:quality(85))
Por praticamente qualquer métrica disponível, o crescimento da inteligência artificial — e em especial de sua mais recente vertente, a IA generativa — nos últimos anos foi impressionante. Segundo pesquisa realizada pelo Goldman Sachs, em 2020, os investimentos privados em IA nos EUA totalizaram cerca de US$ 28 bilhões. A instituição projeta que esse valor terá um aumento de quase 250% em 2024, saltando para US$ 68 bilhões. Uma pesquisa recente realizada pela McKinsey & Co. confirma a adoção acelerada dessa tecnologia no ambiente corporativo. A consultoria identificou que o número de empresas que utilizam IA generativa regularmente quase dobrou em apenas um ano. Em maio de 2024, 65% das empresas ouvidas — abrangendo diversos setores e regiões — já utilizavam inteligência artificial para funções como marketing, vendas e desenvolvimento de produtos.
Para empresas e profissionais que atuam no setor de cadeia de suprimentos, as possibilidades oferecidas pela IA são extremamente atraentes. As ferramentas proporcionam análises preditivas, previsões de demanda e avaliações de risco, entre outras aplicações críticas de valor imediato. No entanto, nos últimos 18 meses, muitas empresas se deixaram levar pelo entusiasmo das possibilidades da inteligência artificial sem analisar se essas plataformas realmente entregam benefícios dentro do contexto do próprio negócio. Por isso, é fundamental que equipes de gestão da cadeia de suprimentos que estejam considerando a IA compreendam o histórico recente dessa tecnologia, explorem as diferentes vertentes de inteligência artificial hoje disponíveis e estabeleçam objetivos claros sobre como querem gerar valor em suas operações. Num cenário em que grandes empresas despejam investimentos em startups de IA em um verdadeiro frenesi, realizar uma avaliação criteriosa das capacidades dessa tecnologia é uma medida essencial de due diligence.
Principais Tipos de IA para Empresas
Os últimos quinze anos foram marcados por forte expansão da inteligência artificial. Várias versões da tecnologia surgiram desde pelo menos 2011, quando a Apple lançou a Siri no iPhone de quarta geração. Primeira “assistente virtual” amplamente disponível em celulares, a Siri utilizava aprendizado de máquina (machine learning) e IA fraca para responder perguntas, buscar informações e executar algumas tarefas. Desde então, as capacidades da Siri e de outras assistentes virtuais foram amplamente superadas por plataformas revolucionárias como ChatGPT, Dall-E, Claude e Gemini.
Diversas tecnologias compõem o ecossistema de IA. Cada uma oferece conjuntos específicos de funcionalidades e vantagens, que atendem melhor alguns setores e empresas do que outros.
Machine Learning
Machine learning (ML), ou aprendizado de máquina, é um tipo de inteligência artificial que utiliza grandes volumes de dados para reconhecer padrões, fazer previsões, “aprender” com o tempo e apoiar decisões mais precisas e embasadas. Ao contrário da programação tradicional, com instruções rígidas, o aprendizado de máquina permite que o sistema desenvolva conhecimento a partir da análise de textos, números, imagens, relatórios e outros dados. Nos anos 1950, o cientista da computação Arthur Samuel definiu machine learning como “o campo de estudo que dá aos computadores a habilidade de aprender sem terem sido explicitamente programados para isso.”
Embora outras vertentes de inteligência artificial estejam atualmente recebendo mais atenção e investimentos, o aprendizado de máquina segue sendo uma tecnologia versátil e comprovada. O cientista da computação do MIT e especialista em ML Aleksander Madry chegou a afirmar à MIT Sloan Management Review: “Machine learning está mudando — ou vai mudar — todos os setores, e os líderes precisam entender seus princípios fundamentais, potencialidades e limitações.”
Principais Aplicações de Machine Learning
- Identificação de tendências de negócios
- Desenvolvimento de algoritmos de recomendação
- Detecção de gargalos e lentidões na cadeia de suprimentos
- Diagnóstico médico
- Atendimento ao cliente por chatbots online
IA Preditiva
No cenário cada vez mais amplo da inteligência artificial, há uma variedade de ferramentas, conceitos e termos que frequentemente se sobrepõem. IA preditiva, por exemplo, utiliza machine learning somado à análise estatística para examinar grandes volumes de dados históricos e gerar previsões precisas e acionáveis sobre padrões, comportamentos e até eventos futuros.
A IA preditiva costuma ser vista como sucessora tecnológica da análise preditiva, que demanda mais envolvimento humano. Já a IA preditiva pode aprender e evoluir de forma totalmente autônoma.
Principais Aplicações de IA Preditiva
- Prever comportamento do consumidor
- Realizar projeções financeiras
- Fazer previsões de demanda
- Antecipar falhas de equipamentos
- Gerenciar estoque
Large Language Models (LLMs)
Large language models, ou modelos de linguagem de grande porte, são uma categoria de IA que analisa grandes quantidades de texto e dados para compreender e produzir linguagem, interagindo fluentemente com usuários humanos. Atualmente, os LLMs são considerados “foundation models” (modelos de fundação). O termo, cunhado por pesquisadores de Stanford em 2021, refere-se a plataformas de IA treinadas com dados em escala suficiente para desempenhar várias tarefas e funções. Como explicou o Center for Security and Emerging Technology da Georgetown neste artigo, ao invés de serem desenvolvidos com objetivo restrito, “o modelo original serve como base (daí o nome ‘foundation’) sobre a qual outros recursos podem ser construídos.”
Os LLMs explodiram em popularidade desde a estreia do Chat-GPT no final de 2022. Esses modelos de fundação hoje são utilizados para infinitas finalidades — e-mails, relatórios, trabalhos acadêmicos — por estudantes, professores, pesquisadores, criadores de conteúdo e profissionais de negócios. Entre os principais concorrentes da plataforma da OpenAI estão Google Gemini, Claude da Anthropic e Llama da Meta.
Principais Aplicações de Large Language Models
- Suporte ao cliente
- Resumos de texto
- Criação de conteúdo
- Geração de código
- Pesquisa de mercado
IA Generativa
Assim como ocorre com machine learning e IA preditiva, existe grande sobreposição entre LLMs e IA generativa. O último termo é usado para designar qualquer ferramenta ou plataforma de IA projetada principalmente para gerar conteúdo. Portanto, todos os LLMs são formas de IA generativa, mas nem toda IA generativa é um LLM. Além de criar texto e manter diálogos naturais, modelos de IA generativa podem produzir imagens de alta qualidade, código, música ou áudio. Exemplos de IA generativa fora da categoria dos LLMs incluem DALL-E, Midjourney, AIVA e o watsonx Code Assistant da IBM.
Embora seja uma vertente relativamente jovem da IA, a IA generativa já se consolida como tecnologia transformadora, com empresas de todos os setores buscando sua implementação efetiva. A consultoria IDC projeta que os gastos globais com IA generativa pelas organizações devem chegar a US$ 40 bilhões até o final de 2024.
Principais Aplicações de IA Generativa
- Marketing e publicidade
- Criação de conteúdo
- Programação
- Descoberta de medicamentos
- Design de moda
- Desenvolvimento de produtos
Casos de Uso de IA na Gestão de Riscos na Cadeia de Suprimentos
Para empresas e equipes interessadas em implementar IA na gestão de riscos, entender as aplicações específicas de cada ferramenta de IA é fundamental para decisões eficazes. Isso porque, mesmo que IA generativa e LLMs estejam no centro das atenções e recebendo grandes orçamentos atualmente, eles nem sempre são as melhores escolhas para gestão de riscos da cadeia de suprimentos (SCRM, do inglês). Em vez disso, especialistas em sourcing estratégico e profissionais de SCRM devem considerar toda a gama de funcionalidades proporcionadas pelas diferentes ferramentas de IA disponíveis, como IA preditiva e machine learning.
Um grande desafio histórico do setor é o mapeamento completo da cadeia de suprimentos, permitindo aos fabricantes obter visibilidade sobre seus fornecedores, conhecer a fundo seus subníveis e identificar riscos antes de se tornarem disrupções custosas. Plataformas de IA podem ser ativos essenciais nesse processo complexo e trabalhoso. Essas ferramentas são capazes de identificar pedidos de produtos, registros de frete, documentos de transporte e outros dados de rastreabilidade, sintetizando as informações para criar mapas detalhados da cadeia de suprimentos, visualizando múltiplos níveis. Ao utilizar modelos de inteligência artificial baseados em aprendizado de máquina, os profissionais aumentam a visibilidade da cadeia de suprimentos e reforçam a resiliência operacional.
Além de aprimorar o mapeamento, a IA também pode ser utilizada para antecipar falhas de equipamentos antes que elas ocorram. A análise preditiva já é empregada para essa finalidade há anos, e a IA preditiva representa um avanço significativo dessa tecnologia. Esse tipo de IA utiliza sensores para monitorar equipamentos e infraestrutura da empresa, capturando grandes volumes de dados sobre métricas como temperatura, acústica, umidade, pressão e lubrificação.
Após analisar tais informações comportamentais, essas plataformas identificam as condições ideias de operação dos equipamentos e alertam os responsáveis pela manutenção quando há desvios, deterioração ou sinais de desempenho insatisfatório. Essa funcionalidade preditiva permite que equipes detectem prenúncios de falha ou quebra de equipamentos e atuem de forma preventiva — habilidade que permite evitar longos períodos de parada produtiva.
Profissionais de sourcing estratégico também podem adotar IA na gestão de riscos para avaliar rapidamente o impacto de uma disrupção na cadeia de suprimentos. Suponha que um fornecedor direto de uma montadora seja forçado a fechar várias fábricas por um evento climático extremo. Nesse cenário, a montadora pode alimentar uma ferramenta de inteligência artificial com dados históricos relevantes e condições atuais para obter uma avaliação de como o desastre natural irá afetar a produção e os prazos de fabricação, incluindo o tempo previsto dos atrasos.
Vale destacar que esse tipo de previsão de disrupção ainda é uma tecnologia iniciante — um exemplo de como o uso da IA em gestão de riscos ainda está em fase inicial. Ainda assim, softwares atuais de inteligência artificial já conseguem oferecer estimativas objetivas e acionáveis para que lideranças definam respostas estratégicas. Dispor desse tipo de inteligência, mesmo que ainda imperfeita, auxilia fabricantes a decidir entre manter o fornecedor afetado, buscar um parceiro alternativo ou adotar outras medidas de contingência adequadas.
O Futuro Ousado da IA na Gestão de Riscos da Cadeia de Suprimentos
Apesar da enorme expectativa e do entusiasmo do mercado de capitais, LLMs, IA generativa e outras ferramentas avançadas de inteligência artificial ainda estão em estágio inicial de desenvolvimento. Embora a natureza não comprovada dessas tecnologias justifique cautela, isso não significa que as empresas devam permanecer inertes enquanto concorrentes mais ousados apostam alto em seu potencial. Ao contrário, profissionais de gestão de riscos da cadeia de suprimentos devem pesquisar diligentemente os potenciais impactos das diversas formas de IA no negócio. Esse esforço abrange análise de custo-benefício, estudo detalhado de casos de uso aplicáveis e até o uso de períodos de demonstração gratuita oferecidos pelos principais fornecedores de IA. Essas práticas de due diligence ajudam empresas a investir de maneira informada e estratégica — e tudo começa com o entendimento dos diferentes recursos que compõem o ecossistema de IA, que evolui rapidamente.
Empresas interessadas no potencial da IA para gestão de riscos devem considerar as capacidades preditivas da plataforma de SCRM Z2Data. O software líder do setor oferece múltiplas funcionalidades de previsão, incluindo projeções de fim de vida (EOL) para componentes eletrônicos com precisão histórica de 90% e uma lista de observação de sanções baseada em relatórios do Congresso dos EUA, investigações de ONGs e outros documentos de alta credibilidade para destacar empresas globais sob maior risco de sofrer sanções. Combinadas, essas ferramentas preditivas ajudam fabricantes a serem mais resilientes a riscos e a construir uma estratégia de gestão de ameaças ágil e proativa.
Para saber mais sobre a Z2Data e os recursos de previsão que a plataforma oferece a seus clientes, solicite uma demonstração gratuita com um de nossos especialistas em produto.
