Agente autônomo na fábrica: o que ele exige antes de existir

67% da indústria elege IA agêntica e operações autônomas como prioridade para 2026. Apenas 36% priorizam governança e contextualização de dados, e só 34% têm sistemas de produção com streaming em tempo real (HiveMQ, 2026).

E o efeito já aparece na mesma safra de pesquisas: 70% citam a incapacidade de confiar e governar agentes como obstáculo ao escalar.

O segundo número é consequência do primeiro. Este artigo é sobre o que um agente autônomo exige tecnicamente, e por que cada requisito é o que 68% da indústria ainda não tem.

O que é um agente, tecnicamente

Um agente não é um modelo maior. É um modelo com quatro coisas em volta:

• Ferramentas: funções que ele pode chamar para ler estado e executar ação (consultar a ordem de produção, ler o histórico de um ativo, abrir uma ordem de manutenção).
• Estado: memória do que já fez e do que está em curso, para não repetir nem se contradizer entre passos.
• Autonomia delimitada: quais decisões ele toma sozinho, quais exigem confirmação, e o que ele nunca faz.
• Observabilidade e reversão: registro de cada decisão com a informação que a motivou, e caminho de volta quando ela estiver errada.

É a diferença entre responder uma pergunta e agir sobre um processo. E cada um dos quatro tem um pré-requisito de dado que a fábrica média não atende.

O primeiro requisito: estado, não histórico

Um relatório responde "o que aconteceu". Um agente precisa de "o que está acontecendo".

Se o dado sai da linha em lote, uma vez por dia, o agente está decidindo sobre um mundo que já mudou. A questão é de categoria do caso de uso, e não de qualidade do modelo: com dado em lote, o produto é diagnóstico; com dado em tempo real, é decisão.

Entre grandes fabricantes, IIoT aparece em 46% e 5G em 42%, e apenas 43% dos dados coletados são efetivamente utilizados (Deloitte, 600 executivos; Rockwell Automation, 1.500+ fabricantes em 17 países). O dado existe e não chega.

O segundo: semântica, que é onde o projeto trava

Este é o requisito que mais surpreende quem vem de software.

O dado do chão de fábrica chega como TT101PV, M3SPD`, `LINE2CNT. Um humano que conhece a planta sabe o que é; um agente, não. E o problema não se resolve com um dicionário improvisado, porque:

• A mesma variável muda de significado por produto. Temperatura alvo rodando o produto A não é a mesma do produto B; sem amarrar o dado à ordem de produção em curso, o agente aprende a média de dois processos.
• Unidade não viaja junto. Bar ou psi, °C ou °F, peça ou caixa. Um agente que soma unidades diferentes erra em silêncio.
• Definição operacional varia por área. O que conta como "parada", "refugo" e "setup" costuma ter três definições na mesma empresa, e o OEE de duas plantas não é comparável por isso.

Oitenta e dois por cento das indústrias dizem saber onde seus dados residem, e 58% os têm plenamente governados (Cloudera, recorte de manufatura). Nesses vinte e quatro pontos entre saber e governar é que um agente se perde.

O terceiro: limites que existem fora do modelo

O intertravamento nunca vive no agente. A lógica que impede a máquina de operar fora da faixa segura é do CLP, validada pela engenharia, e continua sendo a autoridade final. O agente opera dentro do que o intertravamento já permite.

Na prática, autonomia se declara em três níveis, e escolher explicitamente é parte do projeto:

1. Recomendação somente leitura. O agente sugere, a pessoa executa. É onde quase todo projeto deveria começar.
2. Setpoint supervisório com limites. O agente escreve um valor dentro de uma faixa validada, com registro de cada escrita.
3. Malha fechada, só depois de histórico de operação assistida, com critério de reversão automática.

Quem pula do 1 para o 3 não tem um problema de IA: tem um problema de segurança funcional.

Onde agente faz sentido hoje

A crítica acima é contra a ordem, e não contra agentes. Há três recortes em que eles já funcionam, e nos três o custo do erro é baixo e a reversão é trivial.

Triagem de alarme. Uma planta gera mais alarmes do que a equipe consegue olhar, e a maioria é ruído ou repetição do mesmo evento. Um agente que agrupa alarmes correlacionados, consulta o histórico do ativo e propõe uma priorização não decide nada irreversível: ele organiza a fila que um humano vai atender de qualquer forma. É o caso de uso com melhor relação entre valor e risco.

Preparação de ordem de manutenção. A partir de um alerta, reunir histórico do ativo, peças usadas nas últimas intervenções, disponibilidade em estoque e janela de parada, e deixar a ordem pronta para alguém aprovar. O trabalho eliminado é de busca em quatro sistemas, não de decisão.

Consulta sobre procedimento. Responder "qual é o setup correto para esta receita nesta máquina" a partir da documentação da planta, com a fonte citada. Exige bom acervo documental e não tempo real, o que o torna viável mesmo onde o dado de processo ainda é fraco.

Os três compartilham o desenho seguro: o agente lê muito e escreve pouco ou nada, e o que ele produz passa por aprovação humana. É o nível 1 de autonomia, e é onde a maior parte do valor está disponível hoje.

O que não está pronto na média da indústria: agente que ajusta parâmetro de processo, que sequencia produção sem revisão ou que decide liberar lote. A razão é a falta dos quatro pré-requisitos da tabela acima, e não limite do modelo.

Por que a ordem foi invertida

O motivo de 67% priorizar agente e 36% priorizar governança não é ignorância.

Agente é demonstrável; governança não é. Uma demo de agente impressiona em quinze minutos. Um modelo semântico com dono e linhagem não tem demo, e aparece como ausência de problema.

Agente tem fornecedor; governança tem trabalho interno. Dá para comprar o primeiro. O segundo exige decidir quem responde por cada dado, e isso é conversa entre áreas.

O ciclo de orçamento premia o novo. Arrumar dado parece manutenção; agente parece inovação.

O resultado é conhecido e está medido nas barreiras declaradas à ampliação: segurança e privacidade 37%, qualidade e linhagem de dados 32%, integração com legado 27%, talento 24% (RSM US, 129 fabricantes, 21/07/2026). Nenhuma delas é sobre capacidade de modelo.

O caminho que funciona

Há um achado que muda o ânimo de quem já tentou: 61% das implementações de IA bem-sucedidas tiveram uma tentativa anterior fracassada, e 77% dos desafios de adoção não são técnicos (Pereira, Brynjolfsson e Graylin, 51 implementações em 41 organizações).

Fracasso anterior é o padrão do caminho.

A sequência que sustenta um agente, quando ele fizer sentido:

Um caso de uso, até o fim. Do dado que sai da linha até a tela onde a decisão acontece, com linha de base anterior. Sair do piloto com um caso de uso operando dentro do sistema de execução já coloca a operação num percentil alto: 68% ainda não chegaram lá.

Semântica antes de autonomia. Nome, unidade, dono e contexto de produto para as variáveis daquele caso de uso, e não para a planta inteira. Escopo fechado é o que torna isso viável.

Autonomia no nível 1, com registro. Meses de recomendação assistida produzem o histórico que justifica (ou desaconselha) o nível 2.

Segurança na mesa desde o desenho. É a barreira nº 1 à escala, e envolver depois do piloto é garantir que o piloto não suba.

Três perguntas antes de comprar um agente

• Qual estado ele vai ler, e com que atraso? Se a resposta for "o dado de ontem", o produto é diagnóstico.
• Quem é o dono das variáveis que ele usa? Nome e área. Sem dono não há linhagem, e sem linhagem ninguém assina a subida para produção.
• O que ele pode escrever, e dentro de quais limites? Se a resposta ainda não existe, o nível é 1, e começar aí é o certo.