E se contar 200 caixas numa palete demorasse 3 segundos em vez de 10 minutos? É essa a promessa do reconhecimento de imagens com IA aplicado ao inventário. Aponta-se a câmara, tira-se uma foto e um modelo treinado com milhões de objetos devolve uma contagem com uma sobreposição visual que mostra exatamente o que detetou.
Parece futurista, mas a tecnologia já funciona em armazéns, lojas e estaleiros. A diferença entre o desempenho da contagem manual e o da contagem assistida por IA é maior do que a maioria das equipas de operações imagina.
O mercado de rastreamento de inventário por visão computacional cresce a uma taxa anual de cerca de 18% (CAGR) e deverá atingir 14 a 16 mil milhões de dólares até 2033, impulsionado pela procura do comércio eletrónico e pelos avanços em deep learning.
O verdadeiro custo de contar à mão
A contagem manual tem sido o método padrão nos armazéns há décadas e as suas fraquezas estão bem documentadas. Um operador humano a contar a velocidade normal atinge cerca de 91% de precisão, ou seja, aproximadamente um erro por cada 10 artigos. Se somarmos a introdução dos dados numa folha de cálculo, a taxa de erro sobe mais 1 a 3 por cento.
Para além dos erros, o custo em tempo é pesado. Uma contagem completa de armazém pode demorar 16 a 20 horas e geralmente exige a paragem das operações durante um dia inteiro. Mesmo os ciclos de contagem parciais consomem 5 a 10 horas semanais em mão de obra, o que representa cerca de 500 a 1.000 dólares por mês por localização só em trabalho. Para uma pequena ou média empresa, é dinheiro real investido numa tarefa que todos receiam.
Se ainda dependes de contagens anuais completas, o nosso guia de contagem cíclica explica como adotar uma cadência menos penosa. Mas mesmo as contagens cíclicas têm um limite quando cada unidade é contada à mão.
Como o reconhecimento de imagens conta o stock
De forma geral, o processo é simples. Uma câmara, seja um smartphone, uma câmara fixa na prateleira ou um drone, captura uma imagem dos artigos. Um modelo de deep learning analisa a foto, deteta cada objeto individual e devolve um total acompanhado de uma sobreposição visual que assinala cada artigo encontrado.
A maioria dos sistemas atuais utiliza arquiteturas de deteção de objetos como o YOLO (You Only Look Once), capaz de identificar e localizar objetos numa única passagem pela imagem. Um estudo de 2026 publicado na Multimedia Tools and Applications da Springer demonstrou que um modelo YOLOv11 afinado atingiu 97% de precisão de contagem em condições de armazém, incluindo cenários difíceis como imagens de CCTV de baixa resolução e rolos de tecido branco difíceis de distinguir.
A vantagem não é apenas a velocidade, mas a verificabilidade. Uma contagem baseada em fotos produz provas: podes ver o que o modelo detetou, verificar o seu trabalho e comparar resultados ao longo do tempo. Uma contagem manual produz um número numa prancheta. O nosso artigo sobre como o machine learning transformou a leitura de códigos de barras abordava uma mudança semelhante: a passagem de processos dependentes de hardware para inteligência de software que melhora a cada atualização.
Onde as equipas o utilizam hoje
A plataforma de digitalização com IA da Vimaan captura dados de inventário em menos de 20 segundos por localização. Os clientes reportam contagens cíclicas 40 vezes mais rápidas do que os métodos manuais, com poupanças de 150.000 a 200.000 dólares por ano em mão de obra reduzida e envios errados evitados (Vimaan).
A Southern Glazer's Wine and Spirits implementou mais de 40 drones Corvus One em nove centros de distribuição. Os drones completaram 5.000 voos, identificaram mais de 35.000 discrepâncias verificadas e libertaram 60 a 70 horas de trabalho por semana por localização. A operação passou de contagens trimestrais para ciclos quinzenais (Dronelife, março 2026).
A Focal Systems instala câmaras na borda da prateleira em cadeias de alimentação e retalho, digitalizando 200 milhões de produtos por dia com mais de 95% de precisão e detetando quase um milhão de eventos de rutura de stock diariamente. A Walmart Canadá expandiu o sistema para as lojas a nível nacional após pilotos bem-sucedidos (Focal Systems).
Os fabricantes de tubos usam IA para contar extremidades de tubos em camiões e em feixes, substituindo as contagens manuais morosas. Os estaleiros de construção rastreiam madeira, varões de aço e materiais empilhados com modelos de deteção de objetos treinados em formas específicas (Intelgic; MDPI Buildings, 2024).
O que funciona e o que não funciona
A contagem com IA destaca-se em condições específicas: um único tipo de objeto, iluminação razoável e artigos visíveis a partir do ângulo da câmara. Uma palete de caixas idênticas, uma prateleira de garrafas, um rack de tubos ou uma fila de cartões são alvos ideais.
Mas a tecnologia tem limites claros. A oclusão, quando os artigos estão escondidos atrás ou por baixo de outros, é o maior desafio. Um estudo de 2025 da Universidade de Adelaide concluiu que os modelos atuais têm dificuldade quando os objetos estão parcialmente ocultos, porque a rede codifica a superfície que obstrui em vez do alvo. Em termos práticos: se 30% das caixas de uma palete estão bloqueadas à vista, a contagem ficará abaixo do real.
Outros desafios reais incluem pilhas mistas com vários tipos de objetos, cenas densas com forte sobreposição e ângulos ou iluminação variáveis que quebram as assunções do modelo. Quando as equipas não conseguem verificar porque é que um número foi produzido, voltam às verificações manuais e a ferramenta adiciona fricção em vez de a remover.
A conclusão honesta: a contagem com IA é uma poderosa ferramenta de verificação pontual e um substituto crescente das contagens de rotina em condições controladas. Não é um substituto universal para todos os cenários de contagem, pelo menos por enquanto.
Uma forma gratuita de experimentar
Se queres ver como funciona a contagem baseada em imagens antes de te comprometeres com uma plataforma, o ZapCount é uma ferramenta gratuita baseada na web que conta objetos a partir de uma única foto. Carrega uma imagem e a IA deteta e conta os objetos mais proeminentes da cena, devolvendo um total com uma sobreposição visual que assinala cada artigo detetado. Sem configuração, sem conta, resultados em segundos.
Funciona melhor com um tipo de objeto de cada vez (caixas, garrafas, tubos, paletes) e lida com até cerca de 900 objetos por imagem. Os artigos ocultos ou fortemente tapados podem não ser detetados, o que é consistente com as limitações de qualquer sistema baseado em visão. Mas para uma verificação rápida em armazém ou uma contagem em estaleiro, é uma forma prática de testar se a contagem por imagem se adapta ao teu fluxo de trabalho.
Começa com uma foto
Não precisas de reformular todo o teu processo de contagem para testar isto. Tira uma foto a uma palete, uma prateleira ou uma pilha hoje. Passa-a por uma ferramenta de contagem com IA e compara o resultado com uma contagem manual. Esse único teste vai dizer-te mais sobre onde esta tecnologia se encaixa na tua operação do que qualquer previsão de mercado.
A tecnologia não é perfeita, mas para os casos de uso certos transforma uma tarefa de 10 minutos numa tarefa de 3 segundos com um recibo fotográfico. Vale a pena um teste.