:quality(85))
Desde que a OpenAI lançou o ChatGPT em novembro de 2022, grande parte do mundo tem estado diversasmente cativada, inquieta e surpreendida pelos avanços tecnológicos e pelo potencial aparentemente ilimitado da inteligência artificial. Nos 18 meses seguintes, as empresas apressaram-se a incorporar plataformas e modelos de IA nos seus produtos, processos internos e estratégias corporativas globais. Como resultado, o que era uma tendência de crescimento constante transformou-se rapidamente numa autêntica corrida ao investimento.
De acordo com o The Wall Street Journal, prevê-se que as empresas gastem quase 39 mil milhões de dólares em IA generativa este ano, o dobro do valor gasto em 2023. Projeções publicadas no ano passado pela Goldman Sachs apontam para um aumento ainda mais acentuado do investimento em IA. Os economistas da empresa financeira acreditam que o investimento das organizações em IA pode atingir os 100 mil milhões de dólares nos EUA até 2025 (a nota de pesquisa não diferenciava entre IA generativa — a forma representada pelo ChatGPT — e tecnologias de inteligência artificial de modo mais amplo).
Enquanto muitas das maiores empresas mundiais continuam encantadas com esta nova tecnologia revolucionária, já existem dados credíveis que estabelecem um histórico de casos de utilização de IA em diversos setores. Um estudo da McKinsey & Company, de dezembro de 2022, inquiriu cerca de 1.500 empresas em todo o mundo para avaliar de que forma a inteligência artificial estava a ser implementada e que valor acrescentava às organizações. A consultora concluiu que as empresas estavam, em geral, a registar modestos aumentos de receitas e reduções de custos em várias áreas, nomeadamente na produção, vendas e marketing e desenvolvimento de produtos. No entanto, uma das atividades que mais estava a beneficiar da integração da IA era a gestão da cadeia de abastecimento. Cinquenta e dois por cento dos inquiridos relataram que a implementação de IA estava a conduzir a uma diminuição de custos nos seus processos de gestão da cadeia de abastecimento. Já quase 60% referiu aumentos de receitas.
Enquanto muitas das maiores empresas mundiais continuam encantadas com esta nova tecnologia revolucionária, já existem dados credíveis que estabelecem um histórico de casos de utilização de IA em diversos setores.
De certa forma, não surpreende que a IA — especialmente a sua mais recente e impactante vertente, a IA generativa — se revele benéfica para a gestão da cadeia de abastecimento. Esta área operacional baseia-se na análise de grandes volumes de dados, na utilização de análises complexas para orientar estratégias e decisões, bem como na deteção e análise de riscos hipotéticos — todas funções decisivamente potenciadas pelas capacidades únicas da IA.
No entanto, para uma área tão pragmática como a gestão da cadeia de abastecimento — e, numa medida igualmente relevante, a gestão de risco na cadeia de abastecimento (SCRM) — não basta deixar-se deslumbrar pelas possibilidades que estas plataformas inovadoras trazem ao quotidiano operacional. Importa, sobretudo, aprofundar e questionar quais são os casos de utilização legítimos da inteligência artificial e se estes não serão anulados pelos riscos inerentes à adoção de uma tecnologia incipiente, dispendiosa e potencialmente disruptiva.
Casos de Utilização da IA na Gestão da Cadeia de Abastecimento
A inteligência artificial já não é uma hipótese remota na gestão da cadeia de abastecimento e SCRM. Trata-se de uma ferramenta poderosa e multifacetada, acessível aos profissionais do setor neste momento. Além disso, já está a ser utilizada de diversas formas, trazendo valor concreto a fabricantes e outras organizações nos EUA.
- Análises preditivas para equipamentos de produção
- Previsão de procura
- Mapeamento da cadeia de abastecimento
- Avaliações de risco e matrizes de risco
- Fornecedores alternativos
Análises Preditivas para Equipamentos de Produção
Em contraste com a impressionante profundidade da informação que as alimenta, as análises preditivas apresentam-se como um conceito bastante coerente e direto. A Harvard Business School define este conceito como «a utilização de dados para prever tendências e eventos futuros». Estas previsões, continua a definição, «podem referir-se ao futuro próximo — por exemplo, prever uma avaria numa máquina ainda nesse dia — ou a um horizonte mais longo, como a previsão dos fluxos de caixa da empresa para o próximo ano».
No contexto da gestão da cadeia de abastecimento, é a primeira situação que suscita mais interesse. Esta vertente das análises preditivas é muitas vezes designada por «manutenção preditiva». Na manutenção preditiva, a IA e a aprendizagem automática recolhem grandes volumes de dados de sensores instalados em equipamentos/infrastruturas específicas e que monitorizam o seu funcionamento. Os dados, que abrangem métricas comportamentais como temperatura, vibração, pressão, humidade e velocidade, permitem ao modelo de IA aprender as condições normais de funcionamento do equipamento. Após a análise exaustiva de todos estes dados, a IA consegue detetar imediatamente desvios às condições ideais — identificando potenciais indícios de uma avaria grave iminente.
Detetar uma falha antes mesmo de esta se manifestar — evitando não só a disrupção, mas muitas vezes conseguindo preveni-la por completo — pode trazer vantagens a vários intervenientes da cadeia de abastecimento eletrónica. Os fabricantes por contrato de eletrónica (ECMs) e outros fornecedores conseguem evitar avarias, reduzir o tempo de paragem de equipamentos e maximizar a produtividade das fábricas e outras instalações. As entidades a jusante, incluindo fabricantes de equipamento original (OEMs) e outras empresas, beneficiam, por sua vez, de menos interrupções e atrasos na produção, conseguindo cumprir os objetivos de produção de forma mais consistente. E no caso de avarias graves que não possam ser mitigadas de imediato, a manutenção preditiva por IA pode pelo menos alertar os vários envolvidos sobre perturbações iminentes, permitindo-lhes ativar planos de contingência e reagir com prudência e precisão.
Previsão de Procura
As empresas praticam previsão de procura bem antes de o conceito ter sido cunhado e popularizado nas últimas décadas. Os fabricantes estiveram sempre à mercê do espontâneo e imprevisível comportamento do mercado. (Durante a «Tulipomania» ocorrida nos Países Baixos no século XVII, por exemplo, a procura aumentou de tal forma que um único bolbo de tulipa chegou a valer o equivalente a 750.000 dólares nos dias de hoje.) Historicamente, a resposta dos fabricantes foi tentar extrair previsões eficazes — ou «projeções» — a partir de um vasto conjunto de dados quantitativos, incluindo tendências de vendas, ajustes sazonais e padrões históricos. Os resultados, como se imagina, variam imenso, sobretudo porque o ser humano só consegue analisar uma quantidade limitada de informação. A isto soma-se o facto de que as conclusões baseadas em dados imperfeitos são frequentemente enviesadas por expectativas imprecisas ou por fatores emocionais inconscientes.
Os atuais modelos de IA disponíveis para as organizações não transportam as mesmas limitações humanas para o trabalho de previsão de procura. Mais importante ainda, estas plataformas de IA conseguem analisar volumes de informação muito maiores do que qualquer analista humano. As suas análises vão além dos dados históricos de vendas, cobrindo métricas mais subtis e indiretas, como tendências de desempenho dos concorrentes de mercado, fatores macroeconómicos e alterações no comportamento do consumidor que podem antecipar mudanças significativas na procura. Certos modelos de IA são mesmo capazes de detetar sinais precoces de compras impulsionadas pelo pânico, permitindo às empresas reagir de forma estratégica e aproveitar oportunidades sem interpretar um pico temporário como uma alteração estrutural na procura.
Ao tirar partido das capacidades destas ferramentas de IA, fabricantes e outras empresas conseguem reforçar substancialmente a sua capacidade de prever a procura dos seus produtos. Deste modo, é muito menos provável que venham a ser afetados pelo custo de oportunidade de eventuais escassez de stock ou que tenham de improvisar estratégias para rapidamente se verem livres de excedentes.
Ao tirar partido das capacidades destas ferramentas de IA, fabricantes e outras empresas conseguem reforçar substancialmente a sua capacidade de prever a procura dos seus produtos.
Mapeamento da Cadeia de Abastecimento
Um dos maiores desafios enfrentados pelos profissionais de sourcing estratégico e aprovisionamento reside em compreender verdadeiramente a amplitude e profundidade das suas cadeias de abastecimento. Um estudo de 2021, também conduzido pela McKinsey, mostra precisamente como o mapeamento extensivo e aprofundado da cadeia de abastecimento é difícil — e como essa capacidade se reduz à medida que as organizações vão descendo nos níveis dos seus fornecedores. Embora quase metade dos executivos inquiridos refira ter uma boa visibilidade sobre os fornecedores de primeiro nível, esse valor desce para cerca de um quinto no caso dos fabricantes de segundo nível. Já a visibilidade além do segundo nível praticamente não existe: apenas 2% dos respondentes afirmaram conhecer os seus fornecedores de terceiro nível.
A capacidade de realizar um mapeamento mais profundo e completo atribui inúmeros benefícios operacionais. As empresas que conseguem visualizar os seus fornecedores de segundo e terceiro nível podem realizar avaliações de risco mais completas das suas cadeias de abastecimento; identificar materiais, países de origem e outros dados relevantes para a conformidade regulamentar; e diagnosticar, com precisão, as causas de atrasos e escassez de uma forma impossível para empresas com menos visibilidade. Este último fator reveste-se de particular importância, pois permite às empresas identificar a origem exata de qualquer disrupção e, assim, intervir de forma muito mais direcionada. Se souber que um fabricante de terceiro nível é responsável por uma escassez junto de um fornecedor de primeiro nível, pode trabalhar com esse fornecedor direto para delinear soluções específicas.
No entanto, o principal obstáculo no mapeamento da cadeia de abastecimento não reside no ceticismo quanto ao seu valor, mas sim nos desafios logísticos inerentes à construção destas visualizações dependentes de dados. É precisamente aqui que a IA pode fazer a diferença. Estas ferramentas conseguem «navegar» a web em busca de recursos dispersos essenciais para identificar transações entre fabricantes — e, consequentemente, para mapear as empresas que constituem os vários níveis de fornecedores. As plataformas de IA podem aceder a encomendas, recibos, declarações aduaneiras, reservas de transporte e outra documentação que estabelece um registo de transferência dos seus produtos, componentes e matérias-primas. Com base nestes dados, as empresas podem construir mapas da cadeia de abastecimento mais completos e robustos, reforçando a sua gestão de risco na cadeia de abastecimento (SCRM).
As plataformas de IA podem aceder a encomendas, recibos, declarações aduaneiras, reservas de transporte e outra documentação que estabelece um registo de transferência dos seus produtos, componentes e matérias-primas.
Avaliações de Risco e Matrizes de Risco
Uma matriz de risco é uma ferramenta visual que ajuda as organizações a avaliar os vários riscos para o negócio e operações. Por norma, a matriz sintetiza dois fatores-chave: a probabilidade de um risco ocorrer e a gravidade desse risco caso se concretize. Estes fatores são classificados em diferentes categorias nos eixos x e y, permitindo assim aos profissionais de gestão de risco avaliar o grau de ameaça de cada risco. (Por exemplo, um ataque informático pode ser considerado pouco provável para uma empresa com sólidas medidas de cibersegurança, mas potencialmente muito grave.)
Apesar de recorrer a uma matriz de risco ser uma estratégia fundamental para equipas SCRM, existe sempre um grau de subjetividade no modo como se atribuem níveis de gravidade e probabilidade a riscos como paragens fabris, fenómenos meteorológicos extremos ou falências de fornecedores. É precisamente aqui que a IA pode assumir um papel determinante. Em vez de depender da experiência pessoal, de intuições imperfeitas e de conjuntos de dados limitados, a IA pode processar grandes volumes de informação e apresentar avaliações objetivas e precisas sobre a aplicabilidade de cada risco à sua empresa e setor. Apesar de ser uma tarefa de nicho, utilizar uma matriz de risco com maior precisão pode ajudar as organizações a alocar recursos de modo mais eficiente.
Identificação de Fornecedores Alternativos
A tarefa de identificar fornecedores alternativos — ou multisourcing — é outra função relativamente simples e direta que as ferramentas de IA podem ajudar as empresas a executar de forma mais rigorosa e abrangente. Atualmente, várias empresas já disponibilizam modelos de IA capazes de gerar listas de potenciais fornecedores com base em parâmetros e requisitos específicos. Estes modelos não só procuram fabricantes que cumpram os critérios definidos, como também analisam fatores determinantes como a situação financeira da empresa, desempenho ESG e satisfação do cliente, apresentando listas de candidatos rigorosamente «avaliados».
Dada a amplitude das pesquisas que a IA consegue realizar em pouco tempo, é também possível descobrir fornecedores que de outro modo dificilmente surgiriam em pesquisas manuais tradicionais, incluindo pequenas e médias empresas (PMEs), fornecedores mais diversos e outras entidades frequentemente esquecidas.
Apesar de esta função não ser necessariamente transformacional para as equipas de gestão da cadeia de abastecimento, oferece às organizações recursos para reforçar a resiliência do seu SCRM. Num artigo para a Harvard Business Review, um responsável de gestão da cadeia de abastecimento da Siemens destaca como uma aplicação de IA estava a ajudar a empresa a reunir informação sobre fornecedores alternativos, fundamental para mitigar futuras disrupções. Segundo o diretor sénior relatou à HBR, «A tecnologia não lhe garante visibilidade para prevenir ruturas antes de acontecerem, mas pode fornecer-lhe informação que o ajude a responder a disrupções muito mais rapidamente do que qualquer comprador humano.»
Os Potenciais Riscos da IA na Gestão da Cadeia de Abastecimento
Os casos de utilização acima — bem como os vultuosos investimentos do setor empresarial — evidenciam o enorme potencial das ferramentas e modelos de inteligência artificial na gestão da cadeia de abastecimento. No entanto, nenhuma tecnologia desta escala e impacto surge isenta de riscos. Os fabricantes que ponderam adotar IA devem estar atentos às armadilhas inerentes a esta realidade.
- Custos iniciais significativos
- Ceticismo da equipa
- Dados pouco fiáveis ou não validados
A maioria das plataformas atualmente disponíveis, sejam de grandes tecnológicas ou de start-ups especializadas, implicam custos iniciais elevados. Muitas soluções de IA personalizadas, por exemplo, podem atingir valores na ordem dos seis dígitos. As organizações devem ser criteriosas e metódicas neste tipo de investimento, utilizando análises de custo-benefício e estimativas de retorno do investimento (ROI) para aferir o real valor da adoção da tecnologia.
Além disso, estas plataformas requerem ampla adesão e confiança por parte dos colaboradores, sendo fundamental evitar decisões unilaterais por parte da gestão. Se não houver uma correta comunicação das circunstâncias, casos de utilização e parâmetros de utilização destas ferramentas, as empresas arriscam alienar as equipas, prejudicar a moral dos trabalhadores e até desencadear saídas.
Por fim, as empresas que começam a agir precipitadamente com base nas análises preditivas fornecidas por soluções de IA podem sobrevalorizar a credibilidade e integridade destas respostas. Como sabe quem já testemunhou erros factuais do ChatGPT, as ferramentas de IA dependem integralmente da qualidade dos dados com que são alimentadas. Dados errados, desatualizados ou «ruído» podem levar a avaliações pouco fiáveis e análises comprometidas. Na fase inicial de implementação de ferramentas de IA que recolhem dados dos recantos menos validados da internet, os utilizadores devem avançar com cautela.
