IA na manutenção industrial hoje é, na prática, um conjunto pequeno de aplicações específicas: assistentes que respondem dúvida técnica, sugestão de alocação de equipe por habilidade e capacidade, e análise de dados históricos de execução. O resto que aparece em manchete de fornecedor, sensor autônomo, gêmeo digital completo, preditiva pronta para instalar, ainda não é rotina comprovada em operação real de manutenção industrial no Brasil.
Este guia separa o que já funciona do que ainda é promessa, explica o pré-requisito que nenhuma IA de manutenção substitui e traz um roteiro para avaliar fornecedor sem cair em discurso de venda.
O que é REAL hoje em IA na manutenção industrial
Quatro categorias de aplicação já existem em produto real, com escopo definido e verificável. As quatro têm um traço em comum: nenhuma decide sozinha, todas dependem de dado de execução confiável para funcionar, e todas ajudam quem já faz o trabalho, em vez de fazer o trabalho no lugar de alguém.
Assistentes de conhecimento
São assistentes treinados em conceitos e vocabulário de manutenção, como MTBF, RCM e NR-13, que respondem dúvida técnica em linguagem natural, no lugar de o técnico procurar em manual ou norma. O valor real é reduzir o tempo de busca por informação que já existe, documentada, em algum lugar da empresa. Não é isso que decide a estratégia de manutenção nem substitui a experiência do planejador.
Sugestão de alocação de equipe por habilidade e capacidade
É a aplicação mais madura hoje: o sistema cruza a ordem que precisa ser executada com a habilidade, a certificação e a capacidade disponível de cada técnico, e sugere a melhor distribuição. Quem decide continua sendo o planejador, que ajusta e confirma. Na PM Run, essa aplicação existe hoje com escopo documentado: a Manu, a IA de alocação do Planejamento, sugere a distribuição de ordens considerando habilidade, capacidade e disponibilidade real do time, e o planejador confirma antes de a ordem sair. É sugestão de alocação, não decisão autônoma nem previsão de falha.
Análise de dados históricos
Modelos de análise sobre o histórico de ordens, causas e sintomas conseguem apontar padrão que uma leitura manual de planilha dificilmente enxerga: qual causa se repete mais em qual classe de equipamento, qual centro de trabalho concentra mais retrabalho, onde o tempo de reparo foge do padrão. É análise descritiva sobre o que já aconteceu, uma camada mais sofisticada de inteligência de negócio sobre um histórico de execução limpo. Não é previsão de quando o próximo equipamento vai falhar.
Visão computacional em inspeção
No mercado em geral, já existem soluções de visão computacional aplicadas a inspeção visual, como corrosão, vazamento e desalinhamento identificados por câmera. É uma categoria real, mas concentrada em fornecedores especializados em imagem industrial, normalmente ligada a um caso de uso específico e a um investimento próprio de câmera, integração e curadoria de imagem. Não é uma funcionalidade genérica plugável em qualquer operação, e não faz parte do escopo de produto de sistemas de planejamento e execução de manutenção como o PM Run.
O que ainda é promessa
Do outro lado da mesma manchete existe um conjunto de promessas que aparece com frequência em material comercial e ainda não é rotina comprovada em operação industrial no Brasil.
- Manutenção preditiva pronta para instalar: sensor ligado e modelo prevendo falha sem projeto de dado, sem curadoria e sem ajuste específico do ativo. O que existe de preditiva real exige projeto próprio de sensoriamento, histórico de qualidade suficiente e ajuste contínuo, e não é uma funcionalidade que simplesmente se liga. Veja o que a preditiva exige de fato no guia de manutenção preditiva.
- Gêmeo digital completo da planta: réplica virtual da planta inteira, sincronizada em tempo real, é um projeto de engenharia de dados de outra ordem de grandeza, raro fora de plantas com investimento dedicado a isso.
- IA que decide sozinha: sistemas que aprovam ordem, trocam peça ou param equipamento sem supervisão humana. O que existe de maduro hoje sugere, e um humano confirma, o que é bem diferente de decidir sozinho.
- IA preditiva genérica no discurso comercial: a palavra preditiva aparece na manchete de muitos fornecedores de CMMS e EAM sem um módulo documentado por trás dela. Vale pedir para ver funcionando com o dado da sua planta antes de acreditar na manchete.
O pré-requisito que ninguém pula
Nenhuma das aplicações reais de IA na manutenção funciona sem dado de execução confiável na origem, e para quem roda SAP PM isso tem nome: apontamento correto. Se a ordem é confirmada de memória no fim do turno, se o tempo de parada é estimado em vez de registrado, se a causa e o sintoma são preenchidos com o primeiro código da lista só para fechar a tela mais rápido, qualquer modelo treinado em cima desse histórico aprende o ruído, não o padrão real.
É a mesma lógica dos indicadores clássicos de manutenção: MTBF, MTTR e backlog só significam algo quando o apontamento que os alimenta é confiável, como mostra o guia de gestão da manutenção. IA não resolve apontamento ruim, ela amplia o problema, porque passa a sugerir alocação ou destacar padrão em cima de um histórico que já nasceu torto.
Por isso, antes de perguntar qual IA comprar, a pergunta que vale mais é se o apontamento de hoje é confiável o suficiente para treinar alguma coisa em cima dele. Na maioria das operações que ainda não estruturaram planejamento e programação, a resposta é não, e o próximo passo certo é arrumar a rotina de PCM antes de comprar uma camada de IA, como detalha o guia de Planejamento e Controle da Manutenção.
Como avaliar fornecedor sem cair em conversa de vendedor
Uma lista curta de perguntas separa produto real de manchete.
- Peça para ver o modelo rodando com um recorte real do seu próprio histórico de ordens, não com um conjunto de demonstração do fornecedor.
- Pergunte exatamente qual dado de entrada o modelo precisa, e quanto tempo de histórico limpo isso exige. Se a resposta for vaga, o produto provavelmente também é.
- Pergunte o que o modelo faz quando o dado está incompleto ou inconsistente, porque isso vai acontecer na sua planta.
- Separe sugestão de decisão automática: pergunte quem confirma a ação final, e o que acontece quando ninguém confirma.
- Peça o nome exato da funcionalidade e o escopo documentado dela, não o nome da categoria de mercado. Preditiva e IA são categorias, não funcionalidades.
Como se preparar
A preparação para IA na manutenção não começa comprando um módulo novo, começa arrumando a base que qualquer camada de IA vai precisar.
- Padronizar o apontamento de ordem, com catálogo de causa, sintoma e parte, em vez de campo de texto livre.
- Estruturar a programação e o backlog, para o histórico de execução refletir prioridade real, não só o que sobrou depois de apagar incêndio.
- Manter o cadastro de ativos e a matriz de habilidades da equipe atualizados, porque é esse par, ativo e pessoa, que qualquer sugestão de alocação depende.
- Só então avaliar fornecedor de IA, com as perguntas da seção anterior e com um recorte real do seu próprio dado.
Quem roda SAP PM e quer arrumar essa base antes de qualquer conversa de IA encontra o caminho completo no software de planejamento de manutenção integrado ao SAP PM, com backlog, programação em Gantt e a alocação sugerida pela Manu funcionando sobre um SAP PM organizado.
Aprofunde este tema
Para continuar neste assunto, veja o que a manutenção preditiva exige de verdade, como o PCM organiza a base de dado de que qualquer IA depende, e o panorama completo da gestão da manutenção.
Perguntas Frequentes
A PM Run tem IA preditiva?
Não como módulo entregue. A IA documentada da PM Run hoje é a Manu, que sugere alocação de ordens no Planejamento por habilidade, capacidade e disponibilidade, e atua como assistente treinado em conceitos de manutenção. Não há sensor, não há previsão automática de falha nem gêmeo digital.
Preciso de sensor para usar IA na manutenção?
Não para as aplicações que já são reais hoje. Assistente de conhecimento, sugestão de alocação e análise de dados históricos funcionam em cima do histórico de ordens que já existe no SAP PM, sem sensor adicional. Sensor entra quando o objetivo é preditiva de verdade, e isso é um projeto próprio, à parte.
IA substitui o planejador de manutenção?
Não. As aplicações maduras hoje sugerem, e quem decide e confirma continua sendo o planejador. O valor da IA aqui é reduzir tempo de busca e apontar padrão, não substituir o julgamento de quem conhece a operação.
Por que o apontamento importa tanto para a IA funcionar?
Porque qualquer modelo aprende com o histórico que recebe. Se o apontamento é feito de memória, com causa genérica só para fechar a ordem, o modelo aprende esse ruído como se fosse padrão real, e a sugestão que ele devolve carrega o mesmo erro.
Como começar a preparar a operação para IA na manutenção?
Padronizando o apontamento com catálogo de causa, sintoma e parte, organizando backlog e programação, e mantendo a matriz de habilidades da equipe atualizada. Essa base é o que qualquer sugestão de IA vai usar como entrada.
Continue no Grupo de Estudos PM Run
Quer ver estes temas na prática, sem discurso comercial? O Grupo de Estudos PM Run reúne gravações de encontros sobre confiabilidade, planos de manutenção e SAP PM, no seu ritmo. Acompanhe as gravações do Grupo de Estudos.
