Na fábrica da Unilever em Raeford, na Carolina do Norte, um gêmeo digital passou a prever 95% das restrições de fluxo na produção de desodorante em bastão, e a empresa atribui a ele 20% menos desperdício e 10% mais capacidade [1]. O número é modesto para os padrões publicitários da Indústria 4.0, e por isso mesmo importa: tem nome de planta, processo identificado e empresa que responde por ele. Ainda assim, é um resultado informado pela própria companhia, como lembra a imprensa especializada [2]. Mesmo diante de casos assim, a pergunta que separa projeto de propaganda é a mesma desde o primeiro CLP instalado: qual problema de chão de fábrica esse sistema resolve, e o que acontece quando o dado de entrada está errado?
A tese deste artigo é desconfortável para o setor. O que falta à IA industrial não são algoritmos. Falta engenharia de dados, governança da tecnologia operacional (OT) e tradução entre o que o modelo entrega e o que o turno consegue executar. Manutenção preditiva, gêmeos digitais, visão computacional, controle adaptativo, cibersegurança e integração com sistemas de gestão avançam e falham pelo mesmo motivo: a qualidade da ponte entre o sensor e a decisão.
Manutenção preditiva: o modelo é a parte fácil
O problema industrial vem primeiro. Um rolamento que se degrada numa linha não avisa: ele aquece, vibra em frequências que ninguém monitora e falha no pior turno possível. A Deloitte estima que a parada não planejada custe às indústrias cerca de US$ 50 bilhões por ano [3].
O método é conhecido: sensores de vibração e temperatura alimentam modelos de classificação e regressão, como florestas aleatórias, gradient boosting e redes recorrentes. Um caso brasileiro mostra o caminho na prática. Zaro e Webber (2022) instrumentaram com sensores IoT e ferramentas em nuvem uma máquina espiraladeira que acumulava em média 35 horas mensais de inatividade por problemas de vibração. Com alertas em tempo real, o tempo de inatividade caiu 24% [4].
O detalhe que quase nunca aparece nos slides é que o resultado veio da instrumentação, do monitoramento contínuo e de parâmetros bem definidos do equipamento [4], e não de um algoritmo sofisticado. Modelos de aprendizado de máquina precisam de histórico de falhas rotulado, e máquinas bem mantidas quebram pouco. Sem eventos rotulados, o algoritmo aprende a descrever o passado, não a antecipar o futuro. Em muitas plantas, o que se vende como "IA preditiva" é monitoramento de condição com uma camada de nomenclatura mais cara. Isso não é defeito: é o primeiro degrau, e pular esse degrau é o erro mais comum.
Gêmeos digitais: o espelho só vale se refletir a planta real
Mudar o layout, introduzir um novo mix de produtos ou parar uma linha custa caro demais para ser testado no físico. A planta não pode ser reiniciada para experimentos. O gêmeo digital, um modelo virtual alimentado por dados da operação, permite ensaiar antes de mexer.
Em junho de 2026, a Unilever anunciou com a Accenture o plano de construir mais de 40 novos gêmeos digitais com IA nos 18 meses seguintes. O plano se apoia em resultados de sites existentes: além de Raeford, a fábrica de Poznan reduziu o desperdício em quase 30%, e a de Gandhidham reduziu defeitos de qualidade em 30% ao longo de quatro anos [1]. No setor automotivo, um estudo de caso publicado na Sensors comparou seis meses antes e seis meses depois da implantação de um gêmeo digital. O resultado foi um aumento de 6,01% na eficiência da linha de produção e um ganho de 87,56% em tempo de parada [5]. Uma compilação do IIoT World cita análise segundo a qual 92% das empresas que adotaram gêmeos digitais obtiveram ROI acima de 10%. A mesma compilação descreve casos como o da PepsiCo, com 20% mais vazão em fábricas nos EUA, e propõe um roteiro de implantação de 10 a 14 semanas [6].
A revisão de Khan e colegas (2025) sobre práticas reais de gêmeos digitais na manufatura reconhece os ganhos em desperdício, energia e tempo de parada. Ela também aponta os obstáculos à adoção em larga escala: infraestrutura de dados, cibersegurança e adaptação da força de trabalho [7]. Ou seja, o gêmeo que não é alimentado por dados confiáveis e não tem quem o mantenha vira maquete cara.
Aqui vale uma posição: a obsessão por gêmeos de planta inteira está mal direcionada. Os casos que funcionam têm escopo cirúrgico, como uma célula, uma linha ou um gargalo. Raeford é um exemplo: um processo específico, um problema específico e um ganho mensurável [1].
Visão computacional: a acurácia alta e o custo do alarme falso
O problema industrial é de economia da atenção. Um guia técnico sobre inspeção visual estima a precisão de detecção da inspeção manual entre 60% e 80% e afirma que a consistência cai de forma significativa no fim do turno [8]. O cansaço deteriora justamente a detecção de defeitos raros, e o defeito crítico que escapa vira recall.
A mesma fonte menciona um estudo de 2024 segundo o qual sistemas de visão com IA detectaram 37% mais defeitos críticos que inspetores humanos especialistas [8]. O estudo, porém, não é identificado, o que é comum nesse tipo de literatura. O mercado acompanha: a visão com IA para manufatura foi avaliada em US$ 2,2 bilhões em 2025, com crescimento anual composto projetado de 14,3% entre 2026 e 2035, segundo a consultoria Market.us [9].
O contraponto é obrigatório. Blogs de fornecedores divulgam números como 99,7% de acurácia sem informar conjunto de dados nem condições de teste [10]. Outros chegam a prometer 100% de acerto na inspeção [11]. Esses mesmos materiais admitem, porém, que o sistema que marca peça boa como defeituosa para a produção sem necessidade [11]. Numa linha real, o custo não está só no defeito que passa. Está também no falso positivo que interrompe o fluxo. A métrica que deveria importar é a taxa de falsos positivos por turno multiplicada pelo custo de cada parada indevida. Poucos fornecedores publicam esse número, e isso diz algo.
Controle adaptativo: do artigo à válvula
Na indústria de processo, o problema é o de sempre: sistemas não lineares, com dinâmica que muda com o desgaste do equipamento e com a matéria-prima. O PID clássico, ajustado uma vez, se desajusta silenciosamente.
O aprendizado por reforço (RL) promete reajustar o controle com base na experiência. Ma e Zhang (2025) propõem um controlador PID adaptativo baseado em aprendizado por reforço preditivo para sistemas instáveis e não lineares [12]. Gil e colegas (2025) vão além do simulador. Eles implantaram o controle de pH num fotobiorreator industrial aberto com uma estratégia híbrida: a política é treinada offline imitando um PID e depois ajustada online, o que permite lidar com não linearidades e perturbações externas [13]. Já a revisão de Farooq e Iqbal sobre RL em automação mapeia aplicações em manufatura, energia e robótica. Ela aponta interpretabilidade e confiabilidade entre os desafios em aberto [14].
O caso de Gil é instrutivo justamente por ser raro. A maioria dos trabalhos sobre RL industrial fica no simulador, e o motivo é estrutural. Um agente que aprende explorando precisa poder errar, e numa planta química errar pode significar liberar vapor em alta temperatura. Por isso a solução que chegou ao chão de fábrica começou copiando um PID existente [13]. A distância entre simulação e planta não é um detalhe técnico: é uma barreira de segurança e de responsabilidade.
Cibersegurança OT e integração com o ERP: onde a IA escala ou morre
Cada sensor adicional, cada gateway de borda e cada integração entre o MES (sistema de execução da manufatura) e o ERP (sistema de gestão empresarial) amplia o caminho entre a internet e o CLP. A IA conectada cria superfície de ataque.
Os números são de guerra. A Dragos identificou 742 incidentes de ransomware contra entidades industriais no terceiro trimestre de 2025, contra 657 no segundo. A manufatura respondeu por 72% deles [15]. A Check Point contabilizou alta de 56% nos ataques contra fabricantes em 2025, de 937 incidentes em 2024 para 1.466 [16]. No balanço anual, a Dragos rastreou 119 grupos de ransomware mirando organizações industriais em 2025, contra 80 em 2024, com impacto em cerca de 3.300 organizações [17]. O caso do grupo Cl0p é didático. Ele saltou de dois incidentes no quarto trimestre de 2024 para 154 no primeiro trimestre de 2025, explorando vulnerabilidades num software de transferência de arquivos [18]. Não é uma questão de sofisticação, e sim de exploração de falhas conhecidas em sistemas que ninguém pode desligar para atualizar.
No lado da integração, o movimento é de convergência. Um relatório da Customertimes, consultoria parceira da Salesforce, descreve 2025 como ponto de inflexão para a IA na manufatura, com a convergência de IA preditiva, generativa e agêntica [19]. Em março de 2025, a Siemens ampliou seu Industrial Copilot com uma oferta de manutenção baseada em IA generativa [20]. A thyssenkrupp Automation Engineering anunciou em 2024 o plano de usar o assistente em escala nas suas unidades globais a partir de 2025 [21]. A pesquisa anual da Rockwell Automation, publicada em junho de 2025, indica que 95% dos fabricantes investem em IA. O controle de qualidade é o principal caso de uso pelo segundo ano seguido, com 50% planejando aplicar IA/ML à qualidade do produto. Além disso, 49% dos fabricantes planejavam usar IA em cibersegurança em 2025, contra 40% em 2024 [22].
O ponto cego: um agente de IA que consulta o ERP e escreve no MES é, do ponto de vista de auditoria, um novo usuário com privilégios elevados e comportamento não determinístico. Os anúncios citados acima não explicam como esse agente é auditado.
O gargalo não é o modelo, é a fundação de dados
Os casos analisados apontam para uma conclusão que o setor reluta em aceitar. Os resultados de Raeford [1], o ganho em tempo de parada do estudo automotivo [5] e a queda de 24% na inatividade da espiraladeira gaúcha [4] descrevem o mesmo mecanismo. Em todos eles, o valor saiu de dados já instrumentados, com escopo restrito e dono identificável.
O que falha é o resto. Um relatório da RAND Corporation de 2024 registra estimativas de que mais de 80% dos projetos de IA fracassam, o dobro da taxa dos projetos de TI sem IA. Entre as causas, o relatório aponta a falta de dados adequados e de infraestrutura para gerenciá-los [23]. A Gartner previu, em fevereiro de 2025, que até 2026 as organizações abandonariam 60% dos projetos de IA sem dados prontos para IA [24]. A leitura fácil é que "a IA industrial é hype". A leitura correta é mais dura: o problema raramente é o algoritmo. Modelos para séries temporais de vibração são hoje ferramenta de prateleira. Rara é a planta que sabe quais sensores estão calibrados, qual foi o último plano de manutenção do ativo, se o tag do CLP corresponde ao do MES e quem responde quando o modelo erra.
Minha posição é que o entusiasmo atual com agentes autônomos e copilotos generativos está mal direcionado. Isso vale enquanto a base de dados industriais continuar sendo uma planilha mantida por um engenheiro prestes a se aposentar. A IA agêntica que consulta o ERP e o MES multiplica tudo, inclusive dados ruins. A indústria investe pesado na camada de cima de uma pilha cuja base é frágil. O resultado previsível é uma nova geração de pilotos que impressionam na demonstração e não sobrevivem à auditoria.
Há ainda uma tensão que a literatura quase não enfrenta. A IA industrial promete compensar a falta de especialistas, mas cada modelo exige um especialista para ser mantido. O caso Siemens–thyssenkrupp é instrutivo. O projeto é apresentado como resposta à escassez de mão de obra qualificada, mas quem usa o Copilot para escrever o código de automação são engenheiros da thyssenkrupp [25]. A ferramenta reduz o trabalho repetitivo. Ela não substitui o julgamento de quem entende o processo.
Conclusão
Os números que importam não são os 99,7% de acuráci
a dos blogs de fornecedores. São os 20% de desperdício cortados numa planta com nome e processo identificados [1], os 24% a menos de inatividade numa máquina instrumentada [4] e os 119 grupos de ransomware que descobriram que a fábrica conectada tem porta dos fundos [17]. A IA industrial está entregando resultados quando o escopo é cirúrgico, os dados são governados e há um dono definido.
Três direções se desenham. A primeira é a engenharia de dados industrial como disciplina própria, com catálogo de ativos, versionamento de tags e contratos de qualidade de sinal, tratados com o mesmo rigor que o software aplica ao código. A segunda é a segurança OT como pré-requisito arquitetural da IA, e não como projeto paralelo. Um agente de manutenção preditiva rodando numa rede plana é um vetor de ataque com um painel bonito. A terceira é trocar a métrica de avaliação: sai a acurácia do modelo e entra o impacto no turno, medido em falsos positivos por hora, horas de parada evitadas e custo por defeito que escapou.
A fábrica inteligente que vai sobreviver não é a que tem o modelo mais sofisticado. É a que consegue explicar, numa reunião de auditoria, por que confia no número que aparece na tela.
Referências
[1] Accenture Newsroom (2026). Unilever Scales Digital Twins Across Global Manufacturing Network with Accenture. https://newsroom.accenture.com/news/2026/unilever-scales-digital-twins-across-global-manufacturing-network-with-accenture
[2] Gupta, A. (2026). Unilever moves AI digital twins from factory deployments toward process control. TechInformed. https://techinformed.com/unilever-moves-ai-digital-twins-from-factory-deployments-toward-process-control/
[3] Deloitte. Asset Optimization: Predictive Maintenance. https://www.deloitte.com/us/en/services/consulting/services/predictive-maintenance-and-the-smart-factory.html
[4] Zaro, E. M.; Webber, C. G. (2022). Estudo de caso de desenvolvimento de sistema para manutenção preditiva 4.0. Revista Produção Online, v. 22, n. 3. https://www.producaoonline.org.br/rpo/article/download/4557/2227
[5] Mendi, A. F. (2022). A Digital Twin Case Study on Automotive Production Line. Sensors, 22(18), 6963. https://pmc.ncbi.nlm.nih.gov/articles/PMC9506524/
[6] IIoT World (2026). Build a Factory Digital Twin in 14 Weeks. https://www.iiot-world.com/smart-manufacturing/factory-digital-twins-2026/
[7] Khan, M. Q.; Alvi, M. A. H.; Nawaz, H. H.; Umar, M. (2025). Impact of Digital Twins on Real Practices in Manufacturing Industries. Inventions, 10(6), 106. https://www.mdpi.com/2411-5134/10/6/106
[8] Rabhi, A. (2026). Computer Vision Quality Inspection: A Practical Guide for Manufacturers. Tensoria. https://tensoria.fr/en/blog/computer-vision-quality-inspection
[9] Market.us (2026). AI Vision for Manufacturing Market. https://market.us/report/ai-vision-for-manufacturing-market/
[10] iFactory (2026). AI Vision for Defect Detection: 99.7% Accuracy Explained. https://ifactoryapp.com/blog/ai-vision-defect-detection
[11] Overview.ai (2025). 100% Inspection Accuracy with AI Vision: How Manufacturers Get There. https://www.overview.ai/blog/100-percent-accuracy-ai-vision/
[12] Ma, C.; Zhang, Z. (2025). Predictive reinforcement learning based adaptive PID controller. arXiv. https://arxiv.org/abs/2506.08509
[13] Gil, J. D. et al. (2025). Reinforcement learning meets bioprocess control through behaviour cloning: Real-world deployment in an industrial photobioreactor. arXiv. https://arxiv.org/abs/2509.06853
[14] Farooq, A.; Iqbal, K. (2025). A Survey of Reinforcement Learning for Optimization in Automation. arXiv. https://arxiv.org/abs/2502.09417
[15] Dragos (2025). Dragos Industrial Ransomware Analysis: Q3 2025. https://www.dragos.com/blog/dragos-industrial-ransomware-analysis-q3-2025
[16] Levkowitz, R. (2026). Why Manufacturing Cyber Security is Becoming More Complex as Cyber Attacks Accelerate. Check Point Blog. https://blog.checkpoint.com/security/why-manufacturing-cyber-security-is-becoming-more-complex-as-cyber-attacks-accelerate
[17] Dragos (2026). Dragos OT Cybersecurity Report: Adversaries Increase Real-World Impact. https://www.dragos.com/resources/press-release/dragos-2026-year-in-review-new-ot-threats-ransomware
[18] Dragos (2025). Dragos Industrial Ransomware Analysis: Q1 2025. https://www.dragos.com/blog/dragos-industrial-ransomware-analysis-q1-2025
[19] Customertimes. AI Automation in Manufacturing 2026 Report & Insights. https://www.customertimes.com/ai-automation-in-manufacturing-report
[20] Siemens (2025). Siemens expands Industrial Copilot with new generative AI-powered maintenance offering. https://press.siemens.com/global/en/pressrelease/siemens-expands-industrial-copilot-new-generative-ai-powered-maintenance-offering
[21] Siemens (2024). Siemens Industrial Copilot expanded, adopted by thyssenkrupp. https://press.siemens.com/global/en/pressrelease/siemens-industrial-copilot-expanded-adopted-thyssenkrupp
[22] Rockwell Automation (2025). Ninety-Five Percent of Manufacturers Are Investing in AI to Navigate Uncertainty and Accelerate Smart Manufacturing. https://www.rockwellautomation.com/en-us/company/news/press-releases/Ninety-Five-Percent-of-Manufacturers-Are-Investing-in-AI-to-Navigate-Uncertainty-and-Accelerate-Smart-Manufacturing.html
[23] Ryseff, J.; De Bruhl, B.; Newberry, S. (2024). The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed. RAND Corporation. https://www.rand.org/pubs/research_reports/RRA2680-1.html
[24] Gartner (2025). Lack of AI-Ready Data Puts AI Projects at Risk. https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
[25] Welsch, C. How AI is helping Siemens and thyssenkrupp bridge skilling gaps in manufacturing. Microsoft Source EMEA. https://news.microsoft.com/source/emea/features/how-ai-is-helping-siemens-and-thyssenkrupp-bridge-skilling-gaps-in-manufacturing/