Numa entrega ou numa devolução é preciso criar etiquetas, guias de remessa e, por vezes, documentos aduaneiros. Isso acontece com base em dados que já estão algures no sistema: morada, peso, conteúdo, destino. A questão é se a IA consegue assumir esse processo, e que parte das horas de um colaborador de processamento de encomendas ou de um funcionário de logística isso liberta.
A resposta é sim, com uma ressalva. Esta é uma das tarefas para as quais nem sequer são necessários os modelos de IA mais recentes: a automação robótica de processos (RPA) basta, e muitas empresas já operam desta forma.
Três eixos são decisivos: grau de estruturação, volume e margem de apreciação.
O grau de estruturação obtém uma pontuação de 5. Uma etiqueta de envio segue um formato fixo, uma guia de remessa segue um formato fixo, um documento aduaneiro segue um formato fixo prescrito pela própria alfândega. Não é necessária qualquer interpretação sobre o que deve constar no documento — isso está definido no modelo e nos dados de entrada.
O volume também obtém uma pontuação de 5. Esta não é uma tarefa que ocorre algumas vezes por semana; numa empresa com alguma dimensão, trata-se de dezenas a milhares de envios por dia. Quanto maior o volume, maior o ganho de tempo por passo automatizado, e mais rapidamente o investimento em integrações se paga a si próprio.
A margem de apreciação obtém uma pontuação de 5, o que aqui é favorável: há pouco a ponderar. O sistema conhece o peso, o destino e o tipo de envio, e daí resulta mecanicamente que documento é gerado com que conteúdo. Não há situação em que o colaborador tenha de avaliar qual é o melhor documento — essa questão não existe.
A criatividade obtém uma pontuação de 5, o que neste caso significa que não é necessária qualquer criatividade — aqui isso é uma vantagem, não uma desvantagem. O contacto com clientes obtém uma pontuação de 4: normalmente não há contacto direto na criação destes documentos, embora uma alteração de morada possa chegar através de uma pergunta de um cliente, o que faz com que esta tarefa toque no que também acontece em verificar e comunicar o estado da encomenda.
O aspeto físico obtém uma pontuação de 3, e é essa a razão pela qual isto não é totalmente uma tarefa de escritório: uma etiqueta tem de ser, no fim, colada numa caixa, e isso continua a ser trabalho humano, ou trabalho para outro tipo de automatismo que não a IA. A geração do documento em si é digital; a colocação não.
Os custos de erro e a conformidade obtêm ambos uma pontuação de 3, e isso merece atenção. Uma morada errada numa guia de remessa custa uma devolução. Um documento aduaneiro incorreto pode fazer com que um envio fique retido na fronteira, com multas ou atrasos como consequência. Não é um risco catastrófico como no relato financeiro — daí a pontuação intermédia — mas também não é irrelevante. É por isso que a condição associada a esta tarefa não é dispensável: a geração de documentos é apenas tão boa quanto os dados em que se baseia.
Uma loja online que apenas envia a nível nacional com uma única integração fixa com um parceiro de envio pode, hoje, fazer gerar isto praticamente na totalidade: morada a partir do sistema de encomendas, peso a partir do WMS, etiqueta criada automaticamente assim que a encomenda é embalada. O colaborador verifica por amostragem, não linha a linha.
Uma empresa que envia internacionalmente, com regras aduaneiras variáveis por país e produtos que se enquadram em diferentes códigos HS, tem um cenário mais complicado. Os documentos base ainda podem ser gerados automaticamente, mas a classificação de produtos para fins aduaneiros exige por vezes uma verificação adicional que não pode simplesmente ser entregue a um script. Aí a tarefa desloca-se de "a IA consegue assumi-la" para "parcialmente, com supervisão humana que aprova ou rejeita com fundamento" — precisamente a categoria intermédia que ocorre com mais frequência em fluxos de envio mais complexos do que em fluxos simples.
Duas condições não são opcionais. A primeira é uma integração com o parceiro de envio: sem uma ligação por API entre o sistema próprio e o da transportadora, alguém continua a ter de reescrever dados manualmente, e nesse caso ganha-se pouco. A segunda são dados de morada corretos à entrada. Se uma encomenda já entrar no sistema com uma morada errada — algo relacionado com a forma como essa encomenda foi introduzida, como se vê em introduzir encomendas no sistema —, então a geração de documentos produz infalivelmente um documento errado. A qualidade deste passo depende, portanto, em parte de passos que o precedem, tal como a qualidade da comunicação com o cliente depende do quão atualizados estão os dados do cliente no CRM.
Para um colaborador de processamento de encomendas ou um funcionário de logística em cuja função a geração de documentos representa uma parte substancial das tarefas, esta é uma das tarefas em que, já hoje, uma grande parte das horas pode ser libertada — não na mesma medida em todas as empresas, e não sem ter as integrações mencionadas devidamente implementadas. Em empresas com envios internacionais, essa parcela é menor, porque o controlo de conformidade sobre os documentos continua a ser trabalho humano.
O que isso significa para uma função ou para o quadro de pessoal não é uma pergunta a que esta página responda: quais os requisitos legais aplicáveis a decisões relativas ao pessoal é algo que cabe à entidade empregadora verificar.
Para ver como isto se aplica ao seu próprio processo de encomendas, está disponível um quickscan gratuito: doze perguntas, sem necessidade de conta, com uma indicação de que parte das horas neste perfil pode, hoje, ser assumida pela IA. O scan de trabalho completo, que decompõe o trabalho de uma empresa inteira tarefa a tarefa, está ainda em construção.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.