Claude for Supply Chain Onde usar e onde não
A promessa é enorme e a base instalada é quase zero. Entre uma coisa e outra existe um trabalho concreto, disponível hoje, que quase ninguém está fazendo. Este texto separa o que já funciona do que ainda não funciona, e diz em que ferramenta cada parte acontece.
A Gartner projeta que o software de gestão de cadeia de suprimentos com capacidade agêntica saia de menos de US$ 2 bilhões em 2025 para US$ 53 bilhões em 2030 (Forecast: SCM Software With Agentic AI, Worldwide, abril de 2026). Do outro lado da conta, o relatório The GenAI Divide, do projeto NANDA no MIT (2025), observou que cerca de 5% dos pilotos de IA generativa aceleram receita. A causa apontada é lacuna de aprendizado e integração malfeita, não a qualidade dos modelos.
Duas barras comparam o gasto mundial com software de cadeia de suprimentos com capacidade agêntica: menos de dois bilhões de dólares em 2025 e cinquenta e três bilhões em 2030, cerca de vinte e seis vezes mais. Ao lado, o dado do MIT: cerca de cinco por cento dos pilotos de IA generativa aceleram receita.
Gasto mundial em SCM com capacidade agêntica
- 2025US$ <2 biBase atual
- 2030US$ 53 biProjeção
26×Em cinco anos
Gartner, abril de 2026
5%
dos pilotos de IA generativa aceleram receita
A maioria estaciona sem impacto no resultado. A causa apontada é lacuna de aprendizado e integração malfeita, não a qualidade dos modelos.
MIT NANDA, The GenAI Divide, 2025
Muito dinheiro chegando, quase nada funcionando ainda. A distância entre as duas leituras é onde este artigo trabalha.
O motor calcula, o modelo interpreta.
É uma regra única e ela decide quase todas as perguntas deste artigo. Onde o resultado precisa ser exato, reprodutível e auditável, quem responde é um motor determinístico. Onde o trabalho é entender contexto, priorizar, explicar e coordenar, quem responde é o modelo de linguagem.
A evidência sobre o limite do modelo é consistente e vale citar sem inflar. Em programação combinatória descrita em linguagem natural, modelos de fronteira e de peso aberto falham em larga medida, e a resposta muda quando a mesma instância é reescrita com outras palavras (SCHEDBench, arXiv 2608.00991). Como solucionadores de otimização, modelos de propósito geral em geral não chegam a uma solução viável, e quando chegam a lacuna de otimalidade é substancial (arXiv 2509.16865). Em planejamento de múltiplos passos a leitura é a mesma, e a recomendação da literatura é delegar o planejamento a módulos externos (PlanBench, 2023).
O argumento mais forte, porém, não vem de benchmark. Vem de reprodutibilidade e auditoria. O mesmo insumo tem que devolver o mesmo número, todas as vezes, e alguém tem que conseguir reconstruir de onde aquele número veio meses depois, diante de um auditor ou de uma reunião de resultado.
A separação abaixo é a aplicação direta dessa regra ao trabalho de planejamento.
Duas colunas. À esquerda, o que o motor calcula: previsão estatística, estoque de segurança, capacidade finita, sequenciamento e MRP com netting e pegging. À direita, o que o modelo interpreta: contexto não estruturado, triagem de exceção, explicação do plano, narrativa e orquestração de rotina.
- Previsão estatística
- Estoque de segurança
- Capacidade finita
- Sequenciamento
- MRP com netting e pegging
- Contexto não estruturado
- Triagem de exceção
- Explicação do plano
- Narrativa
- Orquestração de rotina
A coluna da esquerda exige determinismo. A da direita exige julgamento sobre texto, contexto e prioridade. Misturar as duas é a origem da maior parte dos projetos que não saem do piloto.
Nem toda decisão precisa de raciocínio.
Três perguntas do mesmo ciclo de S&OP, feitas sobre o mesmo item, com uma hora de diferença entre elas. Parecem do mesmo tipo e não são: uma é regra, uma é julgamento e uma é deliberação. Confundir as três é o que faz projeto de IA ficar caro e lento onde devia ser barato, e raso onde devia ter gente.
Três linhas. Na primeira, a pergunta "o estoque está abaixo do ponto de reposição?" passa por uma caixa determinística de regra e devolve sim. Na segunda, "a causa principal é variação de demanda ou atraso de suprimento?" passa por uma caixa de julgamento, do sistema 1, e devolve suprimento com 87% de confiança. Na terceira, "o que levamos para a reunião de S&OP?" passa por uma caixa de deliberação, do sistema 2, e devolve deliberar.
Decisão de S&OP
Clique em uma linha para ver o que ela implica.
A primeira pergunta tem resposta única e verificável: o saldo está abaixo do ponto de reposição ou não está. Isso é regra, roda no motor, custa quase nada e precisa dar o mesmo resultado toda vez. Colocar um modelo de linguagem no meio acrescenta latência, custo e variação em uma conta que já estava resolvida, e ainda abre espaço para uma resposta plausível e errada.
A segunda é classificação. Saber se a causa foi a demanda que subiu ou o fornecedor que atrasou exige olhar erro de previsão, aderência de entrega, consumo contra plano e o que chegou por e-mail, e escolher a explicação dominante. É julgamento rápido sobre evidência que o motor já produziu, e é onde um modelo trabalha bem, desde que devolva a confiança junto da resposta e que uma amostra seja conferida por gente. Não precisa de raciocínio longo: precisa de resposta curta, barata e medida.
A terceira não tem resposta certa. Comprar mais rápido e mais caro, puxar estoque de outro centro, reprogramar a produção ou avisar o cliente são caminhos com custo e consequência comercial diferentes. Aqui o papel do modelo não é escolher: é preparar a escolha. Ele reúne a causa raiz, dispara os cenários no motor, organiza vantagem e desvantagem de cada alternativa e escreve o sumário que a reunião vai discutir. Quem decide é uma pessoa, com nome registrado na ata.
O erro mais caro não é usar IA onde não devia. É usar o tipo errado de IA: raciocínio para o que era regra, regra para o que exigia deliberação, e automação silenciosa onde a decisão precisava de dono.
Do e-mail ao agente autônomo.
Cinco degraus, em ordem de maturidade. Os três primeiros cabem no trabalho de um planejador em uma semana comum. Os dois últimos pedem arquitetura, integração e regra de decisão escrita antes de qualquer automação.
Cinco cards numerados, do nível um ao cinco: conversar, padronizar, materializar, construir e agente autônomo. Cada card traz um ícone, a etiqueta do que produz (prompt, skill, artefato, workflow e agente), um exemplo e um marcador em uma régua que vai de hoje até a fronteira. Os três primeiros níveis estão agrupados como sem TI.
Nenhum nível selecionado. Os três primeiros não dependem de TI.
Nível 01
Conversar
É o degrau de entrada e ele resolve mais do que parece. A lista de exceções do MRP vira um e-mail ao fornecedor pedindo antecipação, com o impacto escrito na linguagem do cliente e não na do sistema. Um texto já pronto passa por revisão de clareza e de gramática antes de sair. A gravação do S&OP vira uma ata separada em decisão, premissa e dono, que é o formato que sobrevive à reunião seguinte.
A piora do MAPE vira uma lista de hipóteses a testar. A preparação da reunião de consenso vira um levantamento das objeções que o comercial vai trazer, escrito antes de entrar na sala. E um tema que o time ainda não domina, uma política de estoque que a empresa nunca usou ou uma norma que passou a valer, vira um resumo do que se sabe, com as perguntas que ficaram em aberto.
Erro típico
Pedir o número. O modelo responde, a resposta parece boa e ninguém consegue refazer a conta depois.
Nível 02
Padronizar
O que funcionou uma vez precisa funcionar toda semana, do mesmo jeito. Um prompt salvo faz a crítica do forecast do comercial contra o baseline estatístico e devolve sempre o mesmo formato. Um playbook por domínio registra a fórmula de referência, os erros comuns e a fronteira entre o que é cálculo e o que é linguagem. Empacotado como skill, esse playbook passa a ser do time e não da pessoa que o escreveu.
Aqui entra uma evidência que muda o desenho do processo. Fildes, Goodwin, Lawrence e Nikolopoulos (International Journal of Forecasting, 2009) mediram o ajuste judicial de previsões por SKU e encontraram empresas em que ele chega a 80% das previsões. Os ajustes para cima melhoram a acurácia com menos frequência que os ajustes para baixo, e são feitos na direção errada mais vezes, o que sugere viés de otimismo.
Conclusão prática
Ajuste positivo exige justificativa escrita, com autor e data. O formato padronizado é o que torna essa exigência sustentável.
Nível 03
Materializar
Neste degrau o resultado deixa de ser texto e vira artefato. De uma vez: o histórico de demanda vira uma página compartilhável, com o gráfico, o padrão que apareceu e a saída de um modelo preditivo, sem entrar na fila do BI. Reutilizável: um simulador de política em que o planejador move o nível de serviço e vê capital e ruptura se moverem juntos; um visualizador de carga-máquina que aceita o arquivo exportado do APS; um comparador de dois cenários de plano mestre.
A diferença para o BI é o tempo verbal. O BI mostra o que aconteceu. O artefato deixa perguntar o que acontece se.
Nuance obrigatória
O artefato pode calcular, desde que a fórmula esteja em código determinístico e revisável. Quem calcula é o código, não o modelo a cada execução.
Nível 04
Construir
O que se constrói neste degrau é automação, e automação é software determinístico. Chega uma mensagem do fornecedor, por e-mail ou por WhatsApp. Um passo de IA lê aquele texto solto e extrai a ordem e a data confirmada. Daí em diante é regra: confere contra a carteira, calcula o desvio, verifica se ele passa do limiar e dispara a notificação para quem precisa agir. De cinco ou seis passos, um ou dois usam o modelo.
É essa proporção que sustenta o resultado. Os passos determinísticos podem ser testados, repetidos e auditados linha a linha, e o passo de IA fica confinado ao que ele faz melhor, que é transformar texto solto em campo estruturado. A ordem também importa. Primeiro o fluxo só lê, conectado ao APS e ao ERP, e a resposta deixa de depender de um arquivo que alguém baixou ontem. Escrever de volta vem depois e com coleira: criar cenário e ajustar parâmetro, sim; alterar o plano oficial sem aprovação registrada, não.
É também aqui que entra o desenvolvimento propriamente dito, que é onde o modelo entrega mais: construir a plataforma, cobrir o motor de cálculo com teste automatizado, migrar uma tela de relatório para uma aplicação de verdade.
Condição
O passo de IA tem a saída validada pelo passo seguinte antes de virar ação, e toda escrita em sistema transacional precisa de aprovação registrada e log. Sem isso, o ganho de velocidade vira risco de integridade.
Nível 05
Agente autônomo
Aqui o modelo deixa de responder quando é chamado e passa a rodar sozinho, decidindo o que merece atenção. Um agente lê a caixa de entrada dos fornecedores, extrai a data confirmada, compara com a data da ordem e abre exceção só onde as duas divergem. Uma triagem percorre as exceções do MRP, ordena por impacto e entrega doze em vez de quatrocentas. Uma rotina de S&OE detecta o desvio, monta a narrativa e propõe o encaminhamento, com um humano aprovando antes de qualquer efeito.
O pré-requisito é a parte que todo mundo pula. A Gartner posiciona decision-centric planning, autonomous planning e agentic AI no Hype Cycle for Supply Chain Planning Technologies de 2026 e argumenta que não se automatiza uma decisão que não foi definida. A maioria dos roteiros está invertida: dá orçamento a agentes antes de escrever quem decide o quê e em que limiar.
Pré-requisito
Autoridade, limiar e log escritos antes do agente. O humano no circuito é a regra, não a exceção: o agente decide o que levantar e o que propor, a aprovação do efeito continua sendo de uma pessoa com nome.
Processo Estruturado ou Objetivo Amplo
Os dois arranjos usam o mesmo modelo e parecem a mesma coisa de fora. A diferença está em quem decide a sequência: no workflow, você; no agente, ele.
Duas colunas. À esquerda, o workflow de IA: cinco passos fixos em ordem, com a IA entrando em um deles, explicar o plano e triar a exceção, e o motor determinístico nos demais. À direita, o agente de IA: um objetivo no topo e um conjunto de ferramentas que ele aciona na ordem que escolher.
AI Workflow
Previsível e repetível
Passos fixos, sempre na mesma ordem. Você decide onde a IA entra.
AI Agent
Ferramentas
Dinâmico, orientado a objetivo
Você dá o objetivo e as ferramentas. Ele escolhe o caminho.
No workflow, a sequência é sua. Você escreve os passos, decide quais são determinísticos e marca os poucos pontos em que o modelo entra. No desenho ao lado é um só, explicar o resultado do cálculo e separar o que virou exceção. O que acontece entre um passo e outro não muda de uma execução para a outra, e é por isso que dá para auditar, medir e corrigir um ponto sem mexer no resto.
No agente, você entrega o objetivo e um conjunto de ferramentas, e ele decide quais usar, em que ordem e quando parar. Ganha flexibilidade diante do caso que você não previu e perde a garantia de que duas execuções iguais produzem o mesmo caminho. Isso não é defeito: é a natureza do arranjo, e exige limite de ação, registro do que foi feito e alguém olhando o resultado.
Em planejamento, a maior parte das rotinas que vale automatizar é repetitiva, tem sequência conhecida e precisa de resultado conferível: fechamento de ciclo, triagem de exceção, preparação de reunião, comunicação com fornecedor. Isso é workflow. O agente entra bem quando o caminho muda a cada caso e o custo de errar o caminho é baixo, como investigar a causa de um desvio ou vasculhar um volume de texto atrás de sinal.
Para supply chain
Na maior parte dos casos, o workflow é o arranjo mais indicado. O plano precisa ser reproduzível, o cálculo precisa ficar no motor e a auditoria precisa saber por onde a decisão passou. Agente autônomo é o degrau seguinte, e ele só se sustenta sobre um workflow que já funciona.
Onde a IA pesa muito, e onde ela pesa pouco.
Oito frentes do planejamento, com o caso descrito e uma medida ao lado: quanto do resultado vem do modelo e quanto vem de cálculo determinístico. A medida é nossa, não é índice de mercado, e serve para uma coisa só, decidir por onde começar.
Tabela de oito frentes do planejamento. Cada linha traz o domínio, onde a IA entra, a descrição do caso e uma barra de intensidade de IA. A intensidade cai de oitenta e cinco por cento em risco de fornecedor até vinte e cinco por cento na programação da produção.
Como ler a barra
- 80% a 100% · IA no centroO resultado é do modelo
- 60% a 79% · HíbridoModelo e motor dividem o trabalho
- 40% a 59% · Motor no centroA IA complementa
- até 39% · Motor quase sozinhoA IA fica na borda
Clique em uma linha para separar o que é do motor e o que é do modelo.
A leitura mais útil da tabela não é linha a linha, é de cima para baixo. No topo estão as frentes em que o trabalho é ler, classificar e escrever, e nelas o modelo é o resultado, não o acessório: risco de fornecedor, captura de contexto para a demanda, diagnóstico de desvio. Quanto mais o problema é texto, mais a intensidade sobe.
Na base está o oposto. Quanto mais o problema é combinatório, com restrição dura e necessidade de dar o mesmo resultado a cada execução, menor o espaço do modelo e maior o do motor. A programação da produção é o caso extremo, e por isso ela fecha a tabela: ninguém aceita uma sequência que muda de uma rodada para outra sem que nada tenha mudado na fábrica.
Intensidade baixa não quer dizer valor baixo. Os vinte e cinco por cento da programação são a explicação da sequência, a restrição que só o programador conhece e a narrativa do replanejamento, que é exatamente onde o processo trava hoje. O erro é tratar a tabela como ranking de prioridade quando ela é mapa de arranjo: cada frente diz qual parte do trabalho entregar ao modelo e qual deixar com o cálculo.
Comece pelas frentes de cima, onde o modelo entrega sozinho, e desça devagar. Nas de baixo, o retorno não vem de substituir o motor, vem de colocar linguagem em volta dele.
A superfície certa é a que já é o ambiente de trabalho da pessoa.
O erro mais comum é tirar o planejador do Excel para levá-lo ao chat. O trabalho de planejamento já tem um lugar onde acontece, e a ferramenta rende mais quando entra nesse lugar em vez de criar outro.
Bloco 1
Onde o analista já trabalha
O chat resolve redação, ata, hipótese e preparação de reunião, que são os níveis 1 e 2 inteiros.
O Claude for Excel é o mais subestimado da lista, porque a planilha é o ambiente real de planejamento na maioria das empresas. Ele faz a crítica do forecast na própria aba, a segmentação ABC/XYZ, a auditoria de parâmetros de item e a checagem de consistência entre lead time e lote mínimo. Sempre com o modelo escrevendo a fórmula e a fórmula calculando. Cobre dos níveis 1 ao 3.
O Claude for PowerPoint entrega o pacote de S&OP e a devolutiva sempre na mesma estrutura. É a skill do nível 2 virando o deck de segunda-feira.
Bloco 2
Quando o trabalho atravessa arquivos e sistemas
Claude Desktop e Cowork são a ponte para automação sem programação. O Desktop transforma a conversa em artefato e em rotina agendada; o Cowork manipula arquivo e conector. Extrair o relatório do ERP, cruzar com a planilha de cobertura, montar o pacote de exceções e deixar o rascunho dos e-mails pronto para revisão. É o nível 5 sem código, com aprovação humana no fim, e é até onde um planejador chega sozinho.
É daí que saem também os artefatos do nível 3: o simulador de política, o visualizador de carga e o comparador de cenário nascem nessa superfície e depois podem ser publicados como página.
O MCP é a peça que deixa o Claude pilotar as outras ferramentas da empresa, como o NPLAN. Ele é infraestrutura, mas quem colhe o resultado é o planejador, que passa a acionar o sistema de planejamento sem sair de onde já trabalha.
Bloco 3
Quem constrói
Claude Code é a superfície de plataforma, motor, integração e BI virando aplicação. Nível 4, com TI e produto.
Claude API e Agent SDK sustentam workflow e agente em produção, nos níveis 4 e 5.
Claude Design tem pouca aplicabilidade específica aqui: serve à comunicação do planejamento e não ao planejamento.
Os níveis 1 a 3 cabem inteiros nos blocos 1 e 2, que não exigem TI. Só os níveis 4 e 5 precisam do bloco 3.
Matriz com as superfícies do Claude nas linhas, cada uma com seu ícone, um exemplo de uso e a exigência de quem opera. As linhas vão da exigência mais baixa para a mais alta. Uma faixa superior separa as superfícies que o planejador usa sozinho das que exigem engenharia.
Claude (chat)
Redação, ata e preparação de reunião
Básico
Claude for PowerPoint
Pacote de S&OP sempre na mesma estrutura
Básico
Claude for Excel
Crítica de forecast e auditoria de parâmetro na própria aba
Intermediário
Claude Desktop
Simulador de política como artefato, em rotina agendada
Intermediário
Cowork
Cruza arquivos e conectores para montar o pacote de exceções
Intermediário
MCP
Pilota outras ferramentas pelo Claude, como o NPLAN
Intermediário
Claude Code
Plataforma, motor e BI virando aplicação
Avançado
Claude API e Agent SDK
Workflow e agente em produção
Avançado
Claude Design fica fora da matriz de propósito: serve à comunicação do planejamento e não ao planejamento.
O menor modelo que resolve a tarefa.
Depois da superfície vem o modelo. O Claude tem quatro famílias, e elas trocam velocidade por capacidade. Um modelo maior pensa mais antes de responder, acerta mais em problema difícil e custa mais por chamada. Um modelo menor responde quase na hora e dá conta de tarefa bem definida.
A pergunta certa não é qual modelo é o melhor, e sim qual é o menor que resolve a tarefa com a qualidade necessária. Classificar uma ocorrência de ruptura não pede o mesmo modelo que escrever um relatório de decisão.
Latência importa quando há uma pessoa esperando a resposta: uma tela que reage enquanto se digita, um assistente no meio de uma reunião de S&OP. Capacidade importa quando o erro custa caro e a tarefa tem muitas restrições. Em rotina de volume, o custo por chamada pesa mais do que tudo.
Nenhum dos quatro roda MRP, estoque de segurança ou capacidade finita. Trocar por um modelo maior não muda isso: o cálculo continua no motor, e o modelo continua na camada.
Tabela com os quatro modelos do Claude nas colunas, do Haiku ao Fable. Para cada um, três medidores de cinco quadrados mostram velocidade, capacidade e custo relativo, seguidos de melhor uso, dois exemplos em supply chain e quando não usar. A velocidade cai e a capacidade e o custo sobem da esquerda para a direita.
- HaikuClaude Haiku 5.5
claude-haiku-5-5Resposta imediata em volume- Velocidade
- Capacidade
- Custo por chamada
Melhor usado para
Classificar, extrair, resumir e rotear em volume, com resposta quase na hora. Também serve de subagente ao lado de um modelo maior.
Exemplo em supply chain
- Classificar o motivo de cada ocorrência de ruptura em milhares de registros
- Ler o pedido enquanto a pessoa digita e marcar os sinais de Build ou Buy
Evite quando
A tarefa exige juntar muitas restrições ou escrever uma análise longa.
- SonnetClaude Sonnet 5.5
claude-sonnet-5-5O trabalho do dia a dia- Velocidade
- Capacidade
- Custo por chamada
Melhor usado para
Análise, redação, código e agentes com ferramentas, com bom equilíbrio entre qualidade e tempo.
Exemplo em supply chain
- Crítica do forecast na planilha, item a item, com a justificativa de cada ajuste
- Agente que consulta o APS via MCP e monta o pacote de exceções do S&OP
Evite quando
A pessoa precisa da resposta em menos de um segundo, ou o problema é dos mais difíceis.
- OpusClaude Opus 5.5
claude-opus-5-5Raciocínio difícil e documento longo- Velocidade
- Capacidade
- Custo por chamada
Melhor usado para
Problema com muitas restrições, leitura de documentos longos e texto em que o erro custa caro.
Exemplo em supply chain
- Relatório de decisão Build or Buy a partir do cálculo do motor, como no diagnóstico deste site
- Confrontar contratos de fornecimento com a política de compras e apontar divergências
Evite quando
Há uma pessoa esperando na tela, ou a tarefa é simples e se repete em volume.
- FableClaude Fable 5.1
claude-fable-5-1O mais capaz, para trabalho longo- Velocidade
- Capacidade
- Custo por chamada
Melhor usado para
Tarefa longa e autônoma, de horas, em que vale pagar mais para errar menos.
Exemplo em supply chain
- Agente que constrói e testa a integração entre ERP e plataforma de planejamento
- Investigação de causa raiz que cruza dados de vários sistemas e propõe correções
Evite quando
Qualquer uso interativo ou de volume. É modelo de trabalho pesado, não de conversa rápida.
Os medidores comparam os quatro modelos entre si e não são medições. Velocidade e custo reais dependem do tamanho do texto e do esforço configurado. Versões vigentes em outubro de 2026: confira os nomes atuais na documentação da Anthropic antes de usar.
Regra práticaComece pelo menor modelo que parece dar conta. Suba de família só quando medir, em casos reais, que falta qualidade.
O que o modelo não deve fazer.
Exemplos claros de uso a evitar. Todos saem da mesma regra: o motor calcula, o modelo interpreta.
Cards de restrição: rodar previsão estatística no chat, calcular estoque de segurança ou cobertura, resolver capacidade finita e sequenciamento, rodar MRP, deixar o modelo sugerir ajuste de previsão sem justificativa registrada e deixar uma decisão autônoma cara sem responsável.
- 01Rodar a previsão estatística dentro do chatReprodutibilidade.
- 02Calcular estoque de segurança ou coberturaÉ fórmula, e fórmula mora em código.
- 03Resolver capacidade finita e sequenciamentoÉ a falha mais documentada, inclusive na instabilidade da resposta a reformulações do mesmo enunciado.
- 04Rodar MRPNetting e pegging exigem exatidão, não plausibilidade.
- 05Deixar o modelo sugerir ajuste de previsão sem justificativa registradaAutomatiza o viés que a literatura mediu.
- 06Decisão autônoma cara sem responsávelAutoridade, limite e log antes do agente.
Quem calcula e quem interpreta
A fronteira que importa separa quem calcula de quem interpreta. Ela não opõe IA e algoritmo: os dois trabalham no mesmo plano, em funções distintas.
Os níveis 1 a 3 estão disponíveis hoje, custam horas de trabalho e é neles que está quase todo o valor ainda não capturado. Os níveis 4 e 5 são reais e chegam, mas pedem arquitetura e governança antes de entusiasmo.
A formação
Os cinco níveis são o eixo da formação.Fontes e leituras que embasam este artigo
Na ordem em que os temas aparecem no texto. Onde o material é de acesso público, o endereço está indicado.
- 01
Gartner. Forecast: SCM Software With Agentic AI, Worldwide, 2026.
gartner.com
Usada em: Abertura
- 02
Gartner. Hype Cycle for Supply Chain Planning Technologies, 2026.
gartner.com
Usada em: Nível 5
- 03
MIT NANDA. The GenAI Divide: State of AI in Business, 2025.
Usada em: Abertura
- 04
Fildes, Robert; Goodwin, Paul; Lawrence, Michael; Nikolopoulos, Konstantinos. Effective forecasting and judgmental adjustments: an empirical evaluation and strategies for improvement in supply-chain planning. International Journal of Forecasting, 2009.
Usada em: Nível 2
- 05
Valmeekam, Karthik; Marquez, Matthew; Olmo, Alberto; Sreedharan, Sarath; Kambhampati, Subbarao. PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change, 2023.
Usada em: A linha que atravessa tudo
- 06
SCHEDBench. Avaliação de modelos de linguagem em programação combinatória descrita em linguagem natural.
Usada em: A linha que atravessa tudo; Onde não usar
- 07
arXiv. LLMs as End-to-end Combinatorial Optimization Solvers.
Usada em: A linha que atravessa tudo
As leituras aplicadas a supply chain planning são nossas. Erro de interpretação, se houver, é nosso e não da fonte.