IA agêntica e robótica marcam a próxima fase da transformação logística

Neste contexto, a IA agêntica surge como a próxima etapa da adoção empresarial. Esta tecnologia permite ligar modelos de inteligência artificial aos sistemas de gestão, coordenar tarefas e executar determinadas operações. A sua evolução assenta nas capacidades desenvolvidas nas fases anteriores. Numa primeira etapa, a IA tradicional permitiu prever, classificar e otimizar. Posteriormente, a IA generativa acrescentou a capacidade de interpretar e produzir informação em diferentes formatos. Atualmente, a IA agêntica facilita a integração destas capacidades nos processos operacionais. A estas tecnologias junta-se a IA física que, embora possa parecer mais futurista, já tem aplicações concretas e está a evoluir no sentido do desenvolvimento de robôs capazes de aprender novas competências e operar em ambientes cada vez mais complexos.

“Os avanços no raciocínio e na interpretação de documentos, imagens e conversas permitem abordar problemas que anteriormente exigiam a utilização de vários sistemas e uma intervenção manual significativa”, explica Fabiola Pérez, CEO da MIOTI. “No entanto, o desafio para as empresas não consiste em incorporar mais ferramentas de IA, mas em rever os seus processos e integrar estas capacidades nas operações reais, mantendo a supervisão humana nas decisões que o exijam”.

Com base nesta evolução, a MIOTI Data & AI Services identifica cinco tendências que estão a marcar a transformação da inteligência artificial aplicada à logística.

Um dos principais desafios dos projetos tradicionais de inteligência artificial consiste na recolha, limpeza e estruturação dos dados antes da sua utilização. Na logística, uma parte significativa da informação provém de chamadas telefónicas, conversas, guias de remessa e outros documentos que não estão preparados para serem diretamente integrados nos sistemas empresariais. Os modelos generativos permitem interpretar estes conteúdos, extrair informação relevante e convertê-la em dados operacionais, facilitando a sua integração em sistemas de gestão empresarial (ERP) e noutras aplicações.

Esta capacidade permite tirar maior partido dos modelos de IA tradicional utilizados para detetar anomalias, otimizar operações de recolha ou identificar perdas de ativos, ao incorporar informação que anteriormente exigia um trabalho manual considerável. A IA generativa pode automatizar parte da preparação dos dados, enquanto os agentes de IA permitem utilizar a informação obtida para desencadear ações nos sistemas empresariais. A validação dos dados continua a ser necessária, mas alarga-se o conjunto de fontes de informação que podem ser integradas nos processos automatizados.

Os sistemas de simulação avançada permitem reproduzir, em períodos muito mais curtos, mais de um século de operações logísticas, testando virtualmente movimentos, situações de congestionamento e diferentes configurações de armazém. Esta capacidade é particularmente relevante para frotas de robôs que têm de trocar informações continuamente, coordenar trajetórias e distribuir tarefas sem interferirem entre si. As simulações permitem avaliar o comportamento coletivo dos equipamentos antes de introduzir alterações numa instalação real.

A possibilidade de realizar testes em ambiente virtual facilita a conceção de armazéns e a avaliação de alterações operacionais sem interromper a atividade. Paralelamente, a visão por computador está a alargar as possibilidades de controlo da qualidade, permitindo detetar defeitos nas embalagens antes da expedição. Ambas as aplicações ajudam a antecipar problemas numa fase em que ainda podem ser corrigidos, evitando que afetem etapas posteriores da cadeia logística.

O grau de controlo do ambiente condiciona as possibilidades de automatização. Os armazéns oferecem condições relativamente previsíveis, enquanto os escritórios, hospitais ou instalações florestais apresentam obstáculos e a presença de pessoas em constante mudança. As ruas e estradas são ainda mais complexas. Por isso, o desenvolvimento da IA física não depende apenas da melhoria das capacidades de perceção e navegação dos robôs, mas também das condições em que estes operam.

A integração com elevadores, sistemas de controlo de acessos e sensores permite automatizar determinadas tarefas em edifícios partilhados com pessoas. Em ambientes mais complexos, os drones e a digitalização do terreno fornecem informação que pode apoiar o planeamento de operações autónomas. Esta evolução coloca uma questão às empresas: será preferível investir em robôs capazes de lidar com situações cada vez mais imprevisíveis ou adaptar parte das infraestruturas para reduzir essa complexidade? Ambas as opções implicam investimentos e apresentam diferentes níveis de maturidade tecnológica.

Nas propostas de automatização do transporte de mercadorias, importa também distinguir os percursos em função do seu grau de complexidade. A utilização de corredores dedicados entre centros logísticos permite concentrar a condução autónoma em trajetos mais previsíveis, enquanto os operadores humanos continuam a intervir nas ligações urbanas, nas manobras complexas e nas situações excecionais. Este modelo exige o desenvolvimento de infraestruturas de transferência e a coordenação das diferentes etapas do transporte, mas reduz a dependência de veículos capazes de circular autonomamente em qualquer circunstância.

Na distribuição de última milha, estão também a ser exploradas soluções que combinam carrinhas autónomas, robôs de entrega, cacifos inteligentes e redes de transportes públicos. Entre as propostas mais inovadoras encontra-se a utilização de infraestruturas ferroviárias em períodos de menor procura para transportar robôs ou mercadorias entre zonas urbanas. Estas soluções encontram-se em diferentes fases de desenvolvimento e a sua viabilidade dependerá de fatores como a regulamentação, a coordenação entre sistemas e os custos de transporte. A sua implementação poderá também alterar as necessidades de recursos humanos, reforçando a importância de funções de supervisão, manutenção e gestão de incidentes.

Os avanços na IA física permitem treinar robôs através de demonstrações humanas, recorrendo a informação visual e a registos de movimentos para ensinar determinadas tarefas de manipulação. Esta abordagem reduz a necessidade de programar manualmente cada sequência de movimentos, embora ainda apresente limitações na resposta a situações novas ou pouco previsíveis. A disponibilidade de demonstrações de qualidade assume, por isso, uma importância crescente no desenvolvimento de novas capacidades robóticas.

Esta tecnologia abre também possibilidades para documentar e analisar o trabalho físico. As gravações de uma operação permitem reconstruir procedimentos, analisar a forma como as tarefas são executadas e identificar movimentos desnecessários que não estão documentados nos sistemas de gestão. Esta informação pode posteriormente ser utilizada para melhorar processos ou preparar dados de treino para robôs. No entanto, a aprendizagem por imitação também comporta o risco de reproduzir práticas ineficientes. É, por isso, necessário selecionar e otimizar as demonstrações, garantindo simultaneamente a privacidade e a utilização adequada dos registos.

“O principal desafio consiste em transformar estas capacidades em operações economicamente viáveis, identificando onde a tecnologia já permite obter resultados, que processos precisam de ser reformulados e que ambientes exigem a adaptação das respetivas infraestruturas. A velocidade de adoção dependerá desta capacidade de integração, além dos progressos que continuem a ser alcançados nos modelos de inteligência artificial”, conclui Fabiola Pérez.