Em março de 2024, eu estava numa planta industrial visitando uma linha de produção quando um técnico de manutenção me mostrou algo no tablet dele. Era um alerta: um motor específico, no meio de dezenas, tinha 87% de probabilidade de falhar nas próximas 36 horas. Não era intuição. Não era calendário de troca preventiva. Era um modelo de machine learning rodando em cima de dados de vibração coletados por sensores instalados três meses antes.
Eu olhei para o motor. Parecia perfeitamente normal. Nenhum barulho estranho, nenhum sinal visível. Mas trocaram o rolamento naquela tarde mesmo. Custo: R$ 800. Se tivesse falhado em operação, a parada não planejada custaria algo próximo de R$ 200 mil, fora o atraso na entrega.
Foi a primeira vez que vi manutenção preditiva baseada em IA funcionando de verdade, fora de um slide de apresentação.
O que mudou na prática
Durante anos, manutenção industrial funcionou de dois jeitos. O primeiro: esperar quebrar e correr para consertar. O segundo: trocar peças num calendário fixo, independente do estado real do equipamento. Os dois têm problemas óbvios. Um é caro demais quando falha. O outro desperdiça peças e tempo de parada.
Machine learning muda a lógica. Sensores coletam dados continuamente: temperatura, vibração, corrente elétrica, pressão. Modelos treinados com histórico de falhas aprendem a identificar padrões que antecedem problemas. O resultado é um alerta contextualizado, com probabilidade e janela de tempo, que permite planejar a intervenção.
Empresas que implementaram esse tipo de sistema reportam reduções de até 50% em paradas não planejadas e 10 a 40% nos custos totais de manutenção, segundo levantamentos da McKinsey. Mas o número que mais me impressionou foi outro: na Dow Chemical, modelos detectaram padrões invisíveis nos dados de vibração de reatores que evitaram vazamentos. Ali não era economia. Era segurança.
O engenheiro de manutenção virou outra coisa
A mudança mais profunda não é tecnológica. É no papel do profissional.
O técnico que me mostrou o tablet naquela visita não era um cientista de dados. Era um mecânico com 15 anos de chão de fábrica que aprendeu a interpretar dashboards e a questionar alertas quando o modelo errava. Porque modelos erram. E é aí que a experiência humana continua valendo.
O profissional de manutenção deixou de ser bombeiro e virou estrategista. Em vez de reagir a falhas, ele planeja intervenções. Em vez de trocar peças por calendário, ele troca quando os dados indicam necessidade real. Isso exige uma habilidade que nenhum algoritmo tem: contexto. Saber que aquele motor opera em condições diferentes no verão, que a umidade da região afeta certos componentes, que a equipe do turno da noite opera a máquina de um jeito levemente diferente.
Por que a maioria dos projetos trava no piloto
Seria fácil pintar um quadro otimista e parar por aqui. Mas eu estaria mentindo. Mais de 60% dos projetos de manutenção preditiva travam na fase piloto, segundo a Capgemini. E os motivos não são técnicos na maioria das vezes.
O primeiro problema é cultural. "Sempre fizemos assim" é uma frase que eu ouvi em pelo menos três países diferentes, em três idiomas. Convencer equipes de manutenção a confiar num modelo de computador em vez da própria experiência leva tempo. E paciência.
O segundo é a qualidade dos dados. Dados industriais são sujos, fragmentados, guardados em sistemas que não conversam entre si. Já vi plantas onde o histórico de manutenção existia apenas em cadernos manuscritos. Digitalizar tudo isso antes de treinar qualquer modelo é um trabalho ingrato, mas necessário.
O terceiro é um paradoxo interessante: quanto mais bem mantida a fábrica, menos dados de falha existem para o modelo aprender. Você precisa de histórico de problemas para ensinar o sistema a prevê-los. Fábricas que já faziam manutenção preventiva rigorosa têm menos exemplos de falha, o que dificulta o treinamento.
O que varia de país para país
Na Alemanha e no Japão, onde a infraestrutura de dados já é madura, implementações acontecem em escala. A Hitachi, por exemplo, equipa trens de alta velocidade com autodiagnóstico. Na China, a escala permite transformar pilotos em rollout nacional em meses. A CRRC, maior fabricante de material ferroviário do mundo, reporta economias anuais de centenas de milhões de dólares.
No Brasil, a realidade é diferente. Parques industriais heterogêneos, orçamentos apertados e infraestrutura digital desigual exigem soluções criativas. Retrofit de sensores em máquinas antigas, parcerias entre startups e indústrias estabelecidas, uso de plataformas open source. Vi projetos que começaram com três sensores num equipamento crítico e, em seis meses, já mostravam retorno suficiente para expandir.
A lição que tirei dessas comparações: não é preciso ter a fábrica mais moderna para começar. Precisa ter um problema claro, dados mínimos viáveis e uma equipe disposta a aprender junto com o modelo.
O que eu entendi errado no início
Confesso que, antes daquela visita, eu achava que manutenção preditiva era basicamente um dashboard bonito em cima de dados de sensores. Algo que ficava bem em relatório para a diretoria, mas que na prática mudava pouco.
Estava errado. O que muda é a relação entre o profissional e a máquina. Não é o algoritmo que substitui o técnico. É o técnico, armado com dados, que consegue tomar decisões que antes seriam impossíveis. Ninguém consegue ouvir uma microvariação de vibração num motor operando a 1.800 RPM dentro de uma planta barulhenta. Mas um sensor consegue. E um modelo treinado consegue dizer o que aquela variação significa.
A tecnologia não eliminou a necessidade de experiência. Ela amplificou o alcance de quem a tem.
Na próxima vez que você passar por uma linha de produção funcionando sem problemas aparentes, vale perguntar: ela está saudável de verdade, ou existe um modelo em algum servidor que já sabe o que vai acontecer antes de qualquer humano perceber?