Em janeiro de 2021, um navio encalhou no Canal de Suez, uma das rotas comerciais mais importantes do mundo, no Egito. A cerca de 11 mil quilômetros de distância, em Erechim, no interior do Rio Grande do Sul, uma empresa de balas e chocolates sentiu os efeitos do incidente. O bloqueio durou seis dias e causou um congestionamento de embarcações que poderia atrasar compras de clientes da Europa e da Ásia, além da importação de matérias-primas como aromas e corantes. A Peccin, que exporta para mais de 70 países, precisou ajustar sua produção, em um movimento complicado que envolve a redução ou não das equipes e o redirecionamento de produtos para o mercado interno, entre outros fatores.
Imprevistos podem afetar a cadeia produtiva a qualquer momento. Nos primeiros meses de 2024, o preço do cacau mais que dobrou. A elevação repentina no custo da sua principal matéria-prima, novamente, exigiu da capacidade de tomada de decisão da empresa. Mas, dessa vez, a Peccin contava com uma plataforma de inteligência artificial (IA) preditiva para fazer o planejamento de cenários em indústrias de manufatura. A plataforma da nPLAN, uma startup de inovação industrial que é spin-off da consultoria de supply chain NEO, leva apenas cinco minutos para simular alterações na produção, projetando o impacto de meses à frente.
Antes da adoção da IA, os gestores da Peccin simulavam os cenários manualmente em planilhas de Excel. Demorava cerca de uma semana para planejar apenas um cenário – uma espera crítica para quem fabrica mais de 2 mil toneladas de produtos por mês. Agora, em questão de minutos, eles decidem pelos melhores ajustes no plano-mestre de produção a partir de diversos cenários simulados automaticamente. Consequentemente, há menos riscos de ruptura no processo produtivo e maior eficiência na gestão dos estoques, na definição do tamanho dos lotes e aproveitamento das máquinas, entre outros benefícios.
A IA está transformando o setor industrial ao processar volumes cada vez maiores de dados, gerando insights para decisões mais rápidas e precisas. Trata-se de uma nova fronteira para ser explorada. Apenas em 2025, segundo uma pesquisa da consultoria McKinsey em parceria com o Fórum Econômico Mundial, a Indústria 4.0, caracterizada pela adoção de tecnologias como IA e Big Data, pode agregar US$ 37 bilhões em valor para fabricantes e fornecedores. “Empresas como a Peccin conseguem analisar cenários e responder rapidamente a diversas situações de estresse da cadeia produtiva”, explica Alexandre Erhart, CEO da nPLAN. “Elas têm maior controle sobre o plano de produção, matérias-primas, estoques e mão-de-obra, o que invariavelmente gera melhorias na produtividade”. acrescenta.
Admirável mundo novo
A Data Science Brigade (DSB) ficou conhecida por uma iniciativa de impacto social lançada há quase dez anos. A Operação Serenata de Amor utilizou inteligência artificial para vasculhar dados públicos em busca de inconsistências na aplicação da cota para exercício da atividade parlamentar – o dinheiro que deputados federais têm à disposição para custeio de despesas como alimentação, transporte e hospedagem. Foram encontrados 8,2 mil reembolsos suspeitos, de 735 de parlamentares, em um total de R$ 3,6 milhões. Desde então, a DSB trabalha junto a entes públicos, como o Tribunal de Contas do Estado do Rio Grande do Sul (TCE-RS), Governo de Santa Catarina e a Prefeitura de Niterói (RJ).
Atualmente, a DSB também atua no mercado privado, auxiliando empresas de diversos setores a estruturar a gestão de dados e a aplicar a IA nos negócios. Uma de suas principais clientes é uma indústria de peças automotivas com mais de 160 máquinas no processo fabril – por questões contratuais, o nome da empresa é mantido em sigilo. Como os equipamentos respondem de modo diferente às condições de produção, cada um recebe um ID (um registro específico no banco de dados) e é analisado separadamente. Assim, é possível identificar variações no desempenho conforme, por exemplo, os operadores ou as condições climáticas.
Se uma máquina tem o desempenho historicamente afetado por baixas temperaturas, o sistema pode gerar recomendações para o gestor desligá-la em dias frios e reativá-la em condições favoráveis. O exemplo pode até parecer banal, mas um imenso número de fatores pode ser inserido no cálculo. Inclusive dados externos, como decisões políticas e macroeconômicas que afetam o mercado em questão, a ponto de sua execução se tornar complexa demais para um ser humano. O objetivo é otimizar a eficiência operacional ao longo do ano. Segundo a McKinsey, apenas com estratégias de manutenção preditiva, o uso de dados é capaz de reduzir o tempo de inatividade das máquinas em 30% a 50% e aumentar sua vida útil entre 20% e 40%.
Como no caso da Peccin, uma vantagem fundamental em relação ao paradigma industrial anterior é a agilidade na tomada de decisão. Em vez de esperar por relatórios mensais para identificar falhas na produção, o gestor monitora um painel analítico com dados e relatórios alimentados pela IA preditiva em tempo real. Ajustes que poderiam levar meses para serem implementados são feitos imediatamente. Isso significa, por exemplo, menos desperdício de matéria-prima, menor risco de perder uma máquina por falhas e melhor aproveitamento da capacidade produtiva. “O feeling é ótimo, mas se juntar com dados e análise histórica você tem mais chance de sucesso”, afirma Leandro Devegili, sócio da Data Science Brigade.
O impacto da IA e da gestão eficiente de dados pode ser ainda mais significativo para empresas que controlam todos os elos das cadeias de produção, distribuição e varejo. Imagine o caso de uma companhia do mercado da moda que precisa lidar com 18 mil tipos de produtos e distribuí-los por mais de 120 lojas espalhadas pelo Brasil. Não faz sentido, por exemplo, enviar a mesma quantidade de itens para todas as lojas, uma vez que cada uma tem suas particularidades. Como controlar e despachar isso sem inteligência, especialmente um setor que muda quatro vezes por ano, a cada coleção?
Para responder à questão, a DSB estruturou os dados deste cliente (cujo nome também não pode ser revelado) e implementou o processo de IA preditiva, integrando áreas como logística e gestão dos estoques. Todos os dias, às 5h da manhã, um algoritmo reúne informações sobre a produção e as características de cada loja – como vendas, localização, ticket médio e perfil dos clientes – para recomendar a distribuição de milhares de produtos país afora. O sistema é constantemente atualizado com base no desempenho dos estoques no varejo, o que impacta na próxima recomendação. Além disso, a IA sugere o envio de itens entre as unidades, redistribuindo-os para onde houver maior demanda. E isso traz um impacto direto no desempenho comercial. “É uma distribuição inteligente e automatizada, que antes era feita manualmente”, destaca Devegili.
Além da “modinha”
Recursos como o ChatGPT colocaram a inteligência artificial rapidamente na rotina de milhões de pessoas. No caso da indústria, entretanto, a adoção de um recurso de IA preditiva não acontece de uma hora para outra. Grandes empresas têm diversos aspectos para se preocupar primeiro, o que exige investimento e mudança de cultura. Ou seja, há uma curva de aprendizagem a ser respeitada para quem deseja uma IA efetiva e que vá além de um mero hype. “Antes de mais nada, os gestores precisam fazer o feijão com arroz e, sem pular etapas, garantir que as bases estejam bem fundamentadas para adotar a inteligência artificial”, explica Erhart, da nPLAN.
Um dos primeiros passos – o “feijão com arroz”, como Erhart se refere – envolve a coleta e a organização dos dados, assim como a estruturação da governança. Afinal, são esses subsídios que irão alimentar a IA. Um dos problemas, nesse caso, é que boa parte das empresas ainda estão separadas por silos. Cada setor utiliza um sistema diferente, o que muitas vezes bloqueia a circulação de informações dentro da companhia. Esse tipo de organização pode mascarar problemas maiores, com cada departamento apresentando desempenhos regulares individualmente, mas sem a estrutura conseguir alcançar a uma harmonia no funcionamento global. “Na hora de juntar todas as informações é que o problema aparece”, salienta Devegili. Para ilustrar a questão, o sócio da Data Science Brigade cita o caso de um cliente que considerado problemático para o Jurídico da empresa, pois havia atrasado três pagamentos. Por outro lado, para o setor Financeiro, tratava-se de um ótimo cliente, pois comprava havia dez anos com regularidade e, quando atrasou, pagou os juros. Ou seja, o mesmo cliente era visto sob diferentes óticas dentro de uma mesma empresa, já que os setores não dialogavam. “Tomar decisões individualizadas pode levar a grandes erros. Por isso, a palavra da moda tem que ser ‘integração’, e não inteligência artificial”, alerta.
A coleta de dados na indústria também tem particularidades que podem levar a falhas. Nesse caso, a qualidade das informações pode ser afetada por sensores quebrados ou mal calibrados, sistemas incompatíveis e limitações arquitetônicas. Diversos outros fatores podem afetar o ambiente fabril, onde os sistemas de coleta são mais exigidos.
Fato é que a indústria deve ser criteriosa para decidir onde vale a pena aplicar a inteligência artificial. A matemática e a estatística tradicional, por exemplo, funcionam melhor em determinadas funções. Ou seja: é preciso saber onde aplicar para aproveitar o máximo da tecnologia. Além disso, as empresas e seus fornecedores de tecnologia precisam ser criteriosos com a segurança e o sigilo dos dados para não expor informações delicadas. Por fim, considere que a IA não resolve tudo sozinha e está sujeita a “alucinações” – a produção de conteúdos incorretos ou enganosos. Fatores assim mantêm a relevância do ser humano no processo decisivo, diz Erhart, da nPLAN. E arremata: “Quem tem que validar as sugestões é o usuário”.
