Inteligência artificial na logística: o framework de decisão que falta antes de aprovar o próximo projeto

O que você vai aprender aqui:

• Por que a maioria dos projetos de IA na logística entrega um número bonito na apresentação e nenhuma mudança real na operação, e o que fazer diferente.
• O framework de três perguntas para decidir se um projeto de IA merece aprovação, antes de gastar orçamento com ele.
• As quatro camadas onde a inteligência artificial já atua na cadeia de suprimentos hoje, e o que já funciona em cada uma.
• Como usar dado operacional que você já tem, com um exemplo de prompt para copiar e adaptar, sem precisar programar nada.
• Por que boa parte do que o mercado chama de “IA agêntica” em logística ainda é automação reativa com nome novo, e como não pagar o preço errado por isso.
• As perguntas que quem está no conselho precisa fazer antes de aprovar orçamento de IA para a cadeia de suprimentos.

Este artigo complementa o e-book gratuito O Mapa do Explorador, que mapeia 17 setores, 81 verticais de tecnologia e 207 tendências para quem decide sem estar no time técnico.

Uma sugestão de rota chega pronta na tela do gestor de operação: sequência otimizada, horário de entrega recalculado, ganho estimado de 12% no tempo total de viagem. E o gestor a ignora. Não por teimosia, por hábito. Ele conhece a rua que o sistema não conhece, o cliente que não abre a loja antes das nove ainda que a janela diga oito, o motorista que já reclamou daquele trecho três vezes. A IA acertou a conta. A operação decidiu confiar no que já sabia.

Esse descompasso é o gargalo real da inteligência artificial na logística, e ele não aparece em pesquisa de adoção. Um levantamento da Gartner, de 2026, feito com grandes empresas de cadeia de suprimentos, mostra que 67% do investimento digital do setor já vai para IA.

No mesmo comunicado da Gartner, mas numa pesquisa diferente (135 líderes de cadeia de suprimentos, ante os 394 do levantamento anterior), mais da metade, 55%, não sabe dizer se esse investimento voltou. O dinheiro já está alocado. O que falta é o critério: o que fazer quando a recomendação da máquina diverge do que a experiência do time diz, e é exatamente aí que a maioria dos projetos trava, silenciosamente, depois do piloto.

Analisando projetos de dados em operações logísticas de diferentes portes, vejo esse padrão se repetir: a ferramenta chega, o piloto entrega um resultado que impressiona na reunião, e a operação, na prática, continua decidindo como decidia antes.

A maior parte do que se escreve sobre IA na logística hoje diagnostica bem esse descompasso e se detém exatamente aí: nomeia o problema, cita o percentual, e deixa quem lê sem um jeito de decidir.

O gargalo real é confiança operacional, não tecnologia

A MBRF, joint venture que reúne Marfrig e BRF e hoje está entre as maiores companhias de alimentos do mundo, roda uma frota que percorre 700 milhões de quilômetros por ano, com 28 mil motoristas cadastrados. É grande o bastante para que qualquer erro de confiança custe caro, em acidente, em multa, em vida: não é uma operação testando tecnologia por curiosidade.

A empresa equipou 90% da frota com câmeras e monitora 100% dos veículos por telemetria, com inteligência artificial analisando os dados e sinalizando padrão de risco para a equipe de segurança agir antes do acidente. O resultado, segundo reportagem da Exame: redução de 73% na taxa de frequência de acidentes por milhão de quilômetros rodados, o menor nível já registrado pela companhia.

A reportagem não divulga o valor absoluto da taxa antes da queda, só a variação; então o dado prova direção e magnitude do ganho, não o quão seguro (ou arriscado) o transporte de carga pesada continua sendo no Brasil em termos absolutos.

O número chama atenção, mas não é o achado mais importante do caso. O achado importante é onde a MBRF colocou o esforço depois de identificar o risco: mais de 65 mil treinamentos de segurança no último ano, mais de duas capacitações por motorista cadastrado, e 612 motoristas formados como educadores em parceria com a Fabet (Fundação Adolpho Bósio de Educação no Transporte), que agora replicam o treinamento entre os próprios colegas de frota. A empresa também abriu salas de apoio para descanso em diferentes regiões do país.

A câmera e o sensor entregam o dado no mesmo dia em qualquer frota que os compre. A queda de 73% em acidentes não nasce do sensor. Nasce de transformar o dado do sensor em treinamento que o motorista aceita e em decisão que alguém, de fato, toma a partir do sinal identificado.

É essa combinação que falta na maioria dos projetos de IA na logística. Se você aprova o projeto pela ferramenta, sem aprovar também quem vai treinar o time para confiar (ou para desafiar, com critério) a recomendação da máquina, está comprando tecnologia, não o resultado que ela promete.

As quatro camadas de IA que já operam a cadeia de suprimentos

“Inteligência artificial na logística” soa como uma coisa só. Na prática, quatro camadas diferentes de IA já atuam na cadeia de suprimentos, cada uma resolvendo um problema diferente, com maturidade diferente. Confundir as quatro é o motivo mais comum de um projeto ser aprovado com a expectativa errada, porque o retorno esperado, o prazo de maturação e o tipo de erro possível mudam completamente de uma camada para outra.

IA preditiva. Antecipa um número antes de ele acontecer: demanda, prazo de entrega, risco de atraso numa rota específica. É a camada mais madura da logística brasileira. A maioria das empresas de porte médio a grande já usa alguma versão dela hoje, comprada pronta de fornecedor de planejamento de demanda, sem precisar construir nada internamente, o que a torna também a porta de entrada mais barata para quem nunca aprovou um projeto de IA.

IA generativa. Produz texto, resumo ou documento a partir de dado bruto. A DHL Supply Chain colocou essa camada em produção, com três aplicações: uma ferramenta que limpa e organiza dados enviados por clientes potenciais, uma aplicação que ajuda o time de vendas a montar propostas mais rápidas e mais precisas a partir dos requisitos de cada cliente, e um suporte que resume solicitações de clientes e processa os documentos associados ao atendimento.

Nenhum desses três usos decide nada por conta própria: todos aceleram uma tarefa que uma pessoa fazia manualmente antes. A própria DHL não divulgou número de resultado para nenhum dos três, só a descrição do que a ferramenta faz.

IA agêntica. Encadeia tarefas distintas e decide sozinha qual fazer a seguir, sem uma pessoa aprovando cada etapa no meio do caminho: a camada mais fácil de confundir com automação bem construída, porque poucos fornecedores usam o termo com rigor.

Na logística brasileira, o exemplo mais citado hoje é procurement agêntico: pedir cotação, comparar fornecedor e sugerir a melhor combinação de preço e prazo sem que alguém precise abrir três telas diferentes. Não encontrei, até a publicação deste artigo, um caso brasileiro nomeado e medido de procurement agêntico em logística, só descrição de fornecedor; a camada existe, mas ainda sem prova pública equivalente à da MBRF.

IA física. Robótica: braço robótico em armazém, veículo autônomo em pátio, drone de inspeção. É a camada menos madura no Brasil fora de operações de grande escala, e a única das quatro sem um caso brasileiro citável no momento em que este artigo foi escrito. O investimento ainda é raro o bastante para não mudar a decisão de orçamento que este framework ajuda a tomar.

Se você aprova orçamento de IA sem saber em qual dessas quatro camadas o projeto está apoiado, está assinando um cheque sem saber o que está comprando.

Uso real de dado operacional, hoje

A camada mais acessível para quem não tem orçamento de projeto de IA robótica ou agente autônomo é também a mais subestimada: usar um modelo de IA generativa para interpretar dado operacional que a empresa já coleta e já tem em planilha, sem esperar por nenhum sistema novo. É o mesmo argumento de fundo de cultura data driven não é dashboard, é decisão, aplicado à operação de frota em vez de à liderança executiva.

Você não precisa programar nada para usar isso. É um texto para colar direto na conversa com o ChatGPT, Gemini, Claude ou Copilot, junto com a planilha que sua equipe já mantém. Um exemplo real de como estruturar esse pedido, adaptável para qualquer frota que registre consumo de combustível por veículo:

PAPEL: Você é um analista de operações de frota, especializado em
consumo de combustível e diagnóstico de desvio operacional.
CONTEXTO: Estou anexando uma planilha com consumo de combustível
(km rodado e litros abastecidos) de 40 veículos da frota nos
últimos 6 meses, por veículo e por mês.
TOM E ESTILO: Direto, sem jargão técnico de estatística. Traduza
qualquer variação numérica em decisão prática de manutenção ou
de rota.
RESTRIÇÕES: Não sugira troca de veículo ou desligamento de
motorista. Antes de apontar um veículo como fora do padrão,
descarte diferença de carga, refrigeração, terreno ou tipo de
rota como explicação. Aponte apenas padrões que sobrevivam a
esse filtro e que justifiquem inspeção mecânica ou revisão de
rota.
COMPORTAMENTO ESPERADO: Liste os veículos com consumo (km/litro)
fora do padrão da frota, ordenados do mais crítico ao menos
crítico, com a hipótese mais provável para cada desvio
(manutenção, rota, estilo de condução) e o próximo passo
recomendado.

O ganho aqui vem de disciplina de pedido, não de sofisticação de modelo. A instrução separa papel, contexto, tom, restrição e comportamento esperado porque cada parte resolve uma ambiguidade diferente. Sem o bloco de restrições, por exemplo, um modelo generalista tende a sugerir substituição de motorista ao ver consumo alto, uma recomendação que nenhuma operação deveria aceitar de uma ferramenta que não conhece a rota nem o histórico daquele profissional. A decisão sobre o motorista continua sendo humana; a IA só organiza o sinal que ajuda essa pessoa a decidir mais rápido.

Confira a conta antes de agir sobre ela: modelo de conversa lidando com planilha grande, colada como texto em vez de processada como dado, comete erro de aritmética com regularidade. O valor de um pedido como esse é apontar onde olhar primeiro, não substituir a soma feita por quem confere a planilha original.

O framework de três perguntas antes de aprovar um projeto de IA

Outro levantamento da Gartner, de 2025, com 120 líderes de cadeia de suprimentos que já haviam implantado IA, encontrou algo parecido: só 23% tinham uma estratégia formal de IA em vigor, isto é, um critério de investimento e de priorização que valesse para o próximo projeto, não só para o atual. A maioria decide projeto por projeto, sem critério que sobreviva ao piloto seguinte.

Esse framework não substitui a análise financeira de ROI, que toda empresa já sabe fazer. Ele resolve o problema de antes: decidir se o projeto chega a valer essa análise.

1. Em qual das quatro camadas este projeto está, e a maturidade dessa camada bate com o retorno prometido? Um fornecedor vendendo “IA agêntica” para resolver um problema que uma boa IA preditiva já resolveria está cobrando o preço da camada mais nova pelo resultado da camada mais madura.
2. Quem, na operação, vai decidir o que fazer quando a recomendação da IA divergir da experiência de quem está no chão? Sem essa pessoa nomeada antes do projeto começar, a divergência trava a decisão em vez de melhorá-la, e o time volta a decidir como decidia antes, só que agora com uma ferramenta cara rodando ao lado sem ser usada.
3. O que este projeto entrega se o modelo errar na primeira tentativa, e quem absorve esse erro? Rota errada custa combustível e prazo. Decisão automatizada sobre motorista, sem revisão humana, custa mais que isso: custa confiança do time e, num caso mal desenhado, decisão que a empresa não tem como justificar depois.

IA agêntica na logística: o que já funciona e o que ainda é rótulo comercial

“Agentic AI” é um dos termos mais usados em apresentação de fornecedor de logística em 2026, e a definição importa porque dela depende saber o que comprar. Neste texto, agente de IA é o sistema que executa mais de uma tarefa distinta em sequência rumo a um objetivo, decidindo por conta própria qual das tarefas fazer a seguir conforme o que descobre no caminho, sem que uma pessoa aprove cada etapa intermediária. Meu artigo sobre guardrails e agentes autônomos detalha esse vocabulário completo, com o resto do que o mercado usa hoje.

Automação reativa, mesmo a que roda sem parar, faz outra coisa: refaz continuamente a melhor solução para uma única tarefa fixa, sempre a mesma, usando dado novo a cada rodada. Tecnicamente, é a camada preditiva do mapa anterior em ação contínua: prevê a melhor rota a cada rodada, em vez de prever um número isolado, mas prevê, não decide entre tarefas diferentes.

A própria MBRF testou, na Regional Sul, no fim de 2025, um projeto-piloto de resequenciamento de rotas por IA, que recalcula o trajeto em tempo real considerando trânsito, clima e a janela de recebimento do cliente, entre outras variáveis. O resultado medido do piloto: 5% menos atrasos em rota e 7% de redução no tempo médio de entrega.

A projeção, não medida, é diferente: até 20% de ganho na logística secundária (a etapa de distribuição entre o centro de distribuição e o ponto final de entrega, mais sensível a trânsito e janela de recebimento do que o transporte de longa distância), se o piloto for expandido para todas as regionais do país. A empresa ainda não divulgou se essa expansão nacional já aconteceu.

Pela definição usada aqui, esse é um caso de automação reativa contínua, não de agente: a tarefa é uma só, sequenciar rota, repetida a cada nova rodada de dado, e o sistema não decide fazer outra coisa além disso, como renegociar o horário com o cliente ou realocar o motorista para outra entrega.

A própria reportagem que documenta o piloto nunca usa a palavra “agêntico” ou “agente”: descreve o sistema como o que “apoia” a operação e “otimiza os trajetos em tempo real”, a linguagem certa para o que a MBRF de fato construiu. É esse tipo de caso, citável e sem inflar o próprio rótulo, que serve de parâmetro para qualquer apresentação de fornecedor que chamar algo parecido de “agêntico” depois: peça o caso com número e data, não a palavra.

O procurement agêntico citado na seção anterior é a hipótese mais próxima da definição estrita, mas segue sem caso brasileiro nomeado e medido, e por isso também sem como provar, por ora, que é de fato agêntico e não outra automação bem construída.

Se você decide orçamento, a lição prática é essa: um ganho real de 5% a 7%, medido em piloto regional antes de qualquer promessa nacional, vale mais do que a palavra “agêntico” na proposta do fornecedor. Peça o número do piloto, não o rótulo da tecnologia.

Piloto vs. transformação: a lição que a MBRF já aplicou duas vezes

A tentação, depois de ver um resultado de piloto, é escalar para toda a operação de uma vez, com o orçamento do ano inteiro. A própria MBRF não fez isso nem no programa de segurança de frota nem no resequenciamento de rota: o programa de câmera e telemetria que produziu a redução de 73% em acidentes é parte de um esforço mais amplo, com mais de dez anos de maturação, e a mesma reportagem da Exame registra, à parte, melhora de 71,4% nos indicadores de segurança nas quatro localidades que já têm sala de apoio ao motorista, medida ao longo desses mesmos dez anos.

O resequenciamento de rota, discutido na seção anterior, seguiu a mesma lógica: ficou restrito a uma regional antes de qualquer promessa de ganho nacional.

O piloto certo tem três características que separam quem transforma a operação de quem só testa tecnologia:

• Escopo pequeno o bastante para o time absorver o erro sem crise. Uma regional, uma linha de produto, um turno.
• Métrica definida antes do piloto começar, não escolhida depois para justificar o resultado que apareceu.
• Decisão de escala amarrada ao número do piloto, não à empolgação da apresentação. Se o piloto entrega 7%, a promessa de escala é construída a partir desse 7%, não de um número maior que ninguém mediu ainda.

Para quem está no conselho: as perguntas de governança que a apresentação de IA não responde

O framework e os casos até aqui servem à operação. Servem também a você, se é quem aprova o orçamento dela, só que com um recorte diferente: você não precisa entender o modelo técnico por trás do projeto de IA que está aprovando, precisa das perguntas que qualquer apresentação deveria responder antes de chegar à pauta, e que a maioria não responde. Detalho o framework completo de auditoria e compliance de IA, para além do que cabe aqui, em governança de IA: risco, auditoria e compliance para quem assina embaixo.

• Existe piloto medido, com número datado, antes do pedido de escala? Se a resposta é não, o pedido de aprovação está adiantado, pela lógica do piloto acima.
• Existe uma política escrita proibindo a IA de decidir sozinha sobre a permanência de um motorista, e alguém já testou essa política contra o sistema de verdade, não só contra a promessa do fornecedor? Regra não verificada na prática vale tanto quanto regra que não existe.

Onde começar amanhã

Nem toda ação deste framework depende de aprovação de orçamento novo.

O que você já pode fazer amanhã, sozinho, sem esperar aprovação: pegue uma planilha operacional que sua equipe já mantém (combustível, prazo de entrega, ocorrência de atraso) e rode um pedido estruturado como o exemplo da seção de dado operacional, com papel, contexto, tom, restrição e comportamento esperado definidos antes de enviar. O ganho é pequeno e imediato, e serve de piloto informal para testar se sua operação está pronta para um projeto maior.

O que depende de decisão de time, mas não do conselho: nomear, para o próximo projeto de IA que sua área avaliar, quem responde à pergunta 2 do framework acima. Sem esse nome, a pergunta fica bonita na teoria e sem resposta na hora que mais importa.

O que depende do conselho: levar as perguntas de governança da seção anterior para a próxima apresentação de IA que chegar à pauta, antes de aprovar orçamento de escala, não depois.

Quem trata a IA na logística como decisão de ferramenta continua comprando sensor. Quem trata como decisão de critério, treino e responsabilidade nomeada é quem, como a MBRF, tira o número da apresentação e coloca no indicador do ano seguinte.

Perguntas frequentes sobre inteligência artificial na logística

IA agêntica já funciona na logística brasileira?

Com a definição mais estrita do termo, ainda não há, até a publicação deste artigo, um caso brasileiro nomeado e medido que atenda a ela por completo. O que já funciona, com resultado medido, é automação reativa contínua, como o piloto de resequenciamento de rota da MBRF, discutido no corpo deste artigo. É um ganho real, só que não é, tecnicamente, um agente autônomo. Cuidado com fornecedor que vende regra reativa bem construída com o rótulo “agêntico”.

Quais são as três perguntas antes de aprovar um projeto de IA na logística?

Em qual das quatro camadas o projeto está e se a maturidade bate com o retorno prometido; quem vai arbitrar quando a recomendação da IA e a experiência do time apontarem para lados diferentes; e o que o projeto entrega, e quem paga a conta, se o modelo errar na primeira tentativa. Essas três perguntas resolvem o problema anterior à análise de ROI: decidir se o projeto chega a valer essa análise.

Qual o orçamento típico de um projeto de IA em logística?

Não existe uma faixa única confiável: o custo depende da camada (preditiva, generativa, agêntica ou física), do escopo do piloto e de quanto a empresa já tem de dado organizado antes de começar. Em vez de perguntar por uma média de mercado, meça o custo do seu próprio piloto, pequeno e com métrica definida antes de começar, e use esse número, não uma média genérica, para decidir se vale escalar.

Por onde uma operação pequena deve começar com IA na logística?

Pela camada de IA generativa aplicada a dado que a empresa já coleta (planilha de combustível, prazo de entrega, ocorrência de atraso), com um pedido estruturado por escrito antes de qualquer investimento em ferramenta nova. É o menor custo de entrada e o que mais rápido revela se a operação tem disciplina para decidir a partir do que a IA aponta, antes de investir em camadas mais caras como agentes autônomos ou robótica.

Existe limite legal para o monitoramento de motorista por câmera e telemetria com IA?

Existe, em duas frentes: a LGPD, sobre base legal e finalidade da coleta, e a legislação trabalhista, que julga caso a caso a proporcionalidade quando o monitoramento capta a imagem do motorista, não só o desempenho do veículo. O regime muda também conforme o vínculo (empregado CLT ou agregado de transportadora terceira, sob contrato civil). Este artigo não substitui orientação jurídica específica: o desenho da coleta, não só a tecnologia escolhida, precisa passar pelo jurídico antes de expandir o monitoramento.

IA pode decidir automaticamente sobre a permanência de um motorista com base em dado de risco?

Não deveria. O dado de telemetria e câmera identifica padrão de risco, mas a decisão sobre a pessoa exige contexto que o sensor não capta, e precisa de alguém nomeado, na operação, que responda por ela.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro em IA, dados e inovação. Participou da criação de sete startups ao longo da carreira. É professor na ESPM, Insper, PUCRS, USP e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.