Superinteligência na indústria: preparar processo e registros

Superinteligência na indústria: preparar processo e registros

Superinteligência na indústria, hoje, é menos um produto que se compra e mais uma condição que se prepara: conhecimento de processo escrito, registros confiáveis e limites claros sobre o que o agente pode decidir. Quem organiza isso agora tem agentes úteis desde já e fica pronto para modelos mais capazes depois. As decisões de segurança e de qualidade continuam com pessoas autorizadas, seja qual for a capacidade do modelo.

Principais pontos

• Superinteligência é uma hipótese de futuro. O que a fábrica controla hoje é a qualidade do conhecimento e dos registros que qualquer agente vai consultar.
• Procedimentos, critérios de aceitação e exceções precisam estar escritos, versionados e com dono, não só na cabeça do operador mais experiente.
• Agente pode ler, resumir, comparar e propor. Liberar lote, aprovar desvio e alterar parâmetro de segurança ficam com humanos.
• Quanto mais capaz o modelo, mais importa a permissão mínima, o registro de cada ação e o teste antes de ampliar o escopo.
• O caminho seguro é mapear, limitar, pilotar um fluxo real e só então decidir se expande, ajusta ou para.

O que significa superinteligência na indústria, na prática?

O termo descreve sistemas que superariam pessoas em quase todas as tarefas cognitivas. Nenhuma fábrica opera isso hoje, e vale separar três planos: o que a documentação oficial dos fornecedores descreve, o que se observa ao implantar agentes em processos reais e o que é hipótese sobre o futuro. Esta leitura usa a terceira categoria apenas como motivo de preparação, não como promessa. Para a diferença entre os conceitos, vale ver a diferença entre AGI e superinteligência.

O que muda para quem toca uma planta é uma pergunta simples: se amanhã um agente muito mais capaz tiver acesso aos nossos pedidos, ordens de produção e laudos, ele encontrará informação correta, atualizada e com limites? Se a resposta for não, o problema não é o modelo. É a base que ele vai ler.

Por isso a preparação é a mesma para um agente modesto de hoje e para um muito capaz de amanhã: conhecimento organizado, acesso restrito, ações registradas e decisão crítica sob responsabilidade humana.

Que conhecimento de processo precisa estar escrito?

Muito do que sustenta a qualidade numa fábrica é conhecimento tácito: o operador que percebe pelo som que a máquina está fora do ponto, a supervisora que sabe qual cliente aceita qual tolerância. Um agente não acessa isso. Ele só trabalha com o que foi registrado de forma legível.

O conjunto mínimo costuma incluir:

• Instruções de trabalho e procedimentos por linha ou célula, com data de revisão e responsável.
• Critérios de aceitação por produto e por cliente, incluindo tolerâncias e exceções acordadas.
• Regras de roteamento de pedidos: o que exige análise de engenharia, o que depende de estoque de matéria-prima, o que tem prazo contratual.
• Árvore de causas conhecidas para falhas recorrentes, com o que já foi tentado.
• Lista do que é decisão de segurança ou de qualidade, e quem tem autoridade para tomá-la.

O objetivo não é escrever tudo de uma vez. É começar pelo fluxo que será piloto e deixar cada documento com uma versão vigente clara. Documento duplicado, rascunho antigo e planilha pessoal são os maiores riscos, porque o agente não sabe qual deles vale.

Sobre como entregar esse material ao modelo, a técnica comum é recuperar trechos relevantes no momento da pergunta, em vez de treinar o modelo com tudo. A comparação entre recuperação e ajuste fino aparece na orientação da AWS sobre RAG e fine-tuning. Para a fábrica, a recuperação tem uma vantagem prática: quando o procedimento muda, basta atualizar o documento.

Como preparar os registros de pedidos, produção e qualidade?

Procedimento diz como deveria ser. Registro diz o que aconteceu. Um agente que ajuda em pedidos e qualidade precisa dos dois, e o segundo costuma estar mais bagunçado.

Pontos de atenção que aparecem com frequência em fábricas de qualquer porte:

• Identificadores que não conversam: o número do pedido no ERP, o da ordem de produção e o do lote no laudo seguem formatos diferentes.
• Campos de texto livre com abreviações internas, que precisam de um glossário.
• Registros de não conformidade sem causa, ação corretiva ou encerramento.
• Dados de sensores e de inspeção em sistemas separados, sem carimbo de tempo comparável.
• Edições sem rastro, em que ninguém sabe quem alterou um valor e quando.

A preparação é de engenharia de dados simples: uma chave comum entre pedido, ordem e lote, um glossário, campos obrigatórios e um histórico de alterações. Isso vale por si só, mesmo sem IA. Para a parte de contexto que o agente recebe, a orientação da Anthropic sobre engenharia de contexto para agentes reforça um princípio útil: entregar pouca informação, relevante e bem identificada, e não despejar tudo na conversa.

Quando os registros trazem dados pessoais, como operadores identificados ou dados de clientes, a LGPD entra. A regra prática é separar o que o agente precisa ver do que ele não precisa, e mascarar o restante.

Quais decisões o agente nunca assume?

Capacidade de um modelo não é autoridade. Uma boa política separa o que o agente faz sozinho, o que ele propõe para aprovação e o que fica fora do alcance. Um guia de decisão em forma de lista:

• Pode fazer sozinho: buscar informação em procedimentos, resumir histórico de um pedido, comparar um laudo com o critério de aceitação e apontar divergências, redigir rascunho de comunicado interno.
• Pode propor, com aprovação humana: reprogramar ordens dentro de regras definidas, sugerir causa provável de uma não conformidade, abrir registro de desvio com os campos preenchidos.
• Fica fora do alcance: liberar ou bloquear lote, aprovar desvio de especificação, alterar parâmetro de equipamento, desativar intertravamento ou alarme, definir segregação de produto suspeito.

O critério para a terceira categoria é direto: se o erro puder machucar alguém, contaminar produto, gerar recall ou violar uma norma aplicável, a decisão é humana. Isso não depende de o modelo acertar na maioria das vezes. Depende de haver uma pessoa com responsabilidade formal. Quando a decisão automatizada afeta titulares de dados, vale também conhecer o direito de revisão previsto no art. 20 da LGPD.

Na prática técnica, isso vira permissão: o agente recebe credenciais só de leitura onde possível, e as ferramentas que escrevem em sistemas exigem aprovação. As boas práticas de autorização da OWASP descrevem o princípio do menor privilégio, que se aplica igualmente a pessoas e a agentes.

Cenário ilustrativo: pedido urgente e laudo fora do critério

Imagine, como cenário ilustrativo, uma fábrica de peças que recebe um pedido urgente de um cliente com tolerância dimensional apertada. O agente é consultado pelo planejador.

O que ele faz: localiza o pedido, cruza com a ordem de produção e com o histórico de lotes anteriores do mesmo item, e encontra o critério de aceitação daquele cliente. Percebe que o último laudo de inspeção ficou perto do limite e que há duas não conformidades abertas sobre a mesma máquina, sem causa registrada. Monta um resumo com as fontes citadas e sugere ao planejador conversar com a qualidade antes de prometer o prazo.

O que ele não faz: prometer a data ao cliente, liberar o lote ou sugerir ignorar a tolerância. A proposta de desvio, se existir, é aberta como rascunho e segue para o responsável de qualidade, com o histórico anexado. Cada consulta e cada rascunho ficam em log.

O valor está em economizar a busca em vários sistemas e em levantar um risco que passaria despercebido. A decisão continua onde sempre esteve.

Como começar: mapear, limitar, pilotar, transferir

O método que aplico em projetos de IA segue quatro movimentos, e eles se encaixam bem na indústria. Para o ponto de partida mais comum, veja também como começar por manutenção e qualidade.

• Mapear: descrever o fluxo atual de um processo (por exemplo, análise de pedidos urgentes), quem decide cada etapa, quais documentos e sistemas são consultados e como se mede o resultado hoje. Esse é o baseline.
• Limitar: definir quais dados o agente vê, quais ações pode executar e quais decisões são vetadas. Começar com acesso de leitura e aprovação humana em tudo que escreve.
• Pilotar: rodar um fluxo real, não vários, com logs de cada consulta e ação e uma métrica de sucesso combinada antes, como tempo de preparação de uma análise ou taxa de rascunhos aceitos sem retrabalho.
• Transferir: entregar à equipe a documentação, os logs e o procedimento de operação, e decidir de forma explícita se expande, ajusta ou encerra.

A operação contínua, quando faz sentido terceirizá-la, pode ser feita por meio da Be Human (be-human.ai), com monitoramento e manutenção do agente. A decisão sobre o que o agente pode fazer, porém, permanece com a fábrica.

Como testar e monitorar antes de ampliar o escopo?

Agente mais capaz erra de forma menos óbvia. Por isso o teste deixa de ser opcional. Três práticas dão base:

• Conjunto de casos reais anonimizados, com a resposta esperada definida pela qualidade, incluindo casos armadilha em que a resposta correta é recusar ou escalar.
• Ambiente de teste com dados simulados e ferramentas falsas, para verificar o que o agente tentaria fazer sem tocar em sistemas reais. Há um guia sobre testar agentes com mocks e sandbox.
• Log de decisão consultável: qual pergunta, quais fontes, qual proposta, quem aprovou.

Sobre avaliação, a Anthropic descreve como estruturar evals para agentes, e o framework de gestão de risco de IA do NIST oferece vocabulário para mapear, medir e gerenciar riscos de forma organizada. Para a escolha de arquitetura, a recomendação de construir agentes eficazes é começar pela solução mais simples e só aumentar a autonomia quando houver evidência de que compensa.

Outro cuidado é a entrada de texto não confiável, como e-mails de fornecedores ou anexos de clientes, que podem conter instruções escondidas. Trate esse conteúdo como dado, nunca como ordem, e limite as ferramentas que o agente pode acionar a partir dele.

Perguntas frequentes

Superinteligência já existe na indústria? Não há evidência pública de sistemas assim em operação em fábricas. O que existe são agentes úteis em tarefas delimitadas, como consulta a procedimentos e apoio a análises. Preparar a base agora serve para esses agentes e para os mais capazes que possam vir.

Por onde uma indústria deve começar? Pelo fluxo em que a informação está espalhada e o erro é barato de corrigir, como a análise de pedidos urgentes ou a consulta a histórico de não conformidades. Escolha um só, mapeie o processo atual, defina a métrica e rode um piloto com aprovação humana em tudo que escreve em sistemas.

O agente pode liberar lote ou aprovar desvio? Não deve. Liberação de lote, aprovação de desvio e mudanças em parâmetros de segurança são decisões com responsabilidade formal e precisam de pessoa autorizada. O agente pode reunir evidências e redigir o rascunho para essa pessoa decidir.

Preciso de um modelo próprio treinado com meus dados? Em geral, não para começar. Recuperar trechos de documentos atualizados costuma bastar e é mais fácil de manter e auditar do que treinar um modelo. A escolha deve ser testada no seu caso, e o tratamento de dados pessoais deve seguir a LGPD.

Fontes

• NIST: AI Risk Management Framework
• Anthropic: Building effective agents
• OWASP: Authorization Cheat Sheet
• Anthropic: Demystifying evals for AI agents