Inteligência artificial na indústria: casos que se pagam

Inteligência artificial na indústria é o uso de modelos que aprendem com dados ou que leem texto e imagem para fazer, numa fábrica, um trabalho que hoje depende de olho humano ou de digitação: apontar a peça com defeito, avisar que uma máquina vai parar, prever quanto vai vender, conferir a nota do fornecedor contra o pedido, montar a cotação de uma peça nova. Ela se paga quando mexe num número que aparece na margem, e não quando aparece numa apresentação.

Este guia mostra onde a IA na indústria costuma se pagar numa fábrica média brasileira, com exemplos por área, a diferença honesta entre os projetos de chão de fábrica e os do escritório, como escolher o primeiro caso e o que não tentar primeiro. No exemplo ilustrativo, uma fábrica de peças plásticas injetadas compara cinco casos e descobre que o de maior número não é o que deve vir primeiro.

O que é inteligência artificial na indústria, na prática

Quando se fala em inteligência artificial na indústria 4.0, a imagem que aparece é a de robôs, câmeras e fábricas sem gente. Numa empresa média, a IA que entrega resultado no primeiro ano costuma ser mais discreta. Ela se divide em duas famílias, que pedem projetos, equipes e prazos diferentes:

• Aprendizado de máquina no chão de fábrica. Modelos treinados com dados da própria fábrica: sinais de sensores, histórico de paradas, imagens de peças boas e ruins, séries de venda. Servem para prever uma falha, classificar um defeito, estimar a demanda. Precisam de dado coletado com cuidado, às vezes de hardware novo, e de tempo para treinar e validar.
• Agentes no escritório da fábrica. Programas que leem documentos e sistemas, conferem contra regras e preparam o trabalho para uma pessoa aprovar: notas fiscais, pedidos de compra, desenhos e pedidos de cotação, fichas técnicas. Usam o dado que já está no ERP e na caixa de e-mail. O modelo de IA interpreta o texto; a conta e a regra ficam num sistema.

As duas famílias são inteligência artificial na indústria. A diferença é onde está o dado e quanto custa chegar nele. Esse ponto decide mais do que o tamanho do ganho prometido.

Onde a IA na indústria se paga

Seis áreas concentram as aplicações da IA na indústria que fazem sentido para uma fábrica de porte médio. Em cada uma, a pergunta é a mesma: qual número da margem muda, e qual dado a fábrica já tem.

Inspeção de qualidade

Uma câmera com um modelo de visão aponta risco, rebarba, falha de preenchimento ou cor fora do padrão, peça por peça, sem cansar no fim do turno. O ganho aparece em devolução de cliente, retrabalho e custo de inspeção. O custo aparece em câmera, iluminação, fixação na linha e, principalmente, em centenas de imagens de cada defeito separadas e rotuladas por alguém da qualidade. É um projeto de engenharia, não de software apenas.

Manutenção preditiva

O modelo aprende o comportamento normal de vibração, temperatura, pressão e corrente de uma máquina e avisa quando o padrão muda, antes da quebra. Paga quando a máquina é gargalo e a hora parada custa caro. Depende de sensor ligado e de histórico de falhas registrado com data e causa. O guia de IA para manutenção preditiva detalha os dados, os sensores e como montar o caso.

Planejamento e PCP

Duas aplicações se destacam. A primeira é prever a demanda por item e por cliente, para comprar e produzir na medida, com menos estoque parado e menos falta. A segunda é sugerir a sequência de produção que reduz setup, respeitando prazo, molde e máquina disponível. A previsão está no guia de IA para previsão de demanda. O sequenciamento costuma ser mais otimização com regras do que IA, e tudo bem: o que importa é a hora de máquina recuperada.

Compras e suprimentos

Um agente lê o pedido de compra e a nota do fornecedor, confere preço, quantidade, prazo e condição combinada, e separa só o que diverge para o comprador decidir. Também pode acompanhar entregas atrasadas e cobrar o fornecedor. O dado já está no ERP e no XML da nota. O detalhe de como esses agentes trabalham em documentos, compras e suprimentos está em agentes de IA no back office.

Custo e cotação

Responder uma cotação de peça nova exige levantar material, peso, tempo de ciclo, operações e embalagem, muitas vezes a partir de um desenho e de peças parecidas já feitas. Um agente pode ler o pedido do cliente, achar as peças similares no histórico, montar a ficha de custo com o ciclo real dessas peças e entregar para o engenheiro revisar. A conta segue o custo padrão da fábrica, calculada pelo sistema. O agente prepara; quem aprova o preço é uma pessoa.

Trabalho com documentos

Notas de entrada, pedidos de cliente que chegam em PDF ou e-mail, certificados de qualidade de matéria-prima, conhecimentos de transporte. Ler, digitar e conferir esse volume é trabalho caro e sujeito a erro. É onde um agente costuma ficar pronto mais rápido, porque o documento já existe e a regra de conferência já está na cabeça de alguém. A parte de frete, roteirização e armazém fica no guia de IA na logística.

Exemplos de inteligência artificial na indústria

Exemplos concretos, do tipo que cabe numa fábrica média. Em todos, o modelo interpreta, o sistema calcula e uma pessoa aprova o que mexe em dinheiro:

• Conferência de nota contra pedido: o agente recebe o XML da nota de matéria-prima, compara com o pedido no ERP e com o recebimento, e abre uma pendência para o comprador quando o preço ou a quantidade não batem.
• Pedido de cliente em PDF: o agente lê o pedido, identifica os códigos do cliente, converte para os códigos internos e lança o rascunho no ERP para o comercial confirmar.
• Cotação de peça nova: a partir do pedido de cotação, o agente sugere as três peças mais parecidas já produzidas, puxa o ciclo e a perda reais delas e monta a ficha de custo para revisão.
• Alerta de manutenção: um modelo acompanha a temperatura e a pressão de uma injetora e abre uma ordem de serviço quando o comportamento sai do normal.
• Inspeção visual: uma câmera no fim da linha separa a peça com defeito e registra o tipo de falha por lote e por molde.
• Classificação fiscal de insumos importados: é o caso real mais próximo que a Northern construiu. Na Heyship, um agente de IA lê a invoice em PDF e classifica o NCM de cada produto com 98% de precisão. As alíquotas são atualizadas duas vezes por semana, e a conta sai sempre do motor de cálculo, nunca do modelo.

Há mais casos, por área da empresa, em exemplos de agentes de IA.

Chão de fábrica e escritório: dois projetos diferentes

Vale ser honesto aqui, porque é onde muito projeto começa errado. Visão computacional e robótica são projetos de engenharia industrial com uma parte de software. Exigem câmera e iluminação certas, integração com o CLP e com a linha, parada para instalar, imagens rotuladas e um integrador que conheça o processo. O prazo se mede em meses, e o risco está no ambiente da fábrica: poeira, vibração, peça que muda de posição, luz que varia entre turnos.

Agentes no escritório são projetos de software sobre dados que já existem. Notas, pedidos, fichas técnicas e o histórico do ERP estão lá desde sempre. O prazo se mede em semanas, e o risco está na regra: se ninguém sabe dizer qual divergência de preço é aceitável, o agente também não vai saber.

As duas coisas não competem. Mas, quando a fábrica ainda não tem nenhum caso de IA rodando, o escritório costuma dar o primeiro resultado mais rápido e com menos dinheiro em risco. E ensina a empresa a definir regra, aprovar exceção e medir o ganho, o que serve depois para o projeto de chão de fábrica.

Como escolher o primeiro caso de IA na indústria

Quatro perguntas, nesta ordem:

1. Quanto da margem muda? Em reais por ano, com uma conta que o controller aceite. Hora parada vezes margem de contribuição por hora, divergência de nota vezes volume, pontos de margem vezes faturamento do produto.
2. O dado já existe? No ERP, no XML, no CLP, numa pasta. Se o dado precisa ser criado, o projeto começa pela coleta, e o ganho vem depois.
3. Quem decide a exceção? Um caso sem dono para aprovar o que o modelo aponta vira alerta que ninguém lê.
4. Em quanto tempo aparece no resultado? O primeiro caso precisa provar o ganho dentro do ano, para pagar o segundo.

Uma fábrica de peças plásticas injetadas, com 24 injetoras, 180 funcionários e R$ 85 milhões de faturamento por ano, aplicou essas perguntas a cinco candidatos. O exemplo é ilustrativo.

O maior número é o da inspeção visual, e ela não vem primeiro. A fábrica não tem uma imagem rotulada, o projeto exige integrador e parada de linha, e o ganho só aparece no ano seguinte. Os dois casos do escritório somam R$ 288 mil por ano, usam dado que já está no ERP e aparecem no resultado em menos de um trimestre. A decisão da fábrica foi começar pela conferência de notas e pela cotação, e, no mesmo mês, ligar a coleta dos sinais das quatro injetoras e passar as ordens de serviço para o sistema. Quando o caso de manutenção chegar, terá seis meses de histórico.

A revisão das cotações também mostrou de onde vinha a perda: das 30 peças cotadas no último ano, 8 tinham ciclo real acima do cotado. O padrão de custo dessas peças estava errado desde o primeiro pedido, e o agente de cotação passou a usar o ciclo real das peças similares em vez do ciclo estimado.

O que não tentar primeiro

• O projeto de vitrine. Robô, gêmeo digital, painel com tudo da fábrica. Impressiona na visita, raramente paga o primeiro ano.
• O caso sem dado. Prever falha de uma máquina sem sensor e sem histórico de paradas é, nos primeiros meses, um projeto de coleta. Faça a coleta, mas não prometa o ganho junto.
• O modelo que calcula. Preço, custo e imposto saem de um cálculo com regra e versão. Se o modelo faz a conta, o resultado muda de uma vez para outra e ninguém audita.
• O caso que troca o ERP. Se o projeto de IA começa pela troca do sistema de gestão, ele vira outro projeto, maior e mais lento.
• O assistente genérico como estratégia. Dar acesso a uma ferramenta de chat para a equipe ajuda em texto e pesquisa, mas não muda o custo da peça. Esse panorama mais amplo tem guia próprio.

Dados, ERP e quem aprova

Quase todo caso que se paga numa fábrica média depende do ERP: o pedido, a nota, a ficha técnica, o apontamento, o custo. O caminho mais barato é ler e escrever no ERP que a fábrica já usa, pela API, pelo banco ou por arquivo, em vez de trocá-lo. A integração com ERP costuma ser metade do trabalho do primeiro caso, e é a parte que serve aos casos seguintes.

A outra metade é decidir onde mora a regra. A tolerância de preço na nota, a margem mínima da cotação, o limite de temperatura que abre uma ordem de serviço: cada uma precisa estar num sistema, com versão e dono, e não escondida nas instruções de um modelo. O agente lê, confere, classifica e prepara. O sistema calcula. A pessoa aprova o que mexe na margem. É assim que a Northern constrói agentes de IA para indústrias médias, ligados ao ERP que a empresa já tem.

Por onde seguir

A inteligência artificial na indústria começa por um caso pequeno, medido em reais, sobre dado que a fábrica já tem. Cada frente citada aqui tem guia próprio: manutenção preditiva, previsão de demanda, logística e agentes no back office, todos linkados nas seções acima.

Para entender a peça antes de escolher o caso, o guia sobre o que é um agente de IA. Para o uso de IA fora da fábrica, em comercial, finanças e gestão, o guia de IA para empresas. Antes de contratar, vale ver como definir o escopo de um projeto para que o orçamento caiba no problema.

Perguntas frequentes