A previsão de demanda ocupa papel central na gestão da cadeia de suprimentos e no Planejamento e Controle da Produção (PCP), especialmente em ambientes marcados por alta incerteza, volatilidade e complexidade, como aqueles associados à Indústria 4.0 e ao PCP 4.0. Neste contexto, modelos estatísticos clássicos, embora amplamente utilizados, mostram limitações para lidar com múltiplos padrões sazonais, relações não lineares e grande volume de dados e variáveis exógenas. Amparado pela Teoria do Processamento de Informação Organizacional (OIPT), este trabalho parte da premissa de que a seleção de modelos de previsão deve estar alinhada ao nível de incerteza da demanda e à capacidade de processamento de informação da organização, buscando um fit entre complexidade da tarefa e sofisticação analítica da ferramenta. Por meio da metodologia de Design Science Research, é desenvolvido um artefato computacional sob a forma de um Sistema de Apoio à Decisão (SAD) que integra: (i) um pipeline de previsão de demanda multi–item, combinando modelos estatísticos e de Machine Learning; e (ii) um módulo de avaliação multicritério que considera simultaneamente métricas de acurácia, viés, estabilidade e desempenho computacional. O artefato é aplicado a dados reais extraídos do ERP de uma empresa industrial, conduzindo uma competição de modelos em múltiplas séries temporais no nível de SKU. Os resultados evidenciam que não existe um modelo dominante universal; ao contrário, diferentes algoritmos apresentam melhor desempenho em subconjuntos específicos de itens, reforçando a lógica contingencial da OIPT. A avaliação multicritério permite adaptar a recomendação de modelos a diferentes prioridades organizacionais (por exemplo, foco máximo em acurácia, equilíbrio entre acurácia e custo computacional ou busca por maior robustez e estabilidade), oferecendo ao gestor uma ferramenta prática para seleção de modelos alinhada à estratégia da empresa. O estudo contribui teoricamente ao operacionalizar a OIPT no contexto da previsão de demanda e, do ponto de vista prático, ao disponibilizar um protótipo de SAD que pode ser incorporado aos processos de SeOP e PCP 4.0, apoiando uma tomada de decisão mais informada, ágil e aderente às exigências de cadeias de suprimentos complexas e digitais.