Uma reflexão sobre IA generativa em Supply Chain, analytics, regras de negócio e sistemas de apoio à decisão

Minha relação profissional com tecnologia começou há 20 anos, quando eu ainda era adolescente, ensinando informática e Excel.

Naquela época, eu jamais imaginaria que, duas décadas depois, estaria construindo soluções de Inteligência Artificial para problemas de Supply Chain. Mas, olhando para trás, esse caminho está mais conectado do que poderia parecer à primeira vista.

Ao longo da carreira, passei das planilhas para sistemas ERP, dos relatórios operacionais para analytics e por diferentes desafios em planejamento, transportes, logística e operações.

As tecnologias mudaram, mas uma pergunta permaneceu: Como transformar dados em decisões melhores?

Da ferramenta para o negócio, quando comecei a estudar Inteligência Artificial, meu primeiro impulso foi entender a tecnologia: modelos de linguagem, arquiteturas com agentes, RAG para recuperação de informações em bases confiáveis, integração via APIs, programação em Python e infraestrutura em nuvem.

Mas, quando comecei a construir, algo mudou. As perguntas mais importantes deixaram de se concentrar nas ferramentas e passaram a se concentrar no negócio.

Um dos projetos em que isso ficou mais evidente foi o AI Supply Chain Copilot, que desenvolvi para explorar como a IA poderia apoiar decisões em Supply Chain.

Comecei por estoque, trabalhando com conceitos como valor financeiro do estoque, cobertura, lead time de reposição e risco de ruptura. Depois, expandi a arquitetura para transportes, incorporando rotas, veículos, capacidade, previsão de demanda de transporte, utilização e custos.

A pergunta que mudou a arquitetura :Nessa evolução, surgiu uma percepção importante.

Se eu já sei como calcular a utilização de um veículo, por que deixar que um modelo de linguagem produza esse resultado, em vez de acionar uma função de cálculo validada?

Se uma regra de negócio estabelece um critério para identificar uma situação de risco, por que deixar sua aplicação a cargo da interpretação de um LLM?

E, se a informação está disponível em fontes confiáveis, por que depender de uma resposta gerada sem consultar essas fontes?

Essas perguntas mudaram a arquitetura e minha maneira de pensar sobre IA: comecei a separar responsabilidades.

Uma arquitetura com papéis complementares : Dados validados fornecem a base factual. Analytics e modelos quantitativos produzem métricas, estimativas e cenários. Regras de negócio explicitamente codificadas aplicam critérios, restrições e condições de escalonamento. O conhecimento operacional ajuda a contextualizar os resultados e avaliar trade-offs. A camada de IA generativa sintetiza essas informações e as apresenta em linguagem natural. Neste projeto, a decisão final permanece com o usuário.

Isso não significa excluir o LLM da solução, mas definir claramente sua responsabilidade. Cálculos, métricas e regras de negócio permanecem em componentes determinísticos, enquanto o modelo recebe informações já processadas e contextualizadas. Seu papel está na interpretação, síntese e comunicação desses resultados em linguagem natural.

Nem tudo precisa ser IA generativa :Esse se tornou um dos principais aprendizados. Um cálculo determinístico deve continuar determinístico sempre que possível. Uma regra de negócio claramente definida não precisa ficar sujeita à interpretação probabilística de um modelo de linguagem.

O valor da IA generativa aparece principalmente onde linguagem, contexto, síntese e interpretação agregam valor — apoiados em informações verificáveis, e não substituindo-as.

A experiência anterior virou arquitetura :Também percebi que não precisava deixar minha experiência anterior para trás para entrar nesse universo. Pelo contrário: ela passou a fazer parte da arquitetura.

Quem trabalhou com planejamento e operações sabe que um KPI sem contexto pode levar a conclusões equivocadas, que uma exceção não exige automaticamente uma ação e que melhorar um indicador isoladamente pode criar um problema em outra parte da operação — ou simplesmente transferir o gargalo de lugar.

Uma decisão de transporte, por exemplo, pode afetar simultaneamente custo, capacidade, nível de serviço e estoque. Uma utilização maior do veículo pode parecer positiva quando observada isoladamente, mas precisa ser avaliada à luz dos prazos, das restrições operacionais e das necessidades de atendimento.

As perguntas certas : Por isso, hoje, antes de perguntar “o que o modelo consegue fazer?”, prefiro perguntar:

  • Qual decisão estamos tentando melhorar?
  • Quais dados e evidências sustentam essa decisão?
  • Quais cálculos e regras precisam ser executados por funções explicitamente definidas?
  • Onde a interpretação e a síntese agregam valor?
  • Em quais situações o sistema deve interromper o fluxo e solicitar avaliação humana?

De automação para sistemas de apoio à decisão : Essa jornada mudou minha visão sobre Inteligência Artificial em Supply Chain.

Inicialmente, eu a enxergava principalmente como uma nova camada de automação. Hoje, vejo uma oportunidade maior: conectar de forma mais inteligente algo que as empresas já possuem — dados, sistemas, analytics, regras de negócio e conhecimento operacional.

Tenho pensado nessa arquitetura não como uma sequência rígida, mas como uma divisão de responsabilidades:

  • Dados validados: base factual e auditável.
  • Analytics e modelos quantitativos: métricas, estimativas e cenários.
  • Regras de negócio: critérios, restrições e condições de escalonamento para avaliação humana.
  • Conhecimento operacional: contexto, exceções e avaliação de trade-offs.
  • IA generativa: síntese, explicações e recomendações fundamentadas.
  • Pessoas: avaliação das alternativas e decisão, conforme a governança definida.

Nesse modelo, a IA generativa não precisa controlar todo o processo. Ela passa a fazer parte de um sistema de apoio à decisão, com um papel definido e complementar aos demais componentes.

O que permaneceu :Vinte anos depois de começar ensinando Excel, as ferramentas mudaram radicalmente. Mas a pergunta fundamental continua parecida:

Como utilizar tecnologia para ajudar pessoas a tomar decisões melhores?

Talvez esse seja o principal aprendizado dessa jornada….

O futuro da Inteligência Artificial em Supply Chain não precisa se resumir à automação de decisões. Também passa pela construção de sistemas integrados, nos quais dados confiáveis, analytics, regras de negócio, conhecimento operacional e IA generativa desempenhem papéis complementares, ampliando a capacidade humana de avaliar alternativas e decidir.

Eng. Rodrigo Soares

rsoares.engmec@gmail.com

 

 

(com aprimoramento de SEO com apoio de LLMs)

Author avatar
Português