:quality(85))
Desde que a OpenAI lançou o ChatGPT em novembro de 2022, grande parte do mundo vem sendo, de formas variadas, cativada, inquieta ou até mesmo impressionada com os avanços tecnológicos e o potencial aparentemente infinito da inteligência artificial. Nos 18 meses seguintes, empresas correram para incorporar plataformas e modelos de IA em seus produtos, processos internos e estratégias corporativas mais amplas. Como resultado, o que era uma tendência de crescimento consistente rapidamente se transformou em uma verdadeira corrida de investimentos.
Segundo o The Wall Street Journal, empresas devem gastar quase US$ 39 bilhões em IA generativa neste ano, exatamente o dobro do valor investido em 2023. Projeções publicadas no ano passado pelo Goldman Sachs indicam uma alta ainda mais expressiva nos investimentos em IA. Os economistas da instituição financeira acreditam que os investimentos organizacionais em IA podem chegar a US$ 100 bilhões nos EUA até 2025 (o relatório não diferenciou IA generativa — como o ChatGPT — de outras tecnologias de inteligência artificial de forma geral).
Enquanto muitas das maiores corporações do mundo ainda vivem a fase de encantamento com essa tecnologia revolucionária, já existem dados confiáveis comprovando o histórico de casos de uso da IA em diferentes setores. Um estudo da McKinsey & Company de dezembro de 2022 pesquisou quase 1.500 empresas em todo o mundo para entender como a inteligência artificial vinha sendo implementada nas empresas e até que ponto estava agregando valor a essas organizações. A consultoria constatou que as empresas geralmente notavam aumentos modestos de receita e reduções de custos em diversas áreas, incluindo fabricação, vendas e marketing e desenvolvimento de produtos. Uma das atividades que se destacaram pelo benefício gerado com a integração da IA foi a gestão da cadeia de suprimentos. 52% dos entrevistados relataram que a implementação de IA vinha resultando em redução de custos em seus processos de gestão de cadeia de suprimentos. Quase 60%, por sua vez, afirmaram que a tecnologia estava aumentando a receita.
Enquanto muitas das maiores corporações do mundo ainda vivem a fase de encantamento com essa tecnologia revolucionária, já existem dados confiáveis comprovando o histórico de casos de uso da IA em diferentes setores.
De certa maneira, não deveria ser surpresa o fato de que a IA, especialmente sua versão mais impactante — a IA generativa —, venha se mostrando vantajosa para a gestão da cadeia de suprimentos. Esta disciplina operacional depende fortemente da análise eficaz de grandes volumes de dados, utilização de análises avançadas para direcionar estratégias e decisões e detecção/avaliação de riscos hipotéticos — todas funções que podem ser fortalecidas de forma significativa pelas capacidades exclusivas da IA.
No entanto, para um campo tão pragmático quanto a gestão da cadeia de suprimentos — e, em nível semelhante, o supply chain risk management (SCRM ou gestão de riscos na cadeia de suprimentos) —, não basta se impressionar com as possibilidades de incorporar plataformas inovadoras ao dia a dia operacional. O ponto realmente relevante é entender a fundo quais são os casos de uso legítimos da inteligência artificial e avaliar se os riscos de adotar uma tecnologia ainda incipiente, cara e potencialmente disruptiva podem superar seus benefícios.
Casos de Uso da IA na Gestão da Cadeia de Suprimentos
A inteligência artificial deixou de ser mera hipótese no universo da gestão da cadeia de suprimentos e do SCRM. Trata-se de uma ferramenta poderosa e multifacetada acessível a profissionais da área neste exato momento. Mais que isso, já está sendo aplicada de diferentes formas, agregando valor prático a fabricantes dos EUA e outras organizações.
- Análise preditiva para equipamentos de manufatura
- Previsão de demanda
- Mapeamento da cadeia de suprimentos
- Avaliação de riscos e matrizes de risco
- Fornecedores alternativos
Análise Preditiva para Equipamentos de Manufatura
Diferente da enorme quantidade de dados que a alimenta, a análise preditiva, enquanto conceito, é extremamente clara e objetiva. A Harvard Business School define o termo como “o uso de dados para prever tendências e eventos futuros”. Essas previsões, ainda segundo a definição, “podem ser para o futuro próximo — por exemplo, prever a falha de uma máquina ao longo do dia — ou para um horizonte mais distante, como a projeção de fluxo de caixa anual da empresa”.
No contexto da gestão da cadeia de suprimentos, é o primeiro cenário, o da previsão de falhas em equipamentos, que mais se destaca. Esse aspecto da análise preditiva é frequentemente chamado de “manutenção preditiva”. Na manutenção preditiva, IA e aprendizado de máquina coletam grandes volumes de dados obtidos por sensores instalados nos equipamentos, monitorando seu funcionamento em tempo real. As leituras incluem métricas como temperatura, vibração, pressão, umidade e velocidade, permitindo que o modelo de IA aprenda as condições normais de operação das máquinas. Depois de processar toda essa base de dados, a IA passa a identificar imediatamente desvios em relação ao padrão ideal — o que pode indicar riscos de falhas, panes ou avarias iminentes.
A capacidade de detectar uma falha antes mesmo de ocorrer — reduzindo não só o impacto da interrupção, mas muitas vezes evitando-a totalmente — beneficia vários elos da cadeia de suprimentos eletrônica. Fabricantes eletrônicos sob contrato (ECMs) e outros fornecedores conseguem evitar paradas, reduzir o tempo de inatividade e maximizar a produtividade nas plantas. Empresas mais à frente na cadeia, incluindo fabricantes de equipamentos originais (OEMs) e outras organizações, também ganham: há menos atrasos e lentidão na produção, permitindo atingir metas com mais regularidade. E, nos casos de falhas mais sérias que não podem ser resolvidas rapidamente, a manutenção preditiva impulsionada por IA pelo menos fornece alertas antecipados a todos os envolvidos, oferecendo tempo para planejar contingências e responder de forma cuidadosa e estratégica.
Previsão de Demanda
Empresas já realizavam previsões de demanda muito antes do termo se tornar popular nas últimas décadas. Fabricantes sempre estiveram à mercê das oscilações do mercado e de suas flutuações imprevisíveis. (Durante a “febre das tulipas” na Holanda do século XVII, por exemplo, a demanda cresceu de tal forma que um único bulbo chegava ao equivalente a US$ 750.000 em valores atuais.) Tradicionalmente, a abordagem era tentar extrair previsões a partir de uma infinidade de dados quantitativos: tendências de vendas, efeitos sazonais e históricos de compra. Os resultados, porém, costumavam variar bastante, já que o ser humano só consegue analisar uma quantidade limitada de informações. Outro agravante é a influência de vieses, expectativas erradas e até questões emocionais nesses exercícios de previsão.
Os novos modelos de IA atualmente disponíveis não carregam essa falibilidade humana ao realizar previsões de demanda. Mais importante ainda, esses sistemas processam muito mais informações do que seria viável para um analista. Suas análises extrapolam as vendas históricas para considerar métricas mais amplas e indiretas, como desempenho dos concorrentes, fatores macroeconômicos e mudanças no comportamento do consumidor que podem antecipar oscilações importantes na demanda. Alguns modelos de IA chegam a identificar sinais precoces de “compra por pânico”, permitindo que as empresas reajam estrategicamente sem interpretar cada pico de vendas como uma mudança permanente no mercado.
Ao aproveitar os recursos dessas ferramentas de IA, fabricantes e outras empresas ampliam de forma concreta sua capacidade de prever a demanda pelos próprios produtos. Assim, diminuem drasticamente o risco de serem surpreendidos por rupturas de estoque e reduzem a necessidade de adotar medidas de emergência para escoar excedentes inesperados.
Ao aproveitar os recursos dessas ferramentas de IA, fabricantes e outras empresas ampliam de forma concreta sua capacidade de prever a demanda pelos próprios produtos.
Mapeamento da Cadeia de Suprimentos
Um dos maiores desafios enfrentados por profissionais de compras/suprimentos e sourcing estratégico é mapear a extensão completa e a complexidade real de suas cadeias de suprimentos. Um estudo de 2021, também da McKinsey, ilustra a dificuldade do mapeamento profundo da cadeia — e como a visibilidade diminui rapidamente à medida que se desce pelos níveis da rede de fornecedores. Quase metade dos executivos pesquisados relatou ter boa visibilidade sobre os fornecedores de primeiro nível, mas essa proporção caiu para cerca de um quinto ao tratar de empresas de segundo nível. E, do segundo nível em diante, a visibilidade é praticamente inexistente: apenas 2% dos entrevistados sabiam quem eram os fornecedores do terceiro nível.
Poder realizar um mapeamento abrangente e profundo da cadeia de suprimentos traz uma série de benefícios operacionais. Empresas com visibilidade sobre fornecedores de segundo e terceiro níveis são capazes de conduzir avaliações de risco mais completas; identificar materiais, países de origem e outros dados críticos para a conformidade regulatória; e diagnosticar com precisão causas de atrasos e rupturas, benefício não disponível para quem tem pouca visibilidade. Este último ponto é crucial: identificar a origem exata de uma interrupção na cadeia permite que fabricantes pensem e resolvam problemas de maneira muito mais eficiente. Se você sabe que um fabricante de terceiro nível é responsável pela falta de determinado insumo do seu fornecedor de primeiro nível, consegue articular com esse fornecedor direto um plano de resolução mais assertivo.
No entanto, o grande entrave do mapeamento da cadeia de suprimentos não está na dúvida sobre seu valor — mas sim nos enormes desafios logísticos para criar tais visualizações baseadas em dados. E é nesse aspecto que a IA se mostra determinante. Esses sistemas conseguem buscar recursos obscurecidos e distantes pela internet, tornando mais transparente as transações entre fabricantes e conectando as empresas que compõem cada camada da sua rede de fornecedores. Plataformas de IA podem capturar pedidos de compra, notas fiscais, declarações aduaneiras, reservas de frete e outros documentos que comprovam a cadeia de custódia dos seus produtos, componentes e matérias-primas. Com essas informações, as empresas conseguem elaborar mapas da cadeia cada vez mais detalhados, fortalecendo a gestão de riscos da cadeia de suprimentos (SCRM).
Plataformas de IA podem capturar pedidos de compra, notas fiscais, declarações aduaneiras, reservas de frete e outros documentos que comprovam a cadeia de custódia dos seus produtos, componentes e matérias-primas.
Avaliação de Riscos e Matrizes de Risco
Uma matriz de risco é uma ferramenta visual que auxilia empresas a avaliar os diversos riscos para suas operações. Em geral, a matriz combina dois fatores principais: a probabilidade de um evento ocorrer e a gravidade desse risco caso se concretize. Esses fatores recebem categorias ao longo dos eixos x e y, ajudando profissionais de gestão de risco a dimensionar e contextualizar o impacto e a ameaça de um determinado risco. (Um ataque cibernético, por exemplo, pode ser classificado com baixa probabilidade para uma empresa com cibersegurança robusta, mas alta gravidade caso ocorra.)
Embora o uso consistente da matriz de risco seja fundamental para equipes de SCRM, ainda há espaço para subjetividade ao atribuir níveis de gravidade e probabilidade a riscos como paralisação fabril, eventos climáticos extremos ou falência de fornecedores. E é justamente nesse ponto que a IA pode atuar com eficácia. Em vez de depender de experiências prévias, suposições imprecisas ou bases de dados limitadas, a tecnologia processa volumes massivos de informação e gera avaliações objetivas e precisas sobre o risco para a sua empresa e setor. Mesmo sendo uma tarefa de nicho, o uso de matrizes de risco auxiliadas por IA para avaliar ameaças com mais precisão permite alocar recursos de forma muito mais eficiente.
Identificação de Fornecedores Alternativos
Localizar fornecedores alternativos — também conhecido como multisourcing — é outra tarefa relativamente simples e objetiva que ferramentas de IA podem aprimorar, tornando o processo mais abrangente e rigoroso. Muitas empresas já oferecem modelos de IA capazes de indicar potenciais fornecedores com base em parâmetros e critérios específicos. Esses modelos não apenas varrem a web para localizar fabricantes que atendam às exigências; eles também analisam fatores determinantes como saúde financeira, desempenho em ESG e satisfação de clientes, oferecendo uma lista de candidatos já “pré-qualificados”.
Devido ao alcance de pesquisa desses modelos de IA, eles conseguem apresentar um rol muito mais amplo de empresas que usualmente não apareceriam em buscas manuais tradicionais. Isso inclui pequenas e médias empresas (SMBs), fornecedores mais diversos e outras organizações frequentemente ignoradas.
Ainda que essa função não seja absolutamente transformadora para equipes de gestão da cadeia de suprimentos, ela proporciona recursos para aumentar a resiliência do SCRM. Em artigo publicado na Harvard Business Review, um executivo de gestão da cadeia de suprimentos da Siemens destacou como um sistema de IA ajudava a montar uma base de dados de fornecedores alternativos e, assim, contribuir decisivamente para mitigar futuros problemas de fornecimento. Embora “a tecnologia não ofereça visão para evitar preventivamente todas as interrupções”, afirmou o diretor sênior à HBR, “ela proporciona informações que permitem que as empresas respondam a problemas na cadeia de suprimentos muito mais rápido que compradores humanos”.
Os Potenciais Riscos da IA na Gestão da Cadeia de Suprimentos
Os casos de uso mencionados — juntamente com o volume monumental de investimentos do setor corporativo — evidenciam o grande potencial dos recursos de inteligência artificial para a gestão da cadeia de suprimentos. Porém, uma tecnologia tão poderosa e transformadora também carrega riscos próprios. Fabricantes interessados em adotar IA devem estar atentos aos perigos inerentes a esse cenário.
- Alto investimento inicial
- Ceticismo da equipe
- Dados não confiáveis ou não validados
A maioria das plataformas atualmente disponíveis, oferecidas tanto por gigantes da tecnologia quanto por startups especializadas, apresentam custos iniciais consideráveis. Muitos projetos personalizados de IA, por exemplo, podem facilmente superar a casa dos seis dígitos. As organizações precisam agir com discernimento e metodologia antes do investimento, utilizando ferramentas como análises de custo-benefício e estimativas de retorno sobre o investimento (ROI) para avaliar o valor líquido da iniciativa.
Além disso, a adoção dessas plataformas exige aceitação ampla e bem fundamentada por parte dos funcionários, e a alta liderança não deve tomar decisões unilaterais sobre a integração dessas soluções. Sem a devida comunicação sobre os objetivos, uso e parâmetros desses sistemas, empresas correm o risco de afastar a equipe, prejudicar o moral e até provocar desligamentos.
Por fim, empresas que passam a agir rapidamente com base nas análises preditivas oferecidas por soluções de IA podem superestimar a credibilidade e a qualidade desses resultados. Como qualquer um que já presenciou inverdades ou imprecisões geradas pelo ChatGPT sabe muito bem, as recomendações de IA dependem das informações utilizadas como base. Dados falhos, ultrapassados ou “poluídos” podem gerar análises pouco confiáveis, exigindo cautela principalmente nas fases iniciais de implementação de ferramentas que buscam informações em fontes não validadas pela internet.
