Um framework de três níveis de autonomia ajuda a separar o que a IA já pode executar sem supervisão do que ainda exige aprovação humana antes de mexer em prioridade de pedido, mão de obra ou roteamento de automação.
A pergunta que todo gestor de CD evita responder em voz alta é simples: até onde a IA pode mandar sozinha? Jett Chitanand, presidente da EPG Americas, propõe um critério prático num artigo publicado em 5 de outubro de 2026 na SupplyChainBrain. Em vez de decidir autonomia pela sofisticação técnica do algoritmo, ele propõe decidir pela consequência operacional da decisão.
A distinção importa porque armazém conectado amplifica erro rápido. Reatribuir uma dúzia de operadores ou adiar um embarque mexe em mão de obra, estoque, automação e compromisso com cliente ao mesmo tempo. Uma decisão pequena em aparência pode ter efeito cascata em sistemas interligados de picking, conveyor e robótica.
O framework divide decisões assistidas por IA em três camadas, e a tradução para a rotina de um CD brasileiro ajuda a visualizar onde cada uma já roda e onde ainda é risco.
| Nível | O que a IA faz | Quem decide | Exemplo no CD |
|---|---|---|---|
| Autônomo | Decide e executa dentro de regras predefinidas | A própria IA, com guardrails | Sequenciar tarefas, balancear carga entre docas equivalentes, disparar contagem cíclica |
| Consultivo | Recomenda, não executa | Supervisor avalia e decide | Realocar equipe entre setores, priorizar reposição |
| Controle humano | Só analisa, não recomenda ação final | Humano, com responsabilidade explícita | Mudar prioridade de pedido de cliente estratégico, alterar roteamento entre robôs e ASRS |
O critério de corte não é a complexidade matemática do modelo. É a reversibilidade da decisão e o tamanho do estrago se ela der errado.
Decisões que se repetem centenas de vezes por turno e são fáceis de desfazer são as melhores candidatas à execução autônoma. Já funciona nessa camada: ajuste fino de sequenciamento de tarefas, balanceamento de trabalho entre recursos equivalentes e disparo automático de contagem cíclica quando o sistema detecta divergência de inventário.
Exigir aprovação humana para cada microajuste desses só transfere o gargalo da operação para o supervisor, que passa o turno aprovando clique em vez de tratando exceção de verdade.
Alocação de mão de obra é o exemplo que Chitanand usa para mostrar o limite do dado puro. Um sistema pode identificar reposição como gargalo e recomendar mover associados de outra área, e a conta pode estar matematicamente certa.
O que o modelo não enxerga é que parte da equipe sugerida está terminando treinamento de segurança, ou que outro time opera temporariamente com menos experiência. Nesse ponto a IA funciona melhor como ferramenta de apoio à decisão, cruzando volume de pedidos, backlog e throughput, e o supervisor entra com o contexto situacional que não está em nenhuma tabela.
Em teste é o rótulo certo aqui: a camada consultiva já roda em operações mais maduras, mas a taxa de aceitação da recomendação pelo supervisor ainda precisa ser medida antes de qualquer promoção para execução autônoma.
Chitanand resume o critério de autoridade em quatro perguntas, úteis para qualquer gestor de CD decidir onde soltar a rédea:
Mudança relevante em prioridade de pedido, realocação grande de mão de obra e alteração em sistema de automação interconectado entram na camada de controle humano. O exemplo mais direto do artigo: a IA detecta restrição de capacidade e calcula que adiar o pedido de um cliente libera vários outros no prazo.
Matematicamente a conta fecha. Comercialmente, o pedido adiado pode ser de cliente estratégico com cláusula contratual que o modelo de otimização não enxerga. O mesmo vale para mudar regra de roteamento entre conveyor, robô e armazém automatizado: quando a decisão atravessa vários sistemas conectados, o custo de um erro cresce rápido demais para deixar sem checkpoint humano.
Essa camada ainda é promessa em grande parte das operações: a tecnologia para automatizar sozinha já existe, mas o nível de confiança e o histórico de acerto necessário para liberar execução sem aprovação ainda não estão maduros na maioria dos CDs.
A recomendação prática não é escolher o nível de autonomia de uma vez, é expandir aos poucos. Uma operação começa com a IA só recomendando, o supervisor compara a recomendação com a decisão que tomaria sozinho, e a empresa mede taxa de aceitação, resultado e exceção ao longo do tempo.
Decisão que mostra consistentemente baixo risco e alta confiabilidade migra para execução automatizada. Guardrail não define só o que a IA pode fazer, define também quando ela deve parar e escalar: limite máximo de movimentação de mão de obra, regra de prioridade de pedido, limiar de throughput e teto para alteração em fluxo de material automatizado.
Se as condições saem fora desses parâmetros, a ação mais segura é parar de otimizar e escalar a decisão para um humano. (original, en) If conditions fall outside those parameters, the safest action is to stop optimizing and escalate the decision to a human. (autor) Jett Chitanand, presidente da EPG Americas
O ganho concreto de aplicar esse framework não é tecnológico, é organizacional: ele tira o supervisor da rotina de aprovar microajuste e devolve a atenção dele para a exceção que realmente importa. Isso se traduz em número operacional em três frentes.
Formalizar o critério antes de aumentar autonomia é o passo que falta na maioria dos CDs que ainda tratam isso como ajuste caso a caso.
SupplyChainBrain: What Should AI Be Allowed to Decide in the Warehouse?, Jett Chitanand, 5 de outubro de 2026.