IA e ativos logísticos: como extrair valor após aquisições

No dia 19/12/2025, a M7 Real Estate anunciou a compra de 31 ativos logísticos urbanos e mid-box em França e no Reino Unido, somando cerca de 2,4 milhões de pés² de área logística em mercados como Manchester, Leeds, Milton Keynes, Paris e Lyon. O recado do mercado é claro: armazéns bem localizados continuam escassos e valiosos, e quem compra escala está a comprar também uma vantagem operacional.

Só que existe um detalhe que muita gente ignora. Aquisição não é sinónimo de eficiência. Um portefólio pode crescer rapidamente em valor financeiro e continuar “analógico” na execução do dia a dia: ocupação irregular, custos energéticos fora de controlo, docas congestionadas, manutenção reativa e pouca visibilidade de nível de serviço.

É aqui que a série “IA no Transporte e Logística” ganha corpo. Quando uma gestora adquire um portefólio deste tamanho — ainda por cima em mercados Tier 1, com procura forte e oferta limitada — a pergunta que interessa a quem opera (e a quem investe) é direta: como usar Inteligência Artificial para transformar metros quadrados em desempenho?

O que esta aquisição diz sobre 2026: “escala” venceu “improviso”

A leitura mais útil do movimento da M7/ESCIP não é imobiliária; é operacional. Comprar ativos urbanos e mid-box em mercados com restrição de oferta significa apostar em estruturas que suportam o que mais cresce na logística europeia: entregas mais rápidas, redes mais distribuídas e inventário mais próximo do consumidor.

E isso tem consequências práticas:

• Mais nós na rede (mais armazéns, mais cross-docks, mais microhubs) aumentam a complexidade de planeamento.
• Mais SKUs e mais variabilidade (picos sazonais, promoções, devoluções) pressionam a capacidade.
• Mais exigência de SLA (mesmo com restrições de mão de obra e custos de energia) obriga a decisões melhores, mais rápidas.

A minha opinião: sem IA, escala vira atrito. Com IA bem aplicada, escala vira vantagem cumulativa.

Por que “urbano e mid-box” é o terreno ideal para IA

Ativos urbanos e mid-box têm características perfeitas para otimização algorítmica:

• Operações com alta rotação e janelas curtas de recebimento/expedição.
• Espaço limitado, exigindo slotting e layout inteligentes.
• Conflitos frequentes entre inbound, picking e outbound.

Em termos simples: quanto mais apertado o sistema, mais valiosa é a otimização.

Onde a IA gera retorno imediato num portefólio recém-adquirido

Quando um portefólio muda de mãos, há sempre um período de integração. A tentação é investir primeiro em “padronização” (processos, contratos, relatórios) e deixar tecnologia para depois. Eu faria o inverso: usar IA como acelerador de padronização.

Aqui estão quatro áreas onde a IA costuma pagar a conta mais cedo.

1) Visibilidade operacional unificada (o “painel único” que não mente)

A primeira vitória é remover cegueira: sistemas diferentes, KPIs inconsistentes e dados que não conversam.

Com IA aplicada a integração e qualidade de dados (incluindo detecção de anomalias), dá para montar uma visão única de:

• Ocupação real vs. ocupação contratada
• Tempo de ciclo por doca e por turno
• Taxa de erros de picking e causas prováveis
• Atrasos recorrentes por transportadora/rota

Resultado prático: decisões deixam de ser baseadas em perceção e passam a ser baseadas em padrões.

2) Previsão de procura + planeamento de capacidade (menos “apagar incêndios”)

Perto do Natal (e especialmente no pós-Natal, com devoluções), os armazéns urbanos sofrem com picos e vales. Em 21/12/2025, muita operação está literalmente no limite.

Modelos de previsão (machine learning) ajudam a:

• Antecipar volume inbound/outbound por dia e por janela horária
• Planejar mão de obra e turnos com mais precisão
• Reservar capacidade para devoluções (reverse logistics) sem colapsar expedição

Uma frase que gosto de usar internamente: capacidade não se “compra” em cima da hora; capacidade se prevê.

3) Otimização de pátio, docas e agendamento (onde o tempo some)

Em ativos urbanos, o gargalo raramente é “falta de armazém”. É falta de fluidez: camiões à espera, docas mal distribuídas, horários desalinhados com equipas.

IA (combinando regras + otimização + previsões) melhora:

• Sequenciamento de docas por tipo de carga e prioridade
• Agendamento dinâmico com penalidades por atrasos
• Rebalanceamento quando há faltas de equipa ou avarias

O efeito cascata é forte: menos espera → mais throughput → menos horas extra → melhor SLA.

4) Eficiência energética e manutenção preditiva (o “ROI silencioso”)

Portefólios grandes costumam ter desperdícios energéticos ocultos: iluminação, HVAC, carregamento de equipamentos, horários e setpoints mal ajustados.

Com IA e dados de sensores/contadores, dá para:

• Ajustar consumo por ocupação e por zonas (zone control)
• Prever falhas de equipamentos críticos (empilhadores, portas rápidas, sistemas de frio quando aplicável)
• Priorizar manutenção pelo impacto operacional, não só pelo calendário

Para quem gere ativos, isto não é detalhe: energia e indisponibilidade de equipamentos afetam diretamente a renda, a experiência do inquilino e a renovação de contratos.

Consolidação no setor: oportunidade real (e risco) para IA

A aquisição citada faz parte de um movimento maior: consolidação e crescimento por portefólio. Isso cria duas realidades.

1. Oportunidade: mais escala significa mais dados e mais “alavancas” para otimizar — transportes, armazenagem, contratos, energia.

2. Risco: mais escala também significa mais heterogeneidade — WMS diferentes, níveis de maturidade distintos, fornecedores múltiplos.

A diferença entre ganhar e perder com consolidação está numa capacidade: orquestração.

IA como “cola” entre ativos, transportes e níveis de serviço

Num portefólio distribuído entre França e Reino Unido, existe valor em sincronizar decisões que antes eram locais:

• Onde posicionar stock (multi-echelon inventory)
• Como repartir volumes por transportadora/rota
• Como ajustar cut-off times e janelas de entrega

Quando isso é feito com IA, o portefólio deixa de ser “31 armazéns” e passa a ser uma rede.

Caso prático (realista): 90 dias para capturar valor com IA

Se eu estivesse a aconselhar uma equipa que acabou de integrar um portefólio como este, eu não começaria com um megaprojeto. Eu começaria com um plano de 90 dias, focado em ganhos que financiam o próximo passo.

Semana 1–4: Diagnóstico e dados

• Inventário de sistemas (WMS/TMS/YMS/ERP) e interfaces
• Definição de 10 KPIs padrão (ex.: OTIF, dock-to-stock, picking accuracy)
• Pipeline de dados com validação e alertas de anomalia

Semana 5–8: Dois “quick wins” operacionais

• Previsão de volume + planeamento de turnos em 2 sites-piloto
• Agendamento inteligente de docas/pátio em 1 site urbano crítico

Semana 9–12: Escala e governança

• Playbook replicável para outros sites
• Rotina semanal de revisão de performance (dados + decisões)
• Treino de equipas: supervisores precisam confiar no sistema

O segredo aqui é simples: pilotar onde dói mais e replicar onde funciona.

Perguntas que líderes de logística devem fazer antes de investir em IA

Para gerar leads de qualidade (e evitar projetos que viram PowerPoint), gosto destas perguntas “sem rodeios”:

1. Qual decisão repetida custa mais dinheiro hoje? (docas, turnos, rotas, stock, energia)
2. Que dados já existem e quem é dono deles?
3. Onde está o gargalo: tecnologia, processo ou pessoas?
4. O resultado será medido em que KPI e em quanto tempo? (30/60/90 dias)
5. Como vamos operacionalizar a recomendação da IA? (workflow, aprovação, exceções)

Se não houver resposta clara para as perguntas 1 e 4, o risco é alto.

O que muda para transporte e última milha quando a infraestrutura cresce

Um portefólio urbano reforçado em mercados como Paris, Lyon e Manchester tende a aproximar stock do consumo. Isso mexe na logística de transporte de duas formas:

• Mais viagens curtas e mais paragens, o que aumenta a necessidade de otimização de rotas e janelas.
• Mais sensibilidade a congestionamento e restrições urbanas, onde modelos preditivos (tráfego, tempos de serviço, probabilidade de falha de entrega) fazem diferença.

IA no transporte e logística, aqui, não é “futuro”. É a forma prática de manter custo por entrega sob controlo quando a rede fica mais densa.

“Aquisição compra espaço. IA compra desempenho.”

Próximo passo: transformar ativos em rede inteligente

A compra de 31 ativos (2,4 milhões de pés²) em mercados europeus com oferta limitada mostra confiança no setor — e pressão para operar bem. Quem investir apenas em tijolo vai competir no preço. Quem investir em IA para otimização logística, visibilidade e planeamento vai competir em serviço e margem.

Se a sua operação está a integrar novos armazéns, a expandir para novos mercados ou a sentir o peso dos picos sazonais (como os de dezembro), o caminho mais seguro é começar pequeno e medir tudo: um piloto com previsão de procura, planeamento de capacidade e otimização de docas/rotas já costuma gerar sinais claros em semanas.

O que você quer que a sua rede seja em 2026: um conjunto de sites ou um sistema inteligente que aprende a cada dia?