Supply chain tem a ver com planejamento, para entregar o produto certo, na hora certa, para o cliente certo, diante da pressão do mercado para que produção e entrega ocorram no menor prazo possível.
Muito desse planejamento depende dos dados que a empresa tem, como o histórico de vendas. Outra parte, cada vez mais importante, de como ela conseguirá reagir a acontecimentos que fogem ao seu controle, como imprevistos como um navio encalhado obstruindo um canal, uma pandemia, um terremoto, uma enchente e por aí vai.
Para atender a prazos cada vez menores, as empresas precisam ter o poder de reagir a cada vez mais coisas. E para terem poder de reação, elas precisam ter uma estrutura capaz de avaliar rapidamente múltiplos cenários.
Por exemplo, pense na venda de gasolina. O varejista tem bases de combustíveis e postos de gasolinas abastecidos por essas bases. Às vezes, diariamente, por conta da demanda, porque os postos não têm tanto estoque assim. Se uma determinada base seca, os postos abastecidos por ela vão precisar receber gasolina de outra base, que também não pode deixar os postos abastecidos primariamente por ela sem combustível. A decisão do que fazer não é trivial, e precisa ser rápida. Cada vez que um produto acaba e um cliente passa no posto e não encontra o produto, o posto perde uma oportunidade de venda.
“Esse é um exemplo típico de otimização de distribuição, quase em tempo real, com múltiplas restrições, em que a combinação do modelo matemático de otimização com o de IA Generativa pode agilizar o poder de análise do tomador de decisão”, explica Ricardo Taborda, cofundador da 7D Analytics.
“A IA Generativa consegue traduzir rapidamente a complexidade do problema para o modelo, pegar as respostas e apontar rapidamente os impactos de cada opção para os custos da empresa. Mais rápido que o analista encarregado de avaliar todos os cenários possíveis, potencializando o trabalho dele, agilizando sua avaliação e sua tomada de decisão.”
Outros casos nos quais a combinação do modelo matemático de otimização com o modelo de IA Generativa são bem-vindos, na opinião de Taborda, são os de avaliação de cenários de otimização de rotas de coleta e entregas, otimização do transporte de mercadorias e/ou passageiros (problema típico do gerenciamento de frotas), reprogramação de linhas de produção, alocação de tempo de prestadores de serviço, gerenciamento da cadeia de suprimentos e por aí vai.
“Em todos esses casos de planejamento de curto prazo, a IA Generativa pode aumentar a capacidade e a velocidade de raciocínio de um agente humano”, diz Taborda. “O modelo de IA Generativa consegue entender o problema reportado pelo agente humano, entender o que deveria ser entregue ao modelo de otimização, pegar os resultados do modelo matemático e interpretá-los. Mas a decisão será do agente humano. Não creio que a IA Generativa chegue ao ponto de decidir sozinha. Não nesses casos e não tão cedo. Principalmente porque esse tipo de decisão não envolve só aspectos quantitativos. Há aspectos qualitativos que são relevantes. Que o agente precisa ponderar antes de decidir.”
Taborda também vê a IA Generativa sendo útil hoje na avaliação de cenários em planejamentos de médio prazo, auxiliando a tomada de decisão. Mas sempre combinada com modelos preditivos e prescritos, como front-end amigável para os usuários.
