Por Vitor Genaro*
 

A indústria entrou definitivamente na corrida pela inteligência artificial. Agentes capazes de analisar cenários, antecipar problemas e apoiar decisões começam a fazer parte das estratégias de transformação. Mas, enquanto cresce a discussão sobre onde aplicar IA, é preciso avaliar se os processos das empresas estão preparados para que essa tecnologia gere resultados.

 

O desafio já aparece quando se olha para o retorno dos investimentos (ROI). De acordo com um levantamento da Organização para a Cooperação e Desenvolvimento Econômico (OCDE), Boston Consulting Group (BCG) e Instituto Europeu de Administração de Empresas (INSEAD), 62% das empresas manufatureiras têm dificuldade para estimar o ROI referente ao uso de inteligência artificial.

 

Esse dado chama atenção porque vai além da escolha da tecnologia. Na verdade, ele revela a dificuldade de transformar aplicações de IA em resultados concretos para a operação.
 

Na manufatura, isso é particularmente complexo. Para antecipar uma ruptura de matéria-prima, reorganizar a produção ou recomendar uma compra, a IA precisa relacionar informações de estoque, fornecedores, pedidos, capacidade produtiva, logística e finanças. Portanto, preparar uma indústria para a IA significa também integrar processos, garantir dados confiáveis, estabelecer regras de negócio claras e reduzir controles paralelos.

 

O próprio estudo identifica dados fragmentados, formatos incompatíveis, ausência de repositórios centralizados e falta de integração entre ERP e sistemas produtivos como barreiras à adoção da IA na indústria.
 

Sabemos que esses são problemas familiares para muitas organizações. Isso porque, ao longo dos anos, necessidades específicas geraram customizações, sistemas adicionais, planilhas e processos paralelos. Individualmente, essas decisões podem ter feito sentido. Somadas, porém, podem criar uma operação na qual diferentes áreas trabalham com fontes e regras distintas.
 

Pensando pelo lado das pessoas, parte dessa complexidade é contornada pelo conhecimento acumulado. Um profissional experiente sabe qual planilha consultar, qual exceção considerar ou com quem confirmar determinada informação. Mas, para a IA essa fragmentação se transforma em uma barreira, impedindo que a tecnologia encontre informações consistentes e regras únicas para interpretar as situações e apoiar as ações.
 

Além disso, existe uma diferença importante entre gerar uma recomendação e executar uma decisão. A IA pode identificar um risco de ruptura. Para recomendar uma resposta operacional, entretanto, precisa compreender o estoque disponível, os pedidos de compra, os fornecedores, a programação da fábrica e os impactos financeiros.
 

A pesquisa “Roadmap on artificial intelligence and machine learning for smart manufacturing”, realizada pelo National Institute Standards and Technology (NIST), reforça essa dimensão técnica ao colocar a gestão de dados e a integração com sistemas heterogêneos entre os desafios críticos para IA e aprendizagem de máquina (machine learning) na manufatura.
 

Esse cenário também exige rever uma prática histórica da indústria, que é a customização de sistemas de gestão. É claro que existem particularidades que sustentam vantagens competitivas e precisam ser preservadas, porém existem outras que permanecem apenas porque os processos foram construídos daquela maneira anos atrás. Padronizar, portanto, significa identificar pontos nos quais melhores práticas podem reduzir as complexidades.
 

É nesse contexto que o conceito de fit-to-standard ganha relevância: utilizar processos padronizados como ponto de partida e manter extensões onde elas realmente forem necessárias ao negócio.
 

O ERP também passa a ocupar uma posição diferente nessa discussão. Além de registrar as transações da empresa, ele pode funcionar como uma base estruturada de processos, dados e regras de negócio sobre a qual novas camadas de inteligência podem operar.

 

Isso não significa que simplesmente migrar para um ERP em nuvem deixará uma empresa pronta para IA. Nenhuma plataforma resolve sozinha processos mal definidos, dados inconsistentes ou ausência de governança. Transportar para uma tecnologia moderna toda a complexidade acumulada durante anos pode significar apenas mudar o problema de lugar.
 

A oportunidade está em utilizar a modernização para integrar áreas, rever processos e reduzir complexidades desnecessárias. Uma arquitetura em nuvem, associada a processos mais padronizados e preparada para evolução contínua, cria melhores condições para incorporar novas capacidades tecnológicas.
 

Os desafios apontados pela OCDE e pelo NIST mostram que dados, processos e integração não são questões periféricas da estratégia de uso de IA na indústria. Pelo contrário, são parte das condições necessárias para transformar inteligência em resultado operacional.
 

Sair investindo em projetos de IA de forma desenfreada é criar iniciativas que muitas vezes não dão retorno. Primeiro, a indústria deve mapear processos atuais que precisam ser reorganizados para que, amanhã, a IA consiga participar do negócio.
 

A corrida pela inteligência artificial não será necessariamente vencida pela indústria que acumular mais ferramentas ou agentes. A vantagem poderá estar com aquela que construir a melhor base para que essas tecnologias funcionem. Antes de construir uma empresa autônoma, será preciso construir uma empresa integrada.

 

*Vitor Genaro é diretor comercial da Ábaco Consulting, consultoria especializada no ecossistema SAP. 

 

Imagens: Divulgação / Shutterstock

 

 

_______________________________________________________________________________________

Assine a PI News, a newsletter semanal da Plástico Industrial, e receba informações sobre mercado e tecnologia para a indústria de plásticos. Inscreva-se aqui.

_______________________________________________________________________________________

 

Opinião

---