A inteligência industrial depende de dados de qualidade, governança robusta e conhecimento técnico aprofundado para garantir decisões assertivas e confiáveis.

A inteligência artificial (IA) deixou de ser uma promessa futurista para se tornar uma realidade tangível nas indústrias de base. Empresas do setor já exploram ativamente suas aplicações na manutenção industrial, buscando otimizar processos e aumentar a eficiência.

No entanto, a transição de experimentos pontuais para soluções escaláveis e confiáveis enfrenta desafios significativos, que foram amplamente debatidos durante a 10ª edição da ABM Week.

A qualidade dos dados, a clareza na governança, a expertise técnica das equipes e a capacidade de validar as recomendações dos algoritmos emergem como pilares essenciais para que a IA gere valor real e contínuo.

O ponto crucial da discussão centrou-se em como garantir que os modelos de IA sejam suficientemente robustos para subsidiar decisões em ambientes industriais de alta criticidade.

As aplicações exploradas abrangem desde a manutenção preditiva e detecção de anomalias até a análise de falhas e o suporte aos profissionais em campo.

Os especialistas concordam: a inteligência artificial exige uma abordagem estratégica e integrada, que vai além da simples adoção de novas ferramentas.

Liderança e Direcionamento Estratégico para o Sucesso da IA

A diferença entre empresas que apenas testam IA e aquelas que a integram efetivamente em suas estratégias reside, fundamentalmente, no patrocínio da alta liderança e na definição clara de objetivos.

Segundo Fabio Missiato, Managing Director da Alvarez & Marsal, uma estratégia de IA não pode ser relegada à média gerência.

Ela precisa ser orientada pelo comitê executivo e contar com o respaldo dos acionistas para se tornar um pilar da transformação do negócio.

Fabio Missiato afirmou:

Isso precisa vir como uma orientação muito clara dos comitês executivos e, obviamente, muito respaldada pelos próprios acionistas.

Ele enfatizou a necessidade de um compromisso institucional para que a tecnologia transcenda o uso pontual e se consolide como um motor de mudança em larga escala.

Dados de Qualidade: A Pedra Fundamental para a Tomada de Decisão

Antes que os algoritmos possam operar com precisão, é imperativo estruturar os dados que os alimentarão.

Hernane do Bom Sucesso Xavier Moreira, analista de Tecnologia da FIEMG, destacou a digitalização e a conectividade dos processos como o ponto de partida.

A jornada envolve coletar e armazenar dados, transformá-los em informação e, subsequentemente, gerar conhecimento capaz de embasar decisões mais autônomas.

A construção de bases de dados robustas, contextualizadas e confiáveis é, portanto, um requisito inegociável.

Exemplos práticos, como aplicações em metalmecânica e engenharia de superfície, demonstraram a influência direta da qualidade dos dados na consistência dos resultados gerados pelos modelos de IA.

Projetos em manufatura aditiva, com modelos de predição e classificação para controle de processos, alcançaram índices de acerto impressionantes, reforçando a premissa:

A IA pode correlacionar grandes volumes de dados, mas a precisão final depende intrinsecamente da qualidade e do contexto dessas informações.

Usiminas: IA Integrada à Manutenção e Operação

Na Usiminas, a inteligência artificial já é uma realidade consolidada.

Eliezer Furtado de Oliveira, gerente Sênior de Engenharia de Manutenção, apresentou o processo de organização da jornada de IA na empresa, com definição de governança e etapas claras para garantir o retorno das iniciativas.

Plataformas como MES.IA, UMSAI e UAISO, além de ferramentas externas e agentes de IA, compõem o ecossistema tecnológico da companhia.

Casos de uso incluem sistemas para detecção de tendências de queda de grelhas, monitoramento de setores e acompanhamento da espessura de rodas.

A IA também auxilia na identificação de equipamentos em estado crítico e na análise de falhas, correlacionando condições de operação e ocorrências.

A experiência da Usiminas reforça a importância da governança para transformar iniciativas isoladas em uma estratégia coesa e eficaz, onde a clareza nas etapas e critérios gera maior retorno.

ArcelorMittal: Segurança e Confiabilidade Ampliadas pela IA

A ArcelorMittal tem investido em IA para aprimorar a segurança e a confiabilidade de seus ativos.

Paulo Augusto Vieira Loss, gerente de Engenharia, apresentou iniciativas focadas na identificação de riscos e no monitoramento de estruturas e processos.

Ferramentas como o IRedZone, para detecção de pessoas em áreas de risco, e aplicações de vigilância em linhas férreas são exemplos dessa aplicação.

Na área de confiabilidade, equipes dedicadas à manutenção preditiva utilizam análise avançada e machine learning para identificar anomalias.

O uso de drones para monitoramento perimetral também integra as estratégias.

Loss enfatiza que a IA deve ampliar as capacidades humanas e ser tratada como um investimento de longo prazo, com mecanismos de controle e proteção para garantir sua utilização ética e segura.

Gerdau: Conhecimento Acumulado e Assistência ao Técnico com IA

A Gerdau iniciou sua jornada em IA em 2018, estabelecendo uma base sólida de consumo de dados para alimentar suas aplicações.

Segundo Thiago Norio Nakata, gerente Técnico, o avanço da tecnologia foi acompanhado pela criação de estruturas de governança, capacitação e comunidades internas.

Um projeto de destaque é o assistente de manutenção, que visa reduzir o tempo de diagnóstico de problemas e facilitar o acesso ao conhecimento para os profissionais de campo.

A solução, que utiliza uma base documental sobre os equipamentos, está em operação há mais de um ano.

O desenvolvimento expôs a necessidade de uma transformação cultural, para que os técnicos vejam a IA como uma ferramenta de apoio e não como um substituto.

A curadoria de informações e a conectividade também são desafios importantes.

A experiência da Gerdau demonstra como a IA pode ser um instrumento poderoso para organizar e democratizar o conhecimento acumulado na indústria.

Medindo o Valor da IA Além do Financeiro

A avaliação dos retornos de investimentos em IA foi um ponto central no debate.

Fabio Missiato ressaltou que nem todos os benefícios são imediatamente financeiros.

Ganhos de produtividade, aprendizado, capacidade analítica e capacitação de equipes também devem ser acompanhados.

A adoção da tecnologia exige investimento inicial, e nem toda iniciativa se traduzirá em resultados comerciais diretos, mas pode ampliar significativamente a capacidade operacional da organização.

Na Gerdau, essa percepção levou a uma flexibilização inicial na exigência de métricas exclusivamente financeiras para algumas iniciativas.

A acumulação de casos bem-sucedidos serviu como evidência de geração de valor e base para expansões futuras.

O desafio reside em estabelecer critérios para identificar quais experimentos devem ser aprimorados, interrompidos ou escalados, com a governança desempenhando um papel crucial nesse processo.

Escalabilidade da IA: Confiança na Tecnologia e no Conhecimento Humano

A discussão convergiu para um consenso: a escalabilidade da inteligência artificial na manutenção industrial depende da sinergia entre tecnologia, dados e expertise humana.

Mesmo com modelos avançados de identificação de padrões e recomendações, a validação por profissionais experientes nos processos industriais permanece indispensável, especialmente em operações onde decisões incorretas podem impactar a segurança, a produção ou a confiabilidade dos ativos.

A estruturação de dados e a capacitação de pessoas são pilares fundamentais dessa evolução, complementados por uma governança que estabeleça limites claros para o uso da tecnologia.

A recomendação é que a escalabilidade seja considerada desde a concepção dos projetos.

A IA não substitui o conhecimento especializado; pelo contrário, a sua crescente adoção em ambientes industriais eleva a importância de profissionais capazes de interpretar processos, questionar resultados de modelos e validar recomendações com base nas condições reais da operação.