RELIABLE LOGISTICS ECOSYSTEMS: THE SYNERGISTIC CONVERGENCE BETWEEN IOT, BLOCKCHAIN, AND DIGITAL TWINS
REGISTRO DOI: 10.69849/revistaft/fa10202511100006
Rayne Santiago Elford1
Humberto Batista Xavier2
RESUMO
A logística contemporânea enfrenta uma pressão crescente por eficiência, transparência e resiliência, impulsionada pela digitalização acelerada. Contudo, a literatura predominante tende a analisar tecnologias disruptivas como, a Internet das Coisas (IoT), Blockchain (BC) e Gêmeos Digitais (Digital Twins – DT’s) de forma isolada, criando uma compreensão fragmentada que impede o desenvolvimento de modelos teórico-práticos integrados. Este artigo aborda este problema central por meio de uma Revisão Narrativa da Literatura, de caráter qualitativo, exploratório e descritivo. O objetivo é responder à seguinte pergunta de pesquisa: Como a convergência sinérgica entre IoT, BC e DT’s pode criar sistemas logísticos integrados, transparentes, resilientes e confiáveis? A metodologia incluiu uma análise documental de um corpus pré-selecionado de 238 artigos, dos quais 30 foram selecionados por alta aderência temática, submetidos à análise de conteúdo e avaliação de qualidade. Os resultados sintetizam um framework conceitual onde a IoT atua como a camada de captura de dados (visibilidade), o Blockchain serve como a arquitetura de validação e confiança (transparência e imutabilidade), e os Gêmeos Digitais funcionam como a camada de orquestração e inteligência (simulação e resiliência). Conclui-se que a sinergia dessas três tecnologias supera suas limitações individuais, habilitando ecossistemas logísticos dinâmicos, preditivos e fundamentalmente confiáveis.
Palavras-chave: Logística, Cadeia de Suprimentos, Internet das Coisas, Blockchain, Gêmeos Digitais.
1 INTRODUÇÃO
A gestão da cadeia de suprimentos (SCM) e a logística atravessam uma transformação paradigmática impulsionada pela Quarta Revolução Industrial (Logística 4.0). A digitalização deixou de ser um diferencial competitivo para se tornar um requisito de sobrevivência operacional, exigindo níveis sem precedentes de eficiência, agilidade e resposta a disrupções (Zhao; Hong; Lau, 2023). Nesse cenário, tecnologias disruptivas emergiram como pilares centrais. A Internet das Coisas (IoT) promete visibilidade total através da captura de dados em tempo real de ativos físicos (Li & Luo, 2024; Li, 2025). O Blockchain (BC) oferece uma arquitetura descentralizada para transações, garantindo imutabilidade, transparência e confiança entre múltiplos atores (Santhi & Muthuswamy, 2022; Aslam et al., 2025). Simultaneamente, os Gêmeos Digitais (Digital Twins – DT’s) fornecem representações virtuais dinâmicas de sistemas físicos, permitindo simulações complexas, otimização preditiva e testes de cenários “what-if” (Hu et al., 2023; Nicoletti & Appolloni, 2025).
Apesar do potencial individual robusto dessas tecnologias, identifica-se um problema de pesquisa central na literatura contemporânea: a compreensão fragmentada de seu potencial sinérgico. A maioria dos estudos tende a focar em implementações isoladas ou, no máximo, em pares tecnológicos como a integração de IoT e Blockchain para rastreabilidade (Li, 2024; Souza, 2023; Sayar et al., 2025) ou a combinação de IoT e Gêmeos Digitais para otimização de armazéns (Cai, 2024). Essa abordagem isolada impede o desenvolvimento de um modelo teórico-prático que explique como a convergência total dessas três tecnologias pode se orquestrar para criar sistemas logísticos que sejam, simultaneamente, integrados, transparentes, resilientes e confiáveis.
A lacuna existente não é meramente técnica, mas conceitual. Sem um framework que articule a sinergia, as organizações falham em capturar o valor total da transformação digital, permanecendo vulneráveis a riscos e ineficiências que a integração poderia mitigar. Diante deste problema, o presente artigo é norteado pela seguinte pergunta de pesquisa: Como a convergência sinérgica entre Internet das Coisas (IoT), Blockchain e Gêmeos Digitais pode criar sistemas logísticos integrados, transparentes, resilientes e confiáveis?
O objetivo geral desta pesquisa é, portanto, analisar a literatura existente para sintetizar um framework conceitual que descreva a convergência sinérgica entre IoT, Blockchain e Gêmeos Digitais na logística. Os objetivos específicos incluem: (1) Descrever o papel individual de cada tecnologia (IoT, BC, DT) como pilar fundamental da logística inteligente; (2) Identificar e analisar as conexões e dependências mútuas entre essas tecnologias, conforme descrito na literatura; e (3) Sintetizar como a integração tripla responde aos desafios de integração, transparência, resiliência e confiabilidade na cadeia de suprimentos.
A importância desta pesquisa reside em sua contribuição para a consolidação teórica da Logística 4.0/5.0 (Monferdini et al., 2025; Li et al., 2023). Ao propor uma narrativa unificada, este estudo oferece aos acadêmicos um modelo conceitual para futuras investigações empíricas e, aos gestores, um roteiro mais claro para investimentos estratégicos em digitalização. A metodologia adotada é a Revisão Narrativa da Literatura, com abordagem qualitativa, exploratória e descritiva, focada na síntese de um corpus de literatura pré-definida.
2 REFERENCIAL TEÓRICO
Para fundamentar a análise da convergência tecnológica, é imperativo estabelecer o papel conceitual de cada um dos três pilares tecnológicos, IoT, Blockchain e Gêmeos Digitais, conforme delineado pela literatura recente. A fragmentação do conhecimento, problema central desta pesquisa, origina-se da especialização dos estudos em apenas um desses domínios.
2.1 O Pilar da Visibilidade: Internet das Coisas (IoT) na Logística
A Internet das Coisas é frequentemente descrita como o sistema nervoso digital da cadeia de suprimentos. Sua função primordial é estender a conectividade da internet a objetos físicos, contêineres, veículos, paletes, produtos, através de sensores, tags (como RFID) e atuadores (Li & Luo, 2024; Arvind et al., 2025). A literatura destaca o papel da IoT como a principal habilitadora da visibilidade em tempo real (real-time visibility). Estudos como os de Li (2025) e Ran et al. (2024) demonstram que a implementação da IoT permite o monitoramento contínuo de localização, condição (temperatura, umidade, impacto) e status dos ativos logísticos. Essa capacidade de captura massiva de dados (Big Data) é a matéria-prima para toda a inteligência logística subsequente (Witkowski, 2017). No entanto, a IoT por si só não resolve questões de confiança ou de interpretação de dados; ela apenas os coleta e transmite.
2.2 O Pilar da Confiança: Blockchain (BC) na Cadeia de Suprimentos
Se a IoT gera dados, o Blockchain atua como mecanismo para garantir sua integridade e proveniência. Conceitualmente, o BC é um livro-razão distribuído (DLT), descentralizado e criptograficamente seguro, onde as transações são registradas em blocos imutáveis (Santhi & Muthuswamy, 2022). Na logística, sua aplicação resolve o problema crônico da assimetria de informação e da falta de confiança entre múltiplos stakeholders (embarcadores, transportadores, clientes, reguladores) (Aslam et al., 2025). Estudos como o de Chen et al. (2020) e Li (2024) enfatizam que, ao registrar dados logísticos (como marcos de transporte ou transferências de posse) em um Blockchain, cria-se uma “fonte única da verdade” (single source of truth) que é transparente e auditável por todas as partes autorizadas. O Blockchain transforma dados brutos em registros confiáveis, sendo essencial para a rastreabilidade (Souza, 2023).
2.3 O Pilar da Inteligência: Gêmeos Digitais (DT’s) para Simulação e Otimização
Os Gêmeos Digitais representam a camada de inteligência e orquestração do ecossistema logístico. Um DT é uma representação virtual de alta fidelidade de um ativo, processo ou sistema físico (como um armazém ou uma rede de distribuição inteira), que é dinamicamente atualizado com dados do mundo real (Cai, 2024). A literatura posiciona os DT’s como ferramentas avançadas de simulação e otimização (An et al., 2023). Hu et al. (2023), por exemplo, discutem a construção de DT’s para armazéns refrigerados, permitindo a otimização da alocação de produtos e do consumo de energia antes que qualquer movimento físico ocorra. Nicoletti & Appolloni (2025) argumentam que os DT’s são fundamentais para o futuro da engenharia digital na logística. O DT depende vitalmente de dados em tempo real (fornecidos pela IoT) e de dados confiáveis (validados pelo Blockchain) para que suas simulações sejam precisas e suas decisões, acionáveis.
A análise desses pilares revela uma interdependência clara. A IoT (visibilidade) sem o BC (confiança) gera dados potencialmente corruptíveis. O BC sem a IoT carece de dados automatizados do mundo real para registrar. E o DT sem ambos (dados reais e confiáveis) torna-se apenas uma simulação estática e imprecisa. A sinergia, portanto, não é opcional, mas essencial, embora raramente discutida de forma integrada (Gai et al., 2023).
3 METODOLOGIA DA REVISÃO
Para responder à pergunta de pesquisa proposta, adotou-se a metodologia de Revisão Narrativa da Literatura. Esta abordagem é caracterizada por sua natureza qualitativa, exploratória e descritiva, sendo ideal para a síntese de um corpo de conhecimento, a identificação de tendências conceituais e a construção de frameworks teóricos a partir de uma base documental definida (Rother, 2007). O foco não é o esgotamento exaustivo das fontes, mas o aprofundamento analítico e a contextualização qualitativa do tema.
3.1 Definição de escopo e procedimento de coleta
O escopo temático desta revisão foi definido para abranger a intersecção da logística e gestão da cadeia de suprimentos com as três tecnologias centrais: Internet das Coisas (IoT), Blockchain (BC) e Gêmeos Digitais (DT’s). Foi adotada uma abordagem híbrida combinando buscas em bancos de dados com a Snowballing. A busca foi realizada entre agosto e setembro de 2025 nas seguintes bases de dados: Scopus, PlosOne e Scielo, reconhecidas pela cobertura nas áreas de engenharia, tecnologia e gestão. A seleção das fontes não seguiu um protocolo de busca exaustiva, como ocorreria em uma revisão sistemática. Em vez disso, adotou-se um processo intencional e iterativo, utilizando strings de busca com operadores booleanos. Os termos e frases de busca incluíram “Logistics” AND “Internet of Things” OR “Blockchain” OR “Digital Twin” AND “Integration” OR “Synergy. A busca foi focada em títulos, resumos e palavras-chave para garantir a pertinência dos resultados.
3.2 Processo de triagem e seleção de artigos
O processo de seleção foi conduzido por dois revisores independentes, com resoluções de discordâncias por consenso, seguindo critérios de inclusão e exclusão pré-definidos.
- Critérios de Inclusão: (CI1) Artigos revisados por pares; (CI2) Publicados entre 2020 e 2025; (CI3) Idiomas inglês ou português; (CI4) Foco temático primário ou secundário em logística ou SCM; (CI5) Abordar conceitual ou empiricamente pelo menos uma das três tecnologias (IoT, BC ou DT).
- Critérios de Exclusão: (CE1) Artigos com foco exclusivo em setores nãologísticos; (CE2) Artigos com foco em metodologias de ensino; (CE3) Artigos não revisados por pares e (CE4) Artigos que não se concentravam em tecnologias do escopo.
O fluxo de seleção:
- Identificação: A busca inicial nas bases de dados resultou em 238 artigos.
- Triagem por Título e Resumo: Os títulos e resumos foram lidos para uma primeira avaliação. Foram removidos artigos duplicados e aqueles claramente fora do escopo, resultando na exclusão de 116 artigos. Restaram 122 artigos para análise completa.
- Avaliação do Texto Completo: Os 122 artigos foram lidos na íntegra. Nesta fase, 52 estudos foram excluídos pelos seguintes motivos: CE1: Foco em setor não-logístico (n=14), CE2: Foco em ensino/pedagogia (n=8), CE3: Foco não-tecnológico (n=12), CE4: Foco em tecnologias fora do escopo (n=18).
- Inclusão Final: Ao final do processo, 70 artigos atenderam a todos os critérios de seleção.
3.3 Extração e Avaliação da Qualidade dos Dados
Os 70 artigos selecionados foram submetidos à análise temática. Os dados foram extraídos utilizando uma matriz estruturada (conforme Apêndice A), focando em: autores/ano, objetivos, metodologia, tecnologia(s) central(is), achados sobre sinergia, e limitações.
A qualidade dos estudos incluídos foi avaliada por meio de um checklist adaptado, focado na adequação para uma revisão narrativa (ver Apêndice C). Os critérios avaliaram a correlação com RQ1 (C1), a clareza metodológica (C2), rigor conceitual (C3) e a contribuição para sinergia (C4). A Tabela 1 apresenta um extrato dessa avaliação para os artigos considerados de “Alta Qualidade” e “Alta Correlação” (isto é, que abordavam diretamente a sinergia). Nível: Alto (4 Pontos): Atende a todos os critérios. Médio (2-3 Pontos): Atende C1 e C3. Baixo (0-1 Ponto): Baixa clareza ou aderência.
Tabela 1: Resultado da Avaliação de Qualidade e Correlação (Extrato dos Principais Artigos)
| ID | Artigo | C1 | C2 | C3 | C4 | Pontos | Nível | Status |
| 1 | An et al. (2023) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 2 | Chen et al. (2020) | 1,0 | 0,5 | 0,5 | 0,5 | 2,5 | Médio | Incluído |
| 3 | Li (2024) | 1,0 | 1,0 | 1,0 | 1,0 | 4,0 | Alto | Incluído |
| 4 | Souza (2023) | 1,0 | 0,5 | 1,0 | 0,5 | 3,0 | Médio | Incluído |
| 5 | Li & Luo (2024) | 1,0 | 0,5 | 0,5 | 0,5 | 2,5 | Médio | Incluído |
| 6 | Sayar et al. (2025) | 1,0 | 1,0 | 1,0 | 1,0 | 4,0 | Alto | Incluído |
| 7 | He et al. (2024) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 8 | Bui & Le (2025) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 9 | Zhang et al. (2022) | 1,0 | 0,5 | 1,0 | 0,5 | 3,0 | Médio | Incluído |
| 10 | Aslam et al. (2025) | 1,0 | 1,0 | 0,5 | 1,0 | 3,5 | Alto | Incluído |
| 11 | Gai et al. (2023) | 1,0 | 1,0 | 1,0 | 1,0 | 4,0 | Alto | Incluído |
| 12 | Hu et al. (2023) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 13 | Tsipoulanidis & Nanos (2022) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 14 | Cai (2024) | 1,0 | 1,0 | 1,0 | 1,0 | 4,0 | Alto | Incluído |
| 15 | Monferdini et al. (2025) | 1,0 | 1,0 | 1,0 | 1,0 | 4,0 | Alto | Incluído |
| 16 | Li & Sukhotu (2025) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 17 | Zhao et al. (2023) | 1,0 | 1,0 | 0,5 | 1,0 | 3,5 | Alto | Incluído |
| 18 | Santhi & Muthuswamy (2022) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 19 | Liu (2024) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 20 | Arvind et al. (2025) | 1,0 | 1,0 | 0,5 | 1,0 | 3,5 | Alto | Incluído |
| 21 | Li (2025) | 1,0 | 0,5 | 0,5 | 0,5 | 2,5 | Médio | Incluído |
| 22 | Witkowski (2017) | 1,0 | 0,5 | 0,5 | 0,5 | 2,5 | Médio | Incluído |
| 23 | Sharma et al. (2023) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 24 | Li et al. (2023) | 1,0 | 1,0 | 1,0 | 1,0 | 4,0 | Alto | Incluído |
| 25 | Wang et al. (2025) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 26 | Chen et al. (2022) | 1,0 | 1,0 | 0,5 | 0,5 | 3,0 | Médio | Incluído |
| 27 | Tiwari et al. (2024) | 1,0 | 0,5 | 0,5 | 0,5 | 2,5 | Médio | Incluído |
| 28 | Wang et al. (2024) | 1,0 | 0,5 | 0,5 | 0,5 | 2,5 | Médio | Incluído |
| 29 | Nicoletti & Appolloni (2025) | 1,0 | 1,0 | 1,0 | 1,0 | 4,0 | Alto | Incluído |
| 30 | Ran et al. (2024) | 1,0 | 0,5 | 0,5 | 0,5 | 2,5 | Médio | Incluído |
A síntese dos dados seguiu uma abordagem de análise temática, onde os achados foram agrupados em categorias emergentes que respondem diretamente à RQ1, detalhadas na seção subsequente.
4 RESULTADOS E DISCUSSÃO
A análise narrativa, resultou em um corpus final total de 30 artigos e revela que a literatura, embora fragmentada, contém os componentes necessários para construir um framework de convergência. A resposta à pergunta de pesquisa é estruturada em um modelo de três camadas interdependentes: (1) A camada de Visibilidade (IoT), (2) a camada de Confiança (Blockchain), e (3) a camada de Inteligência (Gêmeos Digitais).
4.1 A Sinergia IoT-Blockchain
A integração mais frequentemente discutida na literatura selecionada é a do par IoT e Blockchain (Li, 2024; Souza, 2023; Sayar et al., 2025). A IoT, como visto, captura dados massivos, mas é vulnerável; sensores podem ser falsificados ou os dados interceptados e alterados em trânsito (Li, 2024). O Blockchain resolve essa vulnerabilidade.
A sinergia ocorre quando os dados gerados pelos sensores da IoT são usados como inputs (transações) para um Blockchain (Sayar et al., 2025). Li (2024) propõe um modelo que usa BC para otimizar o ILS (Intelligent Logistics System) baseado em IoT, resolvendo problemas de rastreabilidade. Souza (2023), em um estudo de caso sobre rastreabilidade de resíduos, demonstra como a IoT rastreia o resíduo em tempo real, enquanto o BC garante a transparência e confiabilidade dessa informação. Nessa arquitetura, o Blockchain atua como um “notário digital” (Li, 2024) para os dados da IoT. Isso cria transparência, pois todos os stakeholders acessam o mesmo ledger, e confiabilidade, pois os dados, uma vez registrados, são imutáveis (Santhi & Muthuswamy, 2022).
4.2 A Sinergia IoT-DT
A segunda integração-chave é entre IoT e Gêmeos Digitais (Cai, 2024). Um Gêmeo Digital, para ser “vivo”, necessita de um fluxo constante de dados do mundo real para atualizar seu estado virtual (Nicoletti & Appolloni, 2025). A IoT é a fonte primária desses dados.
Cai (2024) propõe um modelo de DT para sistemas de armazenagem inteligentes baseado em IoT. Os sensores da IoT monitoram o estado do armazém (localização de itens, status de equipamentos) e alimentam o DT, que então utiliza algoritmos para otimizar a alocação de cargas. A literatura sugere que essa sinergia cria integração, pois o DT atua como o hub central que unifica os dados de múltiplos sensores da IoT (Cai, 2024). Além disso, ela habilita a resiliência em nível operacional; o DT pode simular o impacto de uma falha de equipamento (detectada pela IoT) e recalcular rotas de empilhadeiras em tempo real, antes que a falha cause um gargalo (An et al., 2023).
4.3 A Sinergia BC-DT
A integração menos explorada, mas conceitualmente crítica, é entre Blockchain e Gêmeos Digitais. Gai et al. (2023) abordam diretamente essa interseção. Enquanto a IoT alimenta o DT com dados em tempo real, o Blockchain pode ser usado para garantir a integridade desses dados e a segurança das interações entre o DT e o mundo real.
Gai et al. (2023) propõem uma solução de DT habilitada por Blockchain para otimizar a SCM. O BC é usado para gerenciar de forma segura e confiável os dados trocados no DT, especialmente em otimizações de serviços que envolvem múltiplos parceiros. Isso garante que as simulações do DT sejam baseadas em dados cuja proveniência é verificada (Gai et al., 2023). Além disso, o Blockchain pode registrar as “decisões” ou “comandos” gerados pelo DT de volta ao sistema físico (via atuadores da IoT), criando um registro de auditoria imutável das ações da inteligência artificial (Nicoletti & Appolloni, 2025).
4.4 O Framework Sinérgico (IoT + BC + DT)
A análise narrativa revela que a verdadeira capacidade de criar sistemas logísticos integrados, transparentes, resilientes e confiáveis emerge apenas quando as três tecnologias convergem (ver Tabela 2).
- Integrado: O Gêmeo Digital (DT) atua como o hub de integração, consumindo dados dos sensores da IoT (Cai, 2024).
- Transparente: O Blockchain (BC) fornece uma camada de acesso compartilhado e imutável aos dados da IoT e às decisões do DT, visível a todos os stakeholders (Li, 2024; Gai et al., 2023).
- Confiável: A sinergia IoT-BC garante que os dados que alimentam o DT são confiáveis, pois sua origem e integridade são criptograficamente asseguradas (Sayar et al., 2025). A confiabilidade não é apenas sobre dados, mas sobre processos.
- Resiliente: A resiliência (Zhao et al., 2023; Wang et al., 2025) é alcançada pela capacidade do DT de usar dados da IoT, validados pelo BC, para realizar simulações preditivas de disrupções. O DT pode antecipar falhas e otimizar respostas (como encontrar rotas alternativas ou fornecedores secundários) de forma proativa. O Blockchain, por sua vez, garante que essa reconfiguração da cadeia seja comunicada e acordada de forma segura e contratual (via smart contracts) entre os parceiros.
Tabela 2: O Framework Sinérgico (IoT-BC-DT) para Capacidades Logísticas
| Tecnologia | Função Primária | Contribuição para a Sinergia | Capacidade Logística Habilitada |
| IoT | Visibilidade | Captura dados em tempo real do mundo físico. | Rastreamento e Visibilidade em Tempo Real |
| Blockchain (BC) | Confiança | Valida, protege e torna imutáveis os dados da IoT e as decisões do DT. | Transparência, Auditoria e Confiança nos Dados |
| Digital Twin (DT) | Inteligência | Consome dados (IoT+BC) para simular, otimizar e orquestrar processos. | Otimização Preditiva e Resiliência Operacional |
A literatura analisada, embora não apresente este modelo unificado de forma explícita, fornece todas as evidências conceituais para sua construção. A fragmentação (o problema de pesquisa) é superada quando a IoT é vista como o sensor, o Blockchain como o validador e o Gêmeo Digital como o orquestrador.
5 CONCLUSÃO
Este artigo teve como objetivo central responder como a convergência sinérgica entre Internet das Coisas (IoT), Blockchain (BC) e Gêmeos Digitais (DT’s) pode criar sistemas logísticos integrados, transparentes, resilientes e confiáveis. A metodologia de Revisão Narrativa da Literatura, aplicada a um corpus de 30 artigos relevantes, permitiu sintetizar uma resposta que articula um framework conceitual de três camadas, superando a visão fragmentada identificada como o problema de pesquisa.
A análise demonstrou que as tecnologias não são meramente aditivas, mas multiplicativas. A IoT fornece a visibilidade que alimenta o ecossistema; o Blockchain adiciona a camada de confiança e transparência, garantindo a integridade dos dados da IoT e a segurança das transações; e os Gêmeos Digitais utilizam esses dados confiáveis para criar um ambiente de simulação preditiva que habilita a integração e a resiliência proativa. Conclui-se que é a interdependência dessas três tecnologias que permite à cadeia de suprimentos operar não apenas com eficiência, mas com um nível de confiabilidade, segurança e inteligência adaptativa (Li et al., 2023).
5.1 Contribuições e Implicações
A principal contribuição teórica desta pesquisa é a própria síntese do framework sinérgico (IoT-BC-DT). Ao articular como a visibilidade (IoT), a confiança (BC) e a inteligência (DT) se interligam, esta revisão oferece um modelo conceitual consolidado que estava ausente na literatura analisada, que tendia a focar em pares tecnológicos. Este framework pode servir como base para futuras pesquisas empíricas sobre a maturidade digital na logística.
As implicações práticas para gestores são significativas. A pesquisa sugere que investimentos isolados em IoT, BC ou DT’s resultarão em retornos subótimos. A maior captura de valor está na integração. Para os gestores, isso implica em um roteiro de digitalização que deve considerar a infraestrutura de captura de dados (IoT), a arquitetura de governança e segurança desses dados (BC) e a plataforma de tomada de decisão baseada em simulação (DT) como um sistema único e coeso.
5.2 Limitações e Pesquisas Futuras
Como toda Revisão Narrativa, esta pesquisa possui limitações inerentes. Primeiramente, a natureza qualitativa e exploratória não permite generalizações estatísticas. Segundo, a análise está restrita ao corpus de 30 artigos selecionados; embora significativos, eles não representam a totalidade exaustiva da literatura sobre o tema.
Estas limitações abrem caminhos claros para pesquisas futuras. Sugere-se a validação empírica deste framework sinérgico através de estudos de caso múltiplos em empresas que estejam em diferentes estágios de adoção dessas três tecnologias. Além disso, uma lacuna notável, mesmo nos artigos que tangenciam a sinergia, é o papel da Inteligência Artificial (IA) dentro do Gêmeo Digital (Nicoletti & Appolloni, 2025); pesquisas futuras devem explorar como algoritmos de Machine Learning e Reinforcement Learning (He et al., 2024) operam nesse ecossistema IoT-BCDT. Finalmente, a literatura sobre barreiras (Bui & Le, 2025; Sharma et al., 2023) deve ser revisitada sob a ótica da implementação integrada, que certamente apresentará desafios de interoperabilidade e custo ainda mais complexos.
6 REFERÊNCIAS
AN, Y. et al. An Auxiliary Model of Intelligent Logistics Distribution Management for Manufacturing Industry Based on Refined Supply Chain. IEEE Access, v. 11, p. 47101-47111, 2023.
ARVIND, V. R. et al. Intelligent Warehousing: A Machine Learning and IoT Framework for Precision Inventory Optimization. IEEE Access, v. 13, p. 169408-169415, 2025.
ASLAM, J. et al. Blockchain solution for supply chains & logistics challenges: An empirical investigation. Transportation Research Part E: Logistics and Transportation Review, v. 198, p. 104134, 2025.
BUI, Q.-T.; LE, S.-T. Barriers to Blockchain Technology Implementation in Small and MediumSized Logistics Enterprises. SAGE Open, v. 15, n. 3, 2025.
CAI, Y. Digital twin model construction for intelligent Internet of Things logistics and warehousing systems. Intelligent Decision Technologies, v. 18, n. 7, p. 2407-2420, 2024.
CHEN, C.-Y. et al. An Integrated Framework of Supply Chain Traceability Based on Blockchain Technology. In: International Conference on P2P, Parallel, Grid, Cloud and Internet Computing. 2020.
CHEN, X.; CHEN, R.; YANG, C. Research to key success factors of intelligent logistics based on IoT technology. The Journal of Supercomputing, v. 78, p. 3905-3939, 2022.
GAI, K. et al. Blockchain-Enabled Service Optimizations in Supply Chain Digital Twin. IEEE Transactions on Services Computing, v. 16, n. 3, p. 1678-1686, 2023.
HE, Z.; CHEN, L.; LIU, B. Application of integrating reinforcement learning and intelligent scheduling in logistics distribution. Intelligent Decision Technologies, v. 18, n. 1, p. 57-74, 2024.
HU, B. et al. Construction of Digital Twin System for Cold Chain Logistics Stereo Warehouse. IEEE Access, v. 11, p. 73855-73863, 2023.
LI, C. Internet of Things (IoT) Driven Logistics Supply Chain Management Coordinated Response Mechanism. (IJACSA) International Journal of Advanced Computer Science and Applications, v. 16, n. 1, 2025.
LI, J. et al. Logistics 5.0: From Intelligent Networks to Sustainable Ecosystems. IEEE Transactions on Intelligent Vehicles, v. 8, n. 7, p. 3771-3774, 2023.
LI, Y. Analysis and Research on Intelligent Logistics Data under Internet of Things and Blockchain. Applied Artificial Intelligence, v. 38, n. 1, p. e2413824, 2024.
LI, Y.; SUKHOTU, V. How Does Digital Capability Shape Resilient Supply Chains?—Evidence from China’s Electric Vehicle Manufacturing Industry. Future Internet, v. 17, n. 3, p. 123, 2025.
LI, Z.; LUO, F. Application and value of Internet of Things in enterprise supply chain management. Journal of Computational Methods in Sciences and Engineering, v. 24, n. 5, p. 2689-2703, 2024.
LIU, C. Intelligent Logistics Supply Chain Management: Cost Management and Service Quality Improvement. Applied Mathematics and Nonlinear Sciences, v. 9, n. 1, p. 1-14, 2024.
MONFERDINI, L.; TEBALDI, L.; BOTTANI, E. From Industry 4.0 to Industry 5.0: Opportunities, Challenges, and Future Perspectives in Logistics. Procedia Computer Science, v. 253, p. 2941-2950, 2025.
NICOLETTI, B.; APPOLLONI, A. The Impact of AI Foundation models on the future of digital engineering for logistics and supply Chain. Digital Engineering, v. 7, p. 100058, 2025.
RAN, J.; MA, H.; RAN, R. The role of big data and IoT in logistics supply chain management of e-commerce. Journal of Computational Methods in Sciences and Engineering, v. 24, n. 2, p. 813-822, 2024.
ROTHER, E. T. Revisão sistemática X revisão narrativa. Acta Paulista de Enfermagem, v. 20, n. 2, p. v-vi, 2007.
SANTHI, A. R.; MUTHUSWAMY, P. Influence of Blockchain Technology in Manufacturing Supply Chain and Logistics. Logistics, v. 6, n. 1, p. 15, 2022.
SAYAR, A. et al. Application of Hyperledger Blockchain Technology to Logistics Supply Chain with IoT. Procedia Computer Science, v. 252, p. 814-823, 2025.
SHARMA, V. P. et al. Investigating Challenges to Adoption of Industry 4.0 Technologies in Logistics Management for Last Mile Delivery. International Journal of Innovation and Technology Management, v. 20, n. 8, p. 2350053, 2023.
SOUZA, F. R. Aplicação da blockchain e IoT na gestão da cadeia de suprimentos: um estudo de caso sobre rastreabilidade. Revista Produção Online, v. 23, n. 3, p. e-5016, 2023.
TIWARI, A. et al. Supply Chain Dynamics With Sensor Integration for Consumer Electronics in Retail and E-Commerce. IEEE Transactions on Consumer Electronics, v. 70, n. 4, p. 68466855, 2024.
TSIPOULANIDIS, A.; NANOS, I. Contemporary Potentials and Challenges of Digital Logistics and Supply Chain Management. International Journal of Innovation and Technology Management, v. 19, n. 5, p. 2241003, 2022.
WANG, H. et al. Research on digital empowerment, innovation vitality and manufacturing supply chain resilience mechanism. PLOS ONE, v. 20, n. 2, p. e0316183, 2025.
WANG, H.; YIN, Y.; WANG, X. The design for supply chain management of intelligent logistics system using cloud computing and the internet of things. Expert Systems, v. 41, n. 5, p. e13271, 2024.
WITKOWSKI, K. Internet of Things, Big Data, Industry 4.0 – Innovative Solutions in Logistics and Supply Chains Management. Procedia Engineering, v. 182, p. 763-769, 2017.
ZHANG, X.; SHI, X.; PAN, W. Big Data Logistics Service Supply Chain Innovation Model Based on Artificial Intelligence and Blockchain. Mobile Information Systems, v. 2022, p. 4794190, 2022.
ZHAO, N.; HONG, J.; LAU, K. H. Impact of supply chain digitalization on supply chain resilience and performance: A multi-mediation model. International Journal of Production Economics, v. 259, p. 108817, 2023.
Apêndice A: Matriz Temática de Extração
| Artigo (Referência) | Objetivos Principais | Metodologia | Tecnologia(s) | Achados sobre Sinergia (ou Pilar Central) |
| An et al. (2023) | Otimizar a gestão da distribuição logística na manufatura | Modelo Auxiliar; Simulação. | IA, DT (implícito) | Pilar DT/IA: Otimização de distribuição baseada em SCM refinada. |
| Chen et al. (n.d.) | Propor um framework integrado para rastreabilidade SCM | Conceitual; Arquitetura | Blockchain | Pilar BC: Foco na rastreabilidade e confiança entre as partes |
| Li (2024) | Explorar a segurança de dados logísticos em ILS (Intelligent Logistics System) | Modelo; Simulação | IoT + BC | Sinergia IoT+BC: O BC é adotado para melhorar e proteger o sistema logístico baseado em IoT, resolvendo a rastreabilidade |
| Souza (2023) | Analisar a aplicação de BC e IoT na rastreabilidade (gestão de resíduos) | Qualitativa; Estudo de Caso | IoT + BC | Sinergia IoT+BC: Rastreamento em tempo real (IoT) combinado com confiabilidade e transparência dos registros (BC) |
| Li & Luo (2024) | Estudar a aplicação e o valor da IoT na SCM empresarial. | Modelo; Simulação | IoT | Pilar IoT: Modelo de gestão de SCM baseado em IoT para aumentar eficiência e reduzir custos |
| Sayar et al. (2025) | Aplicar Hyperledger BC à SCM logística com integração IoT | Implementação; Modelo | IoT + BC (Hyperledger) | Sinergia IoT+BC: Integração via MQTT garante confidencialidade, integridade e segurança dos dados dos dispositivos IoT |
| He et al. (2024) | Aplicar Reinforcement Learning (RL) e agendamento inteligente na distribuição | Modelo; Simulação | IA (RL) | Pilar DT/IA: Otimização de rotas e agendamento (função central de um DT) |
| Bui & Le (2025) | Examinar as barreiras à adoção da tecnologia BC em PMEs logísticas | Empírico (SEM) | Blockchain | Pilar BC: Identificação de barreiras (custo, escala, cooperação) à implementação. |
| Zhang et al. (2022) | Propor um modelo de inovação SCM de serviços logísticos | Modelo Conceitual | IA + BC + Big Data | Sinergia Parcial (IA+BC): Modelo de inovação baseado na fusão de IA e BC para SCM |
| Aslam et al. (2025) | Investigar empiricamente as soluções do BC para desafios logísticos | Empírico (Survey) | Blockchain | Pilar BC: BC como solução para desafios de SCM (confiança, transparência) |
| Gai et al. (2023) | Propor otimizações de serviço em SCM habilitadas por DT e BC | Conceitual; Algoritmo | BC + DT | Sinergia BC+DT: O BC facilita o armazenamento seguro e o rastreamento confiável, assistindo a implementação do DT |
| Hu et al. (2023) | Detalhar a construção de um sistema DT para armazém de cadeia de frio | Estudo de Caso; Modelo | DT (IoT implícito) | Pilar DT: DT para otimização de armazéns (depende de dados em tempo real, pilar IoT implícito) |
| Tsipoulanidis & Nanos (2022) | Analisar os potenciais e desafios contemporâneos da logística digital | Revisão; Conceitual | Digitalização (Geral) | Contexto: Mapeamento de desafios e potenciais da digitalização SCM |
| Cai (2024) | Propor a construção de um modelo DT para sistemas de armazém IoT. | Modelo; Simulação. | DT + IoT | Sinergia IoT+DT: Utiliza dados de sensores IoT para alimentar o DT e otimizar a alocação de carga e densidade do armazém. |
| Monferdini et al. (2025) | Analisar oportunidades e desafios da I4.0 para a I5.0 em logística. | Revisão (Bibliométrica) | I4.0, I5.0 (IoT, IA) | Contexto: Transição da Logística 4.0 (eficiência) para 5.0 (sustentabilidade, resiliência). |
| Li & Sukhotu (2025) | Investigar como a capacidade digital molda a resiliência SCM (Caso EV). | Empírico (Estudo de Caso). | Digitalização | Contexto: Evidência empírica de que a capacidade digital (incl. IoT) impacta a resiliência. |
| Zhao et al. (2023) | Analisar o impacto da digitalização SCM na resiliência e performance. | Empírico (SEM). | Digitalização | Contexto: Modelo de mediação múltipla que liga digitalização à resiliência. |
| Santhi & Muthuswamy (2022) | Analisar a influência da tecnologia BC na SCM e logística de manufatura. | Revisão. | Blockchain | Pilar BC: Revisão focada no papel do BC para transparência e rastreabilidade. |
| Liu (2024) | Analisar gestão de custos e qualidade de serviço na SCM inteligente. | Estudo de Caso (RFID). | IoT (RFID) | Pilar IoT: Uso de RFID (IoT) para melhorar a eficiência de custos e serviços. |
| Arvind et al. (2025) | Propor um framework de armazenagem inteligente. | Modelo; Simulação. | ML + IoT | Sinergia Parcial (IA+IoT): Framework para otimização de inventário de precisão. |
| Li (2025) | Explorar um mecanismo de resposta coordenada para SCM baseado em IoT. | Modelo Conceitual. | IoT | Pilar IoT: Foco na arquitetura de sistema para resposta coordenada (baseada em IoT). |
| Witkowski (2017) | Apresentar soluções inovadoras (IoT, Big Data) na logística. | Conceitual. | IoT, Big Data, I4.0 | Pilar IoT/Contexto: Papel da IoT e Big Data como soluções inovadoras na SCM. |
| Sharma et al. (2023) | Investigar desafios de adoção de tecnologias I4.0 no last mile. | Empírico (Survey). | I4.0 (Geral) | Contexto: Barreiras à adoção de tecnologias digitais (componentes do framework). |
| Li et al. (2023) | Introduzir o conceito de Logística 5.0 (redes inteligentes p/ ecossistemas sustentáveis). | Conceitual. | Logística 5.0, BC, DAOs | Contexto/Pilar BC: Define o paradigma 5.0, onde o BC é um componente chave para DAOs. |
| Wang et al. (2025) | Pesquisar o mecanismo de empoderamento digital e resiliência SCM. | Empírico (Dados Painel). | Digitalização | Contexto: Relação entre empoderamento digital e resiliência SCM. |
| Chen et al. (2022) | Pesquisar os fatores chave de sucesso (KCFs) da logística inteligente. | Empírico (AHP). | IoT | Pilar IoT: Identifica KCFs para implementação de logística baseada em IoT (serviços técnicos, etc.). |
| Tiwari et al. (2024) | Modelar a dinâmica SCM (closed-loop) com integração de sensores. | Modelo; Simulação. | IoT (Sensores) | Pilar IoT: Foco na integração de sensores para otimizar SCM de eletrônicos. |
| Wang et al. (2024) | Projetar um sistema SCM para logística inteligente. | Modelo Conceitual. | Cloud + IoT (IA implícita) | Pilar IoT: Design de sistema SCM que utiliza Cloud e IoT para processamento de informação. |
| Nicoletti & Appolloni (2025) | Analisar o impacto de Foundation Models (IA) na engenharia digital (logística). | Conceitual; Prospectivo. | IA, DT’s, IoT (CPS) | Sinergia Total (IA+DT+IoT): Discute como IA (FMs) e DT’s (alimentados por IoT) redefinirão a engenharia digital. |
| Ran et al. (2024) | Explorar o papel do Big Data e IoT na SCM de e-commerce. | Análise/Caso. | Big Data + IoT | Pilar IoT: Papel do IoT e Big Data na melhoria da eficiência do e-commerce. |
Apêndice B: Fluxograma Detalhado do Processo de Seleção (Mermaid)
Apêndice C: Checklist de Avaliação da Qualidade dos Estudos (Corpus Final n=30)
| Critério de Avaliação | Descrição |
| C1: Clareza dos Objetivos | O artigo define claramente seu problema, objetivos ou pergunta(s) de pesquisa. |
| C2: Rigor Metodológico/Conceitual | A metodologia (se empírica) ou o desenvolvimento conceitual (se teórico) é robusto, bem descrito e justificado. |
| C3: Aderência à RQ da Revisão | O artigo contribui diretamente para responder à sinergia IoT-BC-DT, ou define um dos pilares. |
| C4: Contribuição e Originalidade | Os achados do artigo apresentam uma contribuição clara para o campo da logística digital. |
| Nível (Pontuação): | Alto (4 Pontos): Atende a todos os critérios. Médio (2-3 Pontos): Atende C1 e C3. Baixo (0-1 Ponto): Baixa clareza ou aderência. |
Apêndice D: Avaliação da Qualidade dos Estudos (Corpus Inicial n=70; Corpus Final n=30)
1Tecnólogo em Logística pelo Grupo Ser Educacional. Especializado em Gestão de Operações Supply Chain, com ênfase em otimização de processos e redução de custos pela ILOS – Especialistas em Logística e Supply Chain. – rayneselford@gmail.com
2Humberto Batista Xavier: Bacharel em Administração pela UFRPE. Mestre em Administração e Desenvolvimento pela UFRPE – humberto.bxavier@upe.br