Artigo do prof. Dr. Marcelo Massarani, publicado em sua coluna na Gazeta Mercantil Digital em 28/07/2026.
Um novo roadmap para a indústria mostra por que bons resultados isolados ainda são difíceis de transformar em capacidade empresarial.
A inteligência artificial já funciona nas fábricas. Então por que ainda é tão difícil transformar bons projetos de IA em resultados para a empresa inteira?
A pergunta ganhou atualidade em 3 de julho, com a publicação, na revista Machine Learning: Engineering, do 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing. O trabalho reúne pesquisadores de universidades, empresas e instituições de diversos países, entre elas o World Economic Forum e o National Institute of Standards and Technology (NIST), dos Estados Unidos. Seu objetivo é examinar o estágio da inteligência artificial na manufatura e os obstáculos que ainda limitam sua adoção em escala.
Para quem administra uma empresa, uma conclusão se destaca. A IA já demonstrou capacidade para resolver problemas industriais. Transformar aplicações bem-sucedidas em uma competência disseminada pela organização continua sendo uma tarefa em construção.
O próprio roadmap registra essa distância. Muitas empresas permanecem concentradas em projetos isolados, limitadas por dados fragmentados, sistemas antigos, escassez de profissionais preparados e falta de alinhamento estratégico. A tecnologia consegue prever falhas, identificar defeitos, melhorar processos e apoiar o planejamento da produção. Reproduzir esses resultados em diferentes linhas, fábricas e processos exige outras competências.
Os números ajudam a dimensionar a questão. A McKinsey & Company publicou, em dezembro de 2025, o estudo From pilots to performance: How COOs can scale AI in manufacturing, baseado em respostas de 101 executivos de operações de organizações com faturamento anual de pelo menos US$ 1 bilhão. Cerca de dois terços afirmaram que suas empresas ainda estavam nas fases de exploração ou de implementação direcionada da IA. Apenas 2% disseram tê-la plenamente incorporada a todas as operações.
Falta de investimento dificilmente explica esse quadro. Na mesma pesquisa, 93% dos entrevistados planejavam aumentar os gastos com tecnologias digitais e IA nos cinco anos seguintes. Quase um terço pretendia destinar pelo menos 5% do custo dos produtos vendidos a essas tecnologias.
A disposição para investir cresce mais rapidamente do que a capacidade de disseminar os resultados pela organização.
O roadmap chama uma das consequências desse processo de pilot fatigue, a fadiga dos projetos-piloto. A expressão descreve o desgaste provocado pela repetição de experimentos sem impacto sistêmico. Uma empresa testa IA na manutenção, depois na qualidade, no planejamento ou em outra área. Vários projetos podem apresentar bons resultados. A dificuldade aumenta quando é preciso reproduzi-los e integrá-los ao restante da operação.
Uma fábrica carrega décadas de decisões tecnológicas. Máquinas, sensores, bancos de dados e softwares de gestão pertencem a gerações diferentes e nem sempre conseguem trocar informações. Parte relevante do conhecimento permanece com operadores, técnicos e engenheiros. Um modelo de IA que funciona bem em condições controladas precisa conviver com essa realidade para produzir valor em escala.
O Roadmap 2026 coloca a passagem dos projetos-piloto para plataformas empresariais entre as principais barreiras à adoção. Os autores destacam dois obstáculos recorrentes nessa transição: retorno sobre o investimento pouco claro e dificuldades de integração com sistemas legados.
Medir o valor produzido também permanece uma questão relevante. O estudo da McKinsey cita pesquisa do Manufacturing Leadership Council segundo a qual quase 60% dos fabricantes não possuem metas claras para avaliar o valor de suas implementações de IA. Uma solução pode reduzir o tempo de uma tarefa, melhorar uma previsão ou aumentar a precisão de uma inspeção e ainda produzir efeito limitado sobre produtividade, margem ou retorno sobre o capital.
O NIST mantém um projeto dedicado a esse assunto. O Industrial Artificial Intelligence Management and Metrologydesenvolve métricas, procedimentos e melhores práticas de avaliação e implantação. Na apresentação do projeto, o instituto reconhece que a falta de ferramentas padronizadas de avaliação e de métodos de gestão tem contribuído para hesitação, desconfiança e aplicações inadequadas de IA na manufatura.
Durante os últimos anos, grande parte da atenção esteve concentrada no desempenho dos algoritmos. Em uma aplicação industrial, sua precisão representa apenas uma das medidas de sucesso. Integração com os sistemas existentes, possibilidade de reutilização, estabilidade diante de mudanças no processo, capacidade das equipes para trabalhar com a ferramenta e resultado econômico também determinam o valor da solução.
Uma empresa pode comprar tecnologia, contratar especialistas e executar dezenas de projetos. Para que a IA se torne uma competência empresarial, o conhecimento adquirido precisa ser reproduzido, transferido entre áreas e incorporado à operação sem que cada nova aplicação recomece praticamente do zero.
O Roadmap 2026 retrata bem esse momento. A indústria acumulou evidências de que a inteligência artificial consegue resolver problemas relevantes. Métodos, infraestrutura e práticas de gestão capazes de levar soluções pontuais à escala empresarial continuam em desenvolvimento.
Isso altera a maneira de avaliar a maturidade de uma empresa em inteligência artificial. Contar projetos ou ferramentas adotadas diz pouco sobre o valor criado. Uma organização mais avançada deveria ser capaz de identificar problemas adequados à IA, integrá-la aos processos, medir seus resultados e reproduzir a solução onde ela fizer sentido.
A maturidade será percebida quando contar projetos de IA deixar de servir como demonstração de avanço tecnológico. A inteligência artificial estará incorporada à maneira como a empresa produz, decide e aprende.
Chegar a esse estágio abre outra pergunta. Para que exatamente as empresas estão usando essa nova capacidade? Muitas aplicações atuais procuram executar mais rápido, prever melhor ou automatizar atividades concebidas muito antes da IA.
Essa será a questão do próximo artigo: estamos redesenhando o trabalho a partir das possibilidades da inteligência artificial ou apenas instalando uma tecnologia nova em processos antigos?
Referências
LEE, Jay et al. 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing. Machine Learning: Engineering, v. 2, 022001, IOP Publishing, 3 jul. 2026.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Industrial Artificial Intelligence Management and Metrology (IAIMM). Engineering Laboratory, NIST.
COCOUAL, Charles; DE KROON, Dinu; LEFORT, Frédéric; CHATELET, Louis. From pilots to performance: How COOs can scale AI in manufacturing. McKinsey & Company, 15 dez. 2025.
BROWN, Penelope. Shaping the AI-Powered Factory of the Future. Manufacturing Leadership Council, 28 jul. 2025.