Lean nos ensinou algo que continua extremamente atual: antes de melhorar um processo, precisamos compreender como ele realmente é hoje
Há alguns anos, falar em inteligência artificial na indústria parecia, para muitas empresas, uma conversa sobre o futuro. Hoje, já não é.
A IA chegou às organizações, aos escritórios, aos processos de engenharia e, cada vez mais, ao chão de fábrica. Está sendo utilizada para análise de dados, manutenção preditiva, inspeção de qualidade, planejamento, otimização de processos e apoio à tomada de decisão.
Existem perguntas que considero mais importantes do que simplesmente perguntar se uma indústria deve usar IA: “Qual problema do nosso processo queremos resolver? A IA é realmente a melhor maneira de resolvê-lo?”. Essas questões são fundamentais, pois nem toda tecnologia é melhoria.
Lean nos ensinou algo que continua extremamente atual: antes de melhorar um processo, precisamos compreender como ele realmente é hoje. Se existe desperdício, precisamos entender sua causa. Se existe variabilidade, precisamos conhecê-la. Se existe um gargalo, precisamos enxergá-lo. IA não muda essa maneira de pensar.
Uma empresa pode colocar inteligência artificial sobre um processo mal definido, alimentá-la com dados inconsistentes e, depois, obter uma resposta extremamente sofisticada para o problema errado. Gosto muito da frase que há no livro "Quatro Tipos de Problemas", de Art Smalley, em que ele cita: “Um problema bem definido é um problema quase resolvido”.
Se não entendermos claramente qual é o nosso problema, teremos apenas um desperdício automatizado. Essa talvez seja uma das maiores armadilhas da IA na manufatura: acreditar que uma tecnologia mais avançada necessariamente produz uma operação melhor. Não produz!
A IA pode otimizar aquilo que foi colocado diante dela. Mas, se a pergunta estiver errada, se os dados forem inadequados ou se o processo tiver sido mal compreendido, podemos apenas chegar mais rapidamente a uma conclusão equivocada.
Continua depois da publicidade |
O Nist, referência internacional em tecnologia e manufatura, vem destacando justamente desafios como a qualidade e a gestão dos dados, a integração com sistemas industriais e a necessidade de sistemas de IA confiáveis. Gosto de falar que, muitas vezes, temos um “bando” de dados e não um banco de dados.
O uso da IA em determinadas aplicações industriais pode gerar um valor enorme. Imagine, por exemplo, uma operação na qual milhares de variáveis são monitoradas continuamente e existe uma relação complexa entre parâmetros de processo, qualidade e produtividade. Ou uma situação na qual determinados padrões precedem uma falha de equipamento, mas são difíceis de identificar por análise humana. Nesses casos, a capacidade da IA de encontrar padrões em grandes volumes de dados pode ser muito útil.
Mas isso não significa que todas as empresas devam começar pelo mesmo caminho. Uma indústria com processos pouco estabilizados, dados pouco confiáveis e baixa disciplina operacional pode ter problemas muito mais básicos para resolver antes de investir em modelos sofisticados. Ou seja, antes de sofisticar o processo, precisamos saber se ele está sob controle.
A IA não deveria ser uma obrigação tecnológica, mas, sim, uma ferramenta de negócio e de operação, utilizada quando existe um problema ou uma oportunidade cujo tratamento por IA faça sentido.
A maturidade para usar IA é mais importante do que a própria IA. Para mim, um dos pontos mais importantes dessa discussão é que a implantação de IA é muito menos tecnológica do que parece. Ela é, em grande parte, uma questão de gestão.
Uma organização precisa ter clareza sobre o problema que pretende resolver, indicadores capazes de medir o resultado, dados minimamente confiáveis, conhecimento sobre o processo e pessoas preparadas para interpretar e questionar os resultados.
E isso é extremamente compatível com a gestão Lean. Pois não basta perguntar se o algoritmo funciona, mas, sim: funciona para quê? Melhora qual indicador? Quem é responsável por validar a decisão?
Existe outro aspecto que merece atenção. Os modelos de IA, especialmente os modelos generativos, podem produzir respostas muito convincentes. Às vezes, uma resposta bem escrita parece mais confiável simplesmente porque é bem escrita. E aí é que mora o perigo!
Existe uma preocupação crescente com comportamentos de sistemas de IA que podem privilegiar a concordância com o usuário, o chamado sycophancy, ou “bajulação de IA”. E, se não temos conhecimento sobre o assunto e nem vivenciamos o gemba, podemos facilmente acreditar no que nos foi colocado pela IA.
Para uma indústria orientada pelo Lean, isso é particularmente interessante. Imagine um gestor dizendo: “Tenho certeza de que o nosso principal problema é a manutenção. Analise os dados e confirme.”
Se a IA estiver excessivamente orientada a concordar, ela poderá construir uma argumentação extremamente convincente para confirmar uma hipótese que talvez esteja errada.
Mas o pensamento Lean deveria fazer exatamente o contrário. Lean nos ensina a questionar, a observar o processo, a ir ao gemba, perguntar “por quê?”, procurar a causa raiz e confrontar hipóteses com fatos.
Portanto, uma boa IA industrial não deveria ser aquela que simplesmente concorda conosco. Deveria ser aquela que nos ajuda a pensar. A IA pode sugerir uma hipótese, encontrar uma correlação, identificar uma anomalia, recomendar uma ação, mas nós precisamos saber analisar para validar se o que está nos sendo apresentado condiz com a realidade. Especialmente em processos críticos, precisamos manter mecanismos humanos de validação e responsabilidade.
Essa resposta não é tão simples, mas irei colocar meu ponto de vista. Em uma gestão Lean, isso nunca significou preservar todas as atividades humanas exatamente como elas são. Se uma tecnologia elimina uma atividade repetitiva, perigosa, insalubre ou sem valor agregado, ela pode liberar uma pessoa para realizar um trabalho de maior valor.
Vou tentar exemplificar: imagine um operador que passa parte do turno registrando manualmente informações que poderiam ser coletadas automaticamente. Eliminar essa tarefa pode ser extremamente positivo, pois poderei utilizar um potencial intelectual maior dessa pessoa. Mas imagine uma organização que substitui profissionais experientes por sistemas de IA sem criar mecanismos para preservar o conhecimento, desenvolver novas competências e manter a capacidade humana de identificar situações anormais. O conhecimento do gemba, de como as coisas realmente funcionam, continua valendo. O que a indústria não deveria esquecer na corrida pela IA é que o processo físico continua sendo físico.
Uma planta industrial tem máquinas, matérias-primas, temperaturas, pressões, velocidades, desgaste, vibração, operadores, manutenção, variabilidade e situações que nem sempre aparecem perfeitamente representadas nos bancos de dados. Existe o conhecimento tácito, a experiência e a percepção.
A IA pode ampliar esse conhecimento, cruzar informações que uma pessoa não conseguiria processar sozinha e apoiar decisões, mas isso não significa que o conhecimento humano perdeu valor. Em muitos casos, significa justamente o contrário. O futuro da manufatura pode ser menos sobre humano versus máquina e mais sobre humano + máquina.
Uma organização que deseja utilizar IA na produção precisa de uma liderança que não seja apenas entusiasta da tecnologia. Precisa de uma liderança curiosa, crítica e disciplinada.
E existe uma pergunta ainda mais importante: estamos desenvolvendo IA para tornar a organização mais inteligente ou estamos simplesmente transferindo decisões para uma tecnologia que poucas pessoas entendem? A diferença entre as duas coisas pode determinar o sucesso ou o fracasso da transformação.
Segundo a Pesquisa de Inovação Semestral do IBGE (Pintec), entre 2022 e 2024, o percentual de empresas industriais com 100 ou mais pessoas ocupadas que utilizavam inteligência artificial passou de 16,9% para 41,9%. Entre as tecnologias digitais avançadas pesquisadas, a IA foi justamente aquela que apresentou o maior crescimento no período.
Mas é importante interpretar o número corretamente, pois esse dado não significa que 41,9% das empresas estejam utilizando IA para controlar diretamente seus processos produtivos. A pesquisa mostra que, entre as empresas que utilizavam IA em alguma área ou função, 52% a utilizavam na área de produção em 2024. Administração e comercialização apresentavam percentuais maiores.
Ou seja, a IA já está presente na indústria brasileira, mas ainda existe um enorme espaço para amadurecimento de sua aplicação especificamente na manufatura.
Não estamos mais discutindo se a IA vai chegar à indústria: ela já chegou. Agora, precisamos discutir se saberemos utilizá-la bem.
No fundo, vejo IA e Lean como duas forças que podem se complementar muito bem. A tecnologia pode potencializar uma cultura de melhoria contínua, desde que não seja utilizada para substituir o pensamento crítico que sustenta essa cultura. Porque uma indústria realmente inteligente não é aquela que toma decisões sem pessoas; é aquela que consegue combinar dados, tecnologia, conhecimento do processo, experiência humana e pensamento crítico para tomar decisões melhores.
Então, a reflexão que gostaria de trazer é: “Onde a IA pode nos ajudar a enxergar melhor, aprender mais rápido e eliminar desperdícios sem perder aquilo que torna nossa organização capaz de pensar?”
Essa, para mim, é a conversa que vale a pena termos agora.
*Imagem de capa: Depositphotos.com
Iris Cristina Pierini Bonfanti
Head para Indústrias de Processos do Lean Institute Brasil (LIB)
Conceitos, práticas e a jornada lean sob a ótica dos heads do Lean Institute Brasil especializados no setor industrial
