No Brasil, custo e disponibilidade de profissionais qualificados é o 2º maior obstáculo da indústria de transformação, com 29,2%, à frente da taxa de juros, com 27,6% (CNI, Sondagem Industrial, abril de 2026).
A reação natural é contratar cientista de dados. E é a reação errada, porque o papel que falta não é esse.
A linha de corte de 30 pontos
Comece pelo dado que descreve o problema com precisão desconfortável:
Apenas 44,5% dos brasileiros dominam tarefas digitais complexas como o uso de IA. Na faixa de 45 a 59 anos, 36%. Na de 16 a 24 anos, 65,7% (CNI, Retratos da Sociedade Brasileira, 68ª edição, 17/04/2026).
Quase 30 pontos de diferença entre as duas pontas. A faixa de menor fluência digital é a que tem o conhecimento de processo acumulado: quem sabe por que a linha para às quintas, o que aquele ruído significa e qual ajuste o turno da noite faz sem registrar.
Um projeto de IA industrial exige conhecimento de processo e fluência digital na mesma sala. No Brasil, essas duas coisas quase nunca estão na mesma pessoa.
O que o tradutor faz, na prática
"Tradutor" soa vago até você listar as entregas. Elas são concretas, e nenhuma é modelagem:
Define a variável alvo. "Prever falha" não é uma variável. Falha de quê, medida como, com quanto de antecedência útil? A diferença entre prever "parada não programada acima de 10 minutos" e "qualquer parada" muda o modelo, o dado necessário e o valor do resultado.
Traduz o evento em registro. O operador sabe que houve um problema. O sistema registra um código de parada que pode ou não corresponder ao que aconteceu. Alguém precisa percorrer o histórico com quem estava lá e estabelecer o que cada código realmente significou.
Rotula. Aprendizado supervisionado precisa de exemplos marcados: estes 40 eventos foram falha de rolamento, estes 12 foram problema de matéria-prima. Isso sai de conversa com manutenção, com um registro estruturado no fim, e não de banco de dados.
Desenha a exceção. O que o modelo deve fazer quando o caso não se parece com nada que ele viu. Sem isso, a primeira situação atípica destrói a confiança da operação no sistema.
Valida contra a linha. Antes de subir, alguém precisa olhar as recomendações e dizer "essa faz sentido, essa não faz e eu sei por quê". É o teste que nenhuma métrica substitui.
Negocia a mudança de rotina. Onde a recomendação entra no turno, quem responde por ela, o que sai da rotina para dar lugar.
Seis entregas. Nenhuma exige saber treinar modelo; todas exigem conhecer o processo e entender o que um modelo pode e não pode fazer.
Um exemplo: como a variável alvo muda tudo
Vale ver a primeira entrega funcionando, porque ela parece detalhe e decide o projeto inteiro.
O pedido chega assim: "queremos prever falha no extrusor." Três traduções possíveis, todas legítimas:
"Prever qualquer parada do equipamento". Inclui setup, troca de ferramenta e falta de material: eventos frequentes, previsíveis por agenda e sem valor preditivo. O modelo vai acertar muito e não servir para nada, porque está prevendo o que a programação já sabia.
"Prever parada não programada acima de 10 minutos". Recorte útil, mas exige que o código de parada seja confiável. Na maioria das plantas ele não é: o operador escolhe o código mais próximo na lista, sob pressão, e três causas diferentes viram o mesmo registro.
"Prever falha de rolamento do motor principal com 24 horas de antecedência". Específico, acionável, e revela o problema real: quantos eventos desses existem no histórico? Se forem oito em três anos, não há como treinar um classificador, e o caminho correto é detecção de anomalia, que não precisa de rótulo de falha.
A terceira tradução é a única que chega à conversa que importa, e ela quase sempre termina com uma reformulação do projeto. Descobrir isso na semana 2 custa uma reunião; descobrir no mês 6 custa o piloto.
Essa conversa não acontece entre um cientista de dados e um diretor. Ela acontece entre alguém que conhece o extrusor e alguém que sabe o que um modelo precisa, e é essa sala que falta.
O segundo teste: a antecedência útil
Há uma pergunta que o tradutor faz e que raramente aparece na proposta: com quanta antecedência a previsão precisa chegar para ser útil?
Se a peça de reposição leva três semanas para chegar, uma previsão com 24 horas de antecedência não muda nada, porque a parada vai acontecer de qualquer jeito. Se a intervenção exige janela de parada programada, a antecedência útil é o intervalo entre janelas.
A antecedência útil define o horizonte do modelo, e o horizonte define quais variáveis fazem sentido. É uma decisão de operação disfarçada de decisão técnica, e quem a toma precisa conhecer a rotina de manutenção, não o algoritmo.
Por que contratar não resolve
O mercado oferece as duas metades separadas, e nenhuma delas sozinha entrega:
| Perfil | O que ele resolve | O que trava |
|---|---|---|
| Cientista de dados contratado | modelo, métrica, pipeline | não sabe por que a linha para às quintas; rotula errado sem perceber |
| Especialista de processo interno | conhece a exceção e a causa | não sabe o que é viável nem o que o dado sustenta |
| Consultoria externa | entrega o projeto | leva o conhecimento embora quando sai |
A terceira linha é a mais cara no médio prazo. O modelo fica; o entendimento de por que ele foi construído assim, não. Na primeira mudança de processo, ninguém sabe se ainda vale.
Como formar o tradutor, já que não dá para comprar
A saída praticada por quem escala é formar, e o caminho é mais curto do que parece:
Escolha entre os que já conhecem o processo. É muito mais rápido ensinar o que um modelo faz a quem conhece a linha do que ensinar a linha a quem sabe modelar. O conhecimento de processo leva anos; a fluência necessária para o papel, meses.
O perfil típico já existe na empresa. É quem já monta as planilhas de análise da área, a pessoa que a equipe procura quando precisa entender um número. Ela já faz metade do trabalho, sem o nome.
Forme em par, num caso de uso real. O tradutor aprende ao lado de quem modela, sobre um problema da própria planta. Treinamento genérico não produz esse papel.
Dê tempo alocado. É o ponto que mais mata a iniciativa: o tradutor continua com as responsabilidades anteriores e o projeto vira o que sobra do dia.
Isso conversa com o que o setor já declara: 48% dos fabricantes têm dificuldade moderada a significativa para preencher vagas de produção e 35% citam adaptar os trabalhadores atuais como preocupação principal (Deloitte, 600 executivos). E, no Brasil, 50% das empresas com 100 ou mais funcionários citam falta de pessoal qualificado (ABES/IDC).
O mercado não vai resolver isso a tempo. Formar é a única alavanca com prazo controlável.
A evidência de que o gargalo não é técnico
Há um estudo que mede exatamente esta tese: 77% dos desafios de adoção de IA não são técnicos, e 35% das barreiras estão em áreas de apoio. E o dado mais encorajador do conjunto: 61% das implementações bem-sucedidas tiveram uma tentativa anterior fracassada (Pereira, Brynjolfsson e Graylin, 51 implementações em 41 organizações).
Fracasso anterior é o padrão. O que separa a segunda tentativa da primeira quase nunca é um modelo melhor; é alguém que entendeu o processo o suficiente para formular o problema certo.
O contexto brasileiro que aperta o prazo
Na indústria de transformação brasileira, 14% das empresas com 10 ou mais ocupados usaram IA em 2025, e o abismo de adoção por porte passou de 28 para 35 pontos percentuais em um ano (Cetic.br/NIC.br, TIC Empresas 2025).
Num parque em que 94,2% das empresas industriais são pequenas, o segmento com mais a ganhar é o com menos capacidade de capturar sozinho. Para essas, o tradutor é uma pessoa existente com tempo alocado e um projeto de escopo fechado, e não um cargo novo.
E o contexto de investimento não ajuda: com o Índice de Confiança do Empresário Industrial abaixo de 50 pontos por 14 meses consecutivos, o projeto que avança é o que mostra retorno auditável em horizonte curto. Isso é argumento a favor do tradutor interno, não contra: ele é a diferença entre um piloto de seis meses e um de dois anos.
Três perguntas antes do próximo piloto
- Quem traduz processo para modelo, e essa pessoa existe na empresa? Nome, não função.
- Quanto tempo dela está alocado? Se for "o que sobrar", o projeto já tem o resultado definido.
- Quem fica com o entendimento quando o fornecedor sair? Se a resposta for ninguém, o próximo ajuste de processo aposenta o modelo.
