Qual a decisão que eu vou tomar? Que tipo de dado e que tipo de informação eu tenho que ter para tomada de decisão? Precisamos começar pelo problema”, disse Cláudia.

A mesma lógica aparece na GE Healthcare e acompanhada de um resultado concreto. A companhia utilizou IA para analisar os fatores por trás dos custos de frete e identificar oportunidades que iam de erros de faturamento à gestão de embalagens e utilização de espaço. A iniciativa contribuiu para uma redução de quase 3% nos custos de frete no último ano.

Para Reinaldo Silva, Diretor Global de TI da GE Healthcare, mais importante do que partir da tecnologia é definir qual decisão precisa ser transformada — e garantir que a solução seja efetivamente incorporada à rotina:

“Comece pela decisão que você precisa. Desenhe para que as pessoas utilizem a solução e aí você faz a adoção virar rotina. Caso contrário, você estará trabalhando só como vendedor de sonhos”.

O aprendizado é especialmente relevante em um momento em que muitas organizações acumulam provas de conceito. Uma solução que funciona tecnicamente ainda precisa provar que consegue atuar dentro do processo e produzir valor para o negócio. Mas identificar o problema certo é apenas o começo. Para gerar valor de fato, a IA precisa deixar o ambiente de testes e passar a fazer parte do processo.

Do piloto à operação: quando o agente começa a gerar resultado

Se uma das dificuldades é tirar a IA do ambiente de testes, o case da JSL mostra o que acontece quando um agente passa a participar efetivamente de um processo operacional.

A companhia identificou um gargalo no faturamento e na liberação dos caminhões e desenvolveu um agente que incorpora regras comerciais e fiscais, além de integrações com TMS (Transportation Management System), pagamento de frete e pedágio. A solução passou a reproduzir o chamado “caminho feliz” do processo, automatizando etapas que antes dependiam de diferentes interações e sistemas.

“O momento agora é da execução. Temos um cardápio de tecnologia enorme e precisamos dominar a nossa operação para poder extrair produtividade”, disse Otávio Fonseca, diretor de Logística da JSL.

E os resultados ajudam a entender a discussão sobre o retorno da inteligência artificial: o projeto trouxe um ganho de aproximadamente 30% de produtividade, reduziu em cerca de 15 minutos o tempo de expedição e levou o aging relacionado ao processo para próximo de zero. A empresa também apontou benefícios na emissão correta de documentos e na redução de exposições fiscais, securitárias e de gerenciamento de risco.

Americanas

A Americanas também está levando agentes para uma atividade operacional de grande escala. Em um processo que envolve mais de 300 fornecedores e cerca de 10 mil pedidos de compra por mês, a companhia desenvolveu dois agentes autônomos para apoiar o agendamento das entregas nos centros de distribuição. Atualmente, esse ciclo leva, em média, nove dias e quase 30% dos pedidos precisam ser reagendados.

Um dos agentes atua dentro da própria operação: agrupa automaticamente os pedidos de cada fornecedor, calcula a capacidade dos centros de distribuição, identifica o tipo de carga, define quais slots podem ser utilizados e cria as agendas diretamente no ERP. O segundo faz a interface com os fornecedores, conduzindo a negociação do agendamento em linguagem natural.

O desenho também estabelece onde termina a autonomia do agente e começa a atuação humana. “O analista começa a entrar numa segunda camada de análise, quando o problema é mais profundo e quando eu preciso de uma interferência humana”, explicou Fábio Bonotti, Diretor de Supply da Americanas.

Essa lógica deve se repetir à medida que a companhia ampliar o uso de IA generativa para outras torres de atendimento. “E, mais uma vez, colocar o agente humano sempre na segunda camada, onde ele consegue ter um nível de especialização melhor e atender melhor os problemas que não são recorrentes”, afirmou Bonotti.

JSL e Americanas mostram, por caminhos diferentes, que colocar IA em produção não significa simplesmente retirar pessoas do processo. Significa definir quais atividades podem ser executadas pela tecnologia, integrar o agente às regras e aos sistemas da operação e preservar a atuação humana justamente onde há exceção, complexidade e necessidade de julgamento.

Nem toda jornada de supply chain começa pela IA

Um dos consensos no Simpósio foi que nem toda empresa precisa partir para agentes com intuito de começar a capturar valor. Antes de chegar a aplicações mais sofisticadas, há uma construção de base que passa por visibilidade, integração de informações e automação de processos.

Ajinomoto

Na Ajinomoto, a transformação digital do supply chain foi estruturada justamente como uma jornada. O programa começou, em 2023, com uma fase de visualização, com novos sistemas e maior compartilhamento das informações, e avança agora para uma etapa de integração, conectando plataformas e quebrando silos. A perspectiva futura é ampliar a horizontalização dos processos.

É sobre essa estrutura que a companhia começa a avançar no uso da inteligência artificial. Fabrício Silva, Diretor de Logística e Supply Chain da Ajinomoto, explicou:

“Os nossos desafios agora têm sido na parte de implementar a parte de inteligência artificial e fazer uma ponte entre os dados que são gerados, as visualizações que temos e como interligamos isso com as operações que estão acontecendo. Criando alguns cenários, algumas simulações, ligando dados do mercado e trazer isso para dentro da ferramenta para cada vez mais buscar agilidade, eficiência e colaboração”, disse Fabrício.

A construção anterior já produziu resultados: o ciclo de S&OP caiu de 22 para 18 dias, houve redução de 7% no erro da previsão de vendas e atividades antes dependentes de planilhas e extrações manuais passaram a ser automatizadas.

Magalog

O Magalog mostra outro estágio dessa evolução. A companhia consolidou uma torre de controle para ampliar a visibilidade sobre a operação e avançou também na roteirização dinâmica. Segundo Márcio Chamas, CEO do Magalog:

“Conseguimos medir a chegada do veículo, o tempo de descarregamento, a viagem, a otimização das rotas (…) Ter muita informação para poder tomar decisão. Ainda mais no formato descritivo, não preditivo e nem mais disruptivo ali com agentes, mas ele traz as informações e consegue trazer para o nosso negócio ganho de escala e eficiência.”

IFF

A IFF acrescenta outra dimensão a essa construção. Na jornada em direção a um supply chain mais autônomo, a companhia vem investindo não apenas em automação, padronização de processos e gestão de dados mestres, mas também na criação de competências internas, com cientistas e engenheiros de dados, profissionais de change management e centros de excelência para diferentes funções do supply chain.

Para Fábio Magalhães, Global Director SC Center of Excellence da IFF, desenvolver esse conhecimento dentro da própria organização é também uma forma de ganhar autonomia na transformação. “Além de retermos o conhecimento interno, também criamos um pouco de autonomia para fazermos muita coisa com os nossos próprios recursos”.

Agora, a IA começa a avançar sobre essa estrutura. A IFF pretende utilizar agentes para aumentar a autonomia do planejamento, automatizando parte do diagnóstico hoje realizado pelos planejadores e liberando mais tempo para que esses profissionais se aproximem do negócio e interpretem fatores externos que os modelos não conseguem capturar. “O agente de IA tira muito dessa parte de diagnóstico que os planejadores precisam fazer e libera tempo para eles terem mais contato com o negócio”.

As três experiências mostram que a maturidade em IA não começa necessariamente pela IA mais sofisticada. Visibilidade, integração e automação também geram valor — e podem construir a base para avançar em direção a modelos preditivos e agentes.

Escalar também exige preservar conhecimento

À medida que a inteligência artificial assume mais tarefas e participa de mais decisões, surge um desafio que vai além de dados, sistemas e infraestrutura: como automatizar sem fazer com que a organização perca o conhecimento necessário para interpretar situações que escapam aos modelos?

Ricardo Taborda, Managing Partner da 7D Analytics, chamou atenção para o risco de a automação produzir uma espécie de atrofia cognitiva dentro das empresas. Quanto mais atividades são transferidas para os sistemas, menos oportunidades os profissionais podem ter de desenvolver a experiência acumulada necessária para tomar determinadas decisões.

“À medida que você está fazendo automatização, também está, de certa forma, perdendo conhecimento. E aí, como teremos líderes no futuro que vão ter esse conhecimento sobre o seu negócio se você não tem mais ninguém fazendo isso agora?”

A preocupação ganha ainda mais peso diante dos chamados eventos raros. Os modelos são treinados a partir do que já aconteceu, enquanto rupturas futuras podem colocar a cadeia diante de situações sem precedentes nos dados. Se a automação também tiver eliminado parte do conhecimento acumulado pelas pessoas, a organização pode ter mais dificuldade justamente quando precisar reagir a algo que o modelo nunca viu.

A discussão amplia a própria ideia de governança da IA. Não se trata apenas de garantir qualidade dos dados, segurança ou controle sobre os modelos, mas também de definir quais decisões podem ser automatizadas e qual conhecimento precisa continuar sendo desenvolvido e preservado pelas pessoas.

Para Taborda, a tecnologia deve ampliar essa capacidade, e não eliminá-la. Como resumiu ao final da apresentação, “a gente acredita que a IA é o melhor copiloto que a supply chain pode ter.”

A lógica muda à medida que a IA deixa o piloto e ganha espaço nos processos reais. Segundo os palestrantes, escalar não é esperar que tudo esteja perfeito, mas criar condições para avançar com velocidade sem perder qualidade, segurança e controle sobre os dados que sustentam as decisões.

O próximo salto: fazer as inteligências trabalharem juntas

Depois de colocar modelos e agentes em produção, surge uma nova fronteira: como fazer diferentes inteligências trabalharem juntas.

Na Copa Energia, modelos preditivos, IA generativa e agentes começam a ser combinados dentro de uma mesma arquitetura. Em vez de soluções independentes para problemas específicos, a lógica é fazer com que a informação e as decisões produzidas por uma inteligência possam alimentar as demais.

Isso é particularmente relevante no supply chain, onde demanda, capacidade, disponibilidade de ativos, estoques e restrições logísticas se influenciam mutuamente. No hub desenvolvido pela companhia, diferentes inteligências atuam sobre partes desse problema e se conectam para apoiar uma tomada de decisão multidisciplinar.

Cláudia resume essa mudança como uma transformação na própria forma como as decisões são construídas:

“A IA não serve para ter a melhor previsão. Ela serve para mudar quem decide, quando decide e como isso é decidido”, disse a Diretora de Tecnologia da Copa Energia.

Na companhia, a próxima etapa é ampliar a atuação dos agentes sobre decisões e automação de tarefas e avançar na orquestração dos próprios agentes. A discussão deixa, portanto, de estar concentrada na performance de um modelo isolado e passa para a capacidade de coordenar diferentes inteligências em torno de um mesmo resultado. 

Qual a próxima fase da IA no supply chain?

Os cases apresentados no 40º Simpósio Supply Chain ajudam a entender o que existe por trás da distância revelada pela pesquisa CICLO Academy e McKinsey entre começar uma jornada de IA e conseguir efetivamente colocar as iniciativas em produção.

Não há um único caminho. Os exemplos passam por escolher melhor os problemas que merecem IA, estruturar dados e processos, colocar soluções na operação, medir seus resultados e construir as condições para escalar. Ao mesmo tempo, mostram que a maturidade não depende apenas de avançar tecnologicamente: preservar conhecimento e capacidade de julgamento dentro das organizações também passa a fazer parte dessa equação.

Se a primeira fase da IA foi marcada pela descoberta do que a tecnologia consegue fazer, a próxima tende a ser definida menos pelo número de modelos ou agentes criados e mais pela capacidade de incorporá-los aos processos, conectá-los entre si e transformar tecnologia em decisões e resultados concretos para o negócio.

Acompanhe os próximos eventos da CICLO Academy e os temas que estão transformando procurement, supply chain, logística e operações. Acesse o hub supply chain! 

Fique por dentro! Cadastre-se e receba conteúdos exclusivos.