Escolar Documentos
Profissional Documentos
Cultura Documentos
Pesquisa IA Na Industria
Pesquisa IA Na Industria
Levando a IA a
outro patamar
na manufatura
2 MIT Technology Review Insights
Prefácio
“Levando a IA a outro patamar na manufatura” é um relatório do MIT Technology Review
Insights patrocinado pela Microsoft. Para criar esse relatório, o MIT Technology Review
Insights realizou uma pesquisa global com executivos seniores em organizações de
manufatura. O relatório também usa entrevistas detalhadas realizadas com especialistas
sobre o uso da IA na manufatura. A pesquisa foi feita em dezembro de 2023 e janeiro de
2024. Denis McCauley foi o autor do relatório, Michelle Brosnahan foi a editora, e Nicola
Crepaldi foi o produtor. O editorial da pesquisa é independente, e as opiniões expressas
são as do MIT Technology Review Insights.
Sobre a pesquisa
A pesquisa que formou a base desse relatório foi realizada pelo MIT Technology Review
Insights em dezembro de 2023 e janeiro de 2024. A amostra da pesquisa é composta por
300 executivos seniores de operações, tecnologia, produção, design, engenharia e P&D.
Os entrevistados trabalham em organizações com sede na América do Norte, EMEA (Europa,
Oriente Médio e África), Ásia-Pacífico e América Latina. Cinco subsetores de manufatura estão
representados na amostra: aeroespacial, automotivo, químico, eletrônico e alta tecnologia,
bem como máquinas industriais e equipamentos pesados. Todos os entrevistados trabalham
em organizações que recebem USD 100 milhões ou mais em receita anual.
MIT Technology Review Insights 3
CONTEÚDO
01 Resumo executivo���������������������������������������������������������������������4
02 Introdução:
Resumo
executivo
P
oucos avanços tecnológicos geraram tanto Este estudo do MIT Technology Review Insights visa
entusiasmo quanto a IA. Em espacial, a IA entender como os fabricantes estão gerando benefícios
generativa parece ter levado o discurso dos de casos de uso de IA, especialmente em engenharia
negócios a um tom efervescente. Muitos e design e em operações de fábrica. A pesquisa incluiu
líderes de manufatura estão otimistas: uma 300 fabricantes que começaram a trabalhar com IA.
pesquisa realizada pelo MIT Technology A maioria deles (64%) está atualmente pesquisando
Review Insights descobriu que as ambições para ou testando a IA. Cerca de 35% começaram a colocar
o desenvolvimento da IA são mais fortes na manufatura casos de uso da IA em produção. Muitos executivos
do que na maioria dos outros setores. que responderam à pesquisa indicam que pretendem
aumentar significativamente os gastos com IA nos
Os fabricantes veem com razão a IA como parte
próximos dois anos. Aqueles que ainda não colocaram
integrante da criação da fábrica inteligente
a IA na produção estão fazendo isso aos poucos.
hiperautomatizada. Eles veem a utilidade da IA
Para conduzir o desenvolvimento e a escala de casos
no aprimoramento da inovação de produtos
de uso, esses fabricantes devem enfrentar desafios
e processos, redução do tempo de ciclo, extraindo
cada vez mais eficiência de operações e ativos, com talentos, habilidades e dados.
melhorando a manutenção e fortalecendo a segurança,
ao mesmo tempo que reduz as emissões de carbono.
Alguns fabricantes que investiram para desenvolver
recursos de IA ainda estão se esforçando para
alcançar seus objetivos.
MIT Technology Review Insights 5
callout
02
6 MIT Technology Review Insights
Introdução:
Entendendo o
acelerador de IA
O
advento da IA para o setor de
manufatura está gerando entusiasmo
e planos ambiciosos em todos os
setores.1 “Todos na manufatura estão
entusiasmados com a IA”, diz Philippe
Rambach, Diretor de IA da Schneider
Electric. “Mas relativamente poucos estão usando
a IA em grande escala para transformar a maneira
como trabalham.”
26% 3%
44% 20%
30% 77%
21% 18%
40% 44%
39% 38%
26%
45%
29%
“As barreiras ao
desenvolvimento de
casos de uso da IA
estão caindo”, diz ele.
Pavandeep Kalra, Diretor de Tecnologia
da IA, Microsoft Cloud for Industry
8 MIT Technology Review Insights
58% 43%
Os produtores de eletrônicos e alta tecnologia na
Todos os entrevistados
pesquisa são os mais propensos a implantar a IA para
otimização de processos, sendo que os produtores de
produtos químicos são os menos propensos. Mais de USD 10 bilhões
77% 77%
De USD 1 bilhão
a USD 10 bilhões 67% 44%
De USD 500 milhões
a USD 999 milhões 45% 21%
De USD 100 milhões
a USD 499 milhões 26% 10%
Fonte: Pesquisa do MIT Technology Review Insights, 2024
0
10 MIT Technology Review Insights
A pressão para
lucrar com a IA
C
om os aumentos consideráveis nos gastos
com IA planejados pelos fabricantes,
a pressão será sobre os executivos com
o objetivo de demonstrar o retorno sobre
o investimento. “Os fabricantes industriais
tendem a ser intolerantes ao risco quando
se trata de investimento”, diz Armstrong. “Eles só
gostam de gastar em novas tecnologias quando há uma
forte probabilidade de que isso se traduza em lucro.” Figura 5: Principais benefícios antecipados
da implementação da IA
Quais ganhos os fabricantes buscam com os Quais são os benefícios mais valiosos que sua organização
investimentos em IA? Em engenharia e design, espera- espera ver nos próximos dois anos com a implementação
se que os retornos sejam, principalmente, provenientes da IA na manufatura?
da maior velocidade (menor tempo de ciclo de design), Engenharia/design/P&D
melhor eficiência do processo, redução de erros e falhas Maior velocidade 47%
(por meio da identificação de defeitos nas máquinas
ou previsão de falhas, por exemplo) e maior segurança
Maior eficiência 46%
(identificação de riscos cibernéticos para engenharia
de IP ou sistemas). Nas operações de fábrica, os
ganhos mais valiosos são esperados com a melhoria Redução na taxa de erros/falhas 43%
da inovação (por exemplo, em processos de produção
e montagem), operações mais seguras (especialmente
Segurança mais sólida 43%
para empresas aeroespaciais e químicas) e redução
na emissão de carbono (consulte a Figura 5).
Redução de custo 36%
De acordo com Chaudhry, os fabricantes acham mais
fácil quantificar os retornos em engenharia e design Fábrica/produção
do que na fábrica. “Um benefício muito tangível na Melhor inovação (produtos, processos)
51%
engenharia e no design é a redução do tempo de
ciclo para iterações de design”, diz ele. “A IA acelera
Operações de produção mais seguras
o processo usando os parâmetros específicos 40%
nos quais você precisa se concentrar. Os ciclos de
design passaram de doze para menos de seis meses. Redução na emissão de carbono
34%
Esse é um benefício facilmente quantificável.”
Resiliência da cadeia de suprimento
Os ganhos são menos quantificáveis nas operações 31%
de fábrica. “Como é difícil provar melhorias na
Segurança mais sólida
confiabilidade dos ativos quando avarias em
27%
equipamentos são pouco frequentes, pode levar um
bom tempo até que os benefícios fiquem aparentes”, Fonte: Pesquisa do MIT Technology Review Insights, 2024
diz Chaudhry.
12 MIT Technology Review Insights
O desafio de habilidades de IA
no chão de fábrica
Muitos economistas e futuristas da habilidades para usar o tipo de Esses são cenários de alto risco
tecnologia, expressando preocupações ferramentas flexíveis baseadas em para as pessoas que trabalham
sobre o impacto da IA nos empregos, LLM que estão surgindo agora”, diz ele. na manufatura, diz Armstrong.
enfatizam a importância de capacitar “Você faz uma consulta, e ela oferece “E esses cenários exigem habilidades
novamente os trabalhadores de chão uma resposta. O que realmente será e conhecimentos de que o trabalhador
de fábrica à medida que a IA muda necessário é a habilidade para dizer terá, mas não o LLM em todas as
de função. O foco desse argumento se a resposta é válida para o trabalho situações.” “Nesse contexto”, afirma
é muitas vezes no treinamento de em questão. Para isso, é necessário Armstrong, “o desafio não é tanto
funcionários que não têm habilidades muito conhecimento de domínio.” qualificar os trabalhadores, mas
tecnológicas avançadas para usar garantir que suas habilidades básicas
modelos de IA. Ben Armstrong, do Um trabalhador que usa uma e experiência de domínio sejam
MIT, acredita que essas chamadas determinada máquina precisará mantidas à medida que a IA se torna
não devem ser o objetivo. saber exatamente o que significa um mais presente no chão de fábrica”.
código de erro e se ele é relevante,
No futuro, diz Armstrong, os explica Armstrong. “Se o modelo
trabalhadores da fábrica de IA emite uma instrução, o trabalhador
precisarão de mais habilidades precisará entender intuitivamente se
específicas de domínio. é uma etapa razoável a ser seguida.”
“Não é necessário ter muitas
MIT Technology Review Insights 13
Tudo 21% 1% 7% 8%
A maioria 19% 26% 8% 10%
Cerca da 25% 35% 45% 20%
metade
A minoria 23% 20% 32% 34%
Muito pouco 9% 16% 9% 28%
Nenhum 2% 1%
Kalra acredita que a IA generativa ajudará a aliviar a A dívida técnica é outro entrave ao uso da IA pelos
escassez de talentos e competências que os fabricantes fabricantes, segundo 45% dos entrevistados. A dívida
estão enfrentando. “Estamos vendo um avanço com as técnica pode ser causada por uma pilha tecnológica
interfaces de linguagem natural dos LLMs”, diz Kalra. que está em silos ou sem manutenção, ou que acumulou
“É necessário entender um pouco os modelos, mas as
inúmeros patches e soluções alternativas. (De acordo
habilidades necessárias para usá-los não estão no
nível de cientistas ou engenheiros de dados.” com a McKinsey, a dívida técnica é responsável por
até 40% de toda a propriedade tecnológica das
De acordo com Armstrong, uma das implicações mais organizações.3) Feita para aumentar a velocidade
empolgantes da IA é seu potencial de ajudar as pessoas de entrega ou corrigir problemas, a dívida técnica
a entender o que está dando certo e o que não está dificulta a eficiência e a integração no longo prazo.
para que possam fazer uma experimentação rápida. Nos modelos de IA, a dívida técnica pode se manifestar
“Vejo isso especialmente beneficiando as pessoas que
de várias maneiras. Um exemplo são algoritmos não
solucionam problemas e as pessoas criativas no chão
documentados, que não só dificultam para as equipes
de fábrica que estão tentando reprojetar processos para
tornar a produção mais eficiente, de maior qualidade rastrear erros de codificação, mas também reduzem
e mais rápida.” a transparência das decisões tomadas pelos modelos.
Mas longe de todos esses dados, particularmente Um desafio relacionado é a interoperabilidade limitada
os dados gerados pelos equipamentos de chão de entre os sistemas de OT e TI dos fabricantes. OT, como
fábrica, estão em um estado útil para modelos de IA. controladores lógicos programáveis (PLCs) e sistemas
Menos de um quarto (23%) dos entrevistados diz de controle de supervisão e aquisição de dados
que todos ou a maioria dos dados que seus ativos de (SCADA), têm grandes volumes de dados de máquina
produção geram são adequados para os modelos dos quais os modelos de IA se beneficiariam.
de IA existentes. Quanto maior o fabricante, maior é
o problema de dados inadequados (consulte a Figura 7). Em esforços para melhorar o volume de dados prontos
para IA que os ativos de produção geram, muitos
Chaudhry concorda que dados de produção ruins fabricantes (57%) estão procurando aumentar
dificultam os esforços dos fabricantes de usar a IA a conectividade das máquinas. Cerca de dois terços
em grande escala. “Esse é o caso especialmente em (65%) dos entrevistados dizem que suas empresas
instalações mais antigas e naquelas em que inúmeros também estão usando a IA em conjunto com sensores
sensores de máquinas estão quebrados”, diz ele. de IoT. Este último provavelmente incluirá sensores
Chaudhry acrescenta que alguns fabricantes coletam integrados em equipamentos de produção, juntamente
muitos dados do hardware, mas depois os perdem por com sensores de IoT para operações da cadeia de
causa de processos de armazenamento ineficientes. suprimentos.
Os fabricantes ainda mais avançados na implantação de Com muitos fabricantes aumentando os gastos com
casos de uso de IA na produção sentem esse problema IA nos próximos dois anos, esta e outras questões de
muito mais intensamente. Apenas 17% dizem que todos dados, se não corrigidas, provavelmente limitarão os
ou a maioria dos dados de produção são adequados retornos sobre esses investimentos. Os fabricantes
para IA; até 57% dizem que menos da metade desses precisam ter as bases de dados certas para apoiar
dados é adequado. adequadamente suas ambições de IA.
04
MIT Technology Review Insights 15
Criar as bases
de dados
W
Quanto ao desenvolvimento de recursos Inúmeros fatores levam à má qualidade dos dados.
de IA, os executivos de manufatura Erros na entrada de dados, pontos de dados ausentes,
entrevistados não deixam dúvidas sensores inoperantes em equipamentos de fábrica
sobre quais são os principais desafios e dados em silos presos em sistemas ultrapassados
relacionados a dados. Mais da metade são apenas alguns dos mais comuns. Os silos, por sua
(57%) de todos os entrevistados disseram que vez, são uma manifestação de integração inadequada
a qualidade dos dados é um dos principais desafios; de dados e são um impedimento significativo para
no entanto, esse número é maior na indústria química, casos de uso da IA em grande escala. Na pesquisa, os
representando 75%. 54% citam a necessidade de produtores de equipamentos automotivos e industriais
melhorar a integração de dados. Um terceiro grande parecem ter mais dificuldade do que outros com
imperativo (citado por 47%) é melhorar a governança de problemas de integração.
dados (consulte a Figura 8). São desafios intimamente
inter-relacionados. A capacidade de atender a qualquer “Especialmente se tiverem sido construídas décadas
um desses depende do sucesso em abordar todos eles. atrás, diferentes partes das fábricas têm diferentes
sistemas de dados associados”, diz Chaudhry.
Governança de dados/
conformidade
47% 50% 54% 24% 51% 50%
“Os dados estão em lugares muito diferentes e são casos de uso. Na pesquisa, 61% dos fabricantes que
difíceis de reunir para criar bons modelos de IA. começaram a implantar dizem que a governança
A situação é melhor em instalações mais recentes”, é um grande desafio para os dados, em comparação
diz ele, “mas mesmo elas foram projetadas antes que com 40% dos que ainda estão experimentando
as pessoas percebessem que ter todos esses dados casos de uso e 37% na fase de pesquisa.
em um só lugar permite fazer muitas coisas”.
Os fabricantes devem adotar uma visão mais ampla
A modernização da arquitetura de dados geralmente do que são dados utilizáveis para IA, diz Chaudhry.
é necessária para alcançar grandes melhorias na “As pessoas só começaram a perceber nos últimos
integração. Os fabricantes, como organizações em dois anos que os dados são mais do que sensores”,
todas as indústrias, têm dificuldade de integrar dados diz ele. Por exemplo, logs de inspeção, ordens de
de vários dados e sistemas de IA diferentes. Entre outros serviço e relatórios de manutenção também são dados,
benefícios, as arquiteturas modernas prometem unificar mas normalmente foram retidos apenas para fins de
repositórios de dados em toda a empresa, incluindo conformidade e auditoria. “Se você realmente quer
os de sistemas de OT e de TI. Essa é uma tarefa difícil criar algum tipo de modelo avançado de confiabilidade,
de ser realizada no ambiente de manufatura muitas o histórico de manutenção de um ativo se torna
vezes fragmentado, mas alguma redução na variedade realmente importante”, diz Chaudhry.
de sistemas de dados diferentes é realista e ajudará a
simplificar o processamento e o gerenciamento de dados. Por mais vital que seja a modernização da propriedade de
dados, os fabricantes não precisam esperar por dados de
A modernização e a simplificação são essenciais para qualidade perfeitos ou pela suficiência 100% para avançar
que os fabricantes possam dimensionar os casos de com os modelos de IA. “É necessário ter dados de boa
uso de IA em design, engenharia, produção, cadeia de qualidade suficientes para começar”, diz Kalra. “A questão
suprimentos e outras funções empresariais. Ao assumir é: como alcançar esses 70% ou 80% rapidamente?”.
o cargo de Diretor de IA na Schneider Electric, Philippe Kalra aponta que abordagens arquitetônicas modernas,
Rambach beneficiou-se do fato de que a empresa como a geração aumentada de recuperação (RAG),
havia embarcado em uma grande modernização de ajudam a acelerar o preenchimento de modelos de IA
dados cinco anos antes. “Já tínhamos um data lake, com dados. RAG é uma técnica para melhorar a precisão
e muitos aspectos de nossas operações de dados e a confiabilidade dos LLMs com dados específicos
eram conduzidos na direção certa”, diz Rambach. “Um do domínio obtidos de fontes externas e internas.
resultado foi que a fragmentação dos sistemas de dados
tornou-se menos um obstáculo para o desenvolvimento Ajustar processos básicos, como a limpeza de dados,
da IA”, afirma. pode ser tão eficaz quanto novas ferramentas para
melhorar a precisão e a relevância dos modelos de IA.
Chegar à boa governança “A priorização do caso de uso ajudou a Schneider Electric
A outra parte do desafio da modernização de dados nessa área”, afirma Rambach. “Nossa abordagem
é a atualização dos modelos de governança. Segundo é acelerar alguns trabalhos de limpeza de dados quando
Kalra, muitos fabricantes só agora estão começando identificamos um grande caso de negócios de IA”, diz ele.
a entender a importância da boa governança de “Outros trabalhos de limpeza de dados serão mais lentos
dados para a capacidade de avançar com a IA. como resultado até ter certeza do que exatamente
“Eles perceberam que, para aplicar em maior escala, faremos com ele. Se você esperar para ter dados
precisam organizar os dados de uma forma que possam perfeitos, provavelmente nunca vai começar.”
ser usados em muitos casos de uso diferentes”, diz ele.
A gravidade desse desafio fica mais evidente quanto
mais próximo as empresas chegam de implantar
Abordar os desafios
organizacionais
P
Os entrevistados escolheram os três principais desafios
ara 43% dos fabricantes entrevistados, organizacionais entre 10 categorias.
as dificuldades na mudança de estruturas
organizacionais e processos são um grande
48%
Escassez de talentos ou
inibidor do uso eficaz da IA (consulte complexidade de qualificação
a Figura 9).
45%
Na pesquisa, os executivos dos maiores fabricantes, Dívida tecnológica/
com mais de USD 10 bilhões em receita anual, integração problemática
enfatizam esse ponto fortemente. (É citado por 53%
dos executivos entrevistados dos maiores fabricantes,
em comparação com 32% nos menores fabricantes,
aqueles que ganham entre USD 100 milhões e USD
Dificuldade em
escolher uma solução
44%
499 milhões.)
Outra desconexão organizacional que pode limitar “Os modelos híbridos que combinam IA com engenharia
a escalabilidade da IA é entre a engenharia e o design e física são uma possível maneira de unir a engenharia
e a fábrica. Até certo ponto, isso está relacionado e as operações”, diz Chaudhry, “mas ainda não
à interoperabilidade limitada dos sistemas de OT e TI. receberam muita atenção na manufatura”.
Engenheiros e designers na maioria dos grandes
fabricantes tendem a trabalhar principalmente com “Os dados unificados serão fundamentais se a IA ajudar
TI, enquanto o OT predomina no ambiente de fábrica. a unir essas duas áreas funcionais da manufatura”,
“Não é uma divisão fácil de conectar”, diz Chaudhry. diz Kalra. “Os dados devem abranger vários domínios
de forma interconectada. Não é muito útil dizer 'Tenho
“A capacidade de preencher essa lacuna”, afirma os dados sobre a produção, tenho os dados sobre
Chaudhry, “beneficiará particularmente as equipes o design', mas você não pode interconectar essas
de chão de fábrica”. “As instalações de processos, fontes de dados. Esses nós de dados precisam ser
por exemplo, são executadas em condições bastante conectados em várias modalidades de dados”, diz Kalra.
estáveis na maior parte do tempo, devido à qual há
“Não é apenas ter os dados acessíveis, mas também
relativamente pouca variação nos dados passados
conseguir encadear os dados em várias modalidades.
com os quais os modelos de IA podem aprender”, diz
Se você tem isso e se tem a IA generativa no comando,
ele. “Se os gerentes de produção se depararem com
você tem uma combinação muito poderosa.”
problemas que não aconteceram antes, a IA não os
resolverá, a menos que haja modelos de engenharia
e física nos quais se basear.”
Conclusão:
Preparação do terreno
E
nquanto essa pesquisa tem como foco Aceite a flexibilidade estrutural: o desenvolvimento
as experiências e planos dos fabricantes de casos de uso não deve ser o monopólio dos especialistas
comprometidos com o desenvolvimento de em IA. À medida que a experiência aumenta internamente,
recursos de IA, há muitos outros fabricantes ela precisa ser aliada ou integrada às equipes de ciência
que ainda não começaram. Alguns e engenharia de dados. A equipe desses especialistas
provavelmente determinaram que atender com proprietários de produtos empresariais e TI aumenta
aos seus objetivos estratégicos não requer o domínio a probabilidade de obter os resultados desejados de
da IA, já outros acreditam que podem se beneficiar de desenvolvimento e implantação de casos de uso da IA.
seu uso, mas não têm certeza de como começar.
Tenha os dados em ordem: a IA requer um nível de
maturidade de dados. Determine o quanto a organização
Este estudo do MIT Technology Review Insights sugere
coleta, armazena e processa dados e tome medidas
algumas lições que esses fabricantes deverão levar a sério
concretas para corrigir pontos fracos antes de levar
quando começarem a explorar o potencial da IA. Elas se
os casos de uso da IA para produção. É provável que
aplicam a organizações em qualquer indústria, sendo que
as etapas incluam a unificação dos repositórios de
algumas podem parecer evidentes. Mas os especialistas
dados na medida do possível. Os modelos de IA exigem
que entrevistamos garantem que até mesmo quem já usa
dados de boa qualidade, mas os dados não precisam
a IA há bastante tempo às vezes perde de vista esses casos
ser perfeitos para mover casos de uso para a produção.
à medida que desenvolvem cada vez mais casos de uso.
Use a IA para desenvolver habilidades: os fabricantes se
Comece pela necessidade de negócios: no início, preocupam com a escassez de habilidades e talentos para
determine o problema de negócios ou o desafio que trabalhar com IA, e isso é compreensível. No entanto, eles
a tecnologia poderia ajudar a resolver. Só então devem perceber que a IA pode ajudar a desenvolver tais
as soluções tecnológicas, incluindo a IA, devem ser habilidades na equipe de trabalho. Com a IA generativa, por
exploradas. “Perguntar 'o que podemos fazer com a IA?' exemplo, é bem fácil para os engenheiros e outras equipes
pode gerar muitas ideias magníficas”, diz Rambach, que não fazem parte do departamento de TI trabalhar
“mas a maioria terá impacto limitado se não começar com modelos. A IA também ajuda a equipe de produção
com a necessidade real dos negócios”. a aperfeiçoar suas habilidades de solução de problemas.
MIT Technology Review Insights 21
Sobre a Microsoft
A Microsoft (Nasdaq “MSFT” @microsoft) possibilita a transformação digital para a era de uma nuvem
inteligente e uma intelligent edge. Nossa missão é capacitar todas as pessoas e todas as organizações
do mundo a produzir mais.
Notas finais
1. “6 ways to unleash the power of AI in manufacturing”, Fórum Econômico Mundial, 4 de janeiro de 2024, https://www.weforum.org/agenda/2024/01/how-we-can-unleash-the-power-of-ai-in-manufacturing/.
2. “ Harnessing the AI Revolution in Industrial Operations: A Guidebook”, BCG e o Fórum Econômico Mundial, outubro de 2023,
https://www.weforum.org/publications/harnessing-the-ai-revolution-in-industrial-operations-a-guidebook/.
3. A pesquisa da McKinsey é aplicável a organizações de todas as indústrias. “Breaking technical debt’s vicious cycle to modernize your business”, McKinsey Digital, 25 de abril de 2023,
https://www.mckinsey.com/capabilities/%20mckinsey-digital/our-insights/breaking-technical-debts-vicious-cycle-to-modernize-your-business.
4. “ New Industry Research Shows the Volume and Value of Data Increasing Exponentially in the Data Age”, Business Wire, 1º de setembro de 2020, https://www.businesswire.com/news/home/20200901005035/en/
New-Industry-Research-Shows-the-Volume-and-Value-of-Data-Increasing-Exponentially-in-the-Data-Age.
Ilustrações
Ilustrações de capa e local montadas pela Chandra Tallman Design da Adobe Stock e o The Noun Project.
Embora tenha havido todo o empenho para verificar a exatidão dessas informações, o MIT Technology Review Insights não aceita qualquer responsabilidade ou obrigação
de confiança de qualquer pessoa sobre esse relatório ou qualquer das informações, opiniões ou conclusões demonstradas nele.