Inteligência Artificial nas operações pode apoiar empresas a prever comportamentos, simular cenários, otimizar decisões e adaptar parâmetros diante de novos eventos. Mas, antes de perguntar onde utilizar IA, existe uma questão mais importante: qual problema queremos resolver ou qual decisão precisamos tomar melhor?
Esse é um ponto central na visão de Ricardo Borgatti, sócio-fundador da Borgatti Consulting: a tecnologia amplia as possibilidades de análise e decisão, mas sua capacidade de gerar resultados depende também da compreensão do sistema sobre o qual será aplicada.
“Antes de utilizar a IA para decidir, precisamos pensar como a operação deve operar.”
Ricardo Borgatti
Sócio-fundador da Borgatti Consulting
Para lideranças que convivem com problemas de fluxo, gargalos, variabilidade ou decisões que melhoram uma parte da operação sem necessariamente melhorar o todo, essa reflexão é especialmente relevante. Aumentar a capacidade tecnológica não significa, por si só, melhorar a qualidade das decisões.
A adoção da Inteligência Artificial avança. Mas o modelo operacional está avançando junto?
A Inteligência Artificial já está presente em uma parcela significativa das empresas brasileiras. Dados do estudo “Desbloqueando o Potencial da IA no Brasil 2026”, realizado pela Strand Partners para a AWS, indicam que 50% das empresas brasileiras, considerando todos os setores, já utilizam IA, ante 40% no levantamento anterior. Ao mesmo tempo, 58% das empresas que adotaram IA ainda estão no nível básico de uso da tecnologia.
No universo de Supply Chain, dados do Gartner ajudam a dimensionar outro aspecto do desafio. Em pesquisa realizada com 140 líderes seniores de Supply Chain, 83% das organizações aplicam IA incrementalmente a casos específicos ou ampliam gradualmente seu uso em processos integrados, enquanto 17% buscam um redesenho transformacional imediato de processos e workflows.
Outro dado do Gartner projeta que 60% dos esforços de adoção digital em Supply Chain podem não entregar o valor prometido até 2028 devido ao investimento insuficiente em aprendizagem e desenvolvimento. A pesquisa que sustenta essa previsão ouviu 579 profissionais de Supply Chain.
Os números reforçam uma questão importante para a liderança: adotar tecnologia e transformar a maneira como a operação toma decisões não são necessariamente a mesma coisa.
Por isso, além de perguntar quanto e onde a empresa utiliza IA, é preciso compreender quais problemas estão sendo atacados e quais conhecimentos, processos e dados sustentam as decisões que se pretende melhorar.
Antes de perguntar “onde podemos usar IA?”, é preciso inverter a pergunta
Quando uma tecnologia ganha espaço, é natural procurar aplicações para ela.
Mas começar por “Onde podemos usar IA?” significa começar pela ferramenta.
Borgatti propõe inverter essa lógica: “Qual problema queremos resolver ou qual decisão precisamos tomar melhor?” E complementar: “Que conhecimentos, processos e dados sustentam essa melhoria?”
A mudança parece simples, mas altera o ponto de partida. Em vez de procurar onde encaixar a tecnologia, a empresa começa pelo problema e pela decisão que precisa ser aprimorada.
É nesse ponto que Inteligência Artificial e Ciência das Operações se encontram.
IA e Ciência das Operações: uma base para soluções de alto desempenho
Fluxo, capacidade e variabilidade fazem parte da dinâmica de uma operação. Ao mesmo tempo, decisões tomadas em uma parte do sistema podem produzir efeitos em outras.
Na abordagem de Borgatti, a conexão entre IA e Ciência das Operações passa por quatro dimensões: fluxo, capacidade, variabilidade e trade-offs.
Compreender essas relações antes de desenvolver soluções tecnológicas ajuda a evitar um problema recorrente na gestão: otimizar uma parte sem compreender o impacto sobre o todo.
A síntese é direta: “IA sem ciência das operações: mais tecnologia e menos resultado.”
Fluxo: estoque em processo, taxa média de saída e lead time estão relacionados
Para tratar do fluxo, Borgatti utiliza a Lei de Little: WIP = Taxa Média de Saída × Lead Time
Essa relação conecta o estoque em processo à taxa média de saída e ao lead time. Por isso, essas dimensões não devem ser analisadas isoladamente. Alterações no volume em processo, por exemplo, precisam ser avaliadas também pelo impacto sobre o lead time e sobre a capacidade de saída do sistema.
A IA pode ampliar a capacidade de analisar dados e cenários, mas a qualidade da decisão continua dependendo da compreensão dessas relações operacionais.
Capacidade: o gargalo limita o sistema
Quando o tema é capacidade, entra a Teoria das Restrições.
Borgatti sintetiza o princípio da seguinte forma: “O sistema é limitado pela restrição — o gargalo.”
Essa visão muda a maneira de interpretar capacidade e produtividade. Melhorar o desempenho de qualquer recurso não significa, necessariamente, aumentar a capacidade de entrega do sistema.
Antes de decidir onde otimizar, automatizar ou investir, é preciso compreender qual restrição efetivamente limita o desempenho da operação.
Essa discussão também se conecta diretamente a outro conteúdo da Borgatti Consulting sobre capacidade produtiva e gargalos.
Variabilidade: alta utilização pode fazer as filas crescerem
Outra dimensão fundamental é a variabilidade.
A partir da Lei de Kingman e da teoria das filas, Borgatti resume uma relação importante: “Alta utilização + variação = filas crescem de forma não linear.”
Esse princípio ajuda a compreender por que, em ambientes sujeitos à variação, níveis elevados de utilização podem fazer as filas crescerem de forma não linear.
Por isso, uma solução tecnológica voltada à operação não deve considerar apenas quanto um recurso produz ou quanto de sua capacidade está sendo utilizado. É preciso compreender também como a variabilidade afeta o comportamento do sistema.
A capacidade de processar mais informações ou recalcular decisões mais rapidamente não elimina essas relações.
Trade-offs: um ótimo local pode piorar o todo
A quarta dimensão é especialmente importante para empresas que possuem metas, indicadores e decisões distribuídas entre diferentes áreas.
“Ótimos locais podem piorar o todo.”
Uma decisão pode ser positiva para determinado processo, recurso ou departamento e, ainda assim, não melhorar o desempenho global da operação.
É por isso que Borgatti associa os trade-offs à decisão sistêmica.
A discussão se aproxima de um desafio recorrente na gestão das operações: indicadores ou melhorias locais podem apresentar bons resultados enquanto o negócio continua convivendo com problemas de fluxo, capacidade ou entrega.
Leia também: Indicadores operacionais: quando bons números escondem problemas na operação
Para que a Inteligência Artificial contribua para operações de alto desempenho, portanto, não basta ampliar a capacidade de otimização. É necessário compreender o que está sendo otimizado e qual impacto essa decisão produz sobre o sistema como um todo.
O que IA e modelos analíticos já conseguem fazer nas operações?
Partir da Ciência das Operações não significa reduzir o potencial da Inteligência Artificial nas operações. Ao contrário. Significa direcionar melhor esse potencial.
Borgatti organiza as possibilidades atuais de IA + modelos analíticos em quatro grandes capacidades:
- Prever: demanda, falhas e desvios;
- Simular: cenários de capacidade e fluxo;
- Otimizar: estoques, mix e sequenciamento;
- Adaptar: reparametrizar diante de novos eventos.
São capacidades diretamente relacionadas a decisões relevantes para a gestão das operações.
Borgatti também destaca que o estado da arte tende a ser híbrido, combinando Machine Learning/Reinforcement Learning (ML/RL), otimização, heurísticas e conhecimento do domínio.
A tecnologia amplia, portanto, aquilo que pode ser analisado, testado e ajustado. A pergunta permanece: qual problema queremos resolver e qual decisão precisamos tomar melhor?
Inteligência Artificial nas operações: a IA começa na compreensão da operação
Como transformar esse raciocínio em uma sequência de desenvolvimento?
A abordagem apresentada por Borgatti estrutura o processo em cinco etapas:
1. Compreender a operação
Antes de desenvolver IA, é necessário compreender o funcionamento da operação.
É aqui que entram as relações entre fluxo, capacidade, variabilidade e os problemas que precisam ser resolvidos.
2. Modelar fluxos e decisões
A etapa seguinte é modelar os fluxos e as decisões.
O objetivo é estabelecer uma base que represente a lógica operacional sobre a qual a tecnologia será desenvolvida.
3. Desenvolver IA
A Inteligência Artificial entra depois da compreensão e da modelagem.
Nesse momento, a tecnologia pode ser direcionada às decisões e aos problemas identificados anteriormente.
4. Validar decisões e resultados
Desenvolver uma solução não encerra o processo. É preciso validar as decisões e os resultados gerados.
5. Aprimorar modelos, dados e uso
O ciclo continua com o aprimoramento dos modelos, dos dados e da própria utilização da tecnologia.
A estruturação de dados acompanha esse processo. A lógica pode ser sintetizada em quatro movimentos: Pense antes. Desenvolva. Valide. Aprenda.
Porque, como reforça Borgatti “A IA começa na compreensão da operação.”
A IA precisa evoluir junto com o modelo operacional
Uma consequência importante desse ciclo é que a Inteligência Artificial não deve ser tratada como uma camada independente da gestão.
A IA evolui junto com o modelo operacional, os processos decisórios e a qualidade dos dados.
Isso coloca tecnologia e gestão dentro de um processo contínuo.
A operação é compreendida, as decisões são modeladas, a tecnologia é desenvolvida, os resultados são validados e aquilo que foi aprendido volta a alimentar os modelos, os dados e a forma de utilização da IA.
Em vez de uma implantação tecnológica isolada, existe um ciclo de avaliação, aprendizado e aprimoramento.
“Não tem IA que resolva modelo de gestão ruim”
Toda essa discussão converge para uma afirmação direta de Borgatti: “NÃO TEM IA QUE RESOLVA MODELO DE GESTÃO RUIM.”
Isso não coloca gestão e tecnologia em lados opostos. A questão está na sequência.
Primeiro, compreender como a operação deve operar. Depois, utilizar a tecnologia para ampliar a capacidade de prever, simular, otimizar, adaptar e apoiar decisões.
“PENSE ANTES. Depois, use IA para pensar mais longe.”
Ricardo Borgatti
Sócio-fundador da Borgatti Consulting
Lean Demand Driven e o ecossistema digital: tecnologia sobre uma lógica operacional
Na abordagem da Borgatti Consulting, essa discussão se conecta ao modelo Lean Demand Driven, que integra quatro pilares: Lean Accounting, Lean Manufacturing, Lean Supply e Qualificação Lean.
Ao redor desse modelo, a Borgatti trabalha com um Ecossistema Digital Lean, reunindo soluções voltadas à transformação Lean e à gestão das operações.
Entre as frentes estão visibilidade do chão de fábrica, gestão de fluxo e gargalos, estrutura para melhoria contínua, forecast com IA e dimensionamento e gestão de estoques com IA.
Da Ciência das Operações à gestão de estoques: como aprofundar essa discussão
Os mesmos princípios podem ser observados quando a análise avança para uma aplicação específica da Inteligência Artificial: a Gestão de Estoques.
No conteúdo “Inteligência Artificial na gestão de estoques: por que o modelo de gestão deve vir antes da IA”, desenvolvido a partir da participação de Arthur Balonecker Ferreira, consultor da Borgatti Consulting, na Imersão Técnica IA + Estatística, a discussão aprofunda questões como MRP, variabilidade, nervosismo do planejamento, sistemas empurrados e puxados, previsão de demanda, gestão de fornecedores e autonomous planning.
Enquanto Borgatti amplia o olhar para IA e Ciência das Operações, o conteúdo de Arthur leva esse princípio para dentro da Gestão de Estoques e da cadeia de suprimentos.
Há uma conexão clara entre as duas discussões: antes de ampliar a capacidade tecnológica, é necessário compreender a lógica operacional que essa tecnologia irá apoiar.
Leia também: Inteligência Artificial na gestão de estoques: por que o modelo de gestão deve vir antes da IA.
Inteligência Artificial nas operações: comece pelo problema, não pela ferramenta
Para uma liderança de Operações, as possibilidades da Inteligência Artificial são amplas. É possível prever, simular, otimizar e adaptar decisões com recursos cada vez mais avançados.
Mas a capacidade da tecnologia não elimina a necessidade de compreender fluxo, capacidade, variabilidade e trade-offs.
Por isso, antes de perguntar “onde podemos usar IA?”, a questão mais útil é: “Qual problema queremos resolver ou qual decisão precisamos tomar melhor?”
A partir daí, a sequência ganha consistência: compreender a operação, modelar fluxos e decisões, estruturar dados, desenvolver IA, validar resultados e aprimorar continuamente modelos e formas de uso.
A Borgatti Consulting atua na Gestão de Operações de Alta Performance, conectando a gestão dos fluxos da produção e da cadeia produtiva ao Lean Demand Driven e a soluções tecnológicas orientadas à demanda.
Se sua empresa está avançando no uso da Inteligência Artificial, mas ainda enfrenta desafios relacionados a fluxo, gargalos, capacidade, variabilidade ou decisões que não se traduzem em melhor desempenho global, vale começar pela pergunta que orienta todo esse raciocínio:
Está claro como a operação deve operar antes de utilizar a IA para decidir?
Acesse nosso site e fale com um de nossos especialistas para entender como estruturar a gestão das operações e criar uma base mais consistente para a aplicação da tecnologia.
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 nas operações
Por onde uma empresa deve começar antes de aplicar IA às operações?
Pela compreensão da operação e do problema que precisa ser resolvido. A lógica proposta por Ricardo Borgatti é substituir a pergunta “onde podemos usar IA?” por “qual problema queremos resolver ou qual decisão precisamos tomar melhor?” e identificar os conhecimentos, processos e dados que sustentam essa melhoria.
O que a Ciência das Operações tem a ver com Inteligência Artificial?
Na abordagem de Ricardo Borgatti, a Ciência das Operações permite analisar fundamentos como fluxo, capacidade, variabilidade e trade-offs. Esses elementos ajudam a compreender o comportamento da operação antes de utilizar IA para apoiar suas decisões.
O que a Inteligência Artificial já pode fazer nas operações?
Ricardo Borgatti organiza essas possibilidades em quatro capacidades: prever demanda, falhas e desvios; simular cenários de capacidade e fluxo; otimizar estoques, mix e sequenciamento; e adaptar parâmetros diante de novos eventos.
Por que identificar o gargalo é importante antes de otimizar?
Porque, pela Teoria das Restrições, o sistema é limitado pela restrição — o gargalo. Melhorar um recurso que não limita o sistema não significa necessariamente melhorar o desempenho global.
Por que alta utilização pode gerar filas na operação?
A relação apresentada a partir da Lei de Kingman e da teoria das filas é que alta utilização combinada à variação faz as filas crescerem de forma não linear. Por isso, utilização e variabilidade precisam ser analisadas conjuntamente.
Qual é o risco de otimizar processos ou áreas isoladamente?
O risco é produzir um ótimo local que piora o todo. Uma melhoria em determinado recurso ou processo não representa automaticamente uma melhoria do desempenho global da operação.
Qual é o ciclo para desenvolver IA nas operações?
A sequência é: compreender a operação, modelar fluxos e decisões, desenvolver IA, validar decisões e resultados e aprimorar modelos, dados e uso. A estruturação dos dados acompanha esse processo.
Qual é a relação entre Inteligência Artificial e Lean Demand Driven na Borgatti?
O Lean Demand Driven integra Lean Accounting, Lean Manufacturing, Lean Supply e Qualificação Lean. No ecossistema digital associado a essa abordagem, aparecem aplicações como forecast com IA e dimensionamento e gestão de estoques com IA, além de visibilidade do chão de fábrica e gestão de fluxo e gargalos.
A IA consegue resolver um modelo de gestão inadequado?
Na visão de Ricardo Borgatti, não. Para ele, “Não tem IA que resolva modelo de gestão ruim.” A tecnologia deve ser aplicada depois da compreensão da operação e da lógica das decisões que se pretende melhorar.
