Contexto
Uma fábrica de cabos elétricos, onde fui responsável de Melhoria Contínua. As linhas de extrusão geram, em cada produção, relatórios de qualidade com as medidas do cabo: diâmetros, espessuras, excentricidades e ovalidades. Os equipamentos que controlam o consumo de material geram também os seus próprios relatórios.
O problema
Os relatórios eram guardados, mas quase ninguém os analisava, a não ser depois de um defeito grave ou de uma reclamação. Os dados existiam. Faltava lê-los e transformá-los em informação a tempo de agir.
Havia ainda um obstáculo prévio: a forma como os relatórios eram gerados não os ligava de forma consistente à ordem de fabrico. Sem essa ligação, não havia análise possível por produto, por ordem ou ao longo do tempo.
O que foi feito
Passo zero, sem IA: instruções de trabalho para que cada relatório ficasse ligado à sua ordem de fabrico, preenchendo campos que as próprias máquinas já tinham.
Ferramenta de qualidade dimensional. Segue este fluxo:
- O relatório chega a uma pasta partilhada, já ligado à ordem de fabrico.
- A ferramenta deteta sozinha o ficheiro novo.
- Identifica a estrutura, trata os cabeçalhos e normaliza os dados.
- Calcula médias móveis, desvio padrão e Cp/Cpk.
- Compara com os limites de cada variável e classifica a produção: conforme, alerta de sobreconsumo ou não conforme.
- Atualiza os indicadores e emite um alerta quando algo precisa de atenção.
Ferramenta de consumo de material. Com a mesma lógica, compara o consumo teórico de material com o real em cada máquina, calcula o giveaway (material a mais por peça), a quantidade, o tempo e o custo das purgas, e mostra num Pareto onde estão as maiores perdas.
As duas foram desenvolvidas com apoio de IA (Lovable e Claude Code), que ajudou a estruturar as aplicações, a escrever e adaptar o código e a resolver problemas técnicos. Não há modelos de aprendizagem automática nem decisões automáticas: as ferramentas aplicam regras e limites definidos a partir do processo. O problema, os indicadores, os limites e os critérios de alerta vieram de quem conhece o processo.
O resultado
Ficaram desenvolvidas e funcionais duas ferramentas que tratam sozinhas os dados de qualidade e de consumo das linhas de extrusão e emitem alertas: com elas, ninguém precisa de abrir um relatório para saber se há um problema.
No fim do meu trabalho na fábrica, a utilização corrente dependia de dois passos da própria organização, e não da tecnologia: introduzir no sistema os limites de cada variável, que cabe à equipa de desenvolvimento do produto definir, e encaminhar automaticamente os relatórios das máquinas para a pasta de entrada.
O que a equipa aprendeu
A IA encurta muito o tempo entre a ideia e a ferramenta. Mas o que decide se a ferramenta serve para alguma coisa continua a ser quem conhece o processo: que variáveis importam, que limites usar, quando um desvio merece um alerta.
Antes de qualquer IA, os dados têm de estar arrumados e ligados ao que interessa. Neste caso, o passo mais importante foi o primeiro, e não teve IA nenhuma. E o último também não: uma ferramenta pronta só entra no dia a dia quando a organização decide quem define os limites, quem recebe os alertas e o que se faz com eles. É por isso que, nos projetos de dados, combino desde o início quem é o dono de cada uma destas peças.