Índice do artigofaltam 6 min de leitura
"Parb.- Dryer elevator brg chng". É assim, num campo de texto curto de 40 caracteres, que uma ordem de serviço registra a troca do rolamento do elevador de um secador numa planta de arroz parboilizado, dentro do SAP PM, o módulo de manutenção do SAP. No campo de observação, o técnico completou misturando inglês e hindi: "grease nahi tha, brg jam". Faltou graxa, o rolamento travou. O exemplo abre um estudo de outubro de 2026 sobre o que fazer com esse tipo de registro.
Troque o idioma e a cena é de qualquer fábrica brasileira. Um equivalente inventado aqui, só para ilustrar: "TR ROL ELEV SEC L2", com "s/ graxa, travou" na observação e o campo de causa em branco. Quem escreveu sabia o que queria dizer, e o colega do turno seguinte também. O texto foi feito para os dois, não para um analista, e menos ainda para um modelo de linguagem.
Quando a diretoria cobra "IA na manutenção", a conversa costuma ir para sensor e manutenção preditiva. O assunto aqui é outro: o texto que o técnico escreve, não a vibração que o sensor mede. É nesse texto que está o histórico de falhas da fábrica, aquele que hoje mora na cabeça do técnico mais antigo. E é nele que a IA trava.
A IA entrou na fábrica pelo escritório
O número que a diretoria cita é do IBGE. Em 2024, 41,9% das empresas industriais com 100 ou mais pessoas ocupadas usaram inteligência artificial, contra 16,9% em 2022: uma alta de 25 pontos percentuais em dois anos. O dado é da PINTEC Semestral, pesquisa feita em parceria com a ABDI e a UFRJ, sobre um universo de 10.167 empresas das indústrias extrativas e de transformação.
A mesma pesquisa pergunta em que área a IA é usada, e a resposta muda a leitura. Entre as empresas que usam, 87,9% aplicam em Administração, 75,2% em Comercialização e 73,1% em desenvolvimento de projetos de produtos, processos e serviços. A área de Produção aparece com 52,0% e andou para trás: eram 56,4% em 2022, um recuo de 4,4 pontos.
A pesquisa não tem uma linha só para manutenção; Produção é a área mais próxima. O retrato, ainda assim, é nítido: a IA chegou à indústria pelas áreas de escritório, onde o texto se parece com o de qualquer outra empresa. No chão de fábrica o texto é de outro tipo.
O que há numa ordem de serviço que o modelo não entende
O estudo da planta de arroz, um preprint (artigo ainda sem revisão por pares) chamado Plant Memory, define as ordens de manutenção como o maior registro escrito de como o equipamento industrial falha. E diz que, na maioria das plantas, esse registro é quase inutilizável para análise, por quatro defeitos que qualquer planejador reconhece.
O texto é curto, abreviado e cheio de erro de digitação. A identidade do equipamento fica enterrada no texto livre, em vez de estar num campo. O tipo de trabalho marcado contradiz o trabalho descrito. E os campos de sintoma, causa raiz e ação tomada estão quase sempre vazios.
Outros pesquisadores descrevem o mesmo material. O MaintNorm, conjunto de 12.000 textos curtos de manutenção publicado em 2024, lista como obstáculos o jargão de engenharia, o vocabulário próprio do ofício, os erros de grafia aleatórios e a falta de estrutura gramatical. Em 2020, pesquisadores em publicação do NIST, o instituto de padrões dos Estados Unidos, já tinham escrito que as ferramentas de processamento de linguagem "de prateleira" foram projetadas com linguagem não técnica em mente e precisam ser repensadas para a engenharia. O mesmo trabalho registra que as implantações na indústria sofrem com falta de verificação, de validação e de confiança de quem opera.
O que isso custa ao gerente: o histórico de falhas existe, com anos de ordens, e ninguém consegue consultá-lo. Saber qual modo de falha mais para a linha, ou qual peça manter em estoque, exige alguém lendo ordem por ordem. O conhecimento de diagnóstico fica com os técnicos seniores e vai embora com eles.
Quanto erra um modelo genérico nesse texto
Em 2023, três pesquisadores deram a um modelo de linguagem a tarefa que um planejador faz de cabeça: ler a observação de uma ordem e dizer qual foi o modo de falha, escolhendo numa lista restrita de códigos. A medida usada foi o F1, uma nota de 0 a 1 que combina quanto o modelo acerta do que marca e quanto encontra do que deveria encontrar.
O modelo genérico, sem ajuste, ficou atrás de um classificador de texto convencional treinado no mesmo conjunto anotado. Com o ajuste do modelo a partir dos dados anotados, o que o mercado chama de fine-tuning, o mesmo modelo passou os dois.
O 0,46 tem data. É do GPT-3.5, em 2023, em inglês, num único conjunto de dados, e não mede os modelos de 2026. O que o estudo sustenta é a distância entre as barras: o mesmo modelo, sem e com dado anotado do domínio. Os autores concluem que o trabalho reforça a necessidade de conjuntos de dados de ajuste de alta qualidade para tarefas de domínio específico. Para o gerente, o recado é sobre a ordem dos investimentos. A diferença veio do dado rotulado, que é trabalho da fábrica, e não da troca de modelo.
Onde a IA entra: abertura, triagem e histórico
São três pontos da rotina, e o primeiro decide os outros dois.
Abertura. O dado de manutenção nasce estruturado quando o registro é feito no ponto, no aplicativo, com o equipamento identificado por leitura de código e os campos escolhidos em lista, em vez de redigitado depois a partir do papel. Aqui a IA é coadjuvante: transcreve a fala do técnico, lê a foto, sugere o preenchimento. A base é sistema de registro, e é o que a X-Apps desenvolve para a indústria. Para a Suzano e a FuturaGene foram três sistemas de biotecnologia florestal e dois para a operação, com app de campo e rastreabilidade por código de barras e QR Code, e 87% das atividades digitalizadas, segundo o case. Para a Transpetro, um aplicativo que apoia profissionais em campo na inspeção de equipamentos e no registro das condições encontradas, com menos 93% de retrabalho nos registros, segundo o case. Nenhum dos dois é projeto de IA: são sistemas de registro em campo, a etapa que vem antes.
Triagem. É a tarefa do estudo de 2023: classificar a ordem num código de falha. Funciona com lista fechada de códigos, a IA sugerindo e o técnico ou o planejador confirmando. A confirmação é o que gera as ordens rotuladas que faltaram ao modelo genérico, e cada turno passa a falar a mesma língua, o que permite comparar um com o outro.
Histórico. É a pergunta que hoje só o técnico antigo responde: isso já aconteceu, e o que resolveu? O desenho do Plant Memory serve de referência porque trata a IA com desconfiança. A extração dos fatos é feita primeiro por regras. O modelo de linguagem é um segundo leitor opcional, e a discordância dele não sobrescreve nada: aumenta a prioridade de revisão daquele fato. Os técnicos conferem os fatos numa fila que começa pelos de menor confiança, respondem perguntas sobre falhas que se repetem sem causa registrada e aprovam ou rejeitam termos novos do vocabulário. Cada resposta cita as ordens de serviço de origem. O objetivo é que o diagnóstico fique na fábrica quando o técnico se aposentar.
No teste do autor, a causa raiz certa apareceu em primeiro lugar em cerca de oito de cada dez perguntas de diagnóstico, contra pouco mais da metade usando a coluna de causa do sistema como estava. O teste rodou em 400 ordens sintéticas, geradas para simular uma planta, num trabalho de um autor só. Ele mesmo escreve que o modelo de linguagem, usado como extrator independente, foi menos preciso que as regras e agregou valor preenchendo lacunas e sinalizando discordâncias, e que a fila de revisão ainda não teve a eficácia medida. Vale como arquitetura a copiar, não como resultado a prometer.
O que a IA não decide na manutenção
Liberar um equipamento para voltar a operar e parar uma linha continuam com quem assina. A IA sugere um código e aponta ordens parecidas; a responsabilidade técnica não muda de mãos.
Ela também não inventa o que nunca foi escrito. Se o campo de causa ficou vazio por anos, a busca no histórico devolve o que foi trocado, não o porquê. A resposta honesta do sistema, nesse caso, é a pergunta ao técnico, enquanto ele ainda está na fábrica.
E o papel certo é o de segundo leitor. Um modelo que lê "brg" errado responde com a mesma segurança de quando lê certo. Por isso cada resposta precisa apontar a ordem de onde saiu, para que alguém confira antes de agir.
O que arrumar antes de contratar
Três coisas, todas da fábrica.
O dicionário da planta: as abreviações, os apelidos dos equipamentos e a lista fechada de modos de falha, causas e ações. É menor do que parece. O vocabulário do Plant Memory tem 26 componentes, 20 modos de falha, 13 causas raiz, 10 ações e 9 sintomas, cada um com seus sinônimos.
Uma amostra rotulada à mão. O autor do preprint escreve que uma avaliação crível pede de 50 a 100 ordens de uma planta real, classificadas por quem entende. É com essa amostra que se mede qualquer proposta de IA antes de assinar, na ordem de serviço da própria fábrica e não na demonstração do fornecedor.
E a exportação do histórico, do sistema de manutenção para um formato que possa ser lido fora dele.
Dicionário, amostra e histórico são ativos da fábrica, não do fornecedor, e isso se escreve no contrato: quem fica com o vocabulário revisado e com as ordens rotuladas se o fornecedor mudar. Quem arruma o registro primeiro tem o que a IA ler. Quem compra a IA primeiro compra respostas confiantes sobre abreviação mal lida.
Fontes e método. IBGE, Agência de Notícias, PINTEC Semestral (parceria com ABDI e UFRJ), 24/09/2025: uso de IA nas empresas industriais com 100 ou mais pessoas ocupadas e áreas de uso; a pesquisa não tem linha própria para manutenção. Stewart, Hodkiewicz e Li, "Large Language Models for Failure Mode Classification: An Investigation", arXiv:2309.08181, 15/09/2023. Brundage, Sexton, Hodkiewicz, Dima e Lukens, "Technical Language Processing: Unlocking Maintenance Knowledge", NIST, 11/12/2020. Bikaun e outros, "MaintNorm", workshop W-NUT, ACL Anthology, 2024. Akash Raj, "Plant Memory", arXiv:2610.19131, 13/10/2026, preprint sem revisão por pares, avaliado em dado sintético. Os estudos que lemos são em inglês. O exemplo de ordem em português é ilustrativo. Consulta em 12/11/2026.
