IA na manufatura promete 20% de eficiência, o difícil vem depois

Equipe Viver de IA · 2026-10-12

O número da EY é real e factível, mas a eficiência não aparece sozinha. Ela mora na camada que ninguém quer bancar: dado, integração e gente requalificada.

Os 20% são reais, o problema é de onde eles saem

Um estudo da EY citado pelo IT Forum aponta que o uso de IA pode aumentar a eficiência em até 20% na indústria de manufatura, além de reduzir custos de manutenção com tecnologia preditiva. O número é honesto e, na nossa experiência, alcançável.

O que a matéria não detalha, e aqui mora a parte que dói, é que esses 20% não vêm da IA. Vêm do que a IA precisa pra funcionar: dado limpo, sensor calibrado, histórico de falha registrado, chão de fábrica integrado ao sistema. A IA é a última camada. A conta pesada está nas camadas de baixo.

Quando a gente entra numa operação pra fazer manutenção preditiva, a primeira pergunta nunca é sobre o modelo. É: vocês têm os dados de falha dos últimos dois anos? Em geral, não têm. Têm planilha solta, ordem de serviço em papel, e um PCP que mora na cabeça de uma pessoa.

E aí o projeto de IA vira, antes de tudo, um projeto de organização de dado.

O que a maioria vai interpretar errado

A leitura fácil da notícia é: compro um software de IA, ligo na linha, colho 20%. Não é assim que acontece, e vale dizer isso com todas as letras porque a decepção de quem acreditou nisso é cara.

Três armadilhas que a gente vê repetir:

• Comprar modelo antes de ter dado. Sem histórico estruturado, a manutenção preditiva não prevê nada. Ela precisa de meses de dado bom pra começar a acertar.
• Tratar como projeto de TI. Quem conhece o sinal de uma máquina prestes a falhar é o operador, não o fornecedor. Se ele não está dentro, o modelo aprende errado.
• Esperar resultado no mês 1. Preditiva madura leva tempo de calibragem. Quem promete retorno imediato está vendendo expectativa.

A IA é a última camada; a conta pesada está nas camadas de baixo.

Preditiva na manufatura é, no fundo, análise de dado bem feita

A promessa da IA industrial se resume a uma coisa: olhar muito dado em tempo real e decidir mais rápido do que uma pessoa conseguiria. É isso que a matéria chama de máquina que aprende e se ajusta.

E esse mecanismo não é exclusivo da fábrica. A gente viu o mesmo princípio funcionar na logística, outro setor de operação pesada e dado em volume.

Na Operalog, o ganho foi 5x em análise mais rápida. O como importa: a empresa colocou o Databricks como ambiente para armazenar e orquestrar os dados e, sobre essa infraestrutura, construiu um agente de IA especializado que interage com os dados e devolve análises e relatórios detalhados. Repare na ordem. Primeiro o ambiente de dado, depois o agente. Nunca o contrário.

Quem quer os 20% da fábrica vai percorrer exatamente esse caminho: estrutura antes de inteligência.

A conta do emprego é mais complexa do que o título sugere

A matéria toca no ponto mais sensível, o impacto no trabalho, e cita o Ipea apontando que postos repetitivos já estão sendo substituídos por máquinas. Também diz que surgem funções novas: análise de dados, manutenção preditiva, programação de algoritmos de fábrica.

Aqui a gente assume uma posição. Na nossa leitura, o discurso de que "a IA cria mais empregos do que destrói" é verdadeiro no agregado e cruel no particular. O operador de 52 anos que perdeu a função não vira cientista de dados no trimestre seguinte. A requalificação que a matéria cita como chave do processo é real, mas é lenta, e quase nenhuma empresa orça esse tempo.

O que a gente defende é mais prosaico: use a IA primeiro pra tirar a parte chata de quem já está lá, não pra cortar cabeça. Quando a automação devolve horas pra equipe existente, a adoção acontece de dentro pra fora. Quando chega como ameaça, o chão de fábrica sabota o modelo, de propósito ou por desânimo.

Fábrica conectada é fábrica exposta, e isso quase nunca entra no orçamento

A notícia é direta num ponto que a maioria dos entusiastas pula: fábrica conectada vira alvo mais fácil de ataque digital. Concordamos sem ressalva.

Máquina que antes era uma ilha agora conversa com a rede, com a nuvem, com o fornecedor do modelo. Cada sensor novo é uma porta nova. E, diferente de um vazamento de escritório, uma invasão no chão de fábrica pode parar produção, adulterar parâmetro, criar risco físico.

O erro comum é tratar cibersegurança como fase final do projeto, aquela linha que sobra pro fim e some quando o orçamento aperta. Deveria ser premissa. Se a conectividade é o que habilita os 20%, a proteção dessa conectividade é parte do custo de obter os 20%, não um extra opcional.

O que fazer com isso na prática

Se você toca uma operação industrial e leu a notícia como um chamado pra agir, o chamado é legítimo. O caminho é que precisa de ordem:

• Audite o dado antes do modelo. Você tem histórico de falha, parada, consumo? Em que formato? Sem isso, não há preditiva.
• Escolha um ativo crítico, não a fábrica inteira. Uma linha, uma máquina cara de parar. Prove ali antes de escalar.
• Coloque o operador dentro do projeto. O conhecimento tácito dele é o dado que nenhum sensor captura sozinho.
• Orce cibersegurança como premissa, não como fase que some no fim.
• Trate requalificação como cronograma real, com meses, não com um treinamento de tarde.
• Mapeie onde a IA realmente paga antes de comprar qualquer coisa, com um diagnóstico de IA que olhe a operação como ela é, não como o folheto do fornecedor promete.

A mudança chegou, como diz a matéria. Mas chegar não é o mesmo que render. O que separa os 20% de uma linha de slides do resultado na conta de energia é tudo que acontece antes da IA entrar em cena.

Fonte: IA e machine learning transformam a indústria da manufatura, que pode ...

Relacionados

Agentes de IA: o guia completo

Soluções de IA prontas para empresas

Mais de 500 cases reais de IA

A IA barateou nos bancos, o time é que não acompanhou

A pergunta antes da ferramenta: interno ou externo