Inteligência artificial na gestão de estoque: estudo de caso comparativo

Abstract

Este trabalho apresenta um estudo de caso comparativo sobre a aplicação da Inteligência Artificial (IA) na gestão de estoques, com foco nas diferenças de desempenho entre empresas que adotaram soluções de IA e aquelas que mantiveram práticas tradicionais. A pesquisa parte da contextualização teórica da IA e da gestão de estoques, explicando conceitos como aprendizado de máquina, redes neurais e a importância da qualidade de dados para modelos preditivos. O estudo compara dois casos ilustrativos: a Amazon, que implantou sistemas preditivos e automação para reabastecimento, e a Sears, que manteve métodos manuais e planilhas. A análise longitudinal (2020–2023) mostra que a adoção de IA está associada a reduções significativas em perdas por estoque obsoleto (≈30%), diminuição de custos operacionais (20–25%) e maior resiliência diante de disrupções, enquanto abordagens tradicionais apresentaram maiores taxas de erro e perdas financeiras. Conclui-se que a IA, apesar dos custos iniciais e desafios de implementação, oferece retorno de investimento e vantagens competitivas mensuráveis, sendo recomendada a adoção gradual por meio de projetos-piloto, capacitação de equipes e parcerias tecnológicas.

This paper presents a comparative case study on the application of Artificial Intelligence (AI) in inventory management, focusing on performance differences between companies that adopted AI solutions and those that maintained traditional practices. The research begins with a theoretical contextualization of AI and inventory management, explaining concepts such as machine learning, neural networks, and the importance of data quality for predictive models. The study compares two illustrative cases: Amazon, which implemented predictive systems and automation for replenishment, and Sears, which continued to rely on manual methods and spreadsheets. The longitudinal analysis (2020–2023) shows that the adoption of AI is associated with significant reductions in losses from obsolete inventory (≈30%), decreases in operational costs (20–25%), and greater resilience in the face of disruptions, whereas traditional approaches exhibited higher error rates and financial losses. It is concluded that AI, despite initial costs and implementation challenges, offers measurable return on investment and competitive advantages. Therefore, gradual adoption is recommended through pilot projects, team training, and technological partnerships.