Existe um plano que aparece em quase toda conversa sobre inteligência artificial na indústria: sair da manutenção preventiva, chegar à preditiva e, de preferência, já apontar para a prescritiva. O plano faz sentido. A dificuldade é que ele mistura, numa frase só, duas classificações diferentes — e é nessa mistura que boa parte das decisões de investimento se perde.
De todos os dados operacionais que a indústria coleta, apenas 43% são efetivamente aproveitados. O número está na 11ª edição do State of Smart Manufacturing, da Rockwell Automation, com 1.560 respondentes em 17 países. Na edição anterior, o índice era 44%. Na retrasada, 44% também.
Três levantamentos seguidos no mesmo patamar não descrevem um atraso. Descrevem um equilíbrio — alguma coisa segura esse número no lugar enquanto tudo em volta se move. E o que se move em volta se move rápido: no mesmo relatório, apenas 18% das indústrias seguem em modo piloto, 59% já operam com tecnologia de manufatura avançada e um terço das operações (34%) já é aumentado por inteligência artificial.
A tecnologia saiu do laboratório. O aproveitamento dos dados ficou.
Este artigo trata do que esse descompasso significa na prática: em que degrau de maturidade a planta média realmente está, por que a distância até a preditiva é maior do que o discurso sugere, por que a prescritiva não é o degrau seguinte no sentido em que se costuma imaginar, e o que dá para fazer com o que já existe dentro do painel.
A escada tem quatro degraus, não dois
A conversa de mercado costuma apresentar duas categorias — reativa e preditiva — como se fossem o antes e o depois. A literatura de análise de dados trabalha com quatro, e a diferença entre elas não é de sofisticação tecnológica: é do tipo de pergunta que cada uma responde.
As quatro perguntas, uma por degrau
Análise descritiva responde o que aconteceu. É o relatório de paradas do mês, a contagem de falhas por ativo, o gráfico de temperatura da semana. Olha para trás e organiza.
Análise diagnóstica responde por que aconteceu. É a investigação depois da parada, a análise de causa raiz, o cruzamento entre o evento de falha e o que estava fora do normal naquele dia. Continua olhando para trás, mas procura mecanismo.
Análise preditiva responde o que vai acontecer, e quando. Não é detectar que um valor passou do limite — é estimar, a partir do comportamento observado, quanto tempo de vida útil resta ao componente antes que ele falhe. A pergunta muda de “está fora da faixa?” para “quanto falta?”.
Análise prescritiva responde o que fazer a respeito, e qual das opções é a melhor. Não basta saber que o rolamento tem seis semanas de vida remanescente. É preciso recomendar a ação considerando o que existe em estoque, quando há janela de parada, quanto custa parar agora contra parar depois, e qual ordem de serviço deve ser aberta primeiro.
Os quatro degraus se empilham. Não existe predição confiável sem diagnóstico consistente, nem diagnóstico sem descrição organizada. E é aqui que o indicador dos 43% começa a falar.
Onde a planta média realmente está
Se menos da metade dos dados coletados é aproveitada, e esse aproveitamento não se move há três anos, a maior parte do parque industrial opera entre o primeiro e o segundo degrau. Alarme por limiar, tendência observada no gráfico quando alguém se lembra de abrir, causa investigada depois que a linha parou.
Isso não é uma crítica à competência das equipes — é uma constatação sobre a infraestrutura de informação que elas têm à disposição.
Monitoramento por limiar é preditiva? A norma diz que sim
Aqui cabe uma precisão que costuma faltar no debate, e que a norma brasileira ajuda a fazer. Um sensor que dispara quando a vibração passa de um valor configurado está fazendo descrição em tempo real com regra de decisão fixa: ele detecta um estado, não estima um prazo. Do ponto de vista analítico, isso é o primeiro degrau, não o terceiro.
Mas — e este é o ponto — chamar isso de manutenção preditiva não contraria a NBR 5462. A norma define manutenção preditiva, que ela trata como sinônimo de manutenção controlada, como “manutenção que permite garantir uma qualidade de serviço desejada, com base na aplicação sistemática de técnicas de análise, utilizando-se de meios de supervisão centralizados ou de amostragem”. Supervisão sistemática e análise: nada na definição exige estimar vida remanescente.
A consequência prática é desconfortável. Quando um fornecedor chama monitoramento por limiar de preditiva, ele não está, tecnicamente, mentindo — está usando o termo no sentido amplo que a terminologia brasileira admite. O comprador é que precisa perguntar de qual preditiva se trata.
E a pergunta que resolve isso é simples: o sistema informa quanto tempo de vida útil resta ao componente, com que margem de erro, e com base em qual histórico? Se a resposta for uma faixa de tempo com incerteza declarada, é predição no sentido forte. Se for “ele avisa quando passa do limite”, é supervisão — útil, mais barata, e outra coisa.
Os 34% de operações aumentadas por IA não contradizem esse diagnóstico. Inteligência artificial aplicada a inspeção visual de qualidade, a detecção de intrusão em rede industrial ou a classificação de documentos é IA, e é IA que entrega valor — mas não é maturidade de manutenção. São ilhas de capacidade avançada num território que, no conjunto, ainda não organizou o básico.
Dois eixos, não um: manutenção preditiva ou prescritiva não é a mesma escada
A escada de quatro degraus da seção anterior classifica o que se consegue fazer com dados. Ela não classifica tipos de manutenção — e confundir as duas coisas é o erro que faz alguém comprar plataforma achando que está comprando estratégia.
Manutenção preditiva ou prescritiva na NBR 5462: o que a norma define
O segundo eixo é o das estratégias de manutenção, e no Brasil ele tem terminologia normalizada. A ABNT NBR 5462:1994, que trata de confiabilidade e mantenabilidade, define no item 2.8 — e vale registrar que essa edição de 1994 segue sendo a vigente, sem revisão em mais de três décadas, o que por si só diz algo sobre o descompasso entre a terminologia normalizada e a prática atual:
Manutenção corretiva (2.8.8): “manutenção efetuada após a ocorrência de uma pane destinada a recolocar um item em condições de executar uma função requerida”.
Manutenção preventiva (2.8.7): “manutenção efetuada em intervalos predeterminados, ou de acordo com critérios prescritos, destinada a reduzir a probabilidade de falha ou a degradação do funcionamento de um item”.
Manutenção preditiva, tratada como sinônimo de manutenção controlada (2.8.9): baseada na aplicação sistemática de técnicas de análise com meios de supervisão centralizados ou de amostragem.
A norma ainda separa manutenção programada (2.8.10), preventiva executada conforme programa preestabelecido, de manutenção não-programada (2.8.11), feita depois da recepção de uma informação sobre o estado do item.
Duas observações sobre essa lista. A primeira: não existe manutenção prescritiva na NBR 5462 — a norma é de 1994, e o conceito é posterior. A segunda: a corretiva, pela definição normativa, é sempre posterior à pane. Não há, na norma, a figura da “corretiva planejada”.
Onde a corretiva realmente entra
Ela entra nos dois extremos do parque, e por razões opostas.
Como consequência. A corretiva não planejada — a quebra que surpreendeu todo mundo — é o que sobra quando não há estratégia. É o modo padrão de operação de quem não tem histórico, não tem plano e não tem condição de antecipar nada. Essa é a corretiva que custa caro: hora extra, parada de produção não programada, peça comprada em regime de urgência, e o dano colateral de um conserto feito sob pressão.
Como decisão. Deixar falhar de propósito é estratégia legítima, e uma planta madura tem uma parcela do parque exatamente aí. A prática vem da metodologia de manutenção centrada em confiabilidade, onde “operar até a falha” é uma das políticas possíveis quando o custo de monitorar excede o custo de deixar quebrar. Um motor de exaustor redundante de 0,5 cv, com peça no almoxarifado e troca de vinte minutos, não justifica instrumentação. Monitorá-lo não é maturidade — é desperdício com aparência de sofisticação.
A diferença entre as duas não está no evento, que é o mesmo: o equipamento parou. Está em existir ou não uma decisão anterior documentada, com criticidade avaliada, peça dimensionada e tempo de reparo conhecido. A primeira é ausência de gestão. A segunda é gestão.
Como um eixo habilita o outro
Aqui os dois se encontram, e essa é a relação que interessa.
A maturidade analítica não é um objetivo em si. Ela determina quais estratégias de manutenção a planta tem condição de operar:
Com análise descritiva apenas, é possível operar corretiva e preventiva por calendário. Nada além — não há base para decidir por condição.
Com análise diagnóstica, a preventiva passa a ser ajustável: sabendo por que os ativos falham, dá para espaçar intervalos onde eles são conservadores demais e apertá-los onde não são suficientes. É onde mora o ganho mais subestimado da indústria brasileira, porque não exige investimento novo — exige ler o que já se tem.
Com análise preditiva de verdade, com estimativa de tempo restante, a manutenção baseada em condição deixa de ser alarme e passa a ser planejamento.
Com análise prescritiva, a decisão de qual estratégia aplicar a qual ativo deixa de ser anual e passa a ser contínua, recalculada conforme estoque, janela e criticidade mudam.
Por que instalar sensor não muda a estratégia
O que isso significa na prática: instalar sensor não muda a estratégia de manutenção de um ativo se a análise não acompanhar. A planta continua operando corretiva e preventiva por calendário, agora com um painel bonito em cima. É exatamente o que o indicador dos 43% descreve.
E a leitura inversa também vale, e é a mais libertadora: uma planta no segundo degrau analítico pode ter uma estratégia de manutenção excelente — preventiva bem calibrada nos ativos críticos, corretiva deliberada nos periféricos, e a justificativa de cada escolha escrita em algum lugar. Isso é maturidade de gestão, e não depende de inteligência artificial nenhuma.
O recorte brasileiro: a camada barata e a camada cara
Do outro lado da mesma estatística está o levantamento TIC Empresas, do Cetic.br, ligado ao NIC.br. O uso de inteligência artificial nas empresas brasileiras passou de 13% para 17% em um ano. A leitura por porte é a que interessa: 50% entre as grandes, 15% entre as pequenas. E 80% de quem adota faz isso por software pronto, contratado de fora.
Combinados, os dois levantamentos descrevem uma assimetria específica, e ela explica o equilíbrio que trava o indicador.
A camada de inteligência artificial está barateando rápido, porque é software — e software vem embalado, licenciado por mês, instalado numa tarde. A camada que sustenta essa primeira não barateou nada: histórico limpo, tag consistente entre sistemas, ponto de medição documentado, unidade padronizada, e um critério de falha que duas pessoas da mesma equipe escreveriam do mesmo jeito. Isso continua sendo trabalho de engenharia, feito máquina a máquina, sem atalho de licença.
Quando a camada de cima fica acessível e a de baixo não, o resultado previsível é o que os números mostram: adoção de ferramenta crescendo enquanto aproveitamento de dado fica parado. Compra-se o andar de cima de um prédio cuja fundação ninguém executou.
O que o parque já registra — e por que quase nada disso sai do painel
A parte contraintuitiva dessa história é que o dado bruto raramente falta. Ele existe, e existe em quantidade.
Um inversor de frequência registra corrente de saída, frequência aplicada, torque estimado, tensão do barramento CC, temperatura do dissipador, contagem de eventos de falha com código, horas de operação e número de partidas. Alguns modelos guardam um registro cronológico dos últimos alarmes com carimbo de tempo.
Um CLP carrega tempo de ciclo por estação, estado de intertravamento, contagem de peças, tempo de espera entre etapas, histórico de alarmes e — em muitas instalações — a própria variável de processo que o operador acompanha na IHM.
Uma rota de termografia é, tecnicamente, uma série temporal de temperatura por ponto de medição. Ela costuma ser entregue como relatório em PDF, com fotos e um parecer, o que a transforma em documento e a desqualifica como dado.
Análise de óleo, medição de vibração, registros de energia seguem o mesmo padrão: geram números com data, ponto e unidade, e terminam arquivados em formato que nenhum sistema lê.
O destino comum de quase tudo isso é o painel. O dado fica no equipamento, é sobrescrito quando o buffer circular dá a volta, ou vira uma foto anexada a uma ordem de serviço que ninguém abre de novo. Não é que a planta não meça. É que a planta mede e não guarda de forma recuperável.
O buffer circular: o dado que existiu e não existe mais
Há um detalhe técnico que costuma passar despercebido e custa caro: a maioria dos buffers de evento em drives e controladores é circular e curta. Um equipamento que registra os últimos vinte eventos de falha perde o vigésimo primeiro. Se o histórico só é consultado depois da quebra, a janela que interessava — as semanas anteriores — já foi sobrescrita. O dado existiu e não existe mais.
Por que o salto direto para a preditiva trava
Um modelo de detecção de anomalia não aprende com o registro de que o equipamento quebrou. Ele aprende com o que foi medido antes da quebra, no mesmo ponto, na mesma unidade, ao longo de meses, com a falha rotulada de forma consistente.
Isso significa que uma base de quatrocentas ordens de serviço com a descrição “quebrou motor da esteira 3” não é matéria-prima para predição. É contagem. Para estimar vida remanescente é preciso saber o que a esteira 3 estava fazendo nas semanas anteriores àquela quebra — e ter a mesma informação para as outras vezes em que ela quebrou, medida do mesmo jeito.
Sem esse lastro, o algoritmo faz o que algoritmo faz: encontra padrão no ruído e devolve alarme que a equipe aprende a ignorar em três semanas. E o passivo aí não é o investimento perdido. É a confiança perdida na ferramenta seguinte — a segunda tentativa, mesmo bem fundamentada, encontra uma equipe que já viu esse filme.
Três condições que separam base de dados de base treinável
Três condições mínimas separam uma base de dados de uma base treinável:
Histórico com profundidade suficiente para conter falhas. O modelo precisa ter visto o fenômeno acontecer. Quantas vezes depende do ativo e do modo de falha, mas a ordem de grandeza é de meses a anos de medição contínua, não de semanas.
Consistência de ponto e unidade. A mesma variável medida sempre no mesmo lugar, na mesma escala. Temperatura de mancal coletada ora pela termografia, ora pelo sensor embarcado, ora estimada pelo drive, são três séries diferentes disfarçadas de uma.
Rótulo de falha inequívoco. O que conta como falha precisa estar definido de modo que duas pessoas da equipe classifiquem o mesmo evento da mesma forma. Parada por quebra, parada por ajuste e parada programada não podem estar na mesma coluna.
Nenhuma das três se resolve com compra. Todas se resolvem com trabalho de engenharia e decisão de padronização.
A prescritiva é mais distante do que parece — e por outro motivo
Aqui está o ponto que a escada de quatro degraus esconde quando é apresentada como uma escada.
A passagem da descritiva para a preditiva é um problema de dados. Mais histórico, mais consistência, mais rótulo — difícil, custoso, mas de natureza técnica conhecida.
A passagem da preditiva para a prescritiva é de outra natureza. Ela exige que a predição funcione, sim, mas o gargalo se desloca: passa a ser a integração com quem decide e com quem planeja. Uma recomendação prescritiva precisa saber se existe peça em estoque, quando há janela de parada disponível, quanto custa a hora parada daquela linha, qual a carteira de produção comprometida, e quantas outras recomendações estão competindo pelo mesmo time de manutenção na mesma semana.
Isso significa conversar com o CMMS, com o PCP, com compras — e significa que alguém precisa ter autoridade para deixar o sistema recomendar, e depois para seguir a recomendação. É por isso que empresas com preditiva rodando bem em alguns ativos travam anos antes de chegar à prescritiva: o obstáculo deixou de ser o algoritmo e passou a ser organizacional.
Quem pula da descritiva direto para uma promessa prescritiva está comprando um sistema de recomendação que não tem nem a predição para se apoiar, nem a integração para ser obedecido.
Onde a IA generativa entra — e onde ela confunde
Vale nomear uma confusão que ficou comum a partir de 2025 e se intensificou em 2026.
Assistentes baseados em modelos de linguagem entregam algo que parece prescritivo. Leem o manual do equipamento, cruzam com a descrição do problema, sugerem o procedimento, redigem o plano de manutenção, resumem o histórico de ordens de serviço em linguagem natural. Para uma equipe pequena, isso economiza horas reais e reduz dependência de conhecimento que hoje está na cabeça de uma pessoa só.
Mas é prescrição a partir de documentação, não a partir do estado daquele ativo. O assistente sabe o que o fabricante recomenda para aquela família de equipamento. Ele não sabe como esse equipamento específico vem se comportando, porque essa informação continua dentro do painel.
As duas coisas são complementares e não se substituem. Confundi-las produz a impressão de maturidade que o indicador dos 43% desmente — e o fornecedor não vai fazer essa distinção espontaneamente, porque a distinção não ajuda a vender.
A ordem que funciona
A assimetria é reversível, e a ordem importa mais do que a velocidade.
Primeiro: extrair o que o parque já registra
Antes de comprar sensor novo, levantar o que os equipamentos instalados já medem e não entregam. A maioria dos drives e controladores em operação tem porta de comunicação e mapa de registradores documentado no manual do fabricante. É trabalho de engenharia de automação, não de compra de hardware, e costuma render mais dado do que a instalação de uma camada nova de sensoriamento.
Segundo: padronizar o mínimo
Quatro definições resolvem a maior parte do problema: nome do ativo (uma nomenclatura, usada por todos os sistemas), ponto de medição (onde exatamente), unidade (qual escala, sem conversão implícita), e critério de parada (o que conta como falha, escrito de forma que não admita duas leituras). Padronização não é projeto de TI — é decisão de engenharia registrada em documento.
Quem quiser apoio normativo para essa etapa tem onde se apoiar: a norma ISO 14224 trata especificamente de coleta e intercâmbio de dados de confiabilidade e manutenção de equipamentos, com taxonomia de ativos e estrutura de registro de falhas — está na 3ª edição, de 2016, e foi confirmada como vigente em 2022. Ela nasceu para petróleo, gás e petroquímica, e esse é o escopo declarado — mas a lógica de taxonomia e de registro de evento é transponível, e é mais barato adaptar uma estrutura existente do que inventar uma do zero.
Terceiro: medir com continuidade
Um histórico de seis meses consistente vale mais que dois anos de registro irregular. É a fase mais ingrata, porque não produz resultado visível, e é a que determina se as fases seguintes existem. O mesmo raciocínio vale fora da manutenção: decidir um investimento em climatização também começa por medir a variável certa antes de escolher a solução.
Só então: com que antecedência prever
A antecedência útil é uma especificação de projeto, não um resultado do modelo. Prever uma falha com duas horas de antecedência não serve para quem precisa de três dias para receber a peça. Portanto, quem define esse prazo é a logística de manutenção da planta — e ele entra no escopo antes de qualquer contratação.
Um critério honesto de autoavaliação
Para situar a própria operação na escada, sem depender do que um fornecedor diga, três perguntas bastam:
Se o histórico de medição de um ativo qualquer for solicitado agora, em quanto tempo ele chega — e em que formato? Se a resposta envolve alguém ir até o painel, ou abrir uma pasta de PDFs, a operação está no primeiro degrau.
Quando um equipamento falha, é possível reconstruir o que ele estava fazendo nas semanas anteriores? Se sim, existe diagnóstico. Se não, a preditiva não tem de onde partir, independentemente de qual software esteja instalado.
Alguma decisão de manutenção da última semana foi tomada com base numa estimativa de tempo restante, e não numa data de calendário ou num alarme? Se não, a operação não está fazendo predição — seja qual for o nome no contrato.
São perguntas desconfortáveis de propósito. Responder honestamente a elas economiza mais dinheiro que qualquer piloto.
O degrau que interessa
O leitor que se reconhece no segundo degrau não está atrasado por não ter inteligência artificial em produção. Está no mesmo lugar que a maior parte do parque industrial de dezessete países — e, ao contrário de boa parte dele, sabe disso.
A vantagem competitiva nos próximos anos não vai para quem comprou o modelo mais sofisticado. Vai para quem tem histórico que preste. O modelo é mercadoria: fica melhor e mais barato a cada ano, para todo mundo, ao mesmo tempo. O histórico de seis anos de medição consistente do seu parque não está à venda, não pode ser copiado por um concorrente e não fica obsoleto quando sai a versão seguinte do algoritmo.
Por isso a pergunta prática não é se a próxima etapa é preditiva ou prescritiva. É o que está sendo medido hoje que ainda vai existir daqui a três anos, e em que formato.
É nesse trecho do caminho que a Integratech Engenharia atua: extração do que o parque já registra, padronização da base e especificação do que faz sentido prever — antes de qualquer decisão de plataforma.
Fontes
- Rockwell Automation — State of Smart Manufacturing Report, 11ª edição, release oficial de 19/05/2026; 1.560 respondentes em 17 países. Indicadores de aproveitamento de dados (43%), adoção de smart manufacturing (59%), operações em piloto (18%) e operações aumentadas por IA (34%).
- Cetic.br | NIC.br — TIC Empresas 2025, 16ª edição. Uso de IA nas empresas brasileiras (13% → 17%), recorte por porte (50% grandes / 15% pequenas) e forma de adoção (80% por software pronto).
- ABNT NBR 5462:1994 — Confiabilidade e mantenabilidade. Definições de manutenção (2.8.1), preventiva (2.8.7), corretiva (2.8.8), preditiva/controlada (2.8.9), programada (2.8.10) e não-programada (2.8.11), citadas literalmente. Edição confirmada como a única constante do catálogo oficial da ABNT em consulta de 16/09/2026 — não há edição posterior.
- ISO 14224:2016 — Petroleum, petrochemical and natural gas industries — Collection and exchange of reliability and maintenance data for equipment, 3ª edição (set/2016), status “published”, confirmada em revisão sistemática em fev/2022. Escopo declarado: indústrias de petróleo, petroquímica e gás natural.
Nota de método: os dois levantamentos quantitativos citados não abrem recorte específico de maturidade de manutenção. Por isso, a leitura de posicionamento na escada analítica apresentada neste artigo é uma inferência a partir do indicador de aproveitamento de dados, e está identificada como leitura, não como estatística medida. Vale registrar também que a escada de maturidade analítica (descritiva, diagnóstica, preditiva, prescritiva) é um modelo consolidado na literatura de análise de dados e não consta de norma técnica brasileira; já a terminologia de estratégias de manutenção é a da NBR 5462, citada literalmente. Por fim, a política de operar até a falha como escolha deliberada é prática de manutenção centrada em confiabilidade, não figura normativa da NBR 5462.
Sobre o autor
Eng. Luciano Lopes — Engenheiro mecânico, CREA-SP 5071264215. Responsável técnico pelos laudos e projetos que assina, com ART registrada. Atua em automação industrial, climatização evaporativa e adequação à NR-12 pela Integratech Engenharia, em Campinas e região.