Um roteirizador e um previsor de demanda parecem a mesma coisa vistos de fora: ambos recebem dados e devolvem um número. Resolvem, porém, problemas de natureza diferente. O primeiro escolhe, entre combinações de paradas e veículos, a que custa menos dentro das restrições. O segundo estima o que vai acontecer. Tratar os dois como a IA da logística é o primeiro erro de um projeto.
A inteligência artificial para logística e supply chain reúne casos de uso com dados, riscos e donos diferentes: roteirização, previsão de demanda e de volume, previsão de chegada, leitura de documentos de comércio exterior e atendimento. Cada um muda um ponto do contrato de previsibilidade que o operador vende e que a indústria compra.
Este artigo olha o setor pela lente da IA. Mostra quais casos fazem sentido, onde cada um encontra limite, que dados precisam existir e que governança evita que o modelo vire passivo. Serve ao dono ou diretor do operador e ao gestor de supply chain da indústria. O tema conversa com a frente de Consultoria de IA da Trilion e com a página do segmento, Logística e supply chain.
Quais casos de uso de IA fazem sentido em logística e supply chain?
Roteirização, previsão de demanda e previsão de chegada têm literatura aberta. Documentos e atendimento entram com revisão humana e escopo delimitado.
Roteirização: um problema antigo com ferramentas novas
O problema de roteirização de veículos é descrito na Wikipédia como um problema de otimização combinatória: como uma frota deve percorrer o território para atender um conjunto de clientes ao menor custo total, em geral a partir de um depósito. Foi formulado em 1959 e, como generaliza o problema do caixeiro viajante, é NP-difícil, o que significa que instâncias grandes não se resolvem de modo exato em tempo razoável.
O verbete lista variantes que o operador reconhece no dia a dia: capacidade limitada, janelas de tempo, coleta e entrega, retorno com carga, vários depósitos e veículos elétricos. Métodos exatos servem a instâncias pequenas. Para as grandes, são usadas heurísticas e metaheurísticas, e algumas delas se aproximam, segundo o verbete, de 0,5% a 1% do ótimo em instâncias com centenas ou milhares de pontos de entrega.
Um artigo de 2019, apresentado na conferência ICLR, propõe um modelo de atenção treinado por reforço que aprende heurísticas de roteirização. Os autores relatam resultados próximos do ótimo para instâncias de até 100 nós e desempenho perto de algoritmos especializados.
Eles dizem também que ainda faltam avanços em modelos e métodos de treino para levar a ideia à prática. Para a frota real, isso aponta para o uso de IA como apoio ao solucionador, e não como substituto.
Previsão de demanda e de volume
Rob Hyndman e George Athanasopoulos mantêm um livro aberto sobre previsão, escrito para quem prevê no trabalho sem formação formal. Ele cobre séries temporais, modelos ETS e ARIMA, previsão hierárquica e medidas de acurácia. Para um operador, o interesse está no volume por cliente, por rota e por centro de distribuição, que forma naturalmente uma hierarquia.
A previsão de demanda (demand forecasting) só ganha valor quando é comparada a um método simples. Se o modelo sofisticado não supera o método ingênuo no mesmo histórico, o projeto não se justifica.
Previsão de chegada e visibilidade de carga
Uma equipe do Google publicou um estudo sobre previsão de tempo de chegada com redes neurais em grafos no Google Maps. O resumo relata redução de mais de 40% nos resultados negativos de previsão em relação à linha de base anterior de produção, em cidades como Sydney. O caso é de trânsito urbano de veículos em geral, não de frete, e serve como direção.
Em carga, a previsão de chegada combina a posição do veículo, o calendário, o tempo de espera na doca e eventos de porto e fronteira. A inteligência da cadeia de suprimentos depende dessa visibilidade para alertar o planejador antes de o prazo estourar.
Mapa dos casos de uso
| Caso de uso | Decisão que apoia | Dado necessário | Cuidado principal |
|---|---|---|---|
| Roteirização | Que paradas, em que ordem e com que veículo | Endereços, janelas, capacidades e tempos de serviço | Restrições reais que não estão no sistema |
| Previsão de volume | Capacidade de frota, turnos e posições de armazém | Histórico por cliente, rota e centro; calendário comercial | Comparar com um método simples e rever a acurácia |
| Previsão de chegada | Aviso ao cliente e replanejamento | Posição, eventos de doca, porto e fronteira | Mensagem proativa baseada em previsão ruim |
| Documentos de comércio exterior | Conferência e preenchimento de dados | Pacotes de documentos digitalizados e cadastro de referência | Erro de leitura que passa sem revisão |
| Atendimento | Resposta sobre status e ocorrências | Eventos de rastreio e base de regras do contrato | Resposta inventada fora da base de dados |
A ordem de entrada importa. Casos que apoiam uma decisão já tomada, com dado disponível, como a previsão de volume, entram primeiro. Casos que dependem de cadastros que ainda não existem, como a roteirização fina, esperam a base de dados.
Quem decide e onde a IA entra no contrato de logística?
No contrato, a IA muda o que o operador consegue prometer e o que a indústria consegue planejar. As duas pontas precisam combinar dados, metas e responsabilidade.
Para o operador: capacidade, custo por rota e promessa de prazo
A previsão de volume ajuda a dimensionar frota, turnos e espaço. A roteirização reduz o custo por entrega e dá consistência ao plano. A previsão de chegada permite comunicar antes de o cliente perguntar. Juntas, apoiam uma promessa de nível de serviço com mais evidência.
Para a indústria: plano de demanda e janela
A indústria produz o dado que mais pesa para o operador: o plano de demanda. Quando o operador prevê o volume por conta própria e o plano da indústria diz outra coisa, as duas previsões brigam. O contrato deve indicar qual é a referência e como as diferenças são tratadas.
O dado como cláusula
O contrato pode dizer quem fornece cada dado, em que formato, com que frequência e com que responsabilidade pela correção do dado. Também pode dizer quem pode usar o dado compartilhado para treinar modelos, o que acontece com o modelo ao fim do contrato e que direito de auditoria cada lado mantém.
Para a indústria, o ganho é ver o mesmo plano de capacidade que o operador usa. Para o operador, é receber o plano de produção antes de a carga existir.
Em logística, um modelo de IA vale o que vale o acordo de dados que o sustenta.

Documentos de comércio exterior e atendimento: onde a IA ajuda e onde pede revisão
Modelos de linguagem leem pacotes de documentos e respondem sobre status, mas erram em silêncio. O desenho certo coloca revisão humana onde o erro custa caro.
Pacotes de documentos
Uma operação de comércio exterior circula fatura comercial, lista de embalagem, conhecimento de embarque e documentos de seguro. Um sistema pode separar as páginas, extrair campos e conferir um documento contra o outro e contra a reserva. O ganho está em encontrar divergências antes do despacho.
O que a máquina não pode fazer sozinha é decidir sobre divergência relevante. O fluxo prevê fila de revisão com o campo em questão destacado, e o registro de quem aprovou.
Atendimento e consulta de status
Um agente de atendimento com acesso aos eventos de rastreio responde sobre posição, atraso e ocorrência. Ele deve responder apenas com base em dados do cliente e regras do contrato, citar a origem da informação e passar para uma pessoa quando houver dúvida. A técnica por trás desse desenho combina um modelo de linguagem com a recuperação de informação em uma base própria.
Revisão humana por desenho
Defina, para cada tipo de documento e de pergunta, o que pode ser automático, o que exige conferência e o que vai direto para uma pessoa. Meça o volume de correções feitas pelos revisores, porque ele indica onde o modelo falha.
O artigo sobre serviços de IA B2B descreve como esses projetos costumam ser organizados.
Que dados precisam existir antes de qualquer modelo?
Antes do modelo, é preciso ter cadastro confiável, eventos de rastreio com horário, tabelas de frete versionadas e um histórico de exceções registrado com motivo.
Cadastros, eventos e exceções
| Dado | Onde nasce | Problema típico | O que corrigir |
|---|---|---|---|
| Endereços e locais de entrega | ERP do cliente e cadastro do operador | Grafias diferentes para o mesmo local | Cadastro único com coordenadas e janela de recebimento |
| Dimensões e peso dos itens | Cadastro de produto da indústria | Valores estimados ou desatualizados | Rotina de conferência por amostragem |
| Eventos de rastreio | Sistema de transporte, armazém e telemetria | Horário apontado depois do fato | Registro no momento do evento, com origem do apontamento |
| Tabelas de frete | Comercial e contrato | Versões soltas em planilhas | Tabela versionada, com vigência |
| Exceções e causas | Atendimento e operação | Campo de motivo livre ou vazio | Lista fechada de causas e responsável |
Dívida técnica dos modelos
D. Sculley e colegas mostraram, em artigo de 2015, que sistemas de aprendizado de máquina em produção costumam acumular custos de manutenção grandes. Entre os fatores de risco listados estão dependências de dados, laços de retroalimentação ocultos, consumidores não declarados e mudanças no mundo externo.
Em logística, um exemplo de laço oculto: a previsão de chegada alimenta mensagens ao cliente, que passa a agendar de outro modo, o que altera o dado que treinou o modelo. Uma mudança externa, como desvio de rota por problema em porto, torna o histórico menos representativo.
Dado confiável é processo
Dado confiável tem dono, dicionário e checagem automática. Sem isso, cada projeto de IA recomeça limpando planilhas. O trabalho de dados não é pré-requisito que se encerra, e sim rotina da operação.
Um bom teste é perguntar, para cada campo usado por um modelo, quem o preenche, quando e o que acontece se ele vier vazio. Se ninguém sabe responder, o campo ainda não é dado, é palpite. O artigo sobre Indústria 4.0 trata da base de dados que liga operação e gestão.
Como governar a IA em logística sem travar a operação?
Governança é decidir quem responde por cada modelo, que decisão ele pode tomar sozinho e como a operação o corrige. O objetivo é confiança, não burocracia.
Cinco princípios como régua
A OCDE adotou seus princípios de IA em 2019 e os revisou em maio de 2024. Eles têm cinco valores: crescimento inclusivo, desenvolvimento sustentável e bem-estar; direitos humanos e valores democráticos, incluindo justiça e privacidade; transparência e explicabilidade; robustez, segurança e proteção; e responsabilização.
Em logística, a leitura prática é direta. Privacidade e justiça valem para dados de motoristas e de funcionários. Transparência vale para explicar uma rota ou uma previsão ao cliente. Robustez vale para quando o dado falta. Responsabilização vale para ter um nome por trás de cada modelo. O termo estrutura de governança de IA reúne esses elementos.
Três graus de autonomia
- Sugestão: o modelo propõe, a pessoa decide. É o ponto de partida de qualquer caso novo.
- Execução com aprovação: o modelo prepara a ação, a pessoa confirma antes da execução.
- Execução automática com limites: o modelo age dentro de regras explícitas, e o que sai do limite vai para uma pessoa.
Um caso só avança de grau depois de acumular histórico de acerto e de correção medido no grau anterior.
Autonomia de um modelo se conquista com histórico de acerto, não com demonstração.
Dados de motoristas e da operação
Telemetria e indicadores de condução dizem respeito a pessoas. Explique ao motorista o que é medido e para quê, evite usar o modelo como régua única de desempenho e submeta o uso ao jurídico e ao encarregado de dados da empresa, que interpretam a legislação de proteção de dados aplicável. Condução justa também é parte da marca empregadora do operador.
Por onde começar: método, cenário e indicadores
Comece por um inventário de decisões e escolha um caso com dado disponível e baseline medido, depois pilote com governança desde o primeiro dia.
Método em 5 etapas
- Inventário de decisões: listar as decisões recorrentes de planejamento, execução e atendimento e quem as toma.
- Escolha do caso: pontuar impacto, dado disponível, risco e dono, e escolher um.
- Baseline: medir o processo atual e um método simples, para que o resultado do modelo tenha com quem se comparar.
- Piloto com governança: grau de autonomia definido, dono nomeado, registro de decisões e revisão por pessoas.
- Operação e revisão: monitorar a acurácia, retreinar com critério e rever o acordo de dados.
O artigo sobre IA para vendas B2B mostra como o mesmo raciocínio se aplica ao funil comercial do operador.
Cenário ilustrativo
Considere um operador logístico hipotético, com dois centros de distribuição e transporte dedicado a uma indústria de peças. O cenário é ilustrativo e não relata um projeto real.
O operador monta o plano de capacidade da semana com base no histórico, mas a indústria envia um plano de produção que o contradiz. Na reunião mensal, as duas previsões divergem e o debate vira discussão de quem tem razão.
Com esse quadro, o operador tende a escolher como primeiro caso a previsão de volume por cliente e por centro, acompanhada de um acordo de dados com a indústria sobre qual plano é a referência. A roteirização fica para depois, porque depende de endereços e janelas que ainda não estão cadastrados. O que a diretoria leva para a decisão é um inventário de decisões, um baseline e um acordo de dados.
Indicadores para acompanhar
- Erro da previsão de volume comparado ao de um método simples, no mesmo período
- Aderência da rota executada à rota planejada e motivos dos desvios
- Erro da previsão de chegada e proporção de avisos proativos corretos
- Proporção de exceções tratadas dentro do protocolo e tempo até a primeira ação
- Modelos com dono nomeado, registro de decisões e revisão em dia
Erros comuns
- Começar pelo modelo mais vistoso, e não pela decisão que mais pesa
- Medir o modelo sem comparar com um método simples
- Compartilhar dados com o cliente sem cláusula sobre uso, propriedade e saída
- Colocar um agente de atendimento para responder sem acesso a dados confiáveis
- Usar telemetria de motoristas sem explicar o que é medido
O que levar para a próxima reunião de diretoria sobre IA no operador e na indústria
Leve o inventário de decisões, o caso escolhido com seu baseline, o acordo de dados e a matriz de governança. A conversa sai do entusiasmo e entra no critério.
O essencial deste artigo
IA em logística é um conjunto de casos distintos. Roteirização e previsão têm literatura aberta e pedem baseline. Documentos e atendimento pedem revisão humana. Todos dependem de dados com dono e de um acordo claro entre operador e indústria.
A governança dá a régua: quem responde, que autonomia o modelo tem e como a operação o corrige.
O próximo passo
A frente de Consultoria de IA da Trilion trata desse trabalho, e a página de mais detalhes do serviço mostra como ele é conduzido. Para o mesmo segmento, o artigo de branding e UX trata de marca, o de design estratégico, de demanda e visibilidade, e o de tecnologia e RevOps, de CRM e integração.
Quem lida com previsão e cadeias de entrega encontra pontos de contato em indústria automotiva e em alimentos e bebidas. O índice completo está em Indústrias. O hub de agentes de IA e automação reúne o conteúdo de apoio, e a consultoria de inteligência artificial é a porta de entrada para um diagnóstico.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line. O mesmo time cuida da estratégia, do desenho da marca e da aplicação nos canais digitais, e a proposta é escrita, depois do briefing e do diagnóstico.
Sobre este texto
Este artigo foi preparado para o hub de Desenvolvimento e IA da Trilion. A descrição do problema de roteirização vem da Wikipédia, os resultados de roteirização aprendida e de previsão de chegada vêm de artigos científicos abertos, e a previsão de demanda, do livro aberto sobre o tema.
Os princípios de governança vêm da OCDE, e os riscos de manutenção de modelos, do artigo sobre dívida técnica em aprendizado de máquina. A leitura dos documentos de comércio exterior e do atendimento, a matriz de casos, os 3 graus de autonomia, o cenário e o método em 5 etapas são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 13/11/2026.
- Wikipédia, Vehicle routing problem: https://en.wikipedia.org/wiki/Vehicle_routing_problem (consulta em 13/11/2026)
- Wouter Kool, Herke van Hoof e Max Welling, Attention, Learn to Solve Routing Problems, arXiv, aceito no ICLR 2019: https://arxiv.org/abs/1803.08475 (consulta em 13/11/2026)
- Austin Derrow-Pinion e outros, ETA Prediction with Graph Neural Networks in Google Maps, arXiv, CIKM 2021: https://arxiv.org/abs/2108.11482 (consulta em 13/11/2026)
- Rob J. Hyndman e George Athanasopoulos, Forecasting: Principles and Practice, 3ª edição, livro aberto: https://otexts.com/fpp3/ (consulta em 13/11/2026)
- OCDE, OECD AI Principles: https://oecd.ai/en/ai-principles (consulta em 13/11/2026)
- D. Sculley e outros, Hidden Technical Debt in Machine Learning Systems, NIPS 2015: https://papers.nips.cc/paper_files/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html (consulta em 13/11/2026)

