AI Brasil
AI Avançado

Agente de IA interpreta ordens de manutenção industrial e escreve o próprio código de análise

Pesquisadores publicaram em 18 de novembro de 2026 o CodeReAct, um agente que interpreta instruções em linguagem natural sobre manutenção de equipamentos e gera código executável para analisar anos de ordens de serviço. O paper mostra o estudo de caso com chillers, mas não traz custo nem latência.

Lucas FerrazColunista

· 5 min de leitura

Este artigo foi escrito por Lucas Ferraz. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.

Imagem gerada por IA

O agente que lê a ordem de serviço e escreve o próprio código

Um paper publicado em 18 de novembro de 2026 no arXiv (2611.25070), assinado por Nianjun Zhou e Dhaval Patel, descreve um framework batizado de CodeReAct para manutenção industrial. A proposta é simples de enunciar e difícil de executar bem: alguém escreve, em linguagem natural, algo como "mostre os padrões de falha do chiller 12 nos últimos três anos", e o agente devolve análise, gráfico de tendência e recomendação de ordem de trabalho, sem que um cientista de dados escreva uma linha de código antes.

O nome vem de ReAct, o padrão Thought-Action-Observation (pensamento, ação, observação) que já aparece em boa parte dos agentes baseados em LLM. O agente pensa sobre o que a pergunta exige, age gerando e executando código, observa o resultado e repete o ciclo até ter resposta. A diferença que o paper destaca é onde fica o "Action": em vez de só chamar uma ferramenta pronta, o CodeReAct gera código executável de verdade, substituindo o trabalho manual de programação que normalmente cai na mesa de um analista ou cientista de dados.

Como o CodeReAct traduz chão de fábrica em dados estruturados

Dado histórico de manutenção industrial costuma ser bagunçado: ordens de serviço em texto livre, alertas de sensores em formatos diferentes, anomalias registradas por sistemas distintos. O paper descreve um passo de padronização que converte esse material em "objetos de negócio" (business objects, ou BOs), uma camada intermediária que dá estrutura comum ao que antes era texto solto e planilha dispersa.

Com os BOs prontos, o agente passa a chamar funções analíticas via API em vez de reinventar lógica a cada pergunta. Na prática, isso parece com o seguinte (exemplo ilustrativo do padrão descrito no paper, não um trecho literal dele):

python
# Thought: preciso filtrar ordens de serviço do ativo "chiller-12"
# e agrupar por tipo de falha nos últimos 3 anos
work_orders = get_work_orders(asset_id="chiller-12", start_date="2023-11-01", end_date="2026-11-18")
failures_by_type = group_by(work_orders, key="failure_code")
trend = compute_trend(failures_by_type, window="monthly")

O ponto central para quem constrói esse tipo de sistema: o agente não chama uma função fixa de "gerar relatório", ele monta a sequência de chamadas de acordo com a pergunta, o que exige que as funções analíticas (as APIs de BO) estejam bem definidas e testadas antes, porque é nelas que o código gerado vai se apoiar.

O estudo de caso: anos de manutenção de chillers em uma conversa

O paper valida a arquitetura com um estudo de caso focado em chillers, os equipamentos de refrigeração industrial que geram manutenção recorrente em plantas fabris e prédios comerciais. O agente processou múltiplos anos de ordens de serviço, além de alertas e anomalias associadas a esses ativos, e devolveu resumos de status, extração de conhecimento e recomendações de novas ordens de trabalho a partir de instruções em linguagem natural.

Segundo os autores, o resultado mostra que o agente consegue processar os pedidos do usuário, extrair insight relevante e apoiar decisão, reduzindo a necessidade de um cientista de dados dedicado a essa tarefa. É uma afirmação de capacidade funcional, não um número de acurácia: o paper não publica taxa de acerto nas recomendações nem compara o output do agente com o que um analista humano teria produzido no mesmo caso.

O gap que todo arquiteto de TI vai notar: cadê o custo e a latência

Aqui está o ponto que separa um paper acadêmico de uma decisão de arquitetura. O abstract e o material disponível não trazem:

  • Qual modelo de linguagem roda por trás do CodeReAct (tamanho, fabricante, versão)
  • Latência média do ciclo Thought-Action-Observation até a resposta final
  • Custo por consulta ou por token em produção
  • Taxa de erro do código gerado (quando a execução falha ou devolve resultado incorreto)
  • Como o sistema lida com código gerado que tenta acessar dado fora do escopo permitido

Para quem decide levar algo assim para um ambiente real de manutenção industrial, essas cinco lacunas não são detalhe, são a diferença entre um protótipo interessante e um sistema que roda sem supervisão numa planta. Um agente que escreve e executa código sozinho precisa de sandbox, de limite de chamadas e de um orçamento definido por consulta, nenhum desses pontos aparece descrito no material publicado até aqui.

Onde isso ajuda hoje, e onde ainda não dá pra confiar

O caso de uso de chillers é bem escolhido porque manutenção de HVAC e refrigeração industrial gera um volume壮 de ordens de serviço estruturáveis: tipo de falha, data, componente, tempo de reparo. É exatamente o tipo de dado que um pipeline de BOs consegue padronizar com razoável previsibilidade.

O que ainda falta é validação fora de um único ativo. Reduzir a dependência de um cientista de dados é uma proposta de valor forte, mas ela só se sustenta se o agente generaliza para outros tipos de equipamento sem reescrever toda a camada de business objects do zero. O próprio paper reconhece isso ao falar em "recontextualizar frameworks de NLP para engenharia industrial": é um primeiro passo, com chillers como representante de uma categoria maior de ativos, não como prova de que o framework já serve para qualquer planta.

Para equipes de TI avaliando esse tipo de arquitetura, o caminho razoável é tratar o CodeReAct como referência de desenho, não como produto pronto: vale estudar o padrão Thought-Action-Observation aplicado a geração de código sobre dados industriais, mas qualquer piloto real vai precisar instrumentar o que o paper ainda não mediu, começando por custo por chamada e taxa de falha do código gerado em produção.

Fonte: arXiv cs.AI

Compartilhar
Quem escreveuLucas FerrazColunista

Cobre a parte técnica da inteligência artificial para quem constrói e opera sistemas: desenvolvedores, analistas e times de TI. Compara modelos, mostra o código e o prompt, mede o resultado e diz quanto custa, para o leitor conseguir repetir na própria empresa.

Leia também

Newsletter AI Brasil

A IA da semana, para a sua profissão

Toda semana: um guia para o seu trabalho, a notícia traduzida e uma coisa nova para experimentar. Gratuita, sem spam.

Você é… (opcional)