Produzido em parceria com

Reduzir os dados, o talento e as

barreiras organizacionais para
alcançar o aumento.

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.

Gostaríamos de agradecer aos seguintes executivos pelo tempo e insights:

Ben Armstrong, Diretor Executivo, Centro de Performance Industrial e Colíder,

Work of the Future Initiative, MIT

Gunaranjan Chaudhry, Diretor, Ciência de Dados, SymphonyAI Industrial

Pavandeep Kalra, Diretor de Tecnologia da IA, Microsoft Cloud for Industry

Philippe Rambach, Diretor de IA, Schneider Electric

Indranil Sircar, Diretor de Tecnologia de Soluções de Manufatura, Microsoft

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:

Entendendo o acelerador de IA���������������������������������������������6

Casos de uso até agora����������������������������������������������������������������������� 9

03 A pressão para lucrar com a IA���������������������������������������������11

Noções básicas sobre as restrições de crescimento�����������12

Qual é a eficiência dos meus dados?�������������������������������������������13

04 Criar as bases de dados���������������������������������������������������������15

Chegar à boa governança�����������������������������������������������������������������16

05 Abordar os desafios organizacionais��������������������������������� 17

06 Conclusão: Preparação do terreno�������������������������������������19

01
4  MIT Technology Review Insights

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.

Veja as principais conclusões do estudo:
• Talentos, habilidades e dados são as principais
restrições na escala da IA. Em operações de engenharia,
design e fábrica, os fabricantes citam um déficit de
talentos e habilidades como o maior desafio nos casos
de uso da IA em grande escala. Quanto mais próximos
os casos de uso chegarem à produção, mais difícil será
o déficit. Muitos entrevistados dizem que a qualidade e a
governança inadequadas dos dados também dificultam o
desenvolvimento de casos de uso. O acesso insuficiente
ao poder de computação baseado em nuvem é outra
restrição citada pela equipe de engenharia e design.
• Os maiores players gastam mais e têm as maiores
expectativas. Em engenharia e design, 58% dos
executivos esperam que suas organizações aumentem
os gastos com IA em mais de 10% durante os próximos
dois anos. E 43% dizem o mesmo quando se trata de
operações de fábrica. Os maiores fabricantes são
muito mais propensos a fazer grandes aumentos no
investimento do que aqueles em categorias menores,
mas ainda grandes.
• Os ganhos desejados da IA são específicos para
as funções de manufatura. Os casos de uso mais
comuns implantados pelos fabricantes envolvem design
de produto, IA conversacional e criação de conteúdo.
O gerenciamento de conhecimento e o controle
de qualidade são os mais citados no estágio piloto.
callout
MIT Technology Review Insights 5
Em engenharia e design, os fabricantes buscam
principalmente ganhos de IA em velocidade, eficiência,
redução de falhas e segurança. Na fábrica, o maior
desejo é uma melhor inovação, juntamente com mais
segurança e menor emissão de carbono.
• A escala pode parar sem os fundamentos de dados
certos. Os entrevistados deixam claro de que
o desenvolvimento de casos de uso da IA é prejudicado
pela qualidade inadequada dos dados (57%), pela falta
de integração de dados (54%) e pela governança fraca
(47%). Apenas cerca de um em cada cinco fabricantes
pesquisados têm ativos de produção com dados prontos
para uso em modelos de IA existentes. Esse número
diminui à medida que os fabricantes colocam casos
de uso em produção. Quanto maior o fabricante, maior
é o problema de dados inadequados.
• A fragmentação deve ser resolvida para que a IA
seja dimensionada. A maioria dos fabricantes acha
que é necessária alguma modernização da arquitetura
de dados, infraestrutura e processos para oferecer
suporte à IA, juntamente com outras prioridades de
tecnologia e negócios. Uma estratégia de modernização
que melhora a interoperabilidade de sistemas de dados
entre engenharia e design e a fábrica, e entre tecnologia
operacional (OT) e tecnologia da informação (TI), é uma
boa prioridade.
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.”

Essa pesquisa, que entrevistou executivos de grandes

fabricantes que usam a IA de alguma forma, seja
pesquisando, testando ou implantando-a em engenharia
e design ou no chão de fábrica, mostra que a maioria
das empresas (64%) está no estágio de pesquisa
ou experimentação com a IA. Muito menos (35%)
começaram a colocar os casos de uso em produção
e estão implantando a tecnologia. Os produtores
de eletrônicos/de alta tecnologia e automotivos
da pesquisa estão mais propensos do que outros
a terem começado a implantar.
 MIT Technology Review Insights 7

Figura 1: Status do desenvolvimento da IA

Os entrevistados de diferentes setores indicaram se estão pesquisando, testando ou implantando IA em suas organizações.

Todos os 27% 37% 35%

entrevistados
De USD 1 bilhão a USD 10 bilhões
De USD 500 milhões a USD 999 milhões
De USD 100 milhões a USD 499 milhões
Estamos pesquisando Estamos testando Começamos a implantar
seu potencial para possíveis casos de uso casos de uso na produção
nossa organização

Status de desenvolvimento da IA por setor Status de desenvolvimento da IA conforme

o tamanho da empresa
Aeroespacial Mais de USD 10 bilhões

26% 3%

44% 20%
30% 77%

Automotivo De USD 1 bilhão a USD 10 bilhões

21% 18%
40% 44%
39% 38%

Produtos químicos De USD 500 milhões a USD 999 milhões

39% 62%
31% 36%
29% 2%

Eletrônico e alta tecnologia De USD 100 milhões a USD 499 milhões

27% 43%
28% 52%
45% 4%

Máquinas industriais e equipamentos pesados

26%
45%
29%

Fonte: Pesquisa do MIT Technology Review Insights, 2024

“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

No universo muito mais amplo de fabricantes grandes,

médios e pequenos, a IA teve até agora um impacto
mais leve, de acordo com Ben Armstrong, Diretor
Executivo do Centro de Performance Industrial do MIT.
“Embora vejamos usos de IA de impacto limitado entre
alguns produtores, há pouca evidência da transformação
liderada pela IA”, diz ele. “Vimos poucos fabricantes
estenderem o uso de técnicas de IA além do front-office
“A engenharia de design
para operações de produção.” está se tornando muito
Entre o grupo seleto de empresas que passaram mais centrada em dados,
a usar a IA, o ritmo de desenvolvimento da IA
é gradual. As evidências mostram que as primeiras
e a IA está permitindo isso
empresas que adotaram a IA podem ter dificuldade por meio de simulação.”
para atingir os objetivos.2 Esse é o caso entre
aqueles que atualmente estão na fase de pesquisa Indranil Sircar, Diretor de Tecnologia
ou experimentação. Cerca de 5% desses fabricantes de Soluções de Manufatura, Microsoft
esperam começar a colocar os casos de uso da IA
em produção nos próximos seis meses, e outros 20%
dizem que serão de seis a doze meses a partir de
agora. A maioria está se planejando para o futuro,
com 75% dos executivos entrevistados afirmando
que as primeiras implantações da IA acontecerão em
um a dois anos ou mais.

Isso está em harmonia com os executivos entrevistados

que planejam impulsionar o investimento no
Figura 2: Intenções de investimento em IA
Entrevistados indicaram o quanto esperam que
desenvolvimento de recursos de IA. Muitos planejam o investimento de suas empresas em IA mude
aumentos significativos nos gastos com IA nos próximos nos próximos dois anos.
dois anos. Esse é particularmente o caso quando se trata
Engenharia/ Fábrica/
de engenharia e design, em que 58% dos entrevistados design/P&D produção
esperam um crescimento de gastos de mais de
10% durante esse período. Embora menos empresas
aumentem os gastos até esse ponto em operações de
fábrica, a participação (43%) ainda é considerável.
Diminuirá
0% 2%
Pavandeep Kalra, Diretor de Tecnologia de IA, Microsoft
Permanecerá igual
10% 25%
32% 30%
Cloud for Industry, vê uma aceleração no desenvolvimento
Aumentará de 1% a 10%
de casos de uso no horizonte próximo. “Os usos em áreas
como manutenção preditiva ou detecção de defeitos
normalmente exigem muito ajuste e personalização para
diferentes cenários. Isso tornou extremamente difícil
Aumentará de 11% a 25%
29% 18%
produzir esses casos”, diz ele. “Isso está começando
a mudar”, acrescenta, “e pode melhorar rapidamente”.
“Os modelos de base que acompanham a IA generativa
Aumentará de 26% a 50%
19% 13%
7% 8%
estão reduzindo a necessidade de personalização.
Aumentará de 51% a 75%
As barreiras ao desenvolvimento de casos de uso da
IA estão caindo”, afirma Pavandeep.

Quase dois terços (65%) dos fabricantes entrevistados —

Aumentará de 76% a 100%
2% 3%
1%
e três quartos daqueles no setor de produtos químicos
e eletrônicos e alta tecnologia — estão atualmente
testando a IA generativa.
Aumentará mais de 100%
1%
Fonte: Pesquisa do MIT Technology Review Insights, 2024
 MIT Technology Review Insights 9

Casos de uso até agora Figura 3: Principais casos de uso da IA

Entre a amostra da pesquisa, os casos de uso da IA na fase piloto e na produção
mais propensos a progredir para produção envolvem Os entrevistados classificaram os principais casos de uso
design de produto, IA conversacional (chatbots) atualmente na fase piloto e de produção.
e criação de conteúdo. “O design está acontecendo Piloto
cada vez mais em ambientes simulados, o que pode Gerenciamento de conhecimentos
23%
reduzir muito o tempo de ciclo”, diz Indranil Sircar,
Diretor de Tecnologia da Microsoft para Soluções
Controle de qualidade
de Manufatura. “A engenharia de design está se 23%
tornando muito mais centrada em dados, e a IA está
permitindo isso por meio de simulação”, afirma. Manutenção de ativos de produção
22%
Os outros dois casos de uso implantados com
frequência, IA conversacional e criação de conteúdo, Automação da documentação de produção
têm aplicações não apenas em design, mas também 22%

em produção (por exemplo, auxiliando na manutenção), Gerenciamento do ciclo de vida do produto

cadeia de suprimentos (gerenciamento de estoque) 18%
e interação com os clientes. Os projetos mais citados
no estágio piloto estão no controle de qualidade, no Pesquisa de materiais
18%
gerenciamento de conhecimento, na manutenção de
equipamentos e na automação da documentação de
produção (consulte a Figura 3). Produção
Design de produtos 29%

Quando se trata do chão de fábrica, a confiabilidade

dos ativos é um caso comum de uso da IA, de acordo Criação de conteúdo 28%

com Gunaranjan Chaudhry, Diretor de Ciência de Dados

da SymphonyAI Industrial. “Os produtores querem IA conversacional com chatbots 28%
saber se os ativos correm o risco de sofrer algum tipo
de anomalia ou falha, e quando isso provavelmente Otimização de processos 25%
acontecerá, para que possam planejar tudo”, diz ele.
“Muitos fabricantes discretos (fabricantes de produtos
físicos, muitas vezes montados)”, diz Chaudhry, “estão Análise de dados de máquina 22%
usando a IA para melhorar a inspeção, algo que tem
sido auxiliado pela melhoria em modelos de visão Controle de qualidade 22%
computacional durante a última década”.
Fonte: Pesquisa do MIT Technology Review Insights, 2024

Os fabricantes também gastaram tempo e recursos

desenvolvendo a otimização de processos habilitada Figura 4: Expectativas de crescimento dos
para IA, usando técnicas de IA para melhorar gastos com IA
a produtividade e a eficiência. “Esses casos de uso, Entrevistados que esperam que os gastos com IA cresçam mais
de 10% nos próximos dois anos, pelo tamanho da empresa.
no entanto, têm se mostrado mais difíceis de escalar
de um cenário para outro, e os benefícios são menos Engenharia/ Fábrica/
design/P&D produção
tangíveis do que em outros casos de uso”, diz Chaudhry.

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

10 MIT Technology Review Insights
Quando se trata de IA, o tamanho
da empresa e os recursos importam.
Não é surpresa que empre-
sas maiores estejam mais
propensas do que as
menores a investir em IA
e desenvolver casos de
uso. O impressionante
é o quão grande é a lacuna.
A divisão é profunda no desenvolvi-
mento de casos de uso: enquanto
77% das empresas com mais de
USD 10 bilhões em receita anual
estão implantando casos de uso de
IA, apenas 4% das que ganham entre
USD 100 milhões e USD 499 milhões
fizeram isso (consulte a Figura 1).
As maiores empresas também estão
muito mais dispostas a gastar: 77%
das empresas com mais de USD 10
bilhões em receita anual planejam
impulsionar o investimento em IA em
engenharia e design e na fábrica em
mais de 10% durante os próximos dois
anos. Entre as empresas que ganham
entre $100 milhões e $499 milhões,
26% esperam que os gastos com
IA em engenharia e design cresçam
10% e apenas 10% dizem o mesmo
0
sobre a fábrica. “As grandes empresas
podem obviamente utilizar os seus
recursos financeiros para arcar com
os custos”, diz Sircar. “Mas as maiores
também conseguem promover melhor
as outras mudanças necessárias para
ajudar na transformação.”
Empresas menores dizem que
a escassez de talentos e habilidades
é o impedimento mais difícil para
usar a IA em grande escala e que
problemas de qualidade de dados
também representam uma barreira.
Quanto menor o fabricante, mais
os entrevistados dizem que o custo de
manutenção e melhoria dos modelos
de IA é um obstáculo para o uso em
grande escala.
03
MIT Technology Review Insights 11

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

Noções básicas sobre as restrições

de crescimento Figura 6: Os maiores desafios no uso
A noção de benefícios requer escalar a IA além de um da IA em grande escala
pequeno número de locais ou áreas de operação. Até Quais são os maiores desafios que sua organização enfrenta
atualmente nos casos de uso da IA em grande escala?
mesmo quem já adotou a IA na pesquisa têm enfrentado
dificuldades nesse ponto, conforme indicado por taxas Engenharia/design/P&D Fábrica/produção
de implantação relativamente baixas.
Escassez de habilidades e talentos especializados
47% 49%
As principais restrições são a escassez de habilidades
especializadas, citadas por 49% dos executivos em
engenharia e design e 47% em operações de fábrica. Limitações do poder da computação em nuvem
Nas duas áreas, as empresas que estão implantando 33% 44%
casos de uso sentem essa crise mais intensamente
do que outras (consulte a Figura 6).
Qualidade inadequada dos dados
25% 43%
Chaudhry concorda que a escassez de talentos é muitas
vezes uma barreira para a escala da IA, mas diz que
sua gravidade depende do caso de uso. “Por exemplo, Custo de manutenção/melhoria de modelos de IA
com casos de otimização, os fabricantes muitas vezes 38% 40%
precisam de muitos talentos internos para atualizar
modelos e criar novos”, diz ele. “Por outro lado, os casos Governança inadequada dos modelos de IA
de manutenção preditiva não exigem muito envolvimento
37% 42%
humano quando desenvolvidos. Quando os fabricantes
conseguem acessar recursos como novos treinamentos
automatizados de modelos, eles têm menos necessidade
de envolver a equipe de ciência de dados para que Fonte: Pesquisa do MIT Technology Review Insights, 2024

o pipeline de modelos funcione sem problemas.”

O desafio de habilidades de IA
no chão de fábrica
Muitos economistas e futuristas da
tecnologia, expressando preocupações
sobre o impacto da IA nos empregos,
enfatizam a importância de capacitar
novamente os trabalhadores de chão
de fábrica à medida que a IA muda
de função. O foco desse argumento
é muitas vezes no treinamento de
funcionários que não têm habilidades
tecnológicas avançadas para usar
modelos de IA. Ben Armstrong, do
MIT, acredita que essas chamadas
não devem ser o objetivo.
No futuro, diz Armstrong, os
trabalhadores da fábrica de IA
precisarão de mais habilidades
específicas de domínio.
“Não é necessário ter muitas
habilidades para usar o tipo de
ferramentas flexíveis baseadas em
LLM que estão surgindo agora”, diz ele.
“Você faz uma consulta, e ela oferece
uma resposta. O que realmente será
necessário é a habilidade para dizer
se a resposta é válida para o trabalho
em questão. Para isso, é necessário
muito conhecimento de domínio.”
Um trabalhador que usa uma
determinada máquina precisará
saber exatamente o que significa um
código de erro e se ele é relevante,
explica Armstrong. “Se o modelo
emite uma instrução, o trabalhador
precisará entender intuitivamente se
é uma etapa razoável a ser seguida.”
Esses são cenários de alto risco
para as pessoas que trabalham
na manufatura, diz Armstrong.
“E esses cenários exigem habilidades
e conhecimentos de que o trabalhador
terá, mas não o LLM em todas as
situações.” “Nesse contexto”, afirma
Armstrong, “o desafio não é tanto
qualificar os trabalhadores, mas
garantir que suas habilidades básicas
e experiência de domínio sejam
mantidas à medida que a IA se torna
mais presente no chão de fábrica”.

Figura 7: Empresas de maior receita são menos propensas a encontrar dados
adequados para IA
Dos dados que os equipamentos de produção e os ativos relacionados da sua organização geram, quanto
é adequado para os modelos de IA existentes?
De USD 100 milhões De USD 500 milhões
a USD 499 milhões a USD 999 milhões
Tudo 21% 1%
A maioria 19% 26%
Cerca da 25%
metade
A minoria 23% 20%
Muito pouco 9% 16%
Nenhum 2% 1%
Fonte: Pesquisa do MIT Technology Review Insights, 2024
Kalra acredita que a IA generativa ajudará a aliviar a
escassez de talentos e competências que os fabricantes
estão enfrentando. “Estamos vendo um avanço com as
interfaces de linguagem natural dos LLMs”, diz Kalra.
“É necessário entender um pouco os modelos, mas as
habilidades necessárias para usá-los não estão no
nível de cientistas ou engenheiros de dados.”
De acordo com Armstrong, uma das implicações mais
empolgantes da IA é seu potencial de ajudar as pessoas
a entender o que está dando certo e o que não está
para que possam fazer uma experimentação rápida.
“Vejo isso especialmente beneficiando as pessoas que
solucionam problemas e as pessoas criativas no chão
de fábrica que estão tentando reprojetar processos para
tornar a produção mais eficiente, de maior qualidade
e mais rápida.”
Em engenharia e design, 44% dos entrevistados dizem
que as limitações no poder da computação em nuvem
são uma barreira ao uso em grande escala. Tais restrições
podem vir a surgir, por exemplo, na execução de LLMs
que oferecem suporte à simulação de fábrica. As equipes
de design usam cada vez mais gêmeos digitais para
ajudar na simulação, e estes podem consumir enormes
quantidades de poder de computação. Os provedores
em nuvem geralmente podem ter a energia necessária,
mas nem todos os fabricantes conseguem ter acesso
a eles. E 38% (40% em termos de operações de fábrica)
dizem que os custos envolvidos na manutenção e na
melhoria de modelos de IA podem limitar a capacidade
de dimensionamento.
“É necessário entender um pouco os modelos [de linguagem
grande], mas as habilidades necessárias para usá-los não estão
no nível de cientistas de dados ou engenheiros de dados.”
Pavandeep Kalra, Diretor de Tecnologia da IA, Microsoft Cloud for Industry
MIT Technology Review Insights 13
De USD 1 bilhão a USD 10 bilhões Mais de USD 10 bilhões
7% 8%
8% 10%
35% 45% 20%
32% 34%
9% 28%
A dívida técnica é outro entrave ao uso da IA pelos
fabricantes, segundo 45% dos entrevistados. A dívida
técnica pode ser causada por uma pilha tecnológica
que está em silos ou sem manutenção, ou que acumulou
inúmeros patches e soluções alternativas. (De acordo
com a McKinsey, a dívida técnica é responsável por
até 40% de toda a propriedade tecnológica das
organizações.3) Feita para aumentar a velocidade
de entrega ou corrigir problemas, a dívida técnica
dificulta a eficiência e a integração no longo prazo.
Nos modelos de IA, a dívida técnica pode se manifestar
de várias maneiras. Um exemplo são algoritmos não
documentados, que não só dificultam para as equipes
rastrear erros de codificação, mas também reduzem
a transparência das decisões tomadas pelos modelos.
Qual é a eficiência dos meus dados?
Alguns dos maiores desafios que os fabricantes
enfrentam na escala da IA envolvem dados.
Em engenharia e design, 43% dos entrevistados
destacam problemas na qualidade dos dados.
Nas operações de fábrica, 42% apontam para
pontos fracos na governança de dados.
A indústria de manufatura gera enormes quantidades
de dados, e pesquisas têm mostrado que os fabricantes
veem um crescimento nos volumes de dados de suas
operações superando outras indústrias.4

14 MIT Technology Review Insights
Mas longe de todos esses dados, particularmente
os dados gerados pelos equipamentos de chão de
fábrica, estão em um estado útil para modelos de IA.
Menos de um quarto (23%) dos entrevistados diz
que todos ou a maioria dos dados que seus ativos de
produção geram são adequados para os modelos
de IA existentes. Quanto maior o fabricante, maior é
o problema de dados inadequados (consulte a Figura 7).
Chaudhry concorda que dados de produção ruins
dificultam os esforços dos fabricantes de usar a IA
em grande escala. “Esse é o caso especialmente em
instalações mais antigas e naquelas em que inúmeros
sensores de máquinas estão quebrados”, diz ele.
Chaudhry acrescenta que alguns fabricantes coletam
muitos dados do hardware, mas depois os perdem por
causa de processos de armazenamento ineficientes.
Os fabricantes ainda mais avançados na implantação de
casos de uso de IA na produção sentem esse problema
muito mais intensamente. Apenas 17% dizem que todos
ou a maioria dos dados de produção são adequados
para IA; até 57% dizem que menos da metade desses
dados é adequado.
0
Um desafio relacionado é a interoperabilidade limitada
entre os sistemas de OT e TI dos fabricantes. OT, como
controladores lógicos programáveis (PLCs) e sistemas
de controle de supervisão e aquisição de dados
(SCADA), têm grandes volumes de dados de máquina
dos quais os modelos de IA se beneficiariam.
Em esforços para melhorar o volume de dados prontos
para IA que os ativos de produção geram, muitos
fabricantes (57%) estão procurando aumentar
a conectividade das máquinas. Cerca de dois terços
(65%) dos entrevistados dizem que suas empresas
também estão usando a IA em conjunto com sensores
de IoT. Este último provavelmente incluirá sensores
integrados em equipamentos de produção, juntamente
com sensores de IoT para operações da cadeia de
suprimentos.
Com muitos fabricantes aumentando os gastos com
IA nos próximos dois anos, esta e outras questões de
dados, se não corrigidas, provavelmente limitarão os
retornos sobre esses investimentos. Os fabricantes
precisam ter as bases de dados certas para apoiar
adequadamente suas ambições de IA.
04
MIT Technology Review Insights 15

Criar as bases
de dados

W
Quanto ao desenvolvimento de recursos
de IA, os executivos de manufatura
entrevistados não deixam dúvidas
sobre quais são os principais desafios
relacionados a dados. Mais da metade
(57%) de todos os entrevistados disseram que
a qualidade dos dados é um dos principais desafios;
no entanto, esse número é maior na indústria química,
representando 75%. 54% citam a necessidade de
melhorar a integração de dados. Um terceiro grande
imperativo (citado por 47%) é melhorar a governança de
dados (consulte a Figura 8). São desafios intimamente
inter-relacionados. A capacidade de atender a qualquer
um desses depende do sucesso em abordar todos eles.
Inúmeros fatores levam à má qualidade dos dados.
Erros na entrada de dados, pontos de dados ausentes,
sensores inoperantes em equipamentos de fábrica
e dados em silos presos em sistemas ultrapassados
são apenas alguns dos mais comuns. Os silos, por sua
vez, são uma manifestação de integração inadequada
de dados e são um impedimento significativo para
casos de uso da IA em grande escala. Na pesquisa, os
produtores de equipamentos automotivos e industriais
parecem ter mais dificuldade do que outros com
problemas de integração.
“Especialmente se tiverem sido construídas décadas
atrás, diferentes partes das fábricas têm diferentes
sistemas de dados associados”, diz Chaudhry.

Figura 8: Os maiores desafios de dados relacionados à IA

Quais destas opções representam os maiores desafios de dados da sua organização quando se trata de IA?

Eletrônico Máquinas industriais

Produtos e alta e equipamentos
Tudo Aeroespacial Automotivo químicos tecnologia pesados

Qualidade dos dados 57% 60% 48% 75% 50% 57%

Integração de dados 54% 56% 58% 45% 53% 59%

Governança de dados/
conformidade
47% 50% 54% 24% 51% 50%

Crescimento de dados 41% 34% 46% 45% 41% 38%

Gerenciamento de dados 40% 40% 34% 47% 42% 36%

Proteção de dados 38% 40% 43% 33% 36% 38%

Fonte: Pesquisa do MIT Technology Review Insights, 2024


16 MIT Technology Review Insights
“Os dados estão em lugares muito diferentes e são
difíceis de reunir para criar bons modelos de IA.
A situação é melhor em instalações mais recentes”,
diz ele, “mas mesmo elas foram projetadas antes que
as pessoas percebessem que ter todos esses dados
em um só lugar permite fazer muitas coisas”.
A modernização da arquitetura de dados geralmente
é necessária para alcançar grandes melhorias na
integração. Os fabricantes, como organizações em
todas as indústrias, têm dificuldade de integrar dados
de vários dados e sistemas de IA diferentes. Entre outros
benefícios, as arquiteturas modernas prometem unificar
repositórios de dados em toda a empresa, incluindo
os de sistemas de OT e de TI. Essa é uma tarefa difícil
de ser realizada no ambiente de manufatura muitas
vezes fragmentado, mas alguma redução na variedade
de sistemas de dados diferentes é realista e ajudará a
simplificar o processamento e o gerenciamento de dados.
A modernização e a simplificação são essenciais para
que os fabricantes possam dimensionar os casos de
uso de IA em design, engenharia, produção, cadeia de
suprimentos e outras funções empresariais. Ao assumir
o cargo de Diretor de IA na Schneider Electric, Philippe
Rambach beneficiou-se do fato de que a empresa
havia embarcado em uma grande modernização de
dados cinco anos antes. “Já tínhamos um data lake,
e muitos aspectos de nossas operações de dados
eram conduzidos na direção certa”, diz Rambach. “Um
resultado foi que a fragmentação dos sistemas de dados
tornou-se menos um obstáculo para o desenvolvimento
da IA”, afirma.
Chegar à boa governança
A outra parte do desafio da modernização de dados
é a atualização dos modelos de governança. Segundo
Kalra, muitos fabricantes só agora estão começando
a entender a importância da boa governança de
dados para a capacidade de avançar com a IA.
“Eles perceberam que, para aplicar em maior escala,
precisam organizar os dados de uma forma que possam
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
"As pessoas só começaram a perceber nos
últimos dois anos que os dados são mais do que
sensores."
Gunaranjan Chaudhry, Diretor, Ciência de Dados, SymphonyAI Industrial
0
casos de uso. Na pesquisa, 61% dos fabricantes que
começaram a implantar dizem que a governança
é um grande desafio para os dados, em comparação
com 40% dos que ainda estão experimentando
casos de uso e 37% na fase de pesquisa.
Os fabricantes devem adotar uma visão mais ampla
do que são dados utilizáveis para IA, diz Chaudhry.
“As pessoas só começaram a perceber nos últimos
dois anos que os dados são mais do que sensores”,
diz ele. Por exemplo, logs de inspeção, ordens de
serviço e relatórios de manutenção também são dados,
mas normalmente foram retidos apenas para fins de
conformidade e auditoria. “Se você realmente quer
criar algum tipo de modelo avançado de confiabilidade,
o histórico de manutenção de um ativo se torna
realmente importante”, diz Chaudhry.
Por mais vital que seja a modernização da propriedade de
dados, os fabricantes não precisam esperar por dados de
qualidade perfeitos ou pela suficiência 100% para avançar
com os modelos de IA. “É necessário ter dados de boa
qualidade suficientes para começar”, diz Kalra. “A questão
é: como alcançar esses 70% ou 80% rapidamente?”.
Kalra aponta que abordagens arquitetônicas modernas,
como a geração aumentada de recuperação (RAG),
ajudam a acelerar o preenchimento de modelos de IA
com dados. RAG é uma técnica para melhorar a precisão
e a confiabilidade dos LLMs com dados específicos
do domínio obtidos de fontes externas e internas.
Ajustar processos básicos, como a limpeza de dados,
pode ser tão eficaz quanto novas ferramentas para
melhorar a precisão e a relevância dos modelos de IA.
“A priorização do caso de uso ajudou a Schneider Electric
nessa área”, afirma Rambach. “Nossa abordagem
é acelerar alguns trabalhos de limpeza de dados quando
identificamos um grande caso de negócios de IA”, diz ele.
“Outros trabalhos de limpeza de dados serão mais lentos
como resultado até ter certeza do que exatamente
faremos com ele. Se você esperar para ter dados
perfeitos, provavelmente nunca vai começar.”
05
MIT Technology Review Insights 17

Abordar os desafios
organizacionais

Figura 9: Os 5 principais desafios organizacio-

nais da IA

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.)

Uma fraqueza organizacional fundamental em muitos

fabricantes é a fragmentação, não apenas de dados
e sistemas em silos, mas de desenvolvimento de casos
de uso em geral, bem como da experiência funcional
que desenvolve casos e os leva para produção.
Em muitas empresas, os fabricantes incluídos, as provas
de conceito (PoC) e os pilotos de casos de uso são
frequentemente realizados por pequenas equipes de
engenharia. A tendência é se concentrar na ciência
de dados; por exemplo, colocando algoritmos em
funcionamento. “Mas isso é apenas uma pequena
parte do desafio”, diz Chaudhry. “Obter o caso de
uso na produção requer uma plataforma, ingestão
e armazenamento de dados e uma interface de usuário,
entre outros elementos. Na fase piloto e de produção,
a equipe de TI tem muito trabalho a fazer para colocar
esses elementos tecnológicos em prática”, diz ele.
Mudanças organizacionais
e de processo 43%
Encontrar fornecedores
ou parceiros 41%
Fonte: Pesquisa do MIT Technology Review Insights, 2024
Para mover casos de uso ao longo do caminho de
desenvolvimento, é importante criar equipes que
reúnam especialistas em IA, proprietários de negócios
e pessoal de TI. Rambach diz que muitas empresas
da indústria separam essas responsabilidades.
“O desenvolvimento de casos de uso tende a estar muito
focado na inovação, nos algoritmos e na modelagem, e
não focado o suficiente nas praticidades da integração”,
diz ele. “Isso leva a falhas, especialmente quando a IA
ou outros especialistas estão fora da empresa.”
18 MIT Technology Review Insights

Outra desconexão organizacional que pode limitar
a escalabilidade da IA é entre a engenharia e o design
e a fábrica. Até certo ponto, isso está relacionado
à interoperabilidade limitada dos sistemas de OT e TI.
Engenheiros e designers na maioria dos grandes
fabricantes tendem a trabalhar principalmente com
TI, enquanto o OT predomina no ambiente de fábrica.
“Não é uma divisão fácil de conectar”, diz Chaudhry.
“A capacidade de preencher essa lacuna”, afirma
Chaudhry, “beneficiará particularmente as equipes
de chão de fábrica”. “As instalações de processos,
por exemplo, são executadas em condições bastante
estáveis na maior parte do tempo, devido à qual há
relativamente pouca variação nos dados passados
com os quais os modelos de IA podem aprender”, diz
ele. “Se os gerentes de produção se depararem com
problemas que não aconteceram antes, a IA não os
resolverá, a menos que haja modelos de engenharia
e física nos quais se basear.”
“Os modelos híbridos que combinam IA com engenharia
e física são uma possível maneira de unir a engenharia
e as operações”, diz Chaudhry, “mas ainda não
receberam muita atenção na manufatura”.
“Os dados unificados serão fundamentais se a IA ajudar
a unir essas duas áreas funcionais da manufatura”,
diz Kalra. “Os dados devem abranger vários domínios
de forma interconectada. Não é muito útil dizer 'Tenho
os dados sobre a produção, tenho os dados sobre
o design', mas você não pode interconectar essas
fontes de dados. Esses nós de dados precisam ser
conectados em várias modalidades de dados”, diz Kalra.
“Não é apenas ter os dados acessíveis, mas também
conseguir encadear os dados em várias modalidades.
Se você tem isso e se tem a IA generativa no comando,
você tem uma combinação muito poderosa.”

Schneider Electric | Adotando

de negócios, os especialistas em IA
e o pessoal de TI para integrar nossas

uma abordagem que prioriza soluções com nosso software existente

e treinar os usuários. Uma equipe

os negócios para a IA deve conseguir entregar uma solução

Philippe Rambach ficou surpreso ao
receber uma ligação há dois anos do
CEO da Schneider Electric pedindo
para assumir o cargo de diretor de
IA. Rambach era gerente de negócios
e tinha pouca experiência com IA.
O CEO disse que é exatamente por isso
que ele o queria para o trabalho. “Ele
queria evitar o risco de um progresso
lento no uso da IA em grande escala
e ter benefícios para as pequenas
empresas com ela. Para nos colocar de
volta no caminho mais rápido para usar
a IA em grande escala e pelo bem da
tecnologia, era necessário alguém que
entendesse o negócio e como ele opera,
não alguém fascinado pela tecnologia”,
diz Rambach.
Colocar uma pessoa com experiência
de negócios no comando do
desenvolvimento de IA foi o primeiro
passo para executar a estratégia de
escala de IA na Schneider Electric.
O próximo passo foi a criação de uma
equipe de especialistas para impulsionar
o desenvolvimento. A empresa lançou
um grande impulso de recrutamento,
e Rambach diz que sua equipe agora
emprega cerca de 300 especialistas
em IA e dados.
Esses especialistas formam o núcleo
de um modelo hub-and-spoke que
desenvolve casos de uso de IA em
conjunto com unidades de negócios
individuais. Este último, os “spokes”,
são os proprietários de casos de uso
de IA na Schneider Electric, diz ele.
“Todo o desenvolvimento do caso de
uso começa com o caso de negócio”,
diz Rambach. “Desde o primeiro dia,
nossas equipes de desenvolvimento de
casos de uso reúnem os proprietários
em si, sem muito suporte externo.”
Rambach é inflexível quando se trata
da participação da equipe de TI desde
o início. “Se a integração de TI for
deixada para o final, muitas vezes
isso nunca será feito”, diz ele.
Cada equipe de desenvolvimento
também deve ser clara quanto
à viabilidade do projeto. “Ela deverá
encerrar um projeto se os pontos
potenciais de falha forem numerosos
demais”, diz Rambach.
“Para a Schneider Electric, essa
abordagem facilita o progresso de
casos de uso de IA do PoC para
o mínimo de produto viável (MVP)
e, em última análise, para a produção”,
afirma Rambach. “A empresa agora
lança de cinco a seis casos de uso
em produção em escala a cada
trimestre”, diz ele.
06
Conclusão:
Preparação do terreno
E
nquanto essa pesquisa tem como foco
as experiências e planos dos fabricantes
comprometidos com o desenvolvimento de
recursos de IA, há muitos outros fabricantes
que ainda não começaram. Alguns
provavelmente determinaram que atender
aos seus objetivos estratégicos não requer o domínio
da IA, já outros acreditam que podem se beneficiar de
seu uso, mas não têm certeza de como começar.
Este estudo do MIT Technology Review Insights sugere
algumas lições que esses fabricantes deverão levar a sério
quando começarem a explorar o potencial da IA. Elas se
aplicam a organizações em qualquer indústria, sendo que
algumas podem parecer evidentes. Mas os especialistas
que entrevistamos garantem que até mesmo quem já usa
a IA há bastante tempo às vezes perde de vista esses casos
à medida que desenvolvem cada vez mais casos de uso.
Comece pela necessidade de negócios: no início,
determine o problema de negócios ou o desafio que
a tecnologia poderia ajudar a resolver. Só então
as soluções tecnológicas, incluindo a IA, devem ser
exploradas. “Perguntar 'o que podemos fazer com a IA?'
pode gerar muitas ideias magníficas”, diz Rambach,
“mas a maioria terá impacto limitado se não começar
com a necessidade real dos negócios”.
MIT Technology Review Insights 19
Aceite a flexibilidade estrutural: o desenvolvimento
de casos de uso não deve ser o monopólio dos especialistas
em IA. À medida que a experiência aumenta internamente,
ela precisa ser aliada ou integrada às equipes de ciência
e engenharia de dados. A equipe desses especialistas
com proprietários de produtos empresariais e TI aumenta
a probabilidade de obter os resultados desejados de
desenvolvimento e implantação de casos de uso da IA.
Tenha os dados em ordem: a IA requer um nível de
maturidade de dados. Determine o quanto a organização
coleta, armazena e processa dados e tome medidas
concretas para corrigir pontos fracos antes de levar
os casos de uso da IA para produção. É provável que
as etapas incluam a unificação dos repositórios de
dados na medida do possível. Os modelos de IA exigem
dados de boa qualidade, mas os dados não precisam
ser perfeitos para mover casos de uso para a produção.
Use a IA para desenvolver habilidades: os fabricantes se
preocupam com a escassez de habilidades e talentos para
trabalhar com IA, e isso é compreensível. No entanto, eles
devem perceber que a IA pode ajudar a desenvolver tais
habilidades na equipe de trabalho. Com a IA generativa, por
exemplo, é bem fácil para os engenheiros e outras equipes
que não fazem parte do departamento de TI trabalhar
com modelos. A IA também ajuda a equipe de produção
a aperfeiçoar suas habilidades de solução de problemas.
 MIT Technology Review Insights 21

Sobre o MIT Technology Review Insights

MIT Technology Review Insights é a divisão de publicação personalizada da MIT Technology Review, a revista
de tecnologia mais antiga do mundo, apoiada pela instituição de tecnologia mais importante, produzindo
eventos ao vivo e pesquisas sobre os principais desafios de tecnologia e negócios do dia. A divisão Insights
realiza pesquisas e análises qualitativas e quantitativas nos EUA e em outros países e publica uma grande
variedade de conteúdo, incluindo artigos, relatórios, infográficos, vídeos e podcasts. E por meio do crescente
Painel de Insights Globaisda MIT Technology Review, o departamento Insights tem acesso incomparável
a executivos de nível superior, inovadores e líderes de pensamento em todo o mundo para pesquisas
e entrevistas detalhadas.

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.

© Copyright MIT Technology Review Insights, 2024. Todos os direitos reservados.

MIT Technology Review Insights
www.technologyreview.com
insights@technologyreview.com