Um sinal de vibração sai de um sensor num motor e, para virar uma ordem de manutenção, atravessa seis camadas de tecnologia. A conversa sobre IA industrial acontece quase toda na quarta, o modelo. O retorno se decide nas outras cinco.
Vinte por cento das organizações industriais apontam a integração fraca de IA e analytics nos fluxos de trabalho operacionais como a principal razão de suas iniciativas não entregarem o retorno esperado (Cloudera, The Data Readiness Index 2026, recorte manufatura). Entre fabricantes cujos pilotos tiveram sucesso apenas moderado ou limitado, 43% citam desafios de integração e 27% apontam o legado (RSM US, 129 fabricantes).
A pilha, camada por camada
A referência de mercado para essa estrutura é o modelo ISA-95, que organiza a fábrica em níveis, do sensor no equipamento até o ERP. Na prática de um projeto de IA, ela se lê assim:
| Camada | O que roda ali | Onde quebra |
|---|---|---|
| 0. Instrumentação | sensor, inversor, célula de carga, câmera | taxa de amostragem menor que o fenômeno a detectar |
| 1. Controle | CLP, CCM, malha de controle | tag sem nome semântico, só endereço de memória |
| 2. Supervisão | SCADA, IHM, historian | dado guardado para tela, não para treino |
| 3. Contexto | broker MQTT, gateway de borda, modelo semântico | sem dono, sem linhagem, sem unidade declarada |
| 4. Modelo | detecção de anomalia, RUL, visão, APS | a única camada que quase nunca é o gargalo |
| 5. Execução | MES, ordem de produção, IHM do operador | a inferência não volta para onde a decisão acontece |
Três siglas, porque o resto do texto depende delas:
- CLP (controlador lógico programável) é o computador industrial que executa a lógica da máquina em tempo real. Ele liga o motor, fecha a válvula, para a linha.
- SCADA é a camada de supervisão: as telas que mostram o processo e registram alarmes.
- MES (sistema de execução de manufatura) é onde a ordem de produção vive: o que produzir, em que máquina, em que sequência, e o apontamento do que foi de fato produzido.
Camadas 0 e 1: a coleta, e por que "em lote" muda a categoria
Apenas 34% da indústria tem sistemas de produção com streaming de dados em tempo real. Entre grandes fabricantes, IIoT aparece em 46% e 5G em 42%. E apenas 43% dos dados coletados são efetivamente utilizados (HiveMQ, 2026; Deloitte, 600 executivos; Rockwell Automation, 1.500+ fabricantes em 17 países).
Como o dado sai do CLP
Três caminhos comuns, e a escolha define o que dá para fazer depois:
- Modbus TCP: protocolo antigo, universal, sem semântica. Você lê o registrador 40001 e precisa saber, por fora, que ali mora a temperatura do forno em décimos de grau. Barato de habilitar, caro de manter.
- OPC UA: padrão de interoperabilidade industrial que carrega modelo de informação junto com o valor. O dado chega com nome, tipo, unidade e hierarquia, o que transforma um número solto em algo que um modelo consome sem um dicionário paralelo.
- MQTT com Sparkplug B: publicação por exceção sobre um broker. O dispositivo publica quando o valor muda, declara seu nascimento e sua morte na rede, e qualquer consumidor novo assina o mesmo tópico sem tocar no CLP. Desacopla quem produz o dado de quem o consome, e por isso é a arquitetura que a maioria dos projetos acaba adotando.
As duas armadilhas de amostragem
Detectar desbalanceamento em um eixo exige ordens de grandeza mais amostras por segundo do que acompanhar a temperatura de um tanque. Um projeto de manutenção preditiva que lê vibração uma vez por minuto está medindo a média de algo que acontece entre as leituras. A pergunta correta não é "temos dado de vibração?", e sim "em que taxa, e ela cobre a frequência do fenômeno?".
A segunda armadilha é a frequência de entrega. Se o dado sai em lote, uma vez por dia, o caso de uso é de diagnóstico. Ele explica bem o que aconteceu ontem e não muda o turno de hoje. Um por turno permite corrigir o turno seguinte; streaming permite mudar o que a máquina faz agora. São três produtos diferentes, com retornos diferentes, vendidos com o mesmo nome.
Camadas 2 e 3: o contexto, e o gap de 24 pontos
Oitenta e dois por cento das indústrias dizem saber onde seus dados residem, e 58% os têm plenamente governados (Cloudera, set/2026).
Um historian é um banco de séries temporais otimizado para gravar muito e desenhar tela rápido. O dado está lá, e o projeto trava assim mesmo, por três razões:
- Tag sem semântica. O histórico vem como
TT101PV,M3SPD`, `LINE2CNT. Quem sabe o que é isso é uma pessoa, não um sistema. - Sem unidade nem contexto de produto. O mesmo tag de temperatura significa coisas diferentes rodando produto A ou produto B. Sem amarrar o dado à ordem de produção em curso, o modelo aprende a média de dois processos.
- Sem linhagem. Não dá para responder de onde veio o número, quem o transformou e quando a regra mudou.
A resposta de arquitetura que virou consenso é a UNS (Unified Namespace), uma camada única onde todo dado da planta é publicado com endereço hierárquico e legível (empresa/planta/área/linha/máquina/variável), em vez de cada sistema falar direto com cada outro.
O resto é administrativo e trava mais projetos que o técnico: dono (nome e área), linhagem (o caminho auditável do sensor à tabela) e definição (o que conta como parada, refugo, setup). Sem linhagem, ninguém assina a subida para produção, porque um modelo treinado sobre base não auditável não passa por validação.
Camada 4: o modelo, que não está na lista de barreiras
"IA industrial" esconde coisas bem diferentes:
- Detecção de anomalia aprende o comportamento normal de um ativo e aponta o desvio. É o caso de uso mais comum e o que menos exige rótulo.
- RUL (vida útil remanescente) estima quanto tempo resta antes da falha. Exige histórico de falhas reais, que quase nenhuma planta tem em volume suficiente.
- Visão computacional para inspeção depende mais de iluminação e fixação de câmera do que de modelo.
- APS (planejamento e sequenciamento avançado) é otimização matemática, não aprendizado, e concentra boa parte do ganho rápido.
As barreiras declaradas à ampliação são outras: segurança e privacidade 37%, qualidade e linhagem de dados 32%, integração com sistemas legados 27%, lacunas de talento 24% (RSM US, jul/2026). Acurácia de modelo não aparece na lista.
Camada 5: a execução, onde o ROI se decide
O modelo pode ter 99% de acurácia e não mudar nada, porque a inferência não aterrissa onde o operador decide.
Quatro destinos possíveis, em ordem de eficácia: painel novo (ninguém abre no meio do turno), relatório por e-mail (chega depois da decisão), dentro do MES (vira sequência, apontamento ou bloqueio de qualidade) e na IHM que o operador já opera (vira o próximo passo do procedimento).
Fechar a malha, deixando o modelo ajustar um parâmetro sozinho, tem três níveis, e escolher explicitamente é parte do projeto:
- Somente leitura com recomendação. O modelo sugere, a pessoa executa.
- Setpoint supervisório com limites. O modelo escreve dentro de uma faixa validada pela engenharia, e o intertravamento do CLP continua sendo a autoridade final.
- Malha fechada, só depois de histórico de operação assistida e com critério de reversão automática.
Quem pula do 1 para o 3 tem um problema de segurança funcional. As quatro formas de a recomendação entrar no MES estão em Integração com o MES.
Protótipo ilustrativo
O modelo acerta. E aí?
A acurácia do modelo está travada em 99%, porque ele não é o controle aqui. Mexa nos três elos que sobram.
Como o dado sai da linha
Governança do dado de chão de fábrica
Onde a inferência aterrissa
Do sensor até a decisão
Coleta
55%
Contexto
60%
Modelo
travado
Execução
20%
O elo que trava é execução, e não o modelo.
De 100 recomendações
7
mudam o que a linha faz
Ganho de output capturado
+1,3%
de um teto de +20% medido em nível de planta
Decisão do próximo turno
Dá para corrigir o turno seguinte. É ganho real, e é menos do que foi prometido.
Sem linhagem auditável, ninguém assina a subida para produção, e o piloto fica no piloto, com qualquer número.
O que mais trava, depois da pilha
Três frentes atravessam todas as camadas e cada uma sozinha adia um projeto.
Conectar OT a IT para alimentar modelos amplia a superfície de ataque, e quem aprova a escala já não é o diretor de operações sozinho. A arquitetura que passa na revisão está em Segurança de OT.
Sessenta e sete por cento elegem IA agêntica como prioridade e 36% priorizam governança de dados; 70% já citam a incapacidade de confiar e governar agentes como obstáculo ao escalar. O que um agente exige antes de existir está em Agente autônomo na fábrica.
No Brasil, apenas 44,5% dominam tarefas digitais complexas como o uso de IA, e 36% na faixa de 45 a 59 anos, que é a que comanda o chão de fábrica. Conhecimento de processo e fluência digital precisam estar na mesma sala, e raramente estão na mesma pessoa: O tradutor de processo.
A barra real é mais baixa do que parece
Quatro pesquisas de 2026 mediram "a IA já está nos nossos processos core" e discordam em 90 pontos: Fictiv diz 97%, RSM US diz 32%, Deloitte diz 29%, HiveMQ diz 7%. A diferença está na definição de cada uma, não na amostra.
O benchmark que o conselho usa provavelmente está calibrado contra os 97%, quando a realidade operacional está entre 7% e 32%. Colocar um caso de uso operando dentro do sistema de execução já coloca a operação num percentil alto.
Sete perguntas antes do próximo piloto
Se a resposta a três delas for "não sei", ninguém na empresa tem o número, e o problema deixa de ser a escolha de fornecedor.
- O dado que o modelo precisa sai da linha em tempo real? Em que taxa, e por qual protocolo?
- Quem é o dono do dado de chão de fábrica? Nome, área e linhagem auditável.
- Em qual tela a recomendação aparece? MES, IHM ou painel novo.
- O responsável por segurança já viu a arquitetura? Zonas, DMZ industrial e caminho de escrita.
- Quem traduz processo para modelo, e essa pessoa existe na empresa?
- O ganho foi medido em uma planta ou na rede? Linha de base construída depois do projeto é justificativa.
- Qual é o custo de operar esse modelo daqui a um ano? Cerca de 20% das organizações já relatam que o custo operacional de IA restringe o uso.
Nenhuma delas é sobre modelo, e todas são respondíveis antes de escolher fornecedor.
