Inteligência Artificial na gestão de estoques é o uso de recursos de IA para apoiar previsões, parametrizações, análises e decisões relacionadas ao planejamento, abastecimento e controle dos estoques. A tecnologia já encontra aplicações concretas na indústria. A questão levantada pela Borgatti Consulting é anterior à escolha do algoritmo: sobre qual modelo de gestão essa inteligência está sendo aplicada?
Em setembro de 2026, Arthur Balonecker Ferreira, consultor da Borgatti Consulting, levou essa discussão à Imersão Técnica IA + Estatística, da Faculdade CDPI, com a palestra “Think First, AI Second: não automatize o caos”, dedicada à Gestão de Estoques e Inteligência Artificial na cadeia de suprimentos farmacêutica.
A provocação ganha relevância em um momento de rápida adoção tecnológica. Dados apresentados por Arthur, provenientes de estudo da Strand Partners para a AWS, indicam que 50% das empresas brasileiras já usam IA, ante 40% em 2025. Entre as aplicações que já estão em produção aparecem previsão de demanda com Machine Learning, digital twin da operação, priorização de filas, manutenção preditiva, visão computacional na inspeção, agentes de compra e detecção de risco de fornecedor.
A IA, portanto, já entrega muito. Como resume a apresentação, “a pergunta é sobre o que ela está sendo plantada.”
Inteligência Artificial na gestão de estoques: adotar tecnologia não significa colher resultados
O avanço da adoção não significa que as empresas estejam conseguindo transformar tecnologia em valor na mesma proporção.
Na apresentação, Arthur Balonecker Ferreira trouxe um contraste importante: 83% das empresas aplicam IA sobre o processo que já existe, enquanto apenas 17% redesenham o processo antes. Outros dados apresentados indicam que somente 22% conseguiram escalar a IA para além de projetos isolados e 23% têm uma estratégia formal de IA em supply chain.
Há ainda um alerta relevante: 60% dos projetos de adoção digital em cadeia de suprimentos não entregarão o valor prometido até 2028, segundo as pesquisas citadas na apresentação.
O problema, portanto, não está em utilizar IA. Está em pressupor que adicionar inteligência a um processo existente necessariamente tornará esse processo melhor.
Essa é a origem da provocação “Think First, AI Second”. Antes de automatizar, é preciso compreender a lógica que será automatizada.
Qual é a base que a IA está herdando no Supply Chain?
Para responder a essa pergunta, Arthur voltou à base instalada em grande parte das operações industriais: o MRP.
A apresentação caracteriza o MRP como “a lógica de planejamento de materiais mais difundida na indústria” e mostra por que determinadas lógicas se perpetuam. Entre os fatores apresentados estão o viés da consistência, a ilusão de previsibilidade e controle, o viés da disponibilidade, o viés da confirmação, o viés da aversão à perda e o chamado “caminho do default”: a lógica já está disponível no sistema, enquanto deixar de utilizá-la exige uma decisão.
A questão não é simplesmente discutir se uma ferramenta é antiga ou nova. O ponto está nas premissas que orientam a tomada de decisão e no comportamento que elas produzem quando encontram a variabilidade real da operação.
O modo MRP de planejamento e o problema da variação
Na palestra, Arthur sintetizou o modo MRP de planejamento a partir de três premissas:
- Premissa 1: a previsão está certa;
- Premissa 2: o prazo é fixo;
- Premissa 3: a variação da capacidade não é um problema.
O exemplo apresentado para o mercado farmacêutico evidencia o desafio. Considerando diferentes etapas de materiais, almoxarifado, manipulação, embalagem e produção, uma necessidade atual pode exigir decisões de compra tomadas com grande antecedência. No exemplo dos slides, a cadeia chega a 108 dias de antecedência.
Quanto maior esse horizonte, maior a exposição àquilo que muda entre o planejamento e a execução. Demanda, prazo e capacidade não permanecem necessariamente iguais ao que havia sido assumido no momento em que o plano foi elaborado.
É nesse cenário que a Inteligência Artificial surge com uma série de possibilidades. Mas é também nesse ponto que a discussão precisa ficar mais criteriosa.
O que a Inteligência Artificial na gestão de estoques promete ao MRP?
Arthur organizou na apresentação nove aplicações que a Inteligência Artificial pode oferecer sobre essa lógica de planejamento:
- Demand sensing, para capturar mudanças recentes de demanda;
- Previsão de demanda por IA, buscando aumentar a acurácia;
- Lead time dinâmico, ajustando o prazo com dados reais;
- Estoque de segurança dinâmico, adequando buffers ao risco;
- Otimização automática de lotes, buscando reduzir o custo total;
- Replanejamento automático, para responder rapidamente a eventos;
- Priorização por IA, definindo o que produzir ou comprar primeiro;
- Gestão automática de fornecedores, antecipando atrasos e riscos;
- Autonomous planning, com agentes voltados à redução da intervenção humana.
São aplicações capazes de fazer exatamente aquilo a que se propõem. A ressalva feita na própria palestra é outra: “o ponto é avaliar se são realmente necessárias e se geram valor para o processo.”
A pergunta deixa de ser apenas “a IA consegue fazer?” e passa a ser “essa é a decisão que precisamos melhorar?”
Reparametrizar é bom. O problema está na frequência
Um dos efeitos analisados na palestra é o dilema da reparametrização.
Imagine uma demanda que varia ao longo do ano e uma empresa que procura ajustar constantemente sua capacidade contratada, alternando entre um, dois ou três turnos. No exemplo apresentado, ocorrem oito trocas de turno em 12 meses.
Responder dessa maneira à previsão produz três tipos de custo destacados por Arthur.
O primeiro é financeiro, envolvendo rescisão, recrutamento, curva de aprendizado e horas extras nos períodos de maior demanda. O segundo envolve Qualidade e GxP: um novo turno em um processo validado pode significar mais desvios e investigações. O terceiro é estatístico: a resposta dada à previsão altera o próprio processo que gerará os próximos dados.
Isso ajuda a explicar por que uma capacidade maior de recalcular parâmetros não significa, isoladamente, uma gestão melhor.
Inteligência Artificial na gestão de estoques: o risco de dar velocidade ao nervosismo do MRP
Esse é um dos conceitos mais importantes da apresentação.
O nervosismo do MRP ocorre quando uma pequena alteração na entrada desencadeia novas datas, novos lotes, novas prioridades e uma série de ordens reprogramadas a jusante.
Arthur apresentou um dado particularmente relevante para essa discussão: 52% das previsões empresariais são piores do que uma previsão ingênua, com base em mais de 300 mil previsões analisadas por Morlidge e publicadas pela Foresight, do International Institute of Forecasters.
Colocar IA nesse ambiente pode aumentar a capacidade de recalcular e reagir. Mas isso traz um risco: cada parâmetro recalculado mais vezes pode se transformar em uma nova alteração no chão de fábrica.
A formulação utilizada na palestra é precisa: “A IA não cria o nervosismo: ela dá velocidade a ele.”
Isso não significa que os parâmetros devam permanecer estáticos. Como Arthur ressalta, “reparametrizar é bom; o problema está na frequência com que é feito.” A literatura citada na apresentação discute o fenômeno desde os anos 1970 e aponta mecanismos como penalizar mudanças ou congelar horizontes para reduzir esse nervosismo.
O nervosismo não para na porta da fábrica
As consequências também chegam à cadeia de suprimentos.
Cada rodada de replanejamento pode enviar uma nova data para o fornecedor. Na sequência exemplificada na apresentação, uma mesma linha de pedido muda de data três vezes.
O resultado é uma deterioração do próprio sinal que deveria orientar a cadeia. O fornecedor pode deixar de acreditar na data recebida, passar a se programar pela média em vez do pedido e enfrentar fretes extras e urgências. É nesse ambiente que começa a amplificação da variabilidade ao longo da cadeia.
“A instabilidade não para na porta da fábrica. Ela chega ao fornecedor como ruído e volta como aumento de custo (valor ou relacionamento).”
(Arthur Balonecker Ferreira, consultor da Borgatti Consulting)
Portanto, avaliar uma solução de IA apenas pela velocidade do planejamento interno pode esconder consequências que aparecem em outras partes do sistema.
Estoque, capacidade ou tempo: a variabilidade precisa ser absorvida em algum lugar
A discussão conduz a uma questão essencial para a Gestão de Estoques: O que deve variar?
Segundo a lógica apresentada por Arthur, toda variabilidade será amortecida por estoque, capacidade ou tempo. Em uma das frases mais diretas da palestra: “Você não escolhe se paga, escolhe com o quê.”
A partir da abordagem de Josef Packowski, a proposta é deslocar a atenção da tentativa de parametrizar perfeitamente a incerteza para uma maior capacidade do sistema de absorver variabilidade.
É nesse ponto que a apresentação contrapõe o modelo tradicional empurrado, associado ao MRP, à lógica puxada do Lean Demand Driven.
Leia também: Lean Demand Driven: O caminho para o Modelo de Gestão de Operações de Alta Performance
Lean Demand Driven: o consumo dispara a reposição
Para explicar a lógica puxada, Arthur utiliza uma analogia simples: o mecanismo da caixa d’água.
A vazão que chega da rua permanece constante. Dentro da casa, entretanto, o consumo varia: banho, máquina de lavar e torneira não funcionam com a mesma intensidade durante todo o dia. A caixa absorve essa variação e a boia aciona o reabastecimento apenas quando o nível chega ao ponto de disparo.
Na lógica apresentada: Capacidade de entrada constante. Saída variável. Reposição só no ponto.
Essa analogia traduz o funcionamento do supermercado no Lean Demand Driven. Em vez de fazer a fábrica acompanhar cada oscilação da demanda, o estoque absorve determinada variabilidade e o consumo dispara a reposição.
Na conclusão da palestra, Arthur sintetiza: “Lean Demand Driven: o consumo dispara a reposição e o estoque varia para a fábrica não variar.”
Menos estoque muda a capacidade de resposta da operação
A discussão sobre o sistema puxado não se limita à redução de capital.
Na apresentação, Arthur relaciona a lógica a seis efeitos:
- Menos estoque, reduzindo capital parado, espaço ocupado e custo de armazenagem.
- Menos superprodução, evitando produzir antes da necessidade real.
- Menos lead time, acelerando o fluxo entre produção e atendimento da demanda.
- Mais flexibilidade, permitindo responder melhor a mudanças de volume, mix e prioridade.
- Mais visibilidade dos problemas, porque estoques menores expõem gargalos, falhas e instabilidades.
- Mais alinhamento com a demanda real, já que a reposição é puxada pelo consumo, e não pela previsão.
Esse último ponto também explica uma frase importante da apresentação: “Estoque alto esconde problema. Quando ele baixa, o gargalo aparece.”
Inteligência Artificial na gestão de estoques e Lean Demand Driven: onde a tecnologia agrega valor
A mudança do modelo não elimina as aplicações de Inteligência Artificial apresentadas anteriormente.
Demand sensing, previsão por IA, lead time dinâmico, estoque de segurança dinâmico, otimização de lotes, priorização, gestão de fornecedores e autonomous planning continuam disponíveis.
O que muda é a base sobre a qual essas aplicações passam a trabalhar.
Essa distinção é fundamental. A apresentação dedica uma seção específica a “O que a IA promete ao Lean Demand Driven”. Ou seja, a tese não é substituir Inteligência Artificial por Lean, mas aplicar IA sobre um modelo de gestão capaz de absorver a variabilidade e responder à demanda.
Inteligência Artificial na gestão de estoques: como a IA pode apoiar a previsão de demanda
A palestra também mostra de maneira concreta onde a Inteligência Artificial pode agregar valor.
Na previsão de demanda, Arthur propõe começar pela parametrização de modelos para cada SKU, considerando que cada item possui um comportamento definido por sell in, sell out, faltas e estoque na rua.
Em seguida, a escolha do modelo ocorre por backtest. O indicador apresentado é o MASE — Mean Absolute Scaled Error, calculado pela relação entre o erro do modelo e o erro de uma previsão ingênua. Quando o resultado fica abaixo de 1,00, o modelo supera a previsão ingênua.
No exemplo ilustrativo da palestra, os modelos apresentam resultados distintos: 0,68, 0,79 e 0,91, enquanto uma previsão anterior registra 1,08 e a previsão comercial, 1,34. O modelo não é escolhido porque utiliza IA ou porque parece mais sofisticado; ele é comparado com alternativas a partir do seu desempenho.
Para o parâmetro do supermercado, a apresentação utiliza ainda a média de 12 meses, que nivela a variação e oferece uma visão de longo prazo, desconsiderando o plano produtivo.
É uma mudança relevante de perspectiva: tecnologia passa a ajudar a descensurar a demanda e compreender o comportamento do item, e não simplesmente a produzir um número que será automaticamente transformado em ordem.
Leia também: Supermercado Lean Demand Driven: O que é e quais são suas vantagens?
Inteligência Artificial na gestão de estoques: follow-up automático na gestão de fornecedores
Outro exemplo concreto está na gestão de fornecedores.
Em um follow-up pontual, o pedido é colocado, a data prometida é registrada e o atraso pode ser percebido somente quando já há pouco espaço para reação.
Arthur contrapõe esse comportamento ao follow-up ativo, no qual a data prometida permanece uma só, mas o processo é acompanhado por etapas: Solicitação, Pedido, Aceite, Produção, Envio, Entrada e Análise.
Cada desvio medido passa a alimentar o σ(LT), ou desvio-padrão do lead time. Com isso, a operação passa a trabalhar com a variabilidade real dos prazos, em vez de um valor estimado. A apresentação relaciona essa abordagem à confiabilidade de prazo medida por fornecedor e à possibilidade de manter o mesmo nível de serviço com um buffer menor.
O objetivo do follow-up também fica claro: “Follow-up serve para medir o combinado, não para antecipar e postergar o tempo todo.”
Autonomous planning: o trabalho repetitivo fica com o agente
Na etapa seguinte, a apresentação mostra onde a IA pode entrar no ciclo de gestão.
O princípio utilizado por Arthur é: “O trabalho repetitivo é do agente. O recurso humano fica dedicado a analisar exceções.”
O ciclo apresentado envolve medir, comparar, sinalizar, corrigir e executar. A IA pode atualizar e varrer 100% dos itens, analisar alterações de status e comportamento, priorizar exceções, propor novos parâmetros a partir dos dados reais e emitir no ponto de disparo, realizando também o follow-up.
Mas há uma fronteira deliberadamente preservada: “A varredura é da IA, mas a decisão continua sendo do analista.”
Esse talvez seja um dos exemplos mais concretos de como a palestra posiciona a tecnologia. A IA não entra para substituir o modelo de gestão nem para eliminar indiscriminadamente a participação humana. Ela assume volume e repetição para que o recurso humano possa concentrar atenção onde análise e julgamento são necessários.
Primeiro o modelo. Depois a IA.
A conclusão da palestra organiza todo o raciocínio em três movimentos.
1. Entender o comportamento
O item se repete? Com que variação? “A resposta define o modelo, não o software.”
2. Adotar o puxado
Para a maioria dos itens de demanda repetitiva — variável ou não — Arthur apresenta o puxado como o modelo que responde melhor. No Lean Demand Driven, o consumo dispara a reposição e o estoque varia para a fábrica não variar.
3. Aplicar IA onde agrega
Parâmetro vivo, exceções priorizadas e follow-up automático passam a operar sobre um modelo que já funciona.
A tecnologia, portanto, permanece no centro da transformação, mas em outra ordem.
“Não tem IA que resolva modelo de gestão ruim. Sobre o modelo certo, ela multiplica; sobre o errado, ela só acelera o erro.”
(Arthur Balonecker Ferreira, consultor da Borgatti Consulting)
O desafio para as empresas não é escolher entre Lean e Inteligência Artificial
A discussão apresentada por Arthur não coloca tecnologia e Lean em lados opostos. Ela questiona a sequência em que as decisões são tomadas.
Para uma liderança de Operações, Supply Chain ou PCP, implementar IA exige antes compreender o comportamento dos itens, a variabilidade, o dimensionamento dos estoques, o fluxo de reposição e as consequências do modelo de planejamento. Sem essa compreensão, aumentar a capacidade de processamento não significa necessariamente aumentar a capacidade de resposta da operação.
A Borgatti Consulting trabalha com Gestão de Operações de Alta Performance e com o Lean Demand Driven para estruturar a lógica operacional a partir da demanda, dos fluxos, dos estoques e da programação puxada. Nesse ambiente, a Inteligência Artificial encontra uma base mais clara para apoiar previsões, parametrização, monitoramento e tratamento de exceções.
Antes de perguntar “qual IA devemos implementar?”, portanto, vale começar por outra questão: Qual modelo de gestão queremos potencializar com a IA?
Se a sua empresa está ampliando o uso de tecnologia, mas ainda convive com estoques elevados, reprogramações frequentes, baixa previsibilidade ou dificuldade para responder à variabilidade, talvez o desafio esteja menos na ferramenta e mais no modelo de gestão que orienta as decisões.
A Borgatti Consulting apoia empresas na construção de operações mais integradas, orientadas pela demanda e preparadas para transformar tecnologia em capacidade real de resposta.
Acesse nosso site e fale com um de nossos especialistas para entender como evoluir o modelo de gestão antes de automatizar decisões que já não entregam o resultado esperado.
Conheça mais sobre a abordagem e as soluções da Borgatti Consulting
- Gestão de Operações de Alta Performance: Por que contar com a Borgatti Consulting para alcançá-la?
- Ecossistema Lean de Parceiros da Borgatti Consulting: integrando método, capacitação e tecnologia à operação real para sustentar resultados no longo prazo
- Como construir um sistema de indicadores que sustente a Melhoria Contínua na Indústria?
Acompanhe a Borgatti Consulting no LinkedIn, Facebook, Instagram e YouTube.
FAQ: Inteligência Artificial na gestão de estoques
Como aplicar Inteligência Artificial na gestão de estoques sem automatizar a lógica errada?
As aplicações incluem:
- Previsão de demanda por IA;
- Demand sensing;
- Lead time dinâmico;
- Estoque de segurança dinâmico;
- Otimização de lotes;
- Priorização;
- Gestão automática de fornecedores;
- Autonomous planning.
A tese central é que essas aplicações devem operar sobre um modelo de gestão adequado.
Por que o modelo de gestão deve vir antes da IA?
Porque a IA pode aumentar a velocidade de execução de uma lógica sem necessariamente corrigir suas premissas. A conclusão apresentada por Arthur é “Primeiro o modelo. Depois a IA.”
O que é nervosismo do MRP?
É o efeito pelo qual uma pequena alteração na entrada pode gerar novas datas, lotes, prioridades e reprogramações em diversas ordens a jusante. Segundo a palestra, “a IA não cria o nervosismo: ela dá velocidade a ele.”
Qual é a diferença entre o modelo empurrado e o puxado?
No modelo tradicional empurrado apresentado na palestra, o planejamento direciona a produção a partir do plano. No puxado, utilizado no Lean Demand Driven, o consumo dispara a reposição, enquanto o estoque ajuda a absorver a variabilidade para reduzir a necessidade de fazer a fábrica variar continuamente.
Como o Lean Demand Driven lida com a variabilidade?
A lógica apresentada procura aumentar a capacidade do sistema de absorver a variabilidade, em vez de tentar parametrizar perfeitamente a incerteza. Na analogia da caixa d’água, a entrada permanece constante, o consumo varia e a reposição acontece no ponto de disparo.
Qual é o papel do estoque no Lean Demand Driven?
O estoque funciona como um mecanismo de absorção da variabilidade e permite que a reposição responda ao consumo. A apresentação resume esse princípio como “o consumo dispara a reposição e o estoque varia para a fábrica não variar.”
A IA torna a previsão de demanda sempre mais precisa?
Não. Os próprios slides propõem comparar modelos por backtest. Um dos indicadores utilizados é o MASE: resultados abaixo de 1,00 indicam que o modelo supera a previsão ingênua. Portanto, o desempenho precisa ser medido, e não presumido pelo simples uso de IA.
O que é autonomous planning na abordagem apresentada?
É o uso de agentes para assumir atividades repetitivas do ciclo de planejamento, como varrer itens, comparar comportamentos, sinalizar exceções e executar determinadas rotinas. Na formulação da palestra, “a varredura é da IA, mas a decisão continua sendo do analista.”
A Inteligência Artificial substitui o analista de Supply Chain?
Não. A IA assume principalmente a varredura e o trabalho repetitivo, enquanto o recurso humano permanece dedicado à análise de exceções e à decisão.
Qual é a sequência recomendada antes de aplicar IA à gestão de estoques?
A apresentação propõe três passos: entender o comportamento do item, adotar o puxado para os itens aos quais essa lógica se aplica e, então, aplicar IA onde ela agrega valor, com parâmetros vivos, exceções priorizadas e follow-up automático.
