Inteligência artificial ao serviço da excelência operacional em diferentes indústrias

A capacidade de transformar dados em decisões rápidas e fundamentadas tornou-se um dos principais fatores de diferenciação competitiva nas organizações modernas. Num contexto em que o volume de informação disponível cresce a um ritmo sem precedentes, a questão central já não é a quantidade de dados: é a capacidade de os interpretar, estruturar e mobilizar no momento certo.

Este caso de estudo engloba projetos desenvolvidos em organizações de setores distintos, todos unidos por um desafio comum: transformar dados dispersos, processos manuais e decisões intuitivas em sistemas inteligentes e automatizados. Em cada um deles, a solução implementada combinou modelos de inteligência artificial, análise geoespacial, machine learning ou IA generativa com uma integração cuidada nos processos e tecnologias existentes das organizações, onde foi possível resultados mensuráveis em termos de eficiência operacional, qualidade, fiabilidade da informação e capacidade de inovação. Os casos que se seguem ilustram esta lógica de transformação em realidades operacionais distintas.

Deteção de fugas e anomalias de consumo numa rede de abastecimento de água

A organização opera no abastecimento de água municipal. O processo de deteção de fugas era executado por diversas equipas com base em inspeções de campo e verificações de válvulas, sendo uma tarefa complexa, morosa e raramente concluída com a celeridade necessária, o que resultava em perdas de água significativas, com consequências económicas e ambientais consideráveis.

A abordagem para transformar a deteção de fugas

Para responder a estes desafios, foi desenvolvida e implementada uma solução de inteligência artificial capaz de classificar o risco de fuga e identificar consumos anómalos em tempo real, integrada na plataforma de gestão existente.

A solução assenta num modelo de IA que combina dados internos e externos para gerar um mapa de risco dinâmico da rede. Entre os dados utilizados, destacam-se:

• Dados internos: histórico plurianual de ruturas, distribuição espacial da rede de abastecimento, dados de pressão e desempenho da rede;
• Dados externos: temperatura e precipitação, densidade populacional e o tipo de solo.

O sistema desenvolvido processa dados internos e externos através de modelos de causalidade em IA, gerando como output a localização provável de ruturas, um mapa de risco atualizado e alertas de deteção de consumo anómalo em tempo real. O sistema tem capacidade de autoaprendizagem, integrando-se com os sistemas existentes da organização.

Figura 1 – Exemplo do sistema implementado

Resultados obtidos

A implementação da solução de IA para deteção de fugas e anomalias de consumo gerou impactos significativos nos principais indicadores operacionais:

• 80% das condutas com ruturas foram corretamente identificadas pelo modelo;
• Redução de 25% na água não faturada, com impacto direto nos custos operacionais;
• 10% das condutas da rede foram classificadas como de alto risco;
• Redução dos recursos alocados ao processo de deteção de fugas;
• Maior eficiência na deteção, em tempo real, de fugas na rede.

Inspeção automatizada de blisters na indústria farmacêutica

A empresa em questão opera na indústria farmacêutica, na qual o processo de embalagem em blisters exige uma verificação rigorosa para assegurar que cada alvéolo contenha a medicação correta, sendo este um requisito crítico para a segurança do paciente e a conformidade regulatória do setor.

O desafio operacional

Os equipamentos existentes exigiam entre 25 e 40 minutos de calibração manual para cada novo lote ou mudança de formato, o que representava um custo operacional significativo em termos de disponibilidade de linha.

Os sistemas convencionais de inspeção baseavam-se em contrastes simples, tais como cor e peso, o que se revelava insuficiente em cenários de maior complexidade ou em equipamentos de diferentes gerações.

Automatização da inspeção como solução

Foi desenvolvida uma solução de visão por computador assente em modelos de Deep Learning, capaz de inspecionar blisters em tempo real sem calibração prévia. A partir de imagens capturadas na linha de produção e de uma base de dados de diferentes formatos, o modelo deteta automaticamente cada alvéolo e classifica-o como “Cheio” ou “Vazio”, emitindo alertas para rejeição imediata.

A solução funciona para embalagens de alumínio e plástico transparente sem necessidade de reprogramação, com potencial para identificar defeitos mais complexos, incluindo contaminação por pigmentação, rugosidade, fissuras e danos seccionais nos comprimidos, abrindo caminho para uma inspeção de qualidade mais abrangente.

Resultados alcançados

A implementação da solução de inspeção automatizada por IA gerou impactos relevantes nos indicadores de qualidade e eficiência operacional:

• Redução do tempo de setup de aproximadamente 25 minutos para apenas 0;
• Taxa de precisão de 100% na classificação de alvéolos cheios vs. vazios nos testes realizados;
• A solução pode ser implementada em qualquer linha de produção, independentemente do número de alvéolos ou do formato do comprimido.

Análise geoespacial para a expansão de uma rede de postos de combustível

Com uma presença geográfica já estabelecida, a empresa procurava expandir a sua rede de forma estruturada, baseada em dados objetivos e em modelos preditivos, em vez de decisões assentes exclusivamente em critérios empíricos.

O processo de identificação de novas localizações para postos de combustível era conduzido sem recurso a técnicas geoespaciais ou a dados de contexto geográfico, o que limitava a objetividade e a precisão das decisões de investimento. Adicionalmente, o potencial de cada localização para caracterizar a performance futura do posto não era quantificado, dificultando a comparação entre alternativas e a priorização de oportunidades.

A organização identificou as seguintes lacunas no processo vigente:

• Ausência de modelos de previsão de vendas por localização, impedindo uma avaliação objetiva do seu potencial;
• Falta de dados geoespaciais integrados (mobilidade, pontos de interesse, demografia) para suportar a tomada de decisão;
• Incapacidade de comparar o desempenho real de cada posto com o seu potencial estimado.

A abordagem para identificar as localizações ideais

Foi desenvolvida uma solução inteligente de apoio à seleção de localizações assente em modelos de machine learning e de análise geoespacial. A solução integra dados internos e externos para construir um modelo preditivo robusto. Os dados internos compreendem o portfólio de postos existentes, tais como localização, oferta de produtos e vendas de combustível e não-combustível. Com base nestes inputs, o modelo executa quatro processos analíticos principais:

• Clustering dos postos existentes por perfil envolvente, agrupando estações com contextos geográficos semelhantes;
• Desenvolvimento de modelos de previsão de vendas para cada cluster, através de algoritmos de machine learning;
• Modelo de otimização para identificar as melhores localizações para novos postos de abastecimento;
• Comparação entre o desempenho real de cada posto e o seu potencial estimado, identificando oportunidades de melhoria operacional.

A solução foi disponibilizada sob a forma de um mapa interativo, no qual as equipas podem obter previsões de vendas para qualquer localização geográfica de interesse.

Resultados qualitativos obtidos

A implementação da solução inteligente de localização gerou impactos diretos na capacidade estratégica e operacional da organização:

• Identificação das melhores localizações para expansão da rede, com base em critérios objetivos e quantificáveis, substituindo a abordagem empírica anterior;

Figura 2 – Mapa exemplificativo da expansão da rede

• Comparação sistemática da performance real versus potencial estimado de cada posto;
• Criação de propostas de oferta de produtos diferenciadas por localização.

Governance de dados: da qualidade à tomada de decisão baseada em dados

A empresa em análise neste projeto opera na indústria da pasta de celulose e produtos florestais, um setor de capital intensivo e fortemente orientado por dados operacionais. Possuía múltiplos sistemas de informação, com silos de dados desconectados e de qualidade inconsistente, o que gerava desconfiança nos dados para suporte à tomada de decisão. A gestão de dados era predominantemente ad hoc, sem processos normalizados nem responsabilidades claras, e a qualidade dos dados variava significativamente entre plataformas, não existindo normas de validação uniformizadas.

A abordagem para implementar a governance de dados

Foi adotada uma metodologia estruturada com o objetivo de construir uma base de dados confiável e preparada para alavancar soluções de inteligência artificial. A fase inicial compreendeu a avaliação da maturidade da organização em gestão de dados, a definição da estratégia de governação e o desenho da arquitetura de dados alvo, culminando na elaboração de um roadmap estratégico de 24 meses.

A implementação abrangeu múltiplas dimensões: a criação de relatórios certificados, a implementação de capacidades de self-service, a gestão de dados e o desenvolvimento de um programa de literacia de dados transversal à organização. Foram criados os seguintes elementos de suporte:

• Relatório de estratégia de dados e página interna com informação do programa;
• Roadmap e plano de comunicação publicados internamente;
• Framework de governance de dados disponibilizado a toda a organização;
• Comité de dados mensal e sessões de formação e workshops regulares;
• Glossário de negócio, catálogo de reporting e processos de gestão da procura documentados;
• Alinhamento entre o roadmap tecnológico e o roadmap de dados.

Os resultados alcançados

A implementação do programa de governação de dados gerou melhorias mensuráveis na qualidade da informação, na eficiência dos processos e na cultura organizacional:

• Mais de 200 KPIs com fiabilidade garantida, assegurando maior consistência nos indicadores críticos da organização;
• Redução de 185 horas mensais dedicadas à preparação de relatórios;
• Estabelecimento de uma única fonte fidedigna de dados, com reporting certificado e rastreabilidade completa da informação;
• Definição clara de responsabilidades e standards de qualidade em toda a organização;
• Infraestrutura de dados preparada para IA;

Planeamento da produção baseado em dados: sincronização entre fábricas e redução de ineficiências

A empresa pertence à indústria transformadora, com duas fábricas distintas, sendo uma dedicada à produção de semiacabados e a outra às operações de customização e embalagem, e eram geridas por planeadores independentes. Assim, a forte interdependência entre as duas unidades tornava o alinhamento do plano de produção um desafio operacional permanente.

A complexidade inerente à coordenação entre as duas fábricas gerava ineficiências recorrentes que afetavam a fiabilidade do plano e a utilização da capacidade instalada.

Adicionalmente, a organização dispunha ainda de visibilidade reduzida sobre o impacto das alterações ao plano ao longo de toda a cadeia, o que dificultava uma resposta rápida e fundamentada a perturbações no âmbito operacional.

Transformação do planeamento da produção

Foi desenvolvida uma solução de planeamento integrado e automatizado, assente em algoritmos de otimização e lógica de sincronização entre fábricas, que elimina a necessidade de coordenação manual e gera planos fiáveis em tempo real. A plataforma de planeamento processa inputs de procura, dados do sistema e aplica três capacidades analíticas centrais:

• Lógica de sincronização para alinhar automaticamente os planos das duas fábricas;
• Roteamento com conhecimento do inventário, otimizando o fluxo de materiais em função dos stocks disponíveis;
• Otimização baseada em restrições de capacidade, setups e limitações operacionais, gerando um plano exequível para semiacabados e para customização e embalagem.

Resultados disruptivos

A implementação da solução de planeamento gerou impactos significativos na fiabilidade operacional e na eficiência dos recursos:

• Aumento de 20 pontos percentuais na taxa de fulfillment entre a produção de semiacabados e a customização e embalagem;
• Melhoria de 15 pontos percentuais na aderência ao plano de produção;
• Redução de 80% no tempo dedicado ao processo de planeamento;
• Redução de 4 dias no processo de decisão de investimento (CAPEX);
• Coordenação em tempo real entre os dois planeadores e as duas fábricas, reduzindo erros de comunicação e retrabalho.

Web Scraping com IA para I&D: monitorização inteligente de informação estratégica

A organização atua na indústria dos compósitos avançados, setor em que a vantagem competitiva assenta na inovação contínua e na capacidade de aplicar materiais sustentáveis a mercados técnicos exigentes. A mesma conta com múltiplas equipas de I&D que dependem do acesso contínuo a conhecimento externo para impulsionar a inovação. Contudo, a recolha desta informação era realizada manualmente, de forma fragmentada e não escalável, consumindo recursos significativos sem garantir uma cobertura sistemática das fontes relevantes.

O elevado volume de dados externos não estruturados, provenientes de múltiplas fontes e em diferentes idiomas, tornava a recolha manual ineficiente e incompleta. A duplicação de esforços entre equipas e a ausência de um processo normalizado de triagem agravavam este problema.

Assim, a falta de normalização e estruturação dos insights obtidos pelas diferentes equipas gerava silos de informação e reduzia a capacidade de alavancagem do conhecimento acumulado. A organização não dispunha de mecanismos eficazes para partilhar e consolidar os resultados da monitorização de forma transversal.

Adicionalmente a ausência de mecanismos sistemáticos de validação da informação recolhida colocava em risco a precisão, consistência e fiabilidade dos dados utilizados nas decisões de I&D, expondo a organização a erros baseados em fontes não verificadas.

Automatizar a monitorização de I&D

Foi desenvolvida uma solução end-to-end de web scraping com IA, assente em dois agentes inteligentes em comunicação, que automatiza a recolha, validação, estruturação e distribuição de informação estratégica para as equipas de I&D. O sistema utiliza dois agentes de IA complementares:

• Agente 1 (recolha): realiza scraping inteligente de páginas web com pré-processamento de HTML, identificação de notícias relevantes por palavras-chave e validação do conteúdo com base nos critérios definidos;
• Agente 2 (análise): procede à análise aprofundada dos artigos completos, gerando sumários executivos estruturados através de modelos de IA generativa.

Os outputs gerados são uma base de dados estruturada com as notícias e oportunidades identificadas, um relatório PDF com um sumário das descobertas relevantes gerado automaticamente, e integração com o Microsoft Teams para interação e colaboração das equipas em torno da informação recolhida.

O fluxo de trabalho é orquestrado por um “agendador” automático integrado com Power Automate, garantindo que o processo de monitorização é executado de forma contínua, sem necessidade de intervenção manual. A solução encontra-se totalmente integrada no stack tecnológico existente da organização.

Resultados obtidos

A implementação da solução de web scraping com IA gerou impactos expressivos na eficiência operacional e na capacidade de inovação das equipas de I&D:

• Monitorização automática e estruturada de mais de 300 fontes de informação;
• Redução de 150 horas semanais dedicadas à recolha e síntese de informação estratégica;
• Eliminação de tarefas sem valor acrescentado;
• Processamento de informação repetível e validado, com rastreabilidade assegurada pelos agentes de IA;
• Aceleração da inovação através da antecipação de tendências globais.

Previsão baseada em IA para o planeamento da construção

A empresa em questão é uma referência no setor da construção, especializada em unidades industriais, e enfrentava desafios para estimar com precisão a duração das tarefas nas fases de orçamentação e de planeamento inicial de projetos complexos de construção industrial.

A falta de precisão no planeamento inicial impactava diretamente os cronogramas e os custos dos projetos. Acrescendo a este desafio a existência de riscos não detetados durante as fases-chave da construção, bem como uma dificuldade em ajustar os planos em função de variáveis externas.

A abordagem para uma previsão mais precisa

Foi desenvolvida uma solução assente em modelos de IA, capaz de prever a duração das tarefas e de identificar riscos de atraso utilizando diversas fontes de dados. Entre os dados utilizados, destacam-se:

• Dados históricos de projetos: reconhecimento de padrões de duração por tipo de tarefa, localização e caraterísticas do projeto;
• Indicadores macroeconómicos e regionais: disponibilidade de mão de obra, inflação e outros fatores económicos locais relevantes;
• Histórico e previsões meteorológicas: efeitos do clima em atividades sensíveis ao tempo (por exemplo, fundações e coberturas);
• Capacidade de subcontratados e fornecedores: dados sobre promoções e descontos que aumentam a precisão da previsão.

A solução orquestrada possibilita ainda a geração automática de cronogramas de tarefas com base nas caraterísticas do projeto, a emissão de alertas em tempo real durante a execução que indicam possíveis atrasos, e a atualização contínua do modelo com recurso a dados reais da execução do projeto.

Figura 3 – Exemplo de cronograma

Resultados qualitativos obtidos

A implementação da solução de IA para a previsão e planeamento gerou impactos qualitativos relevantes na capacidade de planeamento da empresa:

• Capacidade de simulação de cenários, que permitiu um melhor planeamento de contingências e uma alocação de recursos mais eficiente;
• Visualização de riscos e acompanhamento de desvios em tempo real;
• Tomada de decisões mais rápida e mais bem fundamentada;
• Aprendizagem contínua do modelo a cada projeto, criando uma base de conhecimento em evolução constante.

Conclusão: o impacto transformador da inteligência artificial em diferentes indústrias

Este caso de estudo demonstra que a adoção de soluções de inteligência artificial e de análise avançada de dados não é um fim em si mesmo, é um meio para construir organizações mais ágeis, mais fiáveis e mais capazes de responder às exigências de um mercado em constante transformação.

A jornada para uma organização verdadeiramente orientada por dados é contínua, e é precisamente aí que o Kaizen Institute e as suas soluções digitais especializadas marcam a diferença.

Respeitamos os acordos de confidencialidade dos nossos clientes. Embora tenhamos alterado ou omitido nomes, os resultados são reais.