A Inteligência Artificial Generativa pode reduzir o tempo de tomada de decisão de dias para minutos e melhorar significativamente os resultados em processos de gestão.
Resumo:
Nas últimas décadas, os avanços nas tecnologias da informação permitiram que as empresas que buscam otimizar suas cadeias de suprimentos passassem da tomada de decisões com base na intuição e experiência para métodos mais automatizados e orientados por dados, aumentando a eficiência e reduzindo custos. No entanto, planejadores de negócios e executivos ainda precisam dedicar um grande esforço para entender as recomendações de seus sistemas, analisar vários cenários e realizar análises hipotéticas. Muitas vezes, é necessário envolver equipes de ciência de dados ou fornecedores de tecnologia para explicar os resultados ou fazer atualizações no sistema. Agora, os avanços nos modelos de linguagem de grande porte (LLMs), um tipo de IA generativa, estão tornando possível realizar essas atividades sem esse suporte. A tecnologia baseada em LLMs pode automatizar a descoberta de dados, a geração de insights e a análise de cenários, reduzindo o tempo de tomada de decisões de dias para minutos e aumentando significativamente a produtividade e o impacto dos planejadores e executivos. Os autores baseiam-se na experiência da área de computação em nuvem da Microsoft para explorar como os LLMs podem ser usados para otimizar cadeias de suprimentos. Eles também identificam os obstáculos que as empresas precisarão superar para implementar os LLMs de forma eficaz.
As empresas enfrentam uma variedade de desafios complexos ao projetar e otimizar suas cadeias de suprimentos. Aumentar a resiliência, reduzir custos e melhorar a qualidade do planejamento são apenas alguns deles. Nas últimas décadas, os avanços nas tecnologias da informação permitiram que as empresas passassem da tomada de decisões baseada na intuição e experiência para métodos mais automatizados e orientados por dados. Como resultado, os negócios experimentaram ganhos de eficiência, reduções substanciais de custos e melhorias no atendimento ao cliente.
No entanto, planejadores de negócios e executivos ainda precisam investir um tempo considerável para entender as recomendações geradas por seus sistemas, analisar diversos cenários e realizar simulações de hipóteses. Atualizar os modelos matemáticos das ferramentas de gestão da cadeia de suprimentos para refletir mudanças no ambiente de negócios também é um processo demorado. Para lidar com essas questões, os planejadores e executivos frequentemente precisam recorrer a equipes de ciência de dados ou fornecedores de tecnologia para explicar os resultados ou implementar mudanças no sistema.
Os avanços recentes nos modelos de linguagem de grande porte (LLMs), um tipo de IA generativa, estão tornando possível realizar essas atividades sem esse suporte, reduzindo o tempo de tomada de decisões de dias e semanas para minutos e horas, aumentando significativamente a produtividade e o impacto dos planejadores e executivos. Neste artigo, exploraremos como os LLMs podem ser usados para gerar insights a partir de dados, proporcionando aos executivos uma melhor compreensão do estado de suas cadeias de suprimentos, respondendo a perguntas hipotéticas e atualizando as ferramentas de gestão da cadeia de suprimentos para levar em conta o ambiente de negócios atual. Também destacaremos os desafios que as empresas devem superar para adotar os LLMs e as oportunidades para expandir suas aplicações no futuro.
As experiências que compartilharemos são baseadas, em grande parte, no uso de um sistema baseado em LLMs pela Microsoft para gerenciar o fornecimento de servidores e outros hardwares para mais de 300 data centers ao redor do mundo, apoiando seus serviços em nuvem. A Microsoft testou seu sistema baseado em LLMs de março de 2023 a outubro de 2023, antes de implementá-lo totalmente em novembro de 2023. Desde então, o sistema teve um impacto significativo na eficiência e produtividade, medido pelo tempo de resposta a incidentes e pela velocidade na tomada de decisões, e espera-se que esses ganhos aumentem à medida que o sistema for aprimorado. No entanto, as capacidades que discutimos não dependem do uso de um produto da Microsoft; uma grande variedade de LLMs de alta qualidade disponíveis hoje poderia ser utilizada para alcançar esses resultados.
Agora, vamos explorar os benefícios que os LLMs podem proporcionar.
Descoberta de Dados e Insights
Considere uma cadeia de suprimentos clássica, com um determinado número de fornecedores de matérias-primas, fábricas para produção de produtos e varejistas que vendem esses produtos. Com um LLM, um planejador pode fazer perguntas em linguagem natural, como “Quanto material bruto do tipo T o fornecedor S tem hoje?” ou “Qual é a opção mais barata para enviar itens da fábrica F para o varejista R?”. O LLM pode traduzir essas perguntas em consultas de ciência de dados, que são enviadas ao repositório de dados da empresa (por exemplo, um banco de dados SQL) e, em seguida, fornecer uma resposta em uma frase completa. Do ponto de vista da privacidade, é significativo que o LLM possa ser utilizado como um serviço em nuvem, o que significa que os dados proprietários não precisam ser transferidos para um LLM de terceiros.
Além de servir como uma ferramenta para entender o estado atual da cadeia de suprimentos de uma empresa, o LLM pode ser usado para explicar as decisões tomadas pelo sistema da cadeia de suprimentos e fornecer insights adicionais, como informações sobre tendências. Por exemplo, um planejador pode fazer perguntas sobre tendências recentes, como “Qual fábrica foi a mais produtiva na semana passada?” ou “Quantas vezes no último mês o custo total de envio excedeu $50.000?”. A seguir, fornecemos exemplos concretos de primeiros adotantes de LLMs para descoberta de dados e insights.
Acompanhamento da demanda em mudança.
A computação em nuvem é um negócio multibilionário que exige que provedores como Amazon, Microsoft, Google e outros façam grandes investimentos na construção de data centers, equipando-os com hardware e operando-os para garantir que sua capacidade esteja prontamente disponível. Esses provedores devem satisfazer constantemente a crescente demanda por serviços enquanto minimizam os custos de hardware e operação. Para isso, os provedores de serviços em nuvem tomam periodicamente decisões de implantação de hardware, levando em consideração diversos fatores de custo, como transporte e depreciação do hardware, além de considerações operacionais, como compatibilidade de hardware, inventário e disponibilidade de pessoal para realizar as implantações dos servidores.
Na Microsoft, a demanda por servidores vem de grupos de negócios internos que possuem diferentes ofertas em nuvem (por exemplo, Azure Storage, Azure Virtual Machines e Microsoft 365). A demanda é especificada por meio de uma solicitação, que inclui o tipo e a quantidade de servidores necessários, a região onde os servidores devem ser alocados e a data ideal para essa alocação. Usando essas solicitações como entradas, a equipe da cadeia de suprimentos gera regularmente um único plano de demanda. Os engenheiros da Microsoft executam periodicamente uma ferramenta de otimização computacional para produzir um plano de atendimento que designa o hardware real a partir dos armazéns de suprimentos e especifica quando ele será enviado aos data centers. Os planejadores da Microsoft supervisionam o plano de atendimento. Suas tarefas incluem confirmar se o plano atende às necessidades dos negócios e garantir que os servidores tenham sido implantados conforme planejado. Os servidores implantados são normalmente utilizados pelo grupo de negócios por vários anos até serem desativados.
O LLM pode ser usado para explicar as decisões tomadas pelo sistema da cadeia de suprimentos e fornecer insights adicionais, como informações sobre tendências.
Os planejadores também monitoram mensalmente as mudanças no plano de demanda, chamadas de desvio de demanda, para garantir que o plano revisado atenda a todos os requisitos dos clientes e esteja dentro das diretrizes orçamentárias. A tarefa de avaliar o desvio de demanda é tradicionalmente realizada pelos planejadores, que frequentemente envolvem cientistas de dados e engenheiros de diferentes unidades de negócios no processo. Depois de compreender as mudanças, os planejadores preparam um resumo executivo para explicar as alterações em cada região.
A tecnologia baseada em LLM agora faz todo esse trabalho. Ela gera automaticamente um relatório por e-mail detalhando quem fez cada alteração e o motivo. Além disso, aponta possíveis erros para revisão dos planejadores. Por exemplo, suponha que a demanda (o número total de servidores) no novo plano seja menor do que no plano anterior. O e-mail pode indicar exatamente o motivo da redução da demanda—por exemplo, a introdução de uma nova geração de hardware mais eficiente, que permite o uso de um número menor de servidores. Essa ferramenta de LLM permite que os planejadores realizem a análise do desvio de demanda sozinhos em minutos; anteriormente, essa tarefa levava cerca de uma semana.
Aplicação de contratos.
Na indústria automotiva, fabricantes de equipamentos originais (OEMs), como Ford, Toyota e General Motors, possuem milhares de fornecedores e múltiplos contratos com cada um deles. Esses contratos especificam detalhes como o preço pago pelo OEM, requisitos de qualidade, prazos de entrega e medidas de resiliência que os fornecedores devem adotar para garantir o fornecimento. Ao alimentar o LLM com dados de milhares de contratos, um OEM conseguiu identificar reduções de preço às quais tinha direito por ter ultrapassado um determinado limite de volume. Sua equipe de compras não havia percebido essa oportunidade devido à complexidade e ao grande número de contratos. O resultado foi uma economia de milhões de dólares em aquisições.
Respostas para perguntas do tipo “E se?”
Um LLM permite que os planejadores façam perguntas detalhadas. Aqui estão alguns exemplos: “Qual seria o custo adicional de transporte se a demanda geral do produto aumentasse em 15%?” “Qual seria o custo adicional de aquisição se o varejista R utilizasse produtos apenas da fábrica F?” “Podemos atender toda a demanda se fecharmos a fábrica F?” “Quanto o custo total de produção do produto P seria reduzido se o custo da matéria-prima do tipo M fosse $1 menor por unidade?”
Veja como um LLM pode responder a perguntas como essas de forma precisa e eficiente. Muitas tarefas de otimização são escritas na forma de programas matemáticos, que levam em consideração a estrutura da cadeia de suprimentos e todos os requisitos do negócio para gerar recomendações eficazes. Um LLM não substitui o modelo matemático; em vez disso, ele o complementa. Especificamente, ele traduz uma pergunta feita por um humano em um código matemático que representa uma pequena alteração no modelo matemático original utilizado para produzir o plano. Por exemplo, exigir que um varejista utilize produtos de uma fábrica específica pode ser feito adicionando uma exigência matemática, ou “restrição”, que proíbe outras fábricas de enviar produtos para esse varejista. Essa pequena alteração no modelo matemático é então inserida na ferramenta de gestão da cadeia de suprimentos para produzir um plano modificado, que será usado apenas para comparação com o plano existente. Como antes, a saída do novo modelo matemático é então processada pelo LLM para gerar a resposta em linguagem natural. (Para aprender mais sobre essa abordagem de uso de um LLM para obter informações atuais sobre a cadeia de suprimentos e fazer perguntas do tipo “E se?”, você pode encontrar o código aberto e as referências da Microsoft em github.com/microsoft/OptiGuide.)
Considere como os planejadores da operação de serviços em nuvem da Microsoft utilizam essa capacidade para criar um plano de atendimento que aloca servidores a serem enviados de armazéns para data centers. Para cada solicitação, as principais decisões incluem: (1) o tipo de servidor e o armazém que será usado para atender à demanda, (2) a data de envio e (3) o destino final dos servidores (o data center específico e a localização dentro dele). O objetivo é minimizar o custo total dos diversos componentes, como os custos de transporte e o custo estimado da oportunidade perdida ao atrasar a implantação dos servidores além da data ideal.
Quando os planejadores recebem a saída da ferramenta de otimização, eles podem confirmar se ela atende às necessidades do negócio e garantir que seja executada corretamente. No entanto, as questões subjacentes à otimização são tão complexas que pode ser difícil, senão impossível, entender imediatamente o raciocínio por trás de cada decisão. Consequentemente, os planejadores frequentemente entram em contato com os engenheiros e cientistas de dados que desenvolveram a ferramenta de otimização para obter mais informações. Esse processo pode envolver várias interações para explorar completamente um problema ou um cenário hipotético, o que pode resultar em um atraso de vários dias. Agora, o sistema baseado em LLM permite que os planejadores obtenham, em poucos minutos, respostas para perguntas como “Qual é o percentual de aumento de custo se atenderemos um pedido específico na data solicitada em vez de outra data?” e “Qual seria o aumento de custo se desativássemos um determinado armazém por uma semana?”
Planejamento interativo
Os planejadores podem usar a tecnologia baseada em LLM para atualizar os modelos matemáticos da estrutura da cadeia de suprimentos e os requisitos de negócios, refletindo as condições atuais do mercado. Além disso, um LLM pode informar os planejadores sobre mudanças nas condições de negócios.
Suponha que os planejadores tenham recebido informações em tempo real de que uma instalação de manufatura específica ficará inativa por sete dias devido a uma tempestade de inverno. Para atualizar o plano de vendas e operações (S&OP) e levar essa interrupção em conta sem o auxílio de um LLM, os planejadores precisariam envolver as equipes de TI e ciência de dados para fazer os ajustes necessários no plano—um processo que pode consumir bastante tempo. Com o auxílio de um LLM, no entanto, os planejadores podem simplesmente solicitar ao sistema que gere um novo plano que evite o uso da instalação afetada. Se o novo plano não for capaz de atender a toda a demanda prevista, a ferramenta de planejamento assistida por LLM não apenas gerará um S&OP atualizado e os custos correspondentes (como custos de aquisição e transporte), mas também identificará a demanda que não poderá ser atendida e o impacto na lucratividade.
Nos próximos anos, a tecnologia baseada em LLM apoiará cenários de tomada de decisão de ponta a ponta.
A necessidade de alterar o plano da cadeia de suprimentos também pode ser impulsionada pela tecnologia baseada em LLM. Por exemplo, após analisar dados de envio de um fornecedor específico, o sistema pode gerar um alerta indicando que o prazo de entrega desse fornecedor aumentou significativamente nos últimos meses. Além disso, a tecnologia baseada em LLM pode prever o provável momento da próxima remessa e comunicar essa informação ao planejador. Ao reconhecer que o aumento no tempo de entrega afetará negativamente o nível de serviço em uma determinada região, a menos que ações corretivas sejam tomadas, o planejador pode solicitar ao sistema baseado em LLM que execute novamente a ferramenta de planejamento com as novas informações e gere um plano atualizado. Esse plano, que o LLM comunica aos planejadores em linguagem natural, pode sugerir, por exemplo, envios acelerados do fornecedor ou a transferência de estoque de um armazém localizado em outra região para a área afetada.
O uso de LLMs da maneira discutida aqui ainda é relativamente novo. Prevemos que, nos próximos anos, a tecnologia baseada em LLM oferecerá suporte a cenários de tomada de decisão de ponta a ponta. Por exemplo, os usuários poderão descrever em linguagem natural o problema de decisão que desejam resolver. Isso pode envolver um problema específico de produção (como decidir onde e quando produzir um determinado produto dentro de uma rede complexa de instalações de manufatura) ou um problema de alocação de estoque (como distribuir um estoque limitado de um armazém para diferentes lojas da maneira mais eficiente para atender à demanda). Atualmente, a tecnologia é capaz de gerar esses modelos matemáticos e recomendações, mas validar se o modelo representa corretamente o ambiente de negócios ainda é um desafio.
Superando Barreiras
À medida que as empresas começam a adotar LLMs na gestão da cadeia de suprimentos, elas precisarão superar uma variedade de desafios para implementá-los de forma eficaz.
Adoção e treinamento.
O uso de um LLM para otimizar cadeias de suprimentos requer uma linguagem muito precisa. Por exemplo, se um usuário perguntar: “Podemos utilizar melhor a fábrica F?”, a palavra “melhor” pode ter várias interpretações: reduzir custos, aumentar a produção, equilibrar melhor o fluxo ao longo do tempo, entre outras. Cada interpretação leva a decisões diferentes. Portanto, é fundamental que as pessoas que utilizam o sistema sejam devidamente treinadas. Os planejadores podem precisar aprender a formular perguntas de maneira mais precisa, enquanto gerentes e executivos podem necessitar de capacitação sobre as capacidades e limitações da tecnologia baseada em LLM.
Por esses motivos, a Microsoft está implementando essa nova tecnologia de forma gradual. A ferramenta mencionada anteriormente, utilizada para responder a perguntas hipotéticas, atualmente suporta apenas um conjunto de perguntas comuns. A empresa monitora as interações dos usuários, a precisão das respostas e os mecanismos de contingência, expandindo sua cobertura com o tempo. Os planejadores receberam treinamento sobre a tecnologia e foram informados sobre as perguntas que a ferramenta pode responder no momento.
A Dell Technologies também reconhece a importância de capacitar sua equipe para o uso de LLMs na cadeia de suprimentos. A experiência inicial da empresa com IA, por meio de uma parceria com um fornecedor de aplicativos para a cadeia de suprimentos, gerou tanto entusiasmo pelo potencial da tecnologia quanto a necessidade urgente de preparar as pessoas para gerenciar a IA. Sasha Pailet Koff, vice-presidente sênior da empresa, afirmou que “treinar nossa equipe humana para fazer as perguntas certas à IA generativa tem se mostrado um desafio maior do que a própria tecnologia”. Ela acrescentou: “Desenvolver líderes que saibam gerenciar a IA generativa, em vez de apenas uma força de trabalho humana, é essencial. Só assim as empresas poderão escolher os fluxos de trabalho mais adequados para a tomada de decisões com IA.”
Verificação.
A tecnologia LLM pode ocasionalmente gerar respostas erradas. Assim, um desafio geral é mantê-la “dentro dos trilhos”, ou seja, identificar erros e corrigi-los. Atualmente, as empresas lidam com esse desafio fornecendo aos LLMs exemplos ricos e específicos do setor, o que melhora a precisão das respostas, além de adicionar mecanismos que identificam antecipadamente perguntas que a tecnologia não pode responder. Por exemplo, se um usuário fizer uma pergunta que não é suportada, o sistema baseado em LLM pode fornecer uma resposta padrão, como: “Infelizmente, não posso ajudar com essa pergunta. Aqui está a lista de perguntas suportadas.” Naturalmente, a dificuldade de verificar a precisão das respostas aumenta com a complexidade da saída.
Por exemplo, suponha que um LLM gere um programa matemático completo para criar um plano de atendimento otimizado do zero. Como o sistema verificaria se esse plano está correto? E como garantir que o programa produzirá um plano otimizado dentro de um prazo razoável? Essas ainda são questões em aberto que exigem mais pesquisas.
Novos papéis na força de trabalho.
À medida que a tecnologia LLM leva a um alto grau de automação, o papel dos executivos e planejadores mudará. Em vez de se envolver em um processo de tomada de decisão demorado e propenso a erros humanos, os planejadores poderão usar a tecnologia LLM para obter mais insights e entender melhor as recomendações das ferramentas de planejamento da cadeia de suprimentos. Isso aumentará a confiança dos usuários e a adoção das recomendações dessas ferramentas. Da mesma forma, no setor de compras, os funcionários precisarão gastar muito menos tempo criando novos contratos, pois os LLMs serão capazes de elaborar contratos para categorias específicas de produtos e fornecer informações sobre o desempenho passado de diferentes fornecedores, ajudando os executivos a escolher a opção mais adequada.
Em outras palavras, uma força de trabalho que usa ferramentas baseadas em LLM poderá mudar seu foco de tarefas repetitivas do dia a dia para atividades de maior valor agregado, como pensar estrategicamente sobre diversas operações da cadeia de suprimentos ou colaborar internamente entre diferentes áreas e externamente com fornecedores e clientes. Por exemplo, os planejadores de demanda podem trabalhar em conjunto com os planejadores comerciais (responsáveis por marketing, precificação e descontos) para entender o impacto das estratégias comerciais na previsão de demanda. Em nossa experiência, esse tipo de colaboração ainda não ocorre na maioria das organizações. O desafio, é claro, é garantir que a liderança elimine barreiras entre as áreas funcionais e adapte os processos empresariais para viabilizar essa colaboração.
Apesar desses desafios, estamos confiantes de que a tecnologia baseada em LLM transformará a gestão da cadeia de suprimentos em um futuro próximo, tornando-a mais eficiente, resiliente, produtiva e precisa. Essa tecnologia complementará as soluções atuais, permitindo que os planejadores interajam diretamente com suas ferramentas de gestão da cadeia de suprimentos sem a necessidade de cientistas de dados ou engenheiros. As empresas poderão automatizar uma parte significativa dos processos da cadeia de suprimentos e até criar novos processos, como a integração entre comércio e previsão de demanda. De fato, essa integração poderia resultar em um sistema de gestão da cadeia de suprimentos de ciclo fechado, no qual as funções de comércio, cadeia de suprimentos e finanças colaboram para desenvolver um plano que atenda a todos os objetivos e requisitos comerciais e financeiros. Nos próximos anos, a tecnologia baseada em LLM poderá realmente revolucionar a gestão da cadeia de suprimentos.
Fonte:
Periódico Harvard Business Review, edição Janeiro – Fevereiro de 2025
Sobre os autores:
Ishai Menache é gerente de pesquisa e parceiro do grupo de aprendizado de máquina e otimização na Microsoft Research.
Jeevan Pathuri é gerente geral e diretor parceiro de engenharia de software no grupo de cadeia de suprimentos em nuvem da Microsoft.
David Simchi-Levi é professor no Instituto de Tecnologia de Massachusetts (MIT), chefe do Laboratório de Ciência de Dados do MIT e Accenture Luminary.
Tom Linton é consultor sênior da McKinsey & Company e foi anteriormente diretor de compras e cadeia de suprimentos na Flex.