Gerentes de fábrica revelam por que a maioria dos pilotos de IA não dá retorno

O boom é real, mas o retorno ainda é raro

Uma reportagem do Manufacturing Dive, publicada em 15 de outubro de 2026, reuniu executivos de operações de indústrias americanas para entender o que sobrou do boom de IA e automação depois do entusiasmo inicial. A resposta é direta: quase toda fábrica já experimentou alguma coisa, de manutenção preditiva a linhas quase totalmente automatizadas, mas poucas chegaram num retorno financeiro que se sustente.

Ciarán O'Mara, cofundador e diretor de produto e tecnologia da Protex AI, deu o número mais duro da reportagem.

Quase 90% dos projetos de IA não sobrevivem ao primeiro ano, e geralmente não é porque há algo errado com a tecnologia, mas porque ninguém descobriu como encaixar a IA no jeito que a fábrica realmente funciona.

Nearly 90% of AI projects don't survive their first year, and it's usually not because there's something wrong with the tech, but because nobody figured out how to fit AI into how the plant actually works.Ciarán O'Mara, cofundador e diretor de produto e tecnologia da Protex AI

A reportagem também cita um relatório do MIT, de 2025, segundo o qual 95% dos pilotos de IA corporativa não mostraram impacto mensurável. Para quem decide orçamento de fábrica no Brasil, esse dado importa mais do que qualquer vídeo de robô impressionante: antes de comprar sensor, câmera ou licença, vale saber que a maioria dos projetos parecidos não passou do primeiro ano em lugar nenhum.

Da automação ao acesso a conhecimento: o que a IA muda de verdade

Jared Pfeiffer, principal client partner na Augury e ex-gerente de fábrica, aponta a mudança mais relevante: a IA deixou de ser só máquina fazendo tarefa repetitiva e passou a funcionar como um acesso ampliado a expertise. Com a geração mais experiente se aposentando e faltando mão de obra qualificada em quase todo setor industrial, isso resolve um problema concreto de linha.

A oportunidade com a IA industrial é combinar essa experiência humana com dados de máquina e informações operacionais, para que o melhor conhecimento da fábrica fique disponível para todo mundo.

The opportunity with industrial AI is to combine that human experience with machine data and operational information so the best knowledge in the plant becomes available to everyone.Jared Pfeiffer, principal client partner na Augury

Na prática, segundo Pfeiffer, isso significa cruzar dados de sensor, condição de operação, histórico de manutenção, procedimento operacional padrão e manual técnico para que um operador menos experiente entenda o que está acontecendo na máquina e o que fazer a seguir. O ganho esperado é menos tempo de linha parada, troubleshooting mais rápido, consistência entre turnos e menos dependência de um ou dois especialistas que sabem tudo de cor.

Apoiar o time, não substituí-lo: o relato da Pella

Dustin Katje, gerente sênior de fábrica na Pella Corp, fabricante com 20 unidades nos Estados Unidos, descreve uma estrutura permanente de times cruzados: um grupo desenvolve aplicações novas, outro cuida de dados e insights, e um terceiro escala as soluções que já provaram valor para o resto da rede fabril. A meta declarada é construir solução que viaje entre plantas sem ser refeita do zero em cada uma.

A IA é sobre apoiar as pessoas, não sobre tirá-las do processo.

AI is about supporting people, not removing them from the process.Dustin Katje, gerente sênior de fábrica na Pella Corp

Vale registrar: a reportagem não traz número de antes e depois para o caso da Pella, nem setor específico além de manufatura geral, nem prazo de implantação. É relato qualitativo de executivo, não estudo de caso fechado. Isso não invalida o ponto, mas um gerente de fábrica brasileiro deve tratar como direção de trabalho, não como prova de ROI.

O erro mais comum: implantar antes de definir o problema

Pfeiffer alerta para um padrão que ele vê se repetir: empresas pulam de "IA é empolgante" direto para "precisamos de IA em tudo", sem nunca escrever com clareza qual problema estão tentando resolver. O antídoto que ele recomenda é amarrar qualquer projeto de IA a uma métrica de chão de fábrica que já existe na planilha do gestor.

As perguntas que ele sugere fazer antes de qualquer compra são:

• Onde a fábrica perde mais produção hoje?
• Que problema volta e exige sempre o mesmo especialista para resolver?
• Onde o operador gasta tempo procurando informação que já deveria estar à mão?
• Que falha ou desvio de processo custa mais caro quando acontece?

Só depois de responder isso, segundo Pfeiffer, dá para saber se a IA muda algum desses números: tempo de parada, rendimento, refugo, custo de manutenção, uso de mão de obra, qualidade ou consumo de energia.

Segurança e dados: o alerta que também vale para a fábrica brasileira

Audra Kirkland, VP de manufatura e TI na Hexion, fabricante de produtos químicos em Ohio, levanta um ponto que pesa ainda mais em indústria de processo. O risco que ela vê não é a tecnologia em si, mas empresas de IA querendo entrar rápido demais na indústria por causa do volume de dados que o setor gera, sem entender a exigência de segurança e conformidade que vem junto.

Minha maior preocupação são as empresas de IA que querem avançar de forma agressiva sobre a indústria por causa do volume enorme de dados que o setor gera, mas que não entendem os requisitos de segurança e conformidade que vêm junto.

My biggest concern is AI companies that want to move aggressively into manufacturing because of the massive amounts of data the industry generates, but don't understand the safety and compliance requirements that come with it.Audra Kirkland, VP de manufatura e TI na Hexion

A reportagem não cita norma brasileira, mas o recado se traduz direto para cá. Qualquer sistema de IA ou automação que tome decisão perto de pessoa, trave máquina, pare linha ou altere parâmetro de processo automaticamente precisa respeitar a NR-12 e a norma específica do equipamento. Fornecedor de software que não sabe explicar como isso se encaixa no laudo de segurança da máquina não deveria chegar perto do CLP da linha.

Por que o dinheiro está indo para gente, não para modelo

O'Mara descreve uma mudança de expectativa sobre quem opera essas ferramentas. Para ele, a maior transformação não é a tecnologia, mas a cobrança repentina para que gente que passou vinte ou trinta anos rodando linha com prancheta e cronômetro vire especialista em IA da noite para o dia.

É uma mudança significativa para pessoas que passaram vinte ou trinta anos rodando linha com prancheta e cronômetro e não são cientistas de dados, mas agora precisam falar de implantação de modelo de linguagem e agente de IA na frente da diretoria.

It's a significant change for folks who have spent 20 or 30 years running lines with clipboards and stopwatches and aren't data scientists, but are now being asked to speak to LLM and agent deployment in front of their leadership.Ciarán O'Mara, cofundador e diretor de produto e tecnologia da Protex AI

O caminho que ele recomenda é adotar uma mentalidade de retrofit, não de reconstrução: usar ferramenta que conversa com o sistema que já existe na planta em vez de trocar tudo. E a consequência no orçamento, segundo O'Mara, é que o gasto está crescendo mais em gente do que em modelo ou plataforma: limpeza e documentação de dado que hoje fica espalhado entre setores, dono claro de cada processo e responsabilidade sobre o resultado. Um modelo bom em cima de dado fragmentado e sem dono só entrega resposta errada mais rápido.

Como um piloto pequeno evita virar estatística do MIT

A leitura que fica desta reportagem para quem gerencia fábrica no Brasil é prática. Antes de assinar contrato com fornecedor de IA, vale escolher uma linha só, não a planta inteira, e escrever num papel qual número vai ser medido antes e depois: hora de parada por mês, taxa de refugo, tempo médio de reparo. Sem esse número de partida, não existe jeito de provar ROI depois, só sensação.

O custo do piloto também precisa estar em reais e em hora de linha parada, não em adjetivo de vendedor: quanto custa o sensor ou a câmera, quanto custa a licença do software por mês, quanto custa a integração com o sistema que já roda na fábrica e quem, na equipe, vai assumir a rotina de olhar o painel todo dia. Se a resposta para essa última pergunta for ninguém, o piloto já nasce fadado a entrar na estatística de 90% que O'Mara descreveu.

Por fim, qualquer piloto que mexa em decisão automática perto de operador (parar máquina sozinha, ajustar velocidade, liberar ou travar um equipamento) passa primeiro pela análise de segurança da NR-12 antes de ir para a linha de produção, não depois. O ganho de uma IA que funciona sem gente do lado só vale a pena se vier com o laudo de segurança atualizado junto.

Fonte: Manufacturing Dive