Há estoque no armazém. Por que a separação continua parada?

O ERP mostra 480 unidades. O cliente pediu 36. Mesmo assim, o separador chega ao endereço e encontra só oito peças. O restante está no estoque reserva, em outro corredor, sobre um pallet fechado. O pedido não sofre uma ruptura comercial; sofre uma ruptura operacional no endereço de picking.

Esse intervalo entre “há saldo” e “há produto disponível para separar” costuma ficar escondido entre WMS, planilha, rádio e experiência do supervisor. Quando ele aparece, a equipe já está esperando, o pedido já perdeu posição na onda e alguém precisa decidir às pressas qual tarefa vem primeiro. IA pode antecipar o risco e organizar a resposta, mas somente se demanda, localização, unidade de medida, capacidade e confirmação física fizerem parte do mesmo processo.

Por que o reabastecimento interno entrou na agenda da IA operacional

A documentação do Oracle Warehouse Management 26D apresenta um centro de comando com agentes voltados à execução. O agente de análise de reabastecimento combina backlog, ritmo recente, tarefas de picking dependentes de reposição, pedidos afetados e status das tarefas para mostrar onde o atraso interno ameaça o compromisso de atendimento. O avanço não está em “prever estoque” isoladamente, mas em ligar uma pendência de movimentação ao pedido que espera por ela.

O Dynamics 365 Supply Chain Management documenta outra parte do problema: consolidar demanda por item e unidade de medida, localizar essa demanda em endereços de picking e então criar trabalho de reabastecimento. A configuração pode considerar o saldo já existente no destino. Isso evidencia uma distinção essencial: planejar quanto deve estar na frente de picking, gerar a tarefa e comprovar que o material ficou utilizável são três eventos diferentes.

Uma pesquisa de 2026 em Engineering Applications of Artificial Intelligence propõe coordenar reabastecimento e picking em um único modelo de aprendizado por reforço. Os resultados vêm de simulação em ambiente de e-fulfillment e não devem ser transportados como promessa direta para um armazém manual. O princípio, porém, é útil: otimizar cada fila separadamente pode piorar o fluxo total.

Em PMEs, essa conexão importa ainda mais. Um estudo de 2026 em Supply Chain Analytics parte do cenário de picking manual, comum em empresas menores, e combina previsão, otimização e simulação para equilibrar eficiência e resiliência. O caso usa apenas um dia de uma pequena distribuidora de tecidos, portanto é evidência situada, não benchmark universal. Ainda assim, reforça que tempo de execução humano varia e que um plano no limite precisa ser testado contra essa variabilidade.

A unidade de decisão não é apenas o SKU

Um item pode existir em vários endereços, lotes, embalagens e estados. O saldo de 480 unidades não responde se há 36 peças na área certa, se o lote pode atender aquele cliente, se o pallet está acessível ou se alguém consegue movê-lo antes do horário de corte.

A decisão mínima combina SKU + unidade de medida + endereço de picking + demanda no horizonte + saldo disponível no destino + origem elegível + recurso + prazo. Para itens controlados, entram lote, validade, status de qualidade, restrição comercial e sequência FEFO. Se qualquer um desses campos estiver ausente, a IA deve expor a lacuna em vez de tratar o saldo total como disponibilidade imediata.

Método ABASTECE: oito controles até o pedido voltar a andar

1. Antecipar a demanda: reúna pedidos, ondas, reservas e prioridades dentro de um horizonte explícito. Pedido criado não é igual a pedido liberado, e previsão não deve competir com demanda confirmada sem regra.
2. Balancear o endereço: compare necessidade, capacidade física, saldo disponível, estoque já alocado e tarefas em curso. Encher demais a frente de picking ocupa espaço e pode aumentar movimentos desnecessários.
3. Apontar a origem elegível: selecione local, lote, embalagem e quantidade que realmente podem abastecer o destino. Saldo bloqueado, contado, reservado ou inacessível não é fonte válida.
4. Sinalizar consequência: vincule cada falta local aos pedidos, clientes, rotas e horários que serão afetados. Prioridade deve nascer do impacto comprovado, não do volume de mensagens no rádio.
5. Tarefar com condição: gere trabalho com origem, destino, quantidade, unidade, equipamento, operador elegível, sequência e prazo. Se houver conflito, mantenha a exceção visível.
6. Executar e registrar: confirme retirada, deslocamento e depósito por leitura, apontamento ou outro evento verificável. “Operador avisado” não significa material movimentado.
7. Confirmar disponibilidade: valide quantidade no destino, status utilizável e liberação do picking. Uma tarefa tecnicamente concluída pode ter deixado o pallet no corredor ou na posição errada.
8. Evoluir a regra: compare gatilho, quantidade, tempo e causa. Ajuste parâmetros quando o erro for sistemático; trate divergência física, cadastro ou disciplina como causa, não como simples falta de estoque.

Uma conta simples antes de qualquer modelo sofisticado

Para cada item e endereço, comece com uma necessidade verificável:

reposição necessária = demanda elegível no horizonte + cobertura de segurança − saldo disponível no picking − reposições confirmadas em curso.

“Demanda elegível” exclui pedidos cancelados, bloqueados ou fora da janela definida. “Saldo disponível” desconta reserva, bloqueio e divergência conhecida. “Reposição confirmada em curso” só entra quando existe uma tarefa válida, ainda dentro do prazo e sem impedimento aberto. Se a quantidade resultar negativa, não há tarefa a criar; pode existir excesso a investigar.

A cobertura de segurança não deve ser um número único para todos os itens. Considere velocidade, variabilidade, espaço, embalagem mínima, distância da reserva, tempo de movimentação e consequência da falta. A IA pode estimar e recomendar, mas o parâmetro precisa ter dono, vigência e limite físico.

Matriz: urgência do pedido × confiança na disponibilidade

• Baixa urgência e alta confiança: agrupe tarefas e execute na rotina. É o melhor quadrante para começar a automação.
• Alta urgência e alta confiança: priorize a tarefa, reserve recurso e acompanhe o prazo. A IA pode ordenar, desde que a regra de prioridade esteja publicada.
• Baixa urgência e baixa confiança: valide saldo, unidade, lote ou localização antes de mover. Use a folga para corrigir a fonte do dado.
• Alta urgência e baixa confiança: escale para o supervisor, proteja o pedido e proponha alternativas. Não transforme uma suspeita de saldo em ordem automática de movimentação.

Estados que não cabem em um único “reabastecido”

1. Risco detectado: a projeção indica insuficiência no endereço, ainda sem quantidade validada.
2. Necessidade calculada: demanda, saldo, cobertura e embalagem foram reconciliados.
3. Tarefa criada: origem e destino existem, mas ninguém assumiu a execução.
4. Tarefa alocada: operador ou equipamento aceitou o trabalho dentro de uma janela.
5. Em movimento: o material saiu da origem e ainda não está disponível no destino.
6. Depositado: houve confirmação física no destino, sujeita a quantidade e status.
7. Disponível para picking: o saldo está utilizável e o pedido dependente pode prosseguir.
8. Reconciliado: pedido, estoque e tarefa refletem o mesmo resultado; divergências têm causa, dono e prazo.

Essa separação evita dois falsos verdes: considerar “tarefa emitida” como abastecimento realizado e considerar “pallet depositado” como pedido retomado. O resultado só existe quando a dependência operacional desaparece e o sistema oficial confirma o novo estado.

Exemplo: três faltas locais, uma empilhadeira

Às 14h20, uma distribuidora identifica três endereços abaixo da necessidade. O item A bloqueia dois pedidos da rota que fecha às 15h30; há um pallet elegível a 60 metros. O item B tem mais pedidos, mas expedição no dia seguinte. O item C parece urgente, porém o saldo da reserva está em contagem e a unidade informada no pedido diverge da embalagem.

1. O agente liga cada endereço às ondas, horários e pedidos dependentes. A não vira prioridade porque “acabou primeiro”, mas porque há impacto próximo e fonte confiável.
2. A tarefa de A recebe origem, quantidade, destino, empilhadeira e prazo. B é agrupado na próxima ronda para reduzir deslocamento.
3. C não gera movimento. O caso vai ao supervisor com a divergência de unidade e o saldo em contagem; o pedido fica protegido contra uma promessa falsa.
4. Após leitura na origem e no destino, A muda para depositado. A disponibilidade é recalculada e os dois pedidos retomam o picking.
5. O encerramento registra tempo, espera, percurso e causa. Se A rompe repetidamente, revisa-se capacidade do endereço, embalagem mínima, gatilho ou perfil de demanda.

Onde a IA ajuda — e onde deve parar

• Pode acelerar: consolidar demanda; estimar risco de ruptura local; calcular necessidade; encontrar origens elegíveis; agrupar tarefas; ordenar opções; alertar atrasos; explicar pedidos afetados; e sugerir ajuste de parâmetro.
• Deve pedir confirmação: saldo envelhecido; divergência de unidade; lote ou status incerto; endereço acima da capacidade; recurso indisponível; contagem aberta; tarefa duplicada; ou prioridade que ultrapasse uma alçada.
• Não deve fazer sozinha: liberar estoque bloqueado; ignorar FEFO ou qualidade; inventar saldo; mover material sem origem e destino; atropelar regra de segurança; alterar contagem; ou encerrar a dependência sem confirmação física e sistêmica.

Placar que mede pedido destravado, não tarefa criada

• Serviço: pedidos e linhas parados por reposição; atraso atribuído à ruptura local; horário de corte perdido; nível de atendimento por prioridade.
• Fluxo: tempo entre risco, tarefa, alocação, depósito e picking retomado; backlog; idade das tarefas; movimentos urgentes.
• Qualidade: origem sem saldo, quantidade divergente, unidade incorreta, destino lotado, tarefa duplicada, reabertura e ajuste posterior.
• Capacidade: viagens, distância, ocupação de equipamento, carga por operador, congestionamento e proporção entre trabalho planejado e emergencial.
• Parâmetros: rupturas por item/endereço, excesso na frente, frequência de ajuste, cobertura real e causas de exceção.
• Resultado: pedidos liberados no prazo, produtividade do picking, hora extra, reentrega ou frete especial evitado e custo por tarefa útil.

Quantidade de tarefas concluídas pode premiar reposições pequenas e repetidas. Leia produtividade junto com pedidos destravados, estabilidade do picking, qualidade do saldo e movimentos evitáveis.

Piloto assistido de 20 dias úteis

1. Dias 1 a 4: escolha uma zona e 20 a 40 SKUs; registre demanda, saldos por endereço, tarefas, rupturas locais, espera e pedidos afetados.
2. Dias 5 a 8: defina horizonte, cobertura, unidades, origens elegíveis, capacidade dos destinos, estados, prioridades, alçadas e prova de conclusão.
3. Dias 9 a 12: use IA apenas para detectar risco, calcular necessidade e sugerir ordem; mantenha criação e liberação das tarefas sob revisão.
4. Dias 13 a 16: permita tarefas de baixo risco dentro de limites. Teste saldo bloqueado, contagem aberta, embalagem divergente, destino cheio, atraso e duplicidade.
5. Dias 17 a 20: reconcilie todas as tarefas com pedidos e saldos; compare base e piloto; ajuste parâmetros e decida onde ampliar, manter assistido ou interromper.

Doze perguntas para a direção

1. Sabemos quais pedidos estão parados por reposição neste momento?
2. O saldo do picking desconta reserva, bloqueio e divergência?
3. Unidades de compra, armazenagem e separação estão reconciliadas?
4. Cada endereço tem capacidade e embalagem mínima válidas?
5. O gatilho usa demanda confirmada, previsão ou ambas — com qual regra?
6. Uma tarefa informa origem, destino, quantidade, recurso e prazo?
7. Prioridade reflete consequência no cliente ou pressão de quem pede?
8. Há leitura ou evidência na retirada e no depósito?
9. O pedido retoma automaticamente quando a dependência termina?
10. Ruptura local é separada de falta real no armazém?
11. Parâmetros têm dono, histórico e revisão periódica?
12. Se a IA parar, a equipe preserva fila, tarefa e reconciliação?

Fontes consultadas

• Oracle Warehouse Management 26D — AI Agentic App: Warehouse Execution Command Center.
• Microsoft Learn — Warehouse slotting in Dynamics 365 Supply Chain Management.
• Engineering Applications of Artificial Intelligence — Reinforcement learning-driven resilient smart warehousing, 2026.
• Supply Chain Analytics — An analytics-driven framework for warehouse order scheduling, 2026.