Algoritmo no chão de fábrica: a produtividade precede a inteligência 

“No Polo Industrial de Manaus, a IA pode antecipar falhas, reduzir desperdícios e melhorar a qualidade. O retorno, porém, depende de processos organizados, dados confiáveis e trabalhadores preparados para questionar a máquina” 

Coluna Follow-Up

A inteligência artificial começa a chegar ao chão de fábrica por uma porta menos espetacular do que sugerem as campanhas publicitárias. Em vez de robôs autônomos comandando linhas inteiras, sua presença aparece na leitura de uma vibração anormal, na identificação de um componente defeituoso, no ajuste do consumo de energia ou na previsão de que uma máquina poderá interromper a produção dentro de algumas horas.

São aplicações discretas, mas capazes de alterar custos, prazos e decisões industriais. Para uma fábrica do Polo Industrial de Manaus, onde uma parada inesperada pode comprometer linhas integradas a fornecedores nacionais e internacionais, antecipar uma falha tem valor ainda maior. A distância dos centros fornecedores, o tempo necessário para reposição de peças e as dificuldades logísticas da Amazônia ampliam o custo de cada imprevisto.

A mudança já aparece nas estatísticas. A Pesquisa de Inovação Semestral do IBGE mostrou que a proporção de indústrias brasileiras com cem ou mais empregados que utilizavam alguma aplicação de inteligência artificial passou de 16,9%, em 2022, para 41,9%, em 2024. O avanço ocorreu principalmente nos setores de informática, eletrônicos e equipamentos elétricos, precisamente algumas das atividades com forte presença em Manaus.

A pesquisa TIC Empresas 2025, divulgada pelo Cetic.br em junho deste ano, encontrou uso de IA em 17% das empresas brasileiras com dez ou mais pessoas ocupadas. Entre as grandes empresas, a participação chegou a 50%. Os números medem universos empresariais diferentes e, por isso, não devem ser comparados diretamente. Lidos em conjunto, indicam que a tecnologia saiu dos departamentos experimentais e passou a integrar sistemas efetivamente utilizados pelas empresas.

O dado mais revelador talvez esteja na forma de adoção. Entre as empresas que utilizavam IA, 80% compraram softwares ou sistemas prontos e 60% contrataram fornecedores externos para desenvolver ou adaptar soluções. É um caminho compreensível, sobretudo quando faltam profissionais especializados. Também cria uma dependência que precisa ser administrada. Quem compra o sistema sem desenvolver capacidade interna corre o risco de conhecer pouco os dados utilizados, os critérios das recomendações e os limites da ferramenta.

Onde a IA encontra a fábrica

A manutenção preditiva é uma das aplicações mais maduras. Sensores instalados em motores, prensas, compressores e equipamentos de montagem acompanham temperatura, vibração, pressão, ruído e consumo de energia. Os modelos procuram desvios em relação ao comportamento normal e calculam a possibilidade de falha.

Há estudos de caso em que algoritmos alcançam taxas superiores a 90% na identificação de determinados defeitos. Esse número precisa ser tratado com cuidado. A acurácia obtida em uma máquina, com um conjunto específico de sensores e dados, não pode ser automaticamente transferida para toda a indústria. Equipamentos diferentes, manutenção irregular ou registros incompletos podem reduzir muito o desempenho do modelo.

O indicador decisivo para a empresa também não é apenas a porcentagem de acertos. Um sistema pode apresentar boa acurácia geral e, ainda assim, deixar passar a falha rara que interrompe a linha inteira. Deve-se observar quantos problemas relevantes foram detectados, quantos alarmes falsos foram emitidos e quanto tempo a equipe teve para agir. Um excesso de alertas inúteis termina desacreditando o sistema e sobrecarregando a manutenção.

No controle de qualidade, câmeras associadas à visão computacional conseguem verificar dimensões, soldas, encaixes, cores, rótulos, placas eletrônicas e acabamentos em velocidades difíceis de reproduzir por inspeção exclusivamente visual. O sistema trabalha sem fadiga e pode manter um padrão regular ao longo dos turnos.

Ainda assim, a câmera enxerga aquilo para o qual foi preparada. Se a iluminação muda, o fornecedor altera a matéria-prima ou aparece um defeito que não existia na base de treinamento, o modelo pode errar silenciosamente. A supervisão humana continua indispensável, sobretudo nos processos que envolvem segurança, conformidade regulatória e risco ao consumidor.

A IA também pode organizar a programação da produção, cruzando pedidos, estoques, disponibilidade de máquinas, tempo de preparação das linhas e prazos de entrega. Em Manaus, poderia incorporar variáveis menos comuns a outros centros industriais, como o tempo de chegada de componentes importados, a navegação fluvial, as restrições da estiagem e o custo de manter estoques de segurança.

Há ainda espaço para reduzir o consumo de energia, água e matérias-primas. Modelos podem identificar equipamentos operando fora da faixa eficiente, perdas de ar comprimido, ciclos desnecessários e variações de rendimento entre turnos. Nesse campo, produtividade e sustentabilidade industrial deixam de caminhar em relatórios separados. O desperdício evitado aparece simultaneamente na conta da empresa e nos indicadores ambientais.

O risco de acelerar a desorganização

A compra de uma plataforma costuma ser a etapa mais simples. O problema aparece quando a ferramenta encontra cadastros inconsistentes, sensores sem calibração, ordens de serviço incompletas, máquinas sem histórico e departamentos que registram a mesma informação de maneiras diferentes.

Nessas condições, o algoritmo aprende com uma representação imperfeita da fábrica. Pode detectar padrões estatísticos sem compreender suas causas, reproduzir erros antigos e apresentar recomendações com aparência de precisão. Quanto mais sofisticada a interface, maior o risco de que uma resposta frágil seja recebida como certeza técnica.

A pesquisa da FGV EAESP ajuda a explicar por que empresas que compram tecnologias semelhantes obtêm resultados tão diferentes. O estudo analisou organizações que já adotavam IA e concluiu que a capacidade tecnológica melhora o desempenho quando combinada com recursos humanos, infraestrutura e uma cultura efetivamente orientada a dados.

Essa cultura não se resume a instalar painéis nas salas de gestão. Ela exige registros confiáveis, critérios comuns, responsabilidade sobre cada informação e disposição para rever decisões quando os dados contrariam uma impressão anterior. Exige também reconhecer que o operador, o mecânico e o técnico de qualidade carregam conhecimentos que muitas vezes nunca foram formalizados em bancos de dados.

No chão de fábrica, boa parte do conhecimento está contida em ruídos, cheiros, temperaturas, pequenas oscilações e formas de comportamento da máquina percebidas por quem convive diariamente com ela. Um projeto que exclui essas pessoas perde uma fonte fundamental de inteligência industrial. A experiência do trabalhador ajuda a escolher quais problemas merecem ser modelados, interpretar alertas e identificar situações que escaparam ao algoritmo.

A Organização Internacional do Trabalho, ao discutir a adoção de IA na manufatura, tem destacado justamente a formação profissional, a participação dos trabalhadores e o diálogo social. A questão industrial envolve produtividade, mas também segurança, autonomia e reorganização das tarefas. Sistemas introduzidos apenas de cima para baixo tendem a produzir resistência, receio de substituição e uso superficial.

O difícil caminho entre o piloto e o resultado

Muitas empresas conseguem demonstrar que um algoritmo funciona em pequena escala. Poucas conseguem integrá-lo à rotina, mantê-lo atualizado e provar que o investimento trouxe retorno financeiro.

Esse intervalo entre o teste bem-sucedido e a operação permanente forma o chamado paradoxo da produtividade da IA. A tecnologia produz resultados localizados, enquanto os ganhos econômicos demoram a aparecer nos balanços. Parte da explicação está nos custos escondidos: instalação e manutenção de sensores, integração entre sistemas antigos e novos, armazenamento de dados, conectividade, cibersegurança, treinamento e dependência de fornecedores.

Há também pilotos escolhidos pelo brilho tecnológico, com pouca relação com os maiores problemas econômicos da fábrica. Uma experiência pode funcionar tecnicamente e continuar irrelevante para o negócio.

Um projeto de manutenção preditiva, por exemplo, deve ser comparado com as horas de parada evitadas, o custo das peças, as intervenções desnecessárias e o aumento da disponibilidade dos equipamentos. Na inspeção visual, importam a redução de refugos, retrabalho, devoluções e reclamações. Na gestão de energia, a referência é o consumo por unidade produzida.

Sem uma linha de base anterior ao projeto, qualquer melhoria corre o risco de ser atribuída à IA. A fábrica precisa saber como operava antes para medir com seriedade o que mudou depois.

Um roteiro possível para o Polo de Manaus

A adoção responsável pode começar por uma linha, uma família de produtos ou um equipamento crítico. O primeiro passo é selecionar um problema frequente, mensurável e relevante para o custo industrial. Em seguida, devem ser avaliadas a qualidade dos dados, a condição dos sensores, a integração com os sistemas existentes e a capacidade da equipe de responder às recomendações.

O projeto precisa reunir produção, manutenção, qualidade, engenharia, tecnologia da informação e cibersegurança. A IA industrial não cabe inteiramente em nenhum desses departamentos. Quando fica restrita à área de tecnologia, pode se afastar das condições reais da linha. Quando depende apenas da produção, pode ignorar vulnerabilidades de rede, proteção de dados e limitações do modelo.

A conexão entre máquinas também amplia a superfície de ataque da fábrica. Sensores, câmeras, plataformas em nuvem e acessos remotos de fornecedores devem seguir regras de segmentação de rede, controle de identidade, atualização e rastreabilidade. Um sistema criado para aumentar a eficiência não pode abrir uma nova porta para interrupções ou espionagem industrial.

Será necessário, ainda, definir onde termina a recomendação do algoritmo e começa a responsabilidade humana. Decisões que podem provocar acidentes, interromper linhas inteiras ou liberar produtos fora de especificação precisam de validação, registro e possibilidade de revisão. O operador deve saber por que recebeu determinado alerta e ter meios de contestá-lo.

O roteiro mais seguro é gradual: organizar o processo, qualificar os dados, testar em ambiente controlado, medir o resultado, corrigir as falhas e somente então ampliar a escala. A pressa em anunciar uma fábrica inteligente costuma ser menos produtiva do que a disciplina de resolver um problema industrial por vez.

A inteligência que fica na região

Para o Polo Industrial de Manaus, há uma questão adicional. Se todas as soluções vierem prontas de fora, com dados processados, modelos mantidos e decisões técnicas concentradas nas matrizes ou nos fornecedores, a fábrica poderá tornar-se mais automatizada sem que o Amazonas acumule conhecimento proporcional ao investimento.

A adoção de IA pode ajudar a formar engenheiros, técnicos, analistas de dados e especialistas em automação na região. Isso exige cooperação entre empresas, universidades, institutos de ciência e tecnologia, SENAI, centros de pesquisa e entidades industriais. Problemas reais do PIM podem alimentar programas de formação, laboratórios de teste e projetos compartilhados, preservados os segredos industriais.

A escassez de talentos não será resolvida apenas pela contratação de especialistas prontos. Parte da resposta está na formação de quem já conhece a fábrica. Um profissional de manutenção que aprende análise de dados reúne duas competências difíceis de encontrar no mercado. O mesmo vale para o inspetor de qualidade que passa a trabalhar com visão computacional ou para o engenheiro de processo capaz de avaliar criticamente uma recomendação algorítmica.

A inteligência artificial oferece ao Polo de Manaus instrumentos para compensar distâncias, reduzir perdas, dar previsibilidade à produção e aumentar a competitividade. O aproveitamento desse potencial dependerá menos da quantidade de sistemas comprados do que da capacidade de incorporá-los ao conhecimento industrial já existente.

A fábrica que aprende a usar IA começa conhecendo melhor suas próprias máquinas, seus processos e suas pessoas. É nessa base, construída no cotidiano da produção, que o algoritmo deixa de ser promessa e passa a produzir valor.

Referências essenciais