Inteligência artificial na indústria: do chão de fábrica ao planejamento

A conversa sobre inteligência artificial na indústria costuma começar pelo lugar errado: sensor novo em toda máquina, gêmeo digital, fábrica escura. A maior parte das plantas brasileiras não precisa de nada disso para ter resultado com IA nos próximos seis meses. Precisa usar o dado que já tem e que ninguém olha: ordens de manutenção, apontamentos de parada, fotos de inspeção, histórico de vendas, manuais e desenhos técnicos perdidos em pastas de rede.

Este texto passa por quatro áreas em que a IA já entrega em plantas reais sem retrofit de linha, e termina com uma forma de começar em uma linha só. É o roteiro que uma consultoria de IA deveria propor antes de falar em plataforma, e é o que separa os exemplos de inteligência artificial na indústria que viram operação dos que ficam no slide.

Manutenção preditiva sem sensor novo

Há uma confusão que custa caro: a ideia de que manutenção preditiva exige IoT. Exige dado sobre o comportamento do equipamento, e a maior parte das fábricas já tem mais dado do que usa. O CLP guarda histórico de alarmes. O sistema de manutenção tem anos de ordens com causa, peça trocada e tempo de reparo. O apontamento de produção registra cada parada com motivo, mesmo que o motivo seja “outros” em metade das vezes.

O primeiro passo é modelar em cima disso. Com o histórico de ordens e paradas, um modelo razoavelmente simples responde a uma pergunta útil: qual a probabilidade de cada equipamento crítico falhar nas próximas semanas, dado o que aconteceu com ele e com os equivalentes. Isso já muda a ordem da preventiva e a lista de peças em estoque.

O segundo passo usa os alarmes e as variáveis que o CLP e o supervisório já registram: temperatura, corrente, vibração onde existe, ciclos. Nenhum sensor novo, só extração e organização. É aqui que a maioria dos projetos trava, não por falta de modelo, mas porque o dado está em cinco formatos e ninguém sabe qual tag é qual. Uma base de engenharia de dados mínima resolve isso antes de qualquer modelo.

Sensor novo vem por último, quando o modelo mostra onde falta dado. É uma decisão de investimento guiada por evidência, não por catálogo. A métrica que importa é uma só: horas de parada não planejada por mês, com a proporção entre corretiva e preventiva como indicador secundário.

Inspeção de qualidade com visão computacional

Visão computacional para inspeção funciona muito bem em um cenário específico: defeito visual, repetitivo, com câmera fixa e iluminação controlada. Risco em superfície, trinca, falta de componente, rótulo errado, solda fora do padrão, embalagem amassada. Nesse cenário, o modelo faz o que o inspetor faz, sem cansar na oitava hora do turno.

Fica mais difícil em três situações. Defeito raro, com poucos exemplos para o modelo aprender. Iluminação que varia com a hora do dia ou com a porta do galpão aberta. Produto que muda toda semana, com mix alto e lote pequeno. Nenhuma inviabiliza, mas todas exigem mais dado ou mais engenharia, e isso precisa estar no orçamento.

O dado necessário é foto rotulada. Muitas fábricas já fotografam na inspeção manual e guardam por rastreabilidade. Começar rotulando o que existe é mais rápido que montar uma estação nova. Modelos de fundação para visão reduziram bastante a quantidade de exemplos necessários, mas não zeraram: alguém do controle de qualidade vai precisar dizer o que é defeito e o que é variação aceitável, e essa definição costuma ser menos clara do que o procedimento sugere.

As métricas são três, e todas precisam ser medidas antes de o modelo entrar. Taxa de escape (defeito que passou). Falso positivo (peça boa reprovada, que vira retrabalho e custo). Tempo de inspeção por peça. O desenho certo no começo é o modelo apontar e o inspetor confirmar. Depois de algumas semanas com o modelo acertando, o inspetor passa a olhar só o que o modelo marca.

Um detalhe de integração que costuma ficar de fora do orçamento: o que acontece com a peça reprovada. Se o modelo aponta e ninguém tira a peça da linha, a inspeção virou relatório. O piloto precisa incluir o desvio físico ou a sinalização para o operador, e isso é automação industrial, não IA. É barato, mas precisa estar no escopo desde o início.

Planejamento e S&OP com previsão

Previsão de demanda é onde a inteligência artificial na indústria entrega ganho com menos drama, porque não mexe na linha. O ganho aparece na granularidade que a planilha não alcança: SKU por região por semana, com sazonalidade, promoção e efeito de preço no mesmo modelo. No agregado mensal, o planejador experiente acerta quase tanto quanto o modelo. No detalhe, não.

Os insumos são internos na maior parte: histórico de vendas e de pedidos, carteira aberta, calendário, preço praticado, promoções passadas. Dado externo (clima, índices, feriado regional) ajuda menos do que se imagina e complica a operação. A recomendação é começar só com o interno e adicionar externo quando o modelo estiver em uso.

O resultado útil não é um número, é uma previsão com intervalo. “Entre 800 e 1.100 unidades, com 900 como centro” permite decidir estoque de segurança com risco conhecido. O planejador continua decidindo; o modelo tira o chute da conversa entre comercial e produção sobre qual é “o número”. Não resolve a briga política, mas dá a ela uma base comum.

Depois da demanda, o mesmo dado serve para sequenciamento de produção e otimização de setup, onde a IA reduz troca de ferramenta e tempo ocioso. Onde trava: histórico de vendas sujo (devolução lançada como venda, SKU duplicado), produto novo sem histórico e a resistência de quem sempre fez o número na mão. Os dois primeiros são engenharia de dados. O terceiro é gestão.

Documentação técnica e agentes para engenharia

Uma fábrica com vinte anos tem décadas de manuais, desenhos, procedimentos, normas, laudos e relatórios de falha. Em PDF escaneado, em pasta de rede, no computador do engenheiro que se aposentou. Quando um técnico precisa do torque de aperto de um parafuso em um equipamento antigo, ele pergunta para o colega mais velho. Quando o colega mais velho sai, a informação sai com ele.

Agentes de IA para engenharia resolvem isso de uma forma específica: buscar na documentação e responder com a fonte. A pergunta “qual o torque do parafuso do mancal do redutor da linha 3” volta com a resposta e a página do manual de onde ela saiu. Sem a fonte, o agente é perigoso em ambiente onde erro tem consequência física. Com a fonte, é o técnico sênior disponível em todos os turnos.

Os casos que mais aparecem:

• Integração de técnico novo, que passa a consultar o agente em vez de interromper o supervisor.
• Apoio à manutenção em campo, com procedimento e desenho na tela do tablet.
• Análise de causa raiz, buscando falhas parecidas no histórico de ordens e laudos.
• Redação de procedimento operacional a partir de registros e fotos, com revisão do engenheiro.
• Preenchimento de relatório de inspeção por voz ou foto no chão de fábrica, sem voltar para a mesa.

A condição para funcionar é a mesma da manutenção preditiva: organizar o que existe. Digitalizar o que está em papel, separar versão vigente de versão antiga e definir quem pode alterar o quê. Um agente que responde com base em um procedimento revogado é pior que nenhum agente.

Como começar inteligência artificial na indústria em uma linha só

O discurso de inteligência artificial na indústria 4.0 promete a fábrica conectada de ponta a ponta. A prática que funciona é mais modesta e mais rápida: uma linha, um problema, uma métrica e um dono. A tabela abaixo resume o que cada aplicação precisa e onde costuma travar.

A sequência para a primeira linha:

1. Escolher a linha com um gerente de produção disposto a ser o dono do piloto. Sem dono no chão de fábrica, o projeto vira de TI, e projeto de TI não muda operação.
2. Medir a linha de base por quatro semanas: horas de parada, taxa de escape, erro de previsão ou tempo de consulta técnica, conforme o caso. Sem isso, o ganho vira opinião.
3. Rodar o piloto com humano no circuito. O modelo sugere, a pessoa decide. Isso reduz o risco e gera o dado de correção que melhora o modelo.
4. Definir o critério de expansão antes de começar: qual número, em qual prazo, libera a segunda linha. Sem critério, o piloto vira eterno.

Quem precisa estar na sala: o gerente da linha, alguém da manutenção ou da qualidade conforme o caso, uma pessoa de TI ou automação que saiba onde o dado está e quem vai construir o modelo. A diretoria entra no início, para aprovar o critério de expansão, e no fim, para ler o resultado. No meio, atrapalha mais do que ajuda.

Uma linha em três meses vale mais do que um programa de transformação em três anos, porque no fim dos três meses a fábrica tem um resultado medido, um time que aprendeu e um argumento concreto para a próxima linha. As aplicações que descrevemos na página de IA para indústria seguem exatamente esse formato: pequeno no escopo, completo na operação.