IA na indústria: como começar por manutenção e qualidade

IA na indústria: como começar por manutenção e qualidade

Para começar com IA na indústria, escolha um fluxo de manutenção ou qualidade em que a IA lê, organiza e sugere, e uma pessoa continua decidindo. Registros de manutenção e relatos de não conformidade são bons candidatos porque já existem em texto, o risco é baixo e o resultado aparece sem tocar na máquina. A IA preditiva fica para depois, quando os dados e o processo estiverem em ordem.

Principais pontos

• Comece por texto que a fábrica já produz (ordens de serviço, apontamentos de parada, relatos de não conformidade), não por sensores e modelos de previsão.
• Um bom primeiro piloto não comanda equipamento nem libera lote: ele resume, classifica, busca e sugere, com revisão humana.
• Qualidade do registro vem antes de qualquer previsão. Se o apontamento é vago, a IA preditiva herda a vagueza.
• Defina a linha de base e a métrica de sucesso antes de ligar a ferramenta, para saber se o piloto ajudou.
• Ao fim do piloto, decida de forma explícita: expandir, ajustar ou parar.

Por que não começar pela IA preditiva?

Manutenção preditiva é uma promessa atraente: prever a falha antes que ela pare a linha. O problema é o que ela exige. Precisa de histórico confiável de falhas, de sensores ou coletas consistentes, de um padrão de nomenclatura de ativos e de gente capaz de interpretar o alerta e agir. Quando uma dessas peças falta, o projeto vira meses de preparação de dados antes de entregar qualquer valor visível.

Há também um risco de confiança. Um alerta preditivo errado em uma linha crítica custa a credibilidade da área técnica, e um alerta que nunca dispara não ensina nada. Em um primeiro contato com IA, a equipe de chão de fábrica precisa ver utilidade rápida e erro barato.

A alternativa é tratar a IA como uma camada de leitura sobre o que a operação já escreve. Isso ensina a empresa a trabalhar com IA (revisar saídas, medir, corrigir) e, de quebra, melhora a qualidade dos registros que a preditiva exigirá mais tarde. É um caminho com menos glamour e mais chance de funcionar.

Que dados de manutenção e qualidade você já tem?

Antes de escolher a ferramenta, faça um inventário simples do que existe. Em muitas fábricas brasileiras, a realidade é mista: um sistema de gestão de manutenção (CMMS) ou o módulo do ERP, planilhas paralelas, fotos e áudios em grupos de WhatsApp, cadernos de turno e laudos em PDF. Nada disso precisa estar limpo para começar, mas você precisa saber onde está.

Pergunte, para cada fonte:

• Quem escreve e em que momento (durante o reparo, no fim do turno, dias depois)?
• O texto é livre ou há campos obrigatórios?
• Há identificação do ativo, da linha e do turno?
• Existe dado pessoal, como nome de operador, que exige cuidado?
• Quem poderia revisar uma saída da IA e dizer se está certa?

A última pergunta é a mais importante. Um piloto sem revisor definido não tem como medir erro, e erro não medido vira desconfiança difusa.

Quais pilotos de baixo risco funcionam primeiro?

O critério é simples: a IA trabalha sobre informação e entrega uma sugestão que uma pessoa aprova, sem comandar equipamento, sem liberar produto e sem decidir sozinha sobre segurança. Um guia de decisão para escolher entre candidatos:

• Padronizar descrições de ordens de serviço: a IA reescreve o relato livre do técnico em campos organizados (ativo, sintoma, ação, peça usada), e o técnico confirma.
• Classificar causa provável de parada: a IA sugere uma categoria a partir do texto, e o supervisor corrige. As correções viram material de avaliação.
• Resumir histórico de um ativo: antes de uma intervenção, a IA reúne ocorrências anteriores do mesmo equipamento em um resumo curto, com link para os registros originais.
• Rascunhar relatos de não conformidade: a partir de anotações e fotos do inspetor, a IA monta o rascunho no formato da empresa, e o responsável da qualidade revisa.
• Agrupar não conformidades parecidas: a IA aponta ocorrências com a mesma característica, para a qualidade investigar recorrência.
• Buscar procedimentos: perguntas em linguagem natural sobre instruções de trabalho e planos de manutenção, com resposta sempre acompanhada do documento de origem.

Evite, no primeiro ciclo, qualquer coisa em que o erro da IA vire ação física sem barreira humana: ajuste de parâmetro de processo, liberação de lote, bloqueio ou desbloqueio de equipamento, decisão de segurança do trabalho. Isso não é proibição eterna, é ordem de entrada.

Cenário ilustrativo: registros de manutenção e não conformidades

Cenário ilustrativo, sem relação com nenhuma empresa real. Uma fábrica de componentes plásticos tem paradas frequentes em uma linha de injeção. Os técnicos registram as ordens de serviço no fim do turno, com frases como máquina travou, troquei o de sempre. A qualidade, por sua vez, recebe relatos de peças com rebarba escritos de formas diferentes por cada inspetor.

O piloto tem dois fluxos pequenos. No primeiro, a IA lê o texto da ordem de serviço e propõe os campos: ativo, sintoma, causa provável e peça. O técnico vê a proposta no mesmo momento do registro, corrige o que estiver errado e salva. No segundo, a IA recebe as anotações do inspetor e monta o rascunho do relato de não conformidade, sinalizando campos que ficaram em branco em vez de preencher por suposição.

O que isso entrega: registros mais consistentes, uma base que permite enxergar quais sintomas se repetem em quais ativos e um conjunto de correções humanas que mostra onde a IA erra. Hipótese razoável (não um resultado): com registros mais padronizados por algum tempo, a empresa passa a ter a base mínima para avaliar se faz sentido tentar previsão em um ativo específico. Só então a conversa sobre IA preditiva deixa de ser aposta.

Como rodar o piloto, passo a passo

Um plano enxuto, que cabe em uma folha:

• Escolha um fluxo, uma linha ou área e um responsável de negócio (não apenas de TI).
• Registre a linha de base: como o processo funciona hoje, quanto tempo leva, onde há retrabalho e o que o revisor considera um bom registro.
• Limite os dados: use apenas os campos necessários, remova ou mascare nomes de operadores quando não forem necessários e defina onde as informações ficam armazenadas.
• Limite as ações: a IA propõe, a pessoa confirma. Sem escrita automática em sistema de produção na primeira fase.
• Monte um conjunto de exemplos reais já resolvidos para testar antes de colocar em uso, com a resposta esperada definida por quem entende do assunto.
• Ative logs: o que entrou, o que a IA sugeriu, o que a pessoa mudou. Sem registro, não há como aprender com o piloto.
• Rode por um período curto e fechado, com revisão semanal dos erros.
• Ao final, compare com a linha de base e decida: expandir, ajustar ou parar.

Esse formato acompanha o método que usamos em projetos de IA para empresas: mapear o processo atual, limitar dados e ações, pilotar um fluxo real com logs e uma métrica combinada e, por fim, transferir a operação e decidir o próximo passo. Não há nada exótico nele, a disciplina está em não pular etapas.

Como medir se o piloto funcionou?

Métrica de piloto precisa ser definida antes, com quem vive o processo. Em manutenção e qualidade, as candidatas naturais são o tempo que o técnico gasta para registrar uma ordem, a proporção de registros que chegam completos, a taxa de correção humana sobre as sugestões da IA e a concordância entre revisores. Escolha poucas, que você consiga coletar sem esforço extra.

Para estruturar a avaliação e os critérios de decisão, vale consultar o artigo sobre como medir um piloto de automação com IA. Se você precisa formalizar escopo, responsáveis e limites antes de começar, o modelo de plano piloto de IA ajuda a colocar tudo em um documento só.

Sobre avaliação técnica, a documentação da Anthropic sobre como avaliar agentes de IA explica por que casos de teste concretos e critérios de correção claros são a base para saber se o sistema melhorou ou piorou. Isso é documentação oficial; a adaptação para o chão de fábrica, com exemplos de ordens de serviço e relatos de qualidade, é prática de implementação.

Que limites e aprovações colocar desde o início?

Mesmo em um piloto de baixo risco, defina o que a IA pode e não pode fazer. Uma regra útil: leitura e sugestão liberadas, escrita em sistemas de produção só com confirmação, e nenhuma ação sobre equipamento, lote ou segurança. Se o piloto evoluir para ações com mais consequência, a política de aprovação para agentes de IA mostra como definir quem aprova o quê.

Sobre dados pessoais: ordens de serviço e relatos de qualidade costumam trazer nome, matrícula e às vezes foto de pessoas. Isso pode atrair obrigações da LGPD, e a orientação oficial está no site da ANPD. Na prática, reduza o dado ao necessário, defina quem acessa os logs e por quanto tempo eles ficam guardados, e envolva jurídico ou encarregado de dados antes de ampliar.

Para estruturar a gestão de risco de forma mais ampla, o NIST AI Risk Management Framework oferece uma referência pública de como mapear, medir e gerenciar riscos de sistemas de IA. Não é um manual de fábrica, mas serve como vocabulário comum entre operação, TI e jurídico.

Um princípio de desenho que vale aqui, presente na orientação da Anthropic sobre construção de agentes eficazes, é começar pela solução mais simples que resolve o problema e só adicionar autonomia quando houver evidência de que ela compensa. Para um primeiro piloto industrial, isso costuma significar um fluxo fixo com um passo de IA onde há texto a interpretar, e não um agente autônomo.

Quando faz sentido avançar para IA preditiva?

Sinais de que a fábrica está pronta para considerar previsão em um ativo ou família de ativos:

• Os registros de falha daquele ativo estão consistentes há tempo suficiente para serem confiáveis.
• Há dados de condição (vibração, temperatura, corrente, ciclos) coletados de forma contínua e com identificação correta.
• Existe uma ação de manutenção clara que o alerta dispara, com responsável e prazo.
• O custo de uma parada naquele ativo justifica o esforço, e a área de manutenção quer o alerta.
• O piloto anterior deixou a equipe confortável em revisar saídas de IA e corrigir erros.

Se você não consegue marcar a maior parte dessas caixas, o próximo investimento provavelmente é em registro, padronização e coleta, não em modelo. E, se decidir avançar, trate a previsão como um novo piloto, com linha de base, limites e critério de parada próprios, não como continuação automática do anterior.

Perguntas frequentes

Por onde começar com IA na indústria se a fábrica ainda usa muito papel e planilha? Comece digitalizando e padronizando um único fluxo, como a ordem de serviço de uma linha, e use a IA para ajudar a estruturar o texto. Não é preciso trocar todos os sistemas antes. O objetivo do primeiro ciclo é aprender a revisar e medir, não automatizar tudo.

Precisamos de sensores e IoT para começar? Não. Os pilotos de registros de manutenção e não conformidades trabalham com texto, fotos e documentos que a operação já gera. Sensores passam a importar quando a conversa for sobre previsão de falhas, e mesmo assim só depois de a base de registros estar confiável.

A IA pode decidir sozinha sobre qualidade ou manutenção? No início, não recomendamos. A IA deve classificar, resumir e sugerir, enquanto a pessoa responsável confirma. Decisões que envolvem segurança, liberação de lote ou comando de equipamento precisam de barreira humana e, se um dia forem automatizadas, de critérios formais de aprovação e monitoramento.

Como saber se o piloto deve continuar, mudar ou parar? Compare os resultados com a linha de base registrada antes do início e com a métrica combinada com a área. Se a taxa de correção humana é alta e não cai, ajuste o escopo ou os dados. Se o ganho é claro e o risco está controlado, expanda para outra linha. Se não houve melhora ou ninguém usa, pare e registre o que aprendeu.

Fontes

• Anthropic: Demystifying evals for AI agents
• Anthropic: Building effective agents
• NIST AI Risk Management Framework
• ANPD: Autoridade Nacional de Proteção de Dados