Design e implementação em escala de gêmeos digitais de supply chain: um estudo de caso na Ford Motor Company e generalizações

1. Introdução

Um gêmeo digital de cadeia de suprimentos (SCDT) é um fenômeno multifacetado que abrange perspectivas organizacionais, tecnológicas, analíticas e gerenciais. Definições de SCDT na literatura enfatizam suas diversas aplicações e bases tecnológicas. Segundo Ivanov [1], um gêmeo digital da cadeia de suprimentos é “um sistema virtual composto por (i) uma visualização digital de uma cadeia de suprimentos física e seus elementos (por exemplo, empresas, fluxos, produtos) em um modelo computacional, (ii) tecnologias digitais que fornecem dados sobre o objeto físico (por exemplo, sensores, blockchain, nuvens) e (iii) análises descritivas, preditivas e prescritivas para suporte à tomada de decisão”.

Van der Valk et al [2] referem-se a “uma solução para melhor visualização e compreensão das cadeias de suprimentos e uma oportunidade para análise, simulação e otimização adicionais”. Tozanli e Saenz [3] destacam “uma combinação de múltiplas tecnologias habilitadoras, como sensores, computação em nuvem, IA, análises avançadas, simulação, visualização e realidade aumentada e virtual”. Ivanov e Dolgui [4] definem gêmeos digitais como “modelos computadorizados que representam o estado da rede em qualquer momento no tempo”.

Do ponto de vista prático, Le e Fan [5], em sua pesquisa sobre gêmeos digitais em cadeias de suprimentos e logística, adotaram a definição fornecida pela IBM: “Um gêmeo digital é uma representação virtual de um objeto ou sistema que abrange seu ciclo de vida, é atualizado com dados em tempo real e utiliza simulação, aprendizado de máquina e raciocínio para auxiliar a tomada de decisão” [6]. A definição da Gartner para gêmeo digital de cadeia de suprimentos é “uma representação digital da cadeia de suprimentos física que pode ser usada para criar planos e tomar decisões” [7]. SCDTs podem viabilizar visibilidade de ponta a ponta, planejamento de cenários e análises “e se”, gestão de riscos e testes de resiliência, além de colaboração aprimorada entre parceiros da cadeia de suprimentos. Por exemplo, a Catena-X cria uma solução descentralizada para compartilhamento de dados na indústria automotiva. A troca de dados é essencial para o sucesso dessa rede. Para esse fim, a Catena-X fornece vários métodos, ferramentas e padrões para garantir interoperabilidade semântica. Os gêmeos digitais consolidaram-se na Catena-X como um elemento central para estruturar e acessar dados [8].

Diversos frameworks de gêmeos digitais foram relatados na literatura. Um framework de gêmeo digital proposto por Freese e Ludwig [9] é composto por escopo, ator, ativo, fluxo como referência de objeto, medição de desempenho e processo como elementos principais de SCDT. Ivanov [1] conceitualizou um framework de 7 elementos de SCDT, abrangendo tecnologia, pessoas, gestão, organização, escopo, tarefa e áreas de modelagem. O framework também distingue cinco camadas principais de gêmeos digitais em cadeias de suprimentos, isto é, produto, processo, organização, rede e rede de redes, e conclui que um gêmeo digital é muito mais do que apenas um modelo de simulação ou uma representação virtual de um objeto.

Em um nível mais granular, características de gêmeos digitais derivadas de estudos de Sharma et al [10], Badakhsan e Ball [11], Ivanov [12], Ashraf et al [13], Cimino et al [14] e Li et al [15] enfatizam sua adaptabilidade, interface humano-IA, suporte à tomada de decisão baseada em modelos e perspectivas tecnológicas e organizacionais dos SCDTs, com aplicações para previsões de interrupções e integração de fluxos materiais, informacionais e financeiros. Sharma et al [10] detalham os componentes tecnológicos de um gêmeo digital. Eles distinguem componentes elementares (um ativo físico, por exemplo, um produto; um ativo digital, o componente virtual; e fluxos de informação entre o ativo físico e digital) e componentes imperativos (dispositivos de Internet das Coisas (IoT), dados, aprendizado de máquina, segurança de dados e fluxo de informações entre diversos componentes, e avaliação de desempenho).

Em resumo, gêmeos digitais podem ajudar a melhorar visibilidade, transparência, colaboração, integração, modelagem, coordenação, interação, raciocínio, ubiquidade, sincronização e rastreabilidade [16–21]. Suas aplicações variam desde monitoramento básico de processos, como rastreamento da localização de contêineres, até funções mais avançadas, como desenvolvimento de novos princípios de gestão baseados em agentes, fundamentados em visibilidade de ponta a ponta e colaboração digital [22–25]. Esses avanços são valiosos para gerenciar cadeias de suprimentos complexas, multiestágios e omnichannel, onde a visibilidade é frequentemente limitada e as empresas podem não ter conhecimento de fornecedores upstream ou estruturas de logística de última milha. Nesses cenários, gêmeos digitais fornecem insights críticos ao analisar a estrutura das redes físicas de cadeia de suprimentos por meio de dados em nuvem [26–28].

Gêmeos digitais utilizam dados para criar modelos analíticos precisos, fornecer insights gerenciais e análises de desempenho em tempo real e permitir análises preditivas para decisões mais informadas [29,30]. Além disso, a integração de análises avançadas e inteligência artificial (IA) em SCDTs aumenta sua funcionalidade e eficácia [12,31,32].

Com base na análise das definições e perspectivas descritas acima, propomos nossa própria definição de SCDT:
Um gêmeo digital de cadeia de suprimentos é uma representação virtual dinâmica de uma cadeia de suprimentos física que reflete sua estrutura, comportamento e processos, com dados atualizados com frequência suficiente para serem adequados ao suporte à tomada de decisão em nível de sistema. Ele integra (i) sistemas de informação, (ii) tecnologias digitais em tempo real, como sensores IoT, computação em nuvem e blockchain, e (iii) ferramentas de análise de cadeia de suprimentos, como inteligência artificial, simulação e otimização avançada — com fluxos contínuos de dados para modelar, monitorar, analisar e otimizar operações da cadeia de suprimentos em múltiplas camadas (por exemplo, produto, processo, organização, rede e rede de redes). Mais do que simulação estática, ele suporta tomada de decisão descritiva, preditiva e prescritiva ao permitir visibilidade em tempo real, planejamento de cenários, otimização e simulação interativas, avaliação de risco baseada em texto e dados, raciocínio, ubiquidade, sincronização e colaboração de ponta a ponta. Seus principais componentes incluem ativos digitais e físicos, fluxos de informação, métricas de desempenho e interfaces humano-IA, integrados a um arcabouço tecnológico-organizacional que abrange o ciclo de vida da cadeia de suprimentos.

Embora os benefícios dos gêmeos digitais na cadeia de suprimentos sejam amplamente reconhecidos e compreendidos, o problema do design e da adaptação desses gêmeos permanece pouco explorado [9,33]. Novas tecnologias digitais, como Blockchain, 5G, IA generativa, IoT, sensores, realidade aumentada e virtual (AR/VR), cobots, análise de dados e portais de colaboração com fornecedores (por exemplo, CatenaX e SupplyOn) proporcionam um novo nível de acessibilidade de dados e capacidades de processamento [34], Holwarth et al. 2022, [8,35]. Softwares existentes, como advanced planning and scheduling (APS), warehouse management systems (WMS) e transportation management systems (TMS), automatizaram grandes partes da cadeia de suprimentos na última década, agilizando de forma significativa a integração entre fornecedores, compradores e transportadores. No entanto, a integração de sistemas nem sempre se traduziu automaticamente em gêmeos digitais. A Tabela 1 resume alguns dos frameworks existentes de SCDT e como nosso estudo contribui para o campo.

Apesar do progresso visível e da crescente importância dos SCDTs, a literatura carece de estudos que revelem princípios metodológicos generalizáveis para seu design e implementação [1,23,27,36–38].

Nosso estudo pretende preencher essa lacuna de pesquisa. Nossas contribuições são três. Primeiro, com base em um estudo de caso na Ford Motor Company, propomos um framework generalizado de três camadas para o design de SCDT. As camadas são intrafirma, rede Tier-1 e rede de níveis profundos, classificadas com base na visibilidade dos dados. Comparado a outros frameworks de SCDT existentes, o proposto neste artigo, até onde sabemos, é o primeiro a considerar a granularidade da visibilidade como determinante de classificação. Mostramos como gêmeos digitais podem ajudar a melhorar a conformidade de fornecedores, prever interrupções em fornecedores, melhorar a disponibilidade de contêineres (logística) e a qualidade dos dados. Segundo, propomos frameworks generalizados de implementação de SCDT compostos por duas dimensões, isto é, escala de implementação e escopo de implementação. Terceiro, fornecemos nossa definição de SCDT, entendendo-o como um integrador de dados, tecnologia digital, gestão e análise. Além disso, ampliamos o entendimento dos SCDTs de réplicas digitais de fluxos físicos de materiais para um modelo de gestão da cadeia de suprimentos.

A estrutura deste artigo é a seguinte. Na seção 2, detalhamos a abordagem da Ford para o design de SCDT e a generalizamos em um framework de design. A seção 3 é dedicada à estratégia de implementação da Ford e apresenta frameworks de implementação generalizados. As seções 4 e 5 resumem os principais insights e discutem desafios atuais e futuros no desenvolvimento de SCDTs e em suas aplicações.

2. Framework de três camadas de um gêmeo digital de cadeia de suprimentos

2.1. A cadeia de suprimentos da Ford

A cadeia de suprimentos da Ford representa uma rede complexa de fornecedores multiestágios, fábricas de montagem e varejistas. A Ford opera tanto uma cadeia de suprimentos convencional de OEM quanto desenvolve investimentos diretos na produção de baterias e parcerias logísticas para veículos elétricos [39]. Em um nível mais granular, existem três cadeias de suprimentos distintas na Ford: produção, peças de reposição e redes de MRO (manutenção, reparo e operações), conforme mostrado na Fig. 1.

Sem perda de generalidade e ciente de algumas interseções entre as cadeias mencionadas, focamos neste estudo a cadeia de suprimentos de produção e sua parte a montante. O fluxo de material a montante é composto por rede de níveis profundos, fornecedores globais Tier-1, parceiros de bateria e complexos regionais de manufatura da Ford (isto é, motores, montagem, transmissão, estampagem). Mais de 1.500 fornecedores Tier-1 entregam módulos de trem de força, sensores/software, transmissões, assentos e eletrônica para as fábricas. As fábricas de montagem, motores, estampagem e transmissão estão localizadas em diferentes continentes. A parte a jusante consiste em centros regionais de distribuição, rede de concessionários/frotas e clientes. Neste artigo, restringimo-nos à cadeia de suprimentos a montante.

Tendo uma das cadeias de suprimentos mais complexas da indústria automotiva, a Ford trabalha continuamente em sua melhoria diante de múltiplos desafios, incluindo, mas não se limitando a, interrupções na cadeia de suprimentos (por exemplo, desastres naturais, instabilidade geopolítica, pandemias), visibilidade limitada na base de fornecedores de níveis profundos, dificuldades em prever demanda, transporte premium caro e múltiplas restrições frequentemente conflitantes. Portanto, um SCDT é visto como uma direção promissora para alcançar melhorias nessas áreas.

2.2. Design do gêmeo digital de cadeia de suprimentos na Ford Motor Company

Nesta seção, consideramos um conceito para um SCDT desenvolvido na Ford Motor Company. Em seguida, generalizamos os insights do estudo de caso em um framework apoiado pela literatura existente, seguindo as diretrizes propostas por Ketokivi e Choi [41] e Onaji et al [42] para pesquisa baseada em estudo de caso. A Fig. 2 ilustra o design do SCDT da Ford.

O design do SCDT da Ford é composto por três camadas principais: cadeia de suprimentos intrafirma, rede Tier-1 e rede de níveis profundos. Essa classificação baseia-se no grau de visibilidade dos dados, nos requisitos de atualização e granularidade dos dados para a tomada de decisão e na complexidade do design do gêmeo digital.

2.2.1. Camada intrafirma

O nível intrafirma é caracterizado por alta visibilidade e total controle das operações. A área de foco do desenvolvimento do SCDT intrafirma é aumentar a eficiência operacional e fornecer otimização em nível de sistema, rompendo silos e criando uma cadeia de suprimentos adaptativa e coordenada, orientada por dados, por meio da sincronização do fluxo de materiais, do fluxo de informações, do fluxo financeiro e dos processos de negócios.

Um ponto de partida natural para o desenvolvimento de gêmeos digitais é a rede de fluxo de materiais intrafirma e seu estado atual. Os dados para esse modelo estão prontamente disponíveis em um sistema corporativo MRP/ERP. Essa rede inicial, de alto nível, fornece uma poderosa abstração da função central da cadeia de suprimentos: equilibrar oferta e demanda. Ela é imediatamente útil para comparar o status real do fluxo de materiais com a demanda, identificando rapidamente possíveis faltas ou janelas de entrega perdidas e analisando seu impacto a jusante. Também permite projetar a demanda futura a montante por meio da rede, ajudando a analisar como flutuações podem afetar a capacidade disponível de logística, manufatura e fornecedores.

Para aprimorar ainda mais o gêmeo digital intrafirma, o próximo passo envolve alinhar os fluxos de materiais e informações com o fluxo financeiro. Essa integração possibilita comparar os resultados financeiros reais com previsões e orçamentos, explicando possíveis variações. Ela permite separar custos decorrentes de ações operacionais controláveis daqueles influenciados por fatores econômicos incontroláveis. Esse alinhamento também facilita a identificação precoce de problemas de desempenho na rede e evidencia onde ajustes nas previsões são necessários. O objetivo é gerar insights acionáveis, entregues em linguagem comum e consistente, vinculados aos períodos regulares de reporte financeiro. Um gêmeo digital construído dessa forma oferece suporte a análises detalhadas baseadas em direcionadores de custos e previsões, sendo muito útil para o planejamento de cenários. Crucialmente, suas previsões são mais precisas e atualizadas do que métodos de orçamentação estática ou previsões simples baseadas em séries temporais.

O alinhamento necessário entre fluxos de materiais, informações e financeiros exige uma representação mais granular do que a fornecida apenas pela rede inicial. O custo da rede básica de transporte inclui modos de transporte origem-destino, rotas e tarifas de transportadoras, sobretaxas de combustível, taxas de conversão de moeda, tarifas, bem como eficiência de carregamento.

Além do custo base, as despesas de transporte incluem custos de expedição e prêmios, como transporte aéreo versus transporte regular por navio, caminhão ou trem, bem como desvios e expedições emergenciais de caminhão versus trem. O frete premium ocorre quando há um descompasso entre os fluxos de materiais e informações causado pela incapacidade de produzir peças a tempo ou por mudanças súbitas na demanda. Outro componente importante do custo de transporte é o custo associado ao transporte de embalagens retornáveis, armazenamento, mudanças na gestão de pátio e despesas acessórias, como demurrage, detenção e caminhões solicitados, mas não utilizados (TONU).

Capturar esses direcionadores individuais de custo dentro das operações da cadeia de suprimentos exige complementar o modelo básico de rede de fluxo de materiais com muito mais detalhes. Assim como seu equivalente físico, o SCDT é uma rede federada de gêmeos digitais interconectados ou sombras digitais que representam operações individuais de manufatura ou logística, como fábricas de montagem, fábricas de estampagem ou trem de força, armazéns, nós de transbordo e unidades de transporte individuais. Nguyen e Ivanov [43] definiram uma estrutura de gêmeos digitais em duas camadas que também pode ser observada na Ford (Fig. 3).

Vários gêmeos digitais em nível de processo existem na Ford dentro da camada intrafirma. Cada um desses gêmeos digitais individuais é tipicamente desenvolvido e mantido de forma autônoma por uma equipe de produto dentro da cadeia de suprimentos e implementado usando diferentes técnicas e tecnologias. Esse SCDT federado pode ser efetivamente integrado e orquestrado usando uma plataforma baseada em agentes, onde agentes autônomos gerenciam gêmeos digitais e sombras digitais locais e colaboram para otimizar o sistema global em tempo real utilizando tecnologias de IA agente.

Considere alguns exemplos. A eficiência de carregamento é um dos principais fatores controláveis que determinam os custos de transporte. Usando o modelo de carregamento de caminhões, é possível monitorar, analisar e otimizar a eficiência do carregamento. Para carga completa, os embarques de peças de fornecedores internos ou externos para clientes são determinados por liberações de envio do MRP/ERP. Embora o MRP tente otimizar a liberação de envio para maximizar o fator de carga, isso nem sempre é possível devido à complexidade da lógica de geração dessas liberações, à complexidade da integração com outros sistemas, como TMS, bem como a erros de dados. Fatores que afetam o sistema MRP/ERP e causam ineficiências de frete incluem mudanças no cronograma de produção devido à demanda do cliente e/ou disponibilidade de peças, produção acima ou abaixo do planejado, conformidade do fornecedor com embarques acima ou abaixo do programado, variações no lead time e ajustes no ciclo de inventário. Um benefício de um módulo que otimiza liberações separadamente do MRP/ERP é que o modelo pode ser facilmente migrado de um sistema MRP/ERP legado para um mais moderno com custos mínimos de transição, mantendo os benefícios de incorporar tecnologias mais recentes, como IA agente.

Os sistemas de planejamento podem exigir entradas para milhares de parâmetros, como embalagens com muitos dados inseridos manualmente, e erros nesses dados são inevitáveis. Além disso, fornecedores nem sempre cumprem o cronograma sugerido de liberações, resultando na necessidade de transporte adicional. O gêmeo digital de carga de caminhão recebe os parâmetros do cubo do caminhão, incluindo dimensões da embalagem, peso e quantidades de liberação de envio. Ele identifica o carregamento ótimo das embalagens e calcula diariamente a eficiência do carregamento, considerando fatores dinâmicos no cálculo da liberação. Monitora a conformidade dos fornecedores, identifica lacunas entre cubo esperado e cubo real, cria uma lista priorizada de pares fornecedor–planta para foco e envia e-mails automáticos para fornecedores não conformes. Também ajuda a identificar problemas de qualidade de dados, comparando o carregamento existente e as dimensões do caminhão com as dimensões das embalagens. Carregamentos acima ou abaixo de certos limites são provavelmente decorrentes de erros nos dados de embalagem. O sistema sinaliza dimensões e pesos ausentes ou incorretos. Além disso, identificar oportunidades de melhoria pode ajudar a otimizar as liberações de envio do MRP utilizando os dados mais atualizados. O modelo prevê liberações de períodos futuros, tentando preencher o caminhão até sua capacidade máxima, desde que isso não exceda a capacidade de produção do fornecedor e que as economias de transporte superem o aumento nos custos de manutenção de inventário.

Um gêmeo digital para a logística de embalagens retornáveis monitora o fluxo de contêineres entre fornecedores e clientes, identifica potenciais desequilíbrios no fluxo de contêineres, projeta a demanda futura para períodos posteriores e alerta usuários sempre que problemas são identificados. O fluxo de contêineres por uma planta da Ford e de volta ao fornecedor pode ser interrompido por vários problemas, incluindo interrupções de transporte, clima, mudanças em cronogramas de produção, escassez de contêineres e remessas equivocadas. Isso resulta em frotas insuficientes de contêineres, levando a fretes premium, uso aumentado de embalagens descartáveis, falta de peças e riscos à produção. Um gêmeo digital ajuda a monitorar o fluxo de contêineres entre a planta da Ford e seus fornecedores. Nesse caso, não há visibilidade direta da capacidade existente de contêineres no fornecedor, mas ela pode ser inferida a partir das transações de envio e recebimento. O gêmeo digital mantém a quantidade em cada local e analisa constantemente as necessidades futuras com base nos requisitos de produção da Ford.

Um gêmeo digital para o processo de transporte intermodal ajuda a reduzir cobranças de detenção de contêineres. O transporte intermodal combina transporte ferroviário e rodoviário por meio de um nó de intercâmbio, utilizando um contêiner padronizado que pode ser transferido diretamente do trem para o caminhão. Esse modo permite reduzir os custos gerais de frete ao utilizar transporte ferroviário, que é mais barato, e transporte rodoviário para o trecho da rota em que o cliente não possui acesso direto ao trem. Se o cliente mantiver o contêiner além do período de carência (tipicamente 10 dias), a companhia ferroviária cobra taxas diárias de detenção. Recentemente, essas taxas aumentaram significativamente, tornando as cobranças de detenção intermodal uma área importante para melhoria de custos. Há muitos motivos operacionais e de processo por trás da retenção de contêineres que não são aparentes sem uma análise detalhada.

Process mining é uma técnica eficiente para analisar processos [44] e é usada para construir um gêmeo digital que representa embarques intermodais. Process mining é uma tecnologia que constrói um mapa de processo a partir de dados de logs de eventos obtidos de sistemas corporativos. Embora o processo intermodal seja direto, os resultados do estudo revelaram que os contêineres podem seguir mais de 1000 caminhos diferentes possíveis. Alguns desses desvios de caminho estão relacionados a deficiências e pontos cegos do processo, enquanto outros são decorrentes de erros de dados. Por exemplo, o mesmo contêiner aparece como entrada para a Ford a partir do terminal ferroviário e como saída da Ford para o terminal ferroviário. O contêiner deveria ter sido marcado como concluído, e as cobranças deveriam ter cessado para o embarque de saída. Outro exemplo é que o process mining revelou que a transportadora ferroviária coletou o contêiner mais recente em vez do mais antigo, permitindo que o contêiner mais antigo envelhecesse e acumulasse taxas de detenção, enquanto o contêiner recente não gerava cobranças. Obter insights a partir do mapa de processo permite identificar e resolver problemas de dados e inclui ações de controle, como alertas por e-mail, para tornar o processo mais eficiente.

2.2.2. Camada da rede Tier-1

A segunda camada – rede Tier-1 – é caracterizada por visibilidade parcial e controle parcial. As áreas-chave de foco de um gêmeo digital nessa camada são minimizar custos de materiais, garantir disponibilidade e qualidade de peças, facilitar colaboração e possibilitar gestão proativa de riscos. Visibilidade parcial significa que apenas alguns pontos de dados relevantes estão disponíveis, por exemplo, localizações de sites, capacidade, capacidade de processo, desempenho de qualidade e entrega, ferramentais (potencialmente com sensores) e saúde financeira (Fig. 4).

Com base nos dados disponíveis, combinados com análise de dados, podem ser realizadas diversas análises úteis, por exemplo, risco de concentração de fornecedores, perfil de risco do fornecedor, previsões de confiabilidade de entrega, análises de qualidade e contratos, e redução de custos de frete premium. As principais áreas de compartilhamento de informações com fornecedores Tier-1 são capacidade de produção, rastreabilidade de materiais, compromissos de entrega e dados de pegada de carbono. Por exemplo, a previsão de falhas de fornecimento (ou seja, incidentes em que a entrega de peças de montagem é atrasada além da data programada de produção nas plantas de montagem da Ford) é realizada usando deep learning e análise de sobrevivência [15]. Fazemos referência a publicações anteriores de Simchi-Levi et al. [45], Sanci et al. [46] e Dolgui et al. [47] para detalhes adicionais e relevantes sobre as abordagens da Ford para identificação de riscos de fornecedores, estratégias de mitigação de interrupções e adaptação da cadeia de suprimentos, que em seu conjunto constituem uma metodologia nova, acionável e generalizável de resiliência da cadeia de suprimentos baseada nas métricas TTR (time-to-recover), TTS (time-to-survive) e TTA (time-to-adapt).

2.2.3. Camada da rede deep-tier

A terceira camada – rede deep-tier – é caracterizada por visibilidade muito limitada. A importância de construir um gêmeo digital (ou pelo menos uma sombra digital) para essa camada é enfatizada pela gestão de riscos (por exemplo, sinais antecipados de futuros eventos de interrupção), garantia de conformidade regulatória (por exemplo, detecção de trabalho infantil) e sustentabilidade. A iluminação da cadeia de suprimentos é, portanto, de importância máxima para a rede deep-tier (Fig. 5).

A Fig. 5 visualiza a iluminação da rede deep-tier, identificação de riscos e fluxo do processo de mitigação. Alguns cenários para a implantação de um gêmeo digital da rede deep-tier são os seguintes:

• Um terremoto acabou de atingir o Japão. Quais fornecedores Tier 1 podem ter sido impactados? Quais linhas de veículos estão potencialmente em risco?
• A demanda por airbags acabou de disparar. Quais fornecedores deep-tier podem experimentar um pico de demanda como resultado?
• O fornecedor Tier 1 X relatou recentemente uma falta de peças, citando escassez de material vindo do Tier 2. O fornecedor Y é a causa. Quais são todos os demais fornecedores Tier 1 que podem estar em risco?

A camada de sombra/gêmeo digital deep-tier é usada para simular cenários da cadeia de suprimentos para medir a resposta da taxa de eventos a ajustes em KPIs, por exemplo, um modelo de regressão linear que descreve como mudanças no KPI influenciam taxas de previsão de eventos. Esse tipo de teste de estresse da cadeia de suprimentos é de vital importância para análise e monitoramento de riscos e pode ser um dos principais incentivos para desenvolver SCDTs. Por exemplo, a manufatura automotiva foi amplamente impactada pela escassez de semicondutores. Segundo relatos, a indústria automotiva global perdeu cerca de US$ 210 bilhões em receita em 2021 [48]. Em SCDTs, riscos e interrupções podem ser detectados proativamente [12,24,38,47,49].

3. Modelos de implementação

Esta seção é dedicada ao desenvolvimento de estruturas de implementação para SCDTs. De forma semelhante à Seção 2, começamos delineando o estudo de caso da Ford e seguimos com uma generalização dos insights do campo.

3.1. Estudo de caso da Ford

3.1.1. Arquitetura orientada por dados

A arquitetura típica de uma empresa orientada por dados é apresentada na Fig. 6a. A parte centralizada dessa arquitetura é um data lake ou um data lakehouse baseado em nuvem. Uma equipe global de dados é responsável por construir e manter a infraestrutura do data lakehouse, estabelecer e aplicar governança, qualidade e padrões de segurança de dados em toda a plataforma. Outras responsabilidades incluem gerenciar pipelines de ingestão de dados, criar modelos de dados fundamentais compartilhados e conjuntos de dados curados dentro do lakehouse, além de fornecer ferramentas, plataformas e suporte para acesso e análise de dados. De modo geral, uma equipe global de dados desenvolve capacidades corporativas de análise avançada ou modelos complexos que beneficiam múltiplas equipes em toda a empresa.

As equipes individuais de análise da cadeia de suprimentos focam em áreas como transporte, armazenagem, gerenciamento de inventário ou desempenho de fornecedores, coletando dados relevantes, limpando-os e construindo produtos analíticos – incluindo dashboards, relatórios e modelos de otimização – para fornecer insights valiosos e ganhos de eficiência para funções de gestão individualizadas. Embora cada equipe se destaque em sua área específica, essa abordagem pode levar a silos analíticos, nos quais equipes de projeto individuais não possuem uma visão clara e integrada de como seus esforços impactam a rede ampla e interconectada da cadeia de suprimentos. Assim, torna-se desafiador compreender impactos em nível de sistema ou otimizações que cruzam fronteiras funcionais.

Reconhecendo as limitações impostas por essas visões fragmentadas e a necessidade de ir além da otimização de componentes individuais para realmente otimizar a cadeia de suprimentos de ponta a ponta, a equipe de análise da cadeia de suprimentos deve adotar uma abordagem orientada por gêmeos digitais (Fig. 6b). Esse passo não descarta a base orientada por dados. Em vez disso, constrói um modelo holístico sobre ela.

Em um nível mais granular, o SCDT inclui múltiplas fontes de dados. Dados de produção e inventário, informações de fornecedores, dados logísticos e demanda de mercado são obtidos de MRP, ERP, TMS, IoT e dados de terceiros. Técnicas de modelagem, como simulação, otimização e IA (por exemplo, deep learning e análise de sobrevivência), são usadas no nível de análise de dados. Para medir o desempenho da cadeia de suprimentos, vários indicadores são usados, incluindo utilização de capacidade, entregas no prazo, custos, peças atrasadas em relação ao cronograma e taxas de resposta a eventos de risco.

No nível estratégico, o objetivo final da implementação do SCDT é criar uma réplica virtual viva de toda a cadeia de suprimentos, capaz de integrar dados de todas as fontes internas e externas, simular interações complexas e fornecer uma visão holística que transcenda silos funcionais. O design organizacional orientado por gêmeos digitais oferece vantagens profundas para a equipe de análise da cadeia de suprimentos. Ele promove uma cultura de modelos digitais integrados e abrangentes. Isso permite que as equipes desenvolvam seus componentes específicos ou modelos analíticos (seus "produtos") de forma autônoma, mas dentro do contexto da estrutura do gêmeo digital, possibilitando que visualizem instantaneamente como sua parte se conecta e influencia toda a cadeia de suprimentos.

Além disso, o gêmeo digital atua como um mapa dinâmico da cobertura analítica da cadeia de suprimentos. Ao visualizar quais partes do sistema físico estão representadas e modeladas dentro do gêmeo, a equipe de análise da cadeia de suprimentos pode identificar claramente os produtos analíticos existentes e, de maneira crucial, evidenciar lacunas na cobertura de dados ou nas capacidades de modelagem.

3.1.2. IA Agente

Avanços recentes na tecnologia de IA agente fornecem um caminho novo e eficiente para integrar "soluções pontuais" existentes em um ambiente unificado de gêmeo digital, ampliando seu valor dentro do sistema mais amplo e utilizando IA generativa [50–53]. A IA agente pode atuar como orquestradora e adaptadora inteligente, permitindo interação perfeita entre gêmeos digitais, LLMs, modelos e sistemas de TI. Agora é possível implantar IA agentes projetados para compreender as interfaces e capacidades de sistemas específicos existentes.

Os agentes podem receber solicitações ou dados do gêmeo digital, interagir dinamicamente com a ferramenta relevante (por exemplo, enviar parâmetros para um cálculo de roteamento, solicitar uma previsão atualizada com base em um cenário simulado), lidar com qualquer tradução ou formatação de dados necessária de forma dinâmica e, em seguida, retornar os resultados ao ambiente de simulação ou análise do gêmeo digital [53]. Isso permite que o gêmeo digital utilize a funcionalidade avançada dessas ferramentas autônomas como serviços dinâmicos, incorporando suas saídas na simulação e análise geral [54,55]. Assim, gêmeos digitais podem ser aprimorados de forma eficiente ao incorporar outras ferramentas corporativas ou aproveitar capacidades de fornecedores externos. Por exemplo, a IA agente pode integrar sistemas como o anyLogistix com fontes externas de dados (por exemplo, dados de provedores logísticos, dados meteorológicos, dados do mercado financeiro) para fornecer análise de possíveis faltas, oferecer recomendações sobre mudanças de cronograma e potencialmente até executar essas mudanças [4].

A IA agente ajuda organizações de análise da cadeia de suprimentos a capitalizar de forma eficiente seus investimentos existentes em ferramentas especializadas, ao mesmo tempo acelerando o desenvolvimento e o enriquecimento do gêmeo digital. O gêmeo digital é transformado de um ambiente predominantemente de modelagem e simulação para uma plataforma dinâmica capaz de orquestrar fluxos analíticos complexos, selecionando de forma inteligente a ferramenta mais adequada para cada tarefa. Essa abordagem garante que os insights e capacidades poderosos anteriormente isolados em ferramentas individuais agora contribuam diretamente para a compreensão holística e em nível de sistema proporcionada pelo gêmeo digital. Ela reforça ainda mais a capacidade da equipe de enxergar como tudo se conecta no quadro maior da cadeia de suprimentos e possibilita análises preditivas e prescritivas mais sofisticadas, conforme implementado no Supply Chain 360 Portal da Ford (cf. Fig. 6b).

Aproveitando a IA agente, gêmeos digitais não apenas possibilitarão a extração de informações, mas também informarão e alertarão gestores sobre problemas e gargalos atuais, sugerindo políticas e direções de melhoria por meio de visualização de desempenho. Conforme observado em Ivanov [1], "gêmeos digitais podem se tornar ‘companheiros digitais’ para gestores, fornecendo suporte à tomada de decisão ao adquirir dados em tempo real e simular potenciais resultados de certas decisões (por exemplo, políticas alternativas de recuperação após uma interrupção ou mudanças na pegada ambiental devido a um redesenho da cadeia de suprimentos). Gêmeos digitais também podem ser delegados a tomar decisões (por exemplo, emitir pedidos em um sistema de controle de inventário). De forma central, gêmeos digitais oferecem suporte à tomada de decisão orientada por dados em tempo real. Mais pesquisas são necessárias para examinar em que medida o acesso contínuo a dados em tempo real ajuda gestores na tomada de decisão."

Um ponto importante é a questão organizacional. Quem deve construir SCDTs? O departamento de análise de dados é um orquestrador natural para a transição de big data para sistemas e organizações de suporte à decisão baseadas em gêmeos digitais. Organização está ligada à tecnologia. Conforme observado em [1], "capacidades analíticas são a espinha dorsal dos gêmeos digitais. Modelagem pode presumir suporte à tomada de decisão (decisões finais com humanos) ou tomada de decisão pela IA. Otimização, simulação de eventos discretos, redes neurais, aprendizagem de máquina, aprendizagem por reforço, modelagem baseada em agentes e dinâmica de sistemas permitem a implementação de toda a gama de algoritmos descritivos, preditivos e prescritivos […]. Embora modelos orientados por dados em tempo real constituam uma visão estreita de gêmeos digitais (ou seja, um gêmeo digital como um pacote de software independente), em um sentido mais amplo, gêmeos digitais podem ser considerados como uma combinação de diferentes sistemas de informação e modelos." Um SCDT combina dados, análise e visualização – e esses três componentes estão integrados dentro dos departamentos de análise de dados.

3.2. Estrutura geral de implementação

3.2.1. Princípios gerais

Nossas observações de práticas da indústria mostram que o desenvolvimento de dados e análises da cadeia de suprimentos frequentemente ocorre de forma ad hoc. As empresas ingerem todos os dados centrais dos sistemas corporativos e então desenvolvem análises com base nas solicitações dos clientes internos. Em cada solicitação, elas normalmente analisam se possuem dados e, caso não possuam, projetos de ingestão ou aquisição de dados são iniciados. As empresas não têm um roteiro claro do que realmente precisam até que os clientes solicitem para resolver um problema específico. Mesmo que agora as empresas tenham todos os dados relevantes em um único data mart na nuvem, isso ainda não é um gêmeo digital; é apenas uma réplica digital. Um gêmeo digital não é apenas uma réplica digital de um produto ou sistema, mas também fornece uma representação clara e fácil de entender do estado atual e de projeções futuras. Um gêmeo digital também deve fornecer suporte à decisão para a gestão eficiente dos processos da cadeia de suprimentos e identificar gargalos-chave do sistema para impulsionar inovação e transformação dentro desse sistema.

A diferença fundamental em nossa abordagem é que começamos com os modelos e depois os mapeamos às fontes de dados existentes. Dessa forma, temos um roteiro claro para aquisição de dados ou para o desenvolvimento de técnicas que compensem dados ausentes. Também separamos o desenvolvimento de capacidades da aquisição de dados (Fig. 7).

Ao considerar um SCDT de ponta a ponta, lidamos com um ecossistema digital altamente heterogêneo. Alguns de seus elementos terão alto grau de digitalização, com fluxos em tempo real de IoT e representados por seus próprios gêmeos digitais, por exemplo, rede intrafirma ou gêmeo digital de linha de montagem. Outras áreas terão diferentes sistemas transacionais de TI, com níveis distintos de disponibilidade de dados e frequência de atualização, ou nenhum dado direto, por exemplo, uma rede deep-tier. O papel dos gêmeos digitais é integrar todas essas diferentes fontes de dados, compensando dados ausentes ao criar sensores virtuais usando IA e aprendizado de máquina. Além disso, enquadrar o problema de desenvolvimento como um projeto de gêmeo digital nos permite identificar áreas da cadeia de suprimentos onde há lacunas digitais, possibilitando priorizar esforços de digitalização.

O desenvolvimento do gêmeo digital começa com coleta de modelos e dados para calibrar o modelo. Com isso, ele também pode orientar a priorização dos dados que precisamos ingerir. Um modelo conceitual de processos da cadeia de suprimentos (por exemplo, usando SCOR) é traduzido em um modelo formal. Pode ser um modelo formal como Petri Net, a partir do qual modelos de otimização e simulação podem ser gerados [56]. Obviamente, não estamos falando de um único modelo, mas de uma combinação de múltiplos modelos em diferentes níveis hierárquicos. Por exemplo, o fluxo de materiais pode ser representado por uma Petri Net. Depois, conexões individuais de transporte podem ser representadas por outros modelos individuais. Por exemplo, um armazém no nível mais alto da hierarquia pode ser representado como um local ou transição, mas o modelo detalhado de operação do armazém pode ser representado por seu próprio gêmeo digital. Em seguida, modelos para suprimentos, pagamentos e auditoria podem ser desenvolvidos. Para o modelo de dados, pode-se começar com modelos de dados de ERP ou TMS e expandi-los fornecendo templates e exemplos.

Na Fig. 8, uma estrutura generalizada de implementação de SCDT é resumida.

A estrutura generalizada proposta de implementação de SCDT possui duas dimensões: escala de implementação e escopo de implementação.

3.2.2. Camadas de escala de implementação

A escala de implementação é composta por três etapas: coleta de dados, integração de dados e análise de dados. Ela permite uma transição da tecnologia orientada por dados, passando pela organização orientada por dados, em direção a sistemas de suporte à decisão gerencial digital e à construção de SCDTs. A primeira etapa é tecnologia orientada por dados. ERP (enterprise resource planning), TMS (transportation management systems), WMS (warehouse management system), MES (manufacturing execution system), sensores, RFID e 5G são as tecnologias para rastreamento e coleta de dados na cadeia de suprimentos.

A segunda etapa é organização orientada por dados. Gêmeos digitais espelham organizações da cadeia de suprimentos e possibilitam novas capacidades de gestão. Ao coletar todos os dados em uma nuvem e plataformas colaborativas e usar Internet das Coisas e Blockchain, torna-se possível desenvolver um espaço de informação integrado [57]. A terceira etapa está relacionada a conhecimento e análises. Essa etapa trata das interfaces humano-máquina, e é nela que dados digitais e informações são alimentados em gêmeos digitais para suporte à decisão.

Dados, modelos semânticos, modelos de processos e análises de dados se unem nessa etapa. Nas empresas, diferentes tarefas de gestão são frequentemente realizadas em diferentes espaços de dados. Por exemplo, usando linguagem natural de processos (NPL) e modelos de linguagem (LLM), gestores podem fazer consultas aos espaços de dados e obter relatórios. Contudo, ainda é um ambiente de múltiplas ferramentas, no qual tarefas diferentes (por exemplo, compras, planejamento de materiais e gestão de inventário) são executadas com ferramentas distintas. O gêmeo digital deve ser uma plataforma integrada onde, por exemplo, um diretor de suprimentos possa obter uma visão completa dos gastos com fornecedores, desempenho de entregas e histórico de qualidade em um único espaço digital [58]. Além disso, no estágio final, gêmeos digitais não devem apenas permitir a extração de informações, mas também informar e alertar gestores sobre problemas e gargalos atuais, sugerindo políticas e direções de melhoria com visualização de desempenho. Além disso, um componente importante da terceira etapa de implementação é o process mining, que permite replicar processos de negócios da organização (por exemplo, compras, planejamento de produção e controle de embarques) no gêmeo digital e garantir o uso direcionado e detalhado de análises de dados.

3.2.3. Camadas do escopo de implementação

O escopo de implementação apresenta um design de 4 níveis, compreendendo os níveis de produto, processo, organização e cadeia de suprimentos estendida. No primeiro nível, gêmeos digitais de produtos podem ser suportados por inteligência de BOM (Bill of Materials) e passaportes digitais de produtos, além de modelos digitais tradicionais de produtos (por exemplo, CAD). Gêmeos digitais de processos – o segundo nível – são criados nos níveis de linha de montagem, armazém e transporte, apoiados por dispositivos IoT, TMS e WMS. Nos níveis terceiro e quarto, gêmeos digitais organizacionais e de cadeia de suprimentos são viabilizados por ERP, espaços de dados em nuvem, blockchain e Metaverso.

Uma questão importante no design de gêmeos digitais é a atualização de dados em tempo real ou quase real e, de forma geral, a frequência e granularidade dessas atualizações. A estrutura generalizada proposta de implementação de SCDT estabelece uma conexão lógica entre visibilidade dos dados, frequência e granularidade das atualizações e horizonte de tempo da tomada de decisão. Enquanto gêmeos digitais de níveis inferiores (por exemplo, um gêmeo digital de linha de montagem) devem fornecer representação em tempo real e podem usar sensores IoT, gêmeos digitais de rede podem operar com frequência menor, adequada ao suporte à decisão; em outras palavras, atualizações just-in-time adequadas aos requisitos de suporte à decisão.

Os principais alvos do SCDT são decisões táticas e estratégicas, enquanto a necessidade de monitoramento em tempo real pode ser delegada aos gêmeos digitais apropriados de níveis inferiores. Por exemplo, um gêmeo digital de linha de montagem tem conexão direta ao chão de fábrica via IoT e pode fornecer dados agregados ao nível da cadeia de suprimentos (ver também Fig. 3). Ao mesmo tempo, torna-se possível transitar sem interrupção do nível de rede para o nível de linha de montagem. Por exemplo, se uma empresa altera um plano de produção devido à disponibilidade de suprimentos, um gêmeo digital de linha de montagem simula como o novo mix de produtos afetará o desempenho da linha de montagem, detalhando a análise até o nível de cada estação de trabalho individual. A Fig. 8 destaca a hierarquia de gêmeos digitais, em que o SCDT integra e depende de gêmeos digitais de níveis inferiores, como WMS, transporte, planta ou máquina. Consequentemente, o SCDT pode não interagir diretamente com o objeto físico via IoT, mas obter os dados relevantes de gêmeos digitais de níveis inferiores.

4. Discussão

Nesta seção, discutimos implicações teóricas, relevância para gestores e formuladores de políticas públicas, limitações do estudo e possíveis direções para pesquisas futuras.

4.1. Implicações para teoria, gestores e formuladores de políticas

Com base em experiência prática e na análise conceitual realizada, agora propomos quatro princípios centrais para design, tecnologia e implementação de SCDTs, discutindo suas implicações.

4.1.1. Princípio 1: Abordagens orientadas ao objeto e orientadas a dados para design e adaptação de SCDT

Em linha com o estudo de Ivanov [18], nossa experiência prática na construção de um SCDT na Ford confirmou que existem duas abordagens principais para a construção de gêmeos digitais: orientada ao objeto (ou seja, top-down) e orientada a dados (ou seja, bottom-up). A abordagem orientada ao objeto é mais tradicional e pode ser usada quando o sistema a ser copiado digitalmente possui natureza estática. Essa abordagem significa que um humano é capaz de observar um objeto físico (por exemplo, uma peça de manufatura) e criar sua réplica digital. A abordagem orientada a dados presume que um objeto real não pode ser plenamente observável e que o objeto é sujeito a dinâmicas estruturais e de processos, mudando seus sistemas e operações ao longo do tempo. Assim, gêmeos digitais não são “construídos”, mas emergem de dados, atributos e conhecimento sobre um sistema ou fenômeno. Dessa forma, ajudam humanos a reconhecer, compreender e observar os sistemas que possuem e administram (por exemplo, por meio de mapeamento de cadeia de suprimentos orientado a dados) e – mais importante – gêmeos digitais se adaptam de forma descentralizada seguindo as dinâmicas e evolução do sistema ao longo do tempo.
A abordagem orientada a dados para design e adaptação de gêmeos digitais baseia-se no conceito de ecossistema digital da cadeia de suprimentos, que é um espaço digital que integra dados sobre a cadeia de suprimentos. Em vez de serem construídos explicitamente, gêmeos digitais orientados a dados e orientados a conhecimento emergem de dados, atributos e insights sobre um sistema ou fenômeno. Essa abordagem permite que tomadores de decisão reconheçam, compreendam e observem os sistemas que administram, como por meio de mapeamento orientado a dados. Mais importante ainda, gêmeos digitais nesse arcabouço adaptam-se de forma descentralizada, evoluindo em resposta às dinâmicas do sistema e às mudanças ao longo do tempo.

Um desafio central no desenvolvimento de gêmeos digitais é a estrutura em constante mudança de redes e processos. Cadeias de suprimentos são inerentemente dinâmicas, caracterizadas por evolução estrutural e de processos contínua [59]. Essa complexidade torna difícil construir gêmeos digitais por meio de uma abordagem top-down orientada ao objeto. Em vez disso, uma abordagem bottom-up, descentralizada, orientada a dados e conhecimento é preferível.

Essa metodologia orientada a dados e bottom-up pode ser estendida além da criação de gêmeos digitais para a construção de modelos baseados em gêmeos digitais. Ao contrário de modelos tradicionais de simulação, que dependem de conhecimento humano e são suscetíveis a incompletudes e imprecisões, ecossistemas digitais e gêmeos digitais podem automatizar tanto a criação do modelo quanto, mais importante, a adaptação do modelo. Essa automação garante que modelos permaneçam relevantes e responsivos às dinâmicas do sistema ao longo do tempo. IA generativa e IA agentic fornecem tecnologias para otimização interativa e modelagem de simulação aprimorada por criatividade, adaptação, raciocínio, ubiquidade e sincronização.

Enfatizamos que abordagens orientadas ao objeto e orientadas a dados para SCDT não são contraditórias, mas complementares. Em conjunto, elas ajudam a garantir a maior precisão possível dos gêmeos digitais e fornecem suporte aprimorado aos gestores para tomada de decisão informada (Fig. 9).

A abordagem orientada ao objeto fornece uma observabilidade inicial, ainda que parcial, da cadeia de suprimentos, estabelecendo determinantes-chave para o desenvolvimento de modelos analíticos. A abordagem orientada a dados então preenche lacunas, adicionando detalhes ausentes e ampliando a visibilidade ao iluminar sombras digitais que não foram totalmente capturadas pelo método orientado ao objeto. Juntas, essas abordagens criam um gêmeo digital mais abrangente e adaptativo, capturando conhecimento, modelos e dados e integrando ecossistemas, gêmeos digitais e sombras digitais.

4.1.2. Princípio 2: Visibilidade como ângulo central do design e da tecnologia de gêmeos digitais

Primeiro, diferentes escalões da cadeia de suprimentos podem ser observados pelas empresas com diferentes graus de precisão. Por exemplo, dados intracompanhia geralmente têm qualidade, completude e precisão suficientes. Dados Tier-1 também estão disponíveis em sistemas corporativos típicos com base em contratos diretos e comprovantes de entrega. Dados Tier-2 podem ser menos completos e precisos, mas ainda parcialmente disponíveis (por exemplo, na indústria automotiva). Dados do sistema de distribuição downstream também podem ser obtidos. Entretanto, dados Tier-3 e de níveis adicionais, bem como dados de logística de última milha, não estão disponíveis em muitos casos. Segundo, cadeias de suprimentos são sistemas dinâmicos. Suas estruturas, políticas operacionais e relações comprador-fornecedor mudam ao longo do tempo. Portanto, gêmeos digitais também devem se adaptar para permanecerem ferramentas relevantes de suporte à decisão. A adaptação manual de gêmeos digitais é pouco realista. Além disso, gêmeos digitais contêm modelos analíticos de cadeia de suprimentos, por exemplo, simulação de inventário e otimização de rede [60,61]. Esses modelos também precisam de adaptações quando a cadeia de suprimentos muda. Nesse contexto, uma abordagem orientada a dados para design e adaptação de gêmeos digitais pode ser importante tanto para avanço teórico quanto para aplicação prática [62, 63].

Nossa estrutura generalizada de três camadas para design de SCDT é baseada em princípios de visibilidade (Fig. 10).

Visibilidade de dados e complexidade do design de gêmeos digitais são os principais determinantes da estrutura proposta na Figura 10. Enquanto a camada intracompanhia oferece a mais alta visibilidade, esta diminui ao mover-se upstream na cadeia de suprimentos, com o menor grau de visibilidade na camada deep-tier. A camada deep-tier apresenta os maiores desafios em termos de design de gêmeos digitais devido à menor visibilidade. Mostramos como gêmeos digitais podem ajudar a melhorar conformidade de fornecedores, prever interrupções, melhorar disponibilidade de contêineres (logística) e qualidade de dados.

Observamos que nosso estudo de caso baseia-se na perspectiva de um OEM, focando principalmente na cadeia de suprimentos upstream. Em geral, a estrutura da Fig. 10 pode ser estendida para a cadeia downstream, incluindo clientes diretos com visibilidade parcial e mercados downstream com visibilidade limitada. Isso representa uma área interessante para pesquisas futuras.

4.1.3. Princípio 3: Gêmeos digitais são integradores de dados e conhecimento

Em essência, gêmeos digitais são integradores de suporte à decisão. Uma cadeia de suprimentos física é essencialmente uma combinação de dados e conhecimento relativos aos fluxos de materiais, informações e financeiros. Em outras palavras, um tomador de decisão (sujeito) observa a cadeia de suprimentos (objeto) por meio de dados e informações. Ao integrar dados com conhecimento especializado, modelos de cadeia de suprimentos são desenvolvidos para representar os processos físicos da cadeia, suas regras e processos de tomada de decisão. Os resultados da modelagem servem para previsão, otimização e simulação, por exemplo, ajudando a avaliar impactos de desenvolvimentos de mercado, interrupções e mudanças nas políticas de produção e pedidos.

No entanto, como nossos dados e conhecimento sobre a cadeia de suprimentos são inerentemente incompletos, os modelos também terão limitações. Para aumentar a completude, precisão e validade do modelo, o ambiente deve ser considerado. O ambiente representa um espaço de incerteza, que pode ser totalmente conhecido (por exemplo, descrito por distribuições de probabilidade), parcialmente conhecido ou totalmente desconhecido. À medida que a cadeia de suprimentos evolui, os tomadores de decisão aprendem mais tanto sobre o sistema quanto sobre seu ambiente, reduzindo a incerteza e melhorando a confiabilidade do modelo. Por exemplo, ao incorporar dados externos de interrupções e conhecimento do tomador de decisão, eles podem ser usados para testes de estresse de resiliência [12,45].

A análise apresentada acima mostra que gêmeos digitais são (i) muito mais do que apenas a observação, pelo tomador de decisão, de um objeto físico e (ii) eles evoluem ao longo do tempo. Com base na observabilidade tanto do objeto físico quanto de seu modelo digital, gêmeos digitais orientados a dados podem ser desenvolvidos com base na coleta de dados da cadeia de suprimentos física e na criação automática de modelos.

4.1.4. Princípio 4: Adaptação contínua do SCDT

Nossas percepções contribuem para uma compreensão mais profunda do design de gêmeos digitais. O que significa dizer “construir um gêmeo digital”? Quando construímos uma casa, ela existirá na forma em que foi construída por décadas (ou talvez séculos, se bem construída). Um gêmeo digital replica um sistema físico que muda no tempo — e de forma bastante rápida. Para ser um ambiente adequado e confiável de suporte à decisão, um SCDT deve se adaptar às mudanças nas cadeias de suprimentos físicas. Ressaltamos que, quando dizemos “estamos construindo um gêmeo digital”, isso essencialmente significa criar um conjunto de modelos, estruturas, procedimentos, modelos de referência, tecnologias e algoritmos para integrar dados e conhecimento sobre a cadeia de suprimentos e usar esses dados e conhecimento para construção de modelos de otimização e simulação, adaptação de modelos, análise, controle, monitoramento e feedback, visualização de desempenho e recomendações de decisão [52,64,65].

4.2. Limitações e áreas para pesquisas futuras

4.2.1. Limitações deste estudo

Neste artigo, restringimo-nos ao SCDT upstream. A extrapolação dos princípios e tecnologias propostos para a parte downstream pode ser um próximo passo interessante e lógico. Também reconhecemos limitações relacionadas a generalizações baseadas em estudo de caso único. No futuro, atenção especial será direcionada aos problemas organizacionais e tecnológicos para implementação de gêmeos digitais. Tarefas organizacionais, como a transição de tecnologia orientada a dados para organização orientada a dados e, posteriormente, para sistemas de suporte à decisão orientados por gêmeos digitais, exigem atenção específica.

Do ponto de vista tecnológico, questões de interoperabilidade e integração de IA agentic serão áreas importantes de pesquisa. Especificamente, IA pode ser usada em três direções principais, por exemplo, construção de modelos orientados a dados, análise de desempenho orientada a dados e identificação de gargalos, e suporte à decisão orientado a dados (por exemplo, controle de reposição de inventário e seleção de fornecedores). O futuro mostrará o quanto as tecnologias de IA disponíveis podem contribuir para gêmeos digitais e até que ponto uma colaboração humano-IA pode ser implementada organizacional e tecnicamente.

4.2.2. Desafios na implementação de SCDT na prática

Apesar da variedade de vantagens e benefícios que gêmeos digitais oferecem, existem barreiras e desafios à sua implementação na prática. A primeira parte desses desafios está relacionada à complexidade. Cadeias de suprimentos compreendem várias camadas, incluindo redes de fornecedores, linhas de montagem e logística. Criar um gêmeo digital universal com integração perfeita de dados para um sistema tão complexo e descentralizado pode ser descrito em teoria. No entanto, é quase impossível de implementar na prática devido a barreiras tecnológicas e organizacionais.

O segundo grupo de desafios diz respeito aos dados. Visibilidade, precisão, contexto em tempo real, atualizações, segurança — isso é apenas um fragmento dos problemas relacionados a dados enfrentados pelas empresas ao construir gêmeos digitais. Por fim, desafios relacionados à IA devem ser mencionados. Mesmo que a IA abra novas e revolucionárias direções para construção de modelos, solução de modelos, engenharia de dados e prototipagem de gêmeos digitais e interfaces de usuário, questões como confiança na qualidade, disponibilidade e raciocínio dos dados, alucinações (por exemplo, em caso de pontos de dados ou datas de calendário faltantes), altos custos de energia e computação, inconsistência de raciocínio e respostas não determinísticas, desafios éticos, sociais, legais e regulatórios, e problemas de cibersegurança devem ser considerados.

5. Conclusões

Gêmeos digitais para manufatura, logística e cadeias de suprimentos têm despertado crescente interesse entre pesquisadores e profissionais. Embora inúmeros conceitos teóricos tenham sido propostos, falta um guia prático de implementação. Neste estudo, oferecemos uma estrutura generalizada de três camadas para o design de SCDTs baseada na abordagem da Ford. Também fornecemos nossa definição de SCDT como um integrador de dados, tecnologia digital, gestão, IA e analytics.

Primeiro, definimos um design multicamadas de SCDT, em que as camadas são classificadas com base na visibilidade dos dados. Segundo, delineamos passos de implementação para a transição de organizações orientadas a dados para sistemas de gestão orientados por gêmeos digitais. Terceiro, uma visão tecnológica da integração de dados em gêmeos digitais foi proposta. Em resumo, fornecemos contribuições teóricas e práticas por meio do estudo de caso da Ford, com base na aplicabilidade real e em percepções acionáveis.

Nossas estruturas e exemplos práticos na Ford Motor Company podem ser úteis tanto para acadêmicos quanto para profissionais ao projetar e implementar SCDTs. Até onde sabemos, nosso artigo é o primeiro na literatura a apresentar o design e a implantação de um SCDT em escala, com integração das perspectivas de gestão, tecnologia e organização. Um SCDT adequadamente desenvolvido pode permitir melhorias de desempenho operacional, visibilidade de ponta a ponta, integração de IA agentic na tomada de decisão e testes de estresse da cadeia de suprimentos, além de criar uma nova abordagem para gestão da cadeia.

Autores

Dmitry Ivanov: Redação - rascunho original, Visualização, Metodologia, Conceituação.
Oleg Gusikhin: Redação - rascunho original, Visualização, Investigação, Conceituação.

Editor

Dr J Zhu

Declaração de conflito de interesses

Os autores declaram que não possuem interesses financeiros concorrentes ou relações pessoais que possam ter influenciado o trabalho relatado neste artigo.

Agradecimentos

Agradecemos à equipe de revisão pelos comentários cuidadosos e úteis, que nos ajudaram enormemente a melhorar o conteúdo e a apresentação do artigo na revisão.

Disponibilidade dos dados

Os dados utilizados são confidenciais.

Referências

[1] Ivanov D. Conceptualisation of a 7-element digital twin framework in supply chain and operations management. Int J Prod Res 2024;62(6):2220–32.
[2] van der Valk H, Strobel G, Winkelmann S, Hunker J, Tomczyka M. Supply chains in the era of digital twins – a review. Procedia Comput Sci 2022;204:156–63. 2022.
[3] Tozanli ¨ O, Sa´ enz ME. Unlocking the potential of digital twins in supply chains. MIT Sloan Manag Rev 2022. August 2022.
[4] Ivanov D, Dolgui A. A digital supply chain twin for managing the disruptions risks and resilience in the era of Industry 4.0. Prod Plan Control 2021;32(9):775–88.
[5] Le TV, Fan R. Digital twins for logistics and supply chain systems: Literature review, conceptual framework, research potential, and practical challenges. Comput Ind Eng 2024;187:109768.
[6] IBM (2021). What is digital twin? https://www.ibm.com/topics/what-is-a-digital-t win#:~:text=A%20digital%20twin%20is%20a,reasoning%20to%20help%20decis ion%2Dmaking, acessado em April 20, 2025.
[7] AIMMS (2022). What is a digital supply chain twin and how can it support your strategic decisions? https://www.aimms.com/story/what-is-a-digital-supply-cha in-twin-and-how-can-it-support-your-strategic-decisions/, acessado em April 20, 2025.
[8] CatenaX (2025). https://catenax-ev.github.io/docs/next/standards/CX-0002-Digi talTwinsInCatenaX, acessado em April 21, 2025.
[9] Freese F, Ludwig A. A conceptual framework for supply chain digital twins – development and evaluation. Int J Logist Res Appl 2024:1–23. https://doi.org/ 10.1080/13675567.2024.2324895.
[10] Sharma A, Kosasih E, Zhang J, Brintrup B, Calinescu A. Digital Twins: State of the art theory and practice, challenges, and open research questions. J Ind Inf Integr 2022;30:100383.
[11] Badakhshan E, Ball P. Applying digital twins for inventory and cash management in supply chains under physical and financial disruptions. Int J Prod Res 2023;61 (15):5094–116.
[12] Ivanov D. Intelligent digital twin (iDT) for supply chain stress-testing, resilience, and viability. Int J Prod Econ 2023;263:108938.
[13] Ashraf M, Eltawil A, Ali I. Disruption detection for a cognitive digital supply chain twin using hybrid deep learning. Oper Res Int J 2024;24:23. https://doi.org/ 10.1007/s12351-024-00831-y.
[14] Cimino A, Longo F, Mirabelli G, Solina V, Veltri P. Enhancing internal supply chain management in manufacturing through a simulation-based digital twin platform. Com-Puters Ind Eng 2024;198:110670.
[15] Li X, Krivtsov V, Pan C, Nassehi A, Gao RX, Ivanov D. End-to-end supply chain resilience management using deep learning, survival analysis, and explainable artificial intelligence. Int J Prod Res 2025;63(3):1174–202.
[16] Corsini RR, Costa A, Fichera S, Framinan JM. Digital twin model with machine learning and optimization for resilient production-distribution systems under disruptions. Comput Ind Eng 2024;191:110145.
[17] Dolgui A, Ivanov D. Internet of behaviors: conceptual model, practical and theoretical implications for supply chain and operations management. Int J Prod Res 2025;63(1):1–8.
[18] Ivanov D. Conceptual and formal models for design, adaptation, and control of digital twins in supply chain ecosystems. OMEGA 2025;137:103356.
[19] Lim KYH, Dang LV, Chen CH. Incorporating supply and production digital twins to mitigate demand disruptions in multi-echelon networks. Int J Prod Econ 2024;273: 109258.
[20] Zaidi SAH, Khan SA, Chaabane A. Unlocking the potential of digital twins in supply chains: a systematic review. Supply Chain Anal 2024;7:100075.
[21] Ivanov D. Digital supply chain management and technology to enhance resilience by building and using end-to-end visibility during the COVID-19 pandemic. IEEE Trans. Eng. Manag. 2024;71:10485–95.
[22] Holzwarth A, Staib C, Ivanov D. Building viable digital business ecosystems with collaborative supply chain platform SupplyOn. In: Dolgui A, Ivanov D, Sokolov B, editors. Supply Network Dynamics and Control. Cham: Springer; 2022. p. 187–210.
[23] Liu Y, Pan S, Ballot E. Unveiling the potential of digital twins in logistics and supply chain management: Services, capabilities, and research opportunities. Digit Eng 2024;3:100025.
[24] Lv Z, Qiao L, Mardani A, Lv H. Digital twins on the resilience of supply chain under COVID-19 pandemic. IEEE Trans Eng Manag 2024;71:10522–33.
[25] Wiberg H, Dai T, Lam H, Kulkarni R. Synergizing artificial intelligence and operations research: Perspectives from INFORMS fellows on the next frontier. INFORMS J Data Sci 2025. https://doi.org/10.1287/ijds.2025.0077.
[26] Ivanov D, Dolgui A, Sokolov B. Cloud supply chain: integrating industry 4.0 and digital platforms in the “supply chain-as-a-service. Transp Res 13 E: Logist Transp Rev 2022;160:102676.
[27] MacCarthy B, Ivanov D. The Digital Supply Chain—emergence, concepts, definitions, and technologies. In: MacCarthy B, Ivanov D, editors. The Digital Supply Chain. Amsterdam: Elsevier; 2022. p. 3–14.
[28] Stadtfeld GM, Lienemann R, Gruchmann T. An analysis of digital twin technologies enhancing supply chain viability: empirical evidence from multiple cases. Prod Plan Control 2024:1–17. https://doi.org/10.1080/09537287.2024.2415418.
[29] Jahani H, Jain R, Ivanov D. Data science and big data analytics: a systematic review of methodologies used in the supply chain and logistics research. Ann Oper Res 2023. https://doi.org/10.1007/s10479-023-05390-7.
[30] Zheng X, Lu J, Kiritsis D. The emergence of cognitive digital twin: vision, challenges and opportunities. Int J Prod Res 2022;60(24):7610–32.
[31] Papanagnou C, Seiler A, Spanaki K, Papadopoulos T, Bourlakis M. Data-driven digital transformation for emergency situations: The case of the UK retail sector. Int J Prod Econ 2022;250:108628.
[32] Ivanov D. A survey of system-cybernetic principles in supply chain resilience: viability, artificial intelligence, digital twins, and ecosystems. Intern. J. Syst. Sci. 2025. https://doi.org/10.1080/00207721.2025.2519204.
[33] Jesus V, Kalaitzi D, Batista L, Lopez NL. Digital twins of supply chains: a systems approach. IEEE Trans Eng Manag 2024;71:14915–32.
[34] Choi TM, Kumar S, Yue X, Chan HL. Disruptive Technologies And Operations Management in the Industry 4.0 Era And Beyond, 31. Production and Operations Management; 2022. p. 9–31.
[35] Xiao J, Ma S, Wang S, Huang GQ. Meta-inventory management decisions: a theoretical model. Int J Prod Econ 2024;275:109339.
[36] Lugaresi G, Gangemi S, Gazzoni G, Matta A. Online validation of digital twins for manufacturing systems. Comput Ind 2023;150:103942.
[37] Tan B, Matta A. The digital twin synchronization problem: framework, formulations, and analysis. IISE Trans 2023;56(6):652–65.
[38] Ren X, Zhao N. The risk management of customized product supply chains based on digital twin technology. Int J Prod Res 2025. https://doi.org/10.1080/ 00207543.2025.2552293.
[39] Ford (2025). https://www.fromtheroad.ford.com/us/en/articles/2025/ford-owne d-american-battery-plant-future-electric-vehicles, acessado em September 23, 2025.
[40] Alfred Ostrowski D, Graham B, Gusikhin O. A discrete simulation framework for part replenishment optimization. In: Proceedings of the 3rd International Conference on Simulation and Modeling Methodologies, Technologies and Applications. SIMULTECH; 2013. p. 467–73. 2013.
[41] Ketokivi M, Choi T. Renaissance of case research as a scientific method. J oper manag 2014;32(5):232–40.
[42] Onaji I, Tiwari D, Soulatiantork P, Song B, Tiwari A. Digital twin in manufacturing: conceptual framework and case studies. Int j comput integr manuf 2022;35(8): 831–58.
[43] Nguyen P, Ivanov D. A two-layer digital twin for implementing simultaneous resilience strategies in electronics manufacturing. IFAC Pap 2025;59(10):55–60.
[44] van der Aalst WM. Process Mining: Data Science in Action. Berlin: Springer-Verlag; 2016.
[45] Simchi-Levi D, Schmidt W, Wei Y, Zhang PY, Combs K, Ge Y, CNB O, Sander M, Zhang D. Identifying risks and mitigating disruptions in the automotive supply chain. Interfaces 2015;45(5):375–90.
[46] Sanci E, Daskin MS, Hong YC, Roesch S, Zhang D. Mitigation strategies against supply disruption risk: a case study at the Ford Motor Company. Int. J. Prod. Res. 2021;60(19):5956–76.
[47] Dolgui A, Gusikhin O, Ivanov D, Li X, Stecke K. A network-of-networks adaptation for cross-industry manufacturing repurposing. IISE Trans 2024;56(6):666–82.
[48] CNBC (2021) https://www.cnbc.com/2021/09/23/chip-shortage-expected-to- cost-auto-industry-210-billion-in-2021.html, acessado em September 29, 2025.
[49] Dolgui A, Ivanov D. 5G in digital supply chain and operations management: fostering flexibility, end-to-end connectivity and real-time visibility through internet-of-everything. Int J Prod Res 2022;60(2):442–51.
[50] Dubey R, Gunasekaran A, Papadopoulos T. Benchmarking operations and supply chain management practices using Generative AI: Towards a theoretical framework. Trans-portation Res E 2024;189:103689.
[51] Huang C, Tang Z, Hu S, Jiang R, Zheng X, Ge D, Wang B, Wang Z. ORLM: A customizable framework in training large models for automated optimization modeling. Oper Res 2025. https://doi.org/10.1287/opre.2024.1233.
[52] Jackson I, Ivanov D, Dolgui A, Namdar J. Generative artificial intelligence in sup- ply chain and operations management: a capability-based framework for analysis and imple-mentation. Int J Prod Res 2024;62(17):6120–45.
[53] Simchi-Levi, D., Dai, T., Menache, I. Wu, M.X. (2025). Democratizing optimization with generative AI, https://ssrn.com/abstract=5511218 (acessado em September 29, 2025).
[54] Badakhshan E, Ivanov D. Integrating simulation and decision trees through blockchain-enabled data sharing to prevent the cash flow bullwhip effect in supply chains. Ann. Oper. Res. 2025. https://doi.org/10.1007/s10479-025-06858-4.
[55] Badakhshan E, Ivanov D. Integrating digital twin and blockchain for responsive working capital management in supply chains facing financial disruptions. Intern. J. Prod. Res. 2025. https://doi.org/10.1080/00207543.2025.2507112.
[56] Gusikhin O, Klampfl E. Integrated Process Planning and Supply Chain Configuration for Commodity Assemblies Using Petri Nets. In: Lilius J, Penczek W, editors. Lecture Notes in Computer Science. Applications and Theory of Petri Nets. Berlin, Heidelberg: Springer; 2010. p. 6128. PETRI NETS 2010.
[57] Wang Z, Wang W, Liu T, Chang J, Shi J. IoT-driven dynamic replenishment of fresh produce in the presence of seasonal variations: A deep reinforcement learning approach using reward shaping. Omega 2025;134:103299.
[58] Chen W, Choi TM, Dolgui A, Ivanov D, Pesch E. Digital manufacturing and supply chain: creating benefits through operations research and artificial intelligence. Ann Oper Res 2025;344:567–74.
[59] Ivanov D, Sokolov B, Kaeschel J. A multi-structural framework for adaptive supply chain planning and operations control with structure dynamics considerations. Eur J Oper Res 2010;200(2):409–20.
[60] Ivanov D, Millhiser W, Nguyen P. Introduction to Operations and Supply Chain Simulation with AnyLogic. Cham: Springer Nature; 2025.
[61] Ivanov D. Introduction to Supply Chain Analytics. Cham: Springer Nature; 2024.
[62] Dubey R, Bryde DJ, Graham G, et al. The role of alliance management, big data analytics and information visibility on new-product development capability. Ann Oper Res 2024;333:743–67.
[63] Tiwari M, Bryde DJ, Stavropoulou F, Dubey R, Kumari S, Foropon C. Modelling supply chain visibility, digital technologies, environmental dynamism and healthcare supply chain resilience: An organisation information processing theory perspective. Transp Res E: Logist Transp Rev 2024;188:103613.
[64] Jackson I, Saenz M, Ivanov D. From natural language to simulations: applying AI to automate simulation modelling of logistics systems. Int J Prod Re-search 2024;62 (4):1434–57.
[65] Kosasih EE, Brintrup A. Towards trustworthy AI for link prediction in supply chain knowledge graph: a neurosymbolic reasoning approach. Int J Pro-duction Res 2025;63(6):2268–90