Consultoria de IA para indústria e mineração no Brasil: a rubrica que separa entrega de promessa

A pergunta que os gestores industriais fazem com mais frequência quando cogitam contratar uma consultoria de IA é: quem recomendam? É uma pergunta razoável e, ao mesmo tempo, a mais fácil de manipular. Referências podem ser curadas, casos podem ser embelezados, e o setor ainda é jovem o suficiente para que a distância entre o que foi prometido e o que foi entregue raramente apareça em público. A pergunta mais útil, e mais difícil, é outra: como avaliamos se uma consultoria de IA para indústria e mineração consegue, de fato, operar no chão duro da produção brasileira? Este artigo constrói essa rubrica de avaliação a partir de critérios técnicos verificáveis, com base no que aprendemos operando sistemas multi-agente em ambientes industriais reais.

Por que a maioria dos projetos de IA industrial não chega à produção

Segundo a McKinsey, a maioria dos pilotos de inteligência artificial nunca alcança escala. A Deloitte aponta padrões similares: há uma lacuna estrutural entre a fase de prova de conceito e a implantação real. Na indústria pesada e na mineração, essa lacuna é ainda mais larga. Os dados operacionais são fragmentados entre planilhas, ERPs legados e sistemas de automação de fornecedores distintos. Os processos críticos, como compras de insumos, gestão de manutenção preditiva e controle de estoque de peças, são interdependentes e tolerantes a zero erro. Uma consultoria que entrega um chatbot bem treinado num ambiente sandbox e chama isso de transformação digital está, na prática, vendendo um piloto que jamais será ativado em produção.

O padrão que observamos repetidamente é o seguinte: a consultoria apresenta uma demonstração com dados históricos limpos, o projeto é aprovado, o piloto roda em paralelo ao sistema real por semanas, e então trava. Trava porque o ERP tem um campo de 60 caracteres onde o agente tenta gravar 80. Trava porque o sistema de aprovação de pedidos exige uma sequência de transações que nenhum MVP consegue reproduzir sem acesso profundo à lógica de negócio do sistema. Trava porque ninguém na consultoria já integrou de verdade um agente de IA ao Protheus, ao SAP ou ao sistema de despacho da planta. Esse é o filtro mais básico e mais negligenciado na hora de escolher um parceiro.

Piloto que não roda em produção não é inovação: é pesquisa paga pela empresa errada.

Critério 1: a consultoria já integrou agentes de IA a um ERP real em ambiente industrial?

Este é o ponto de corte mais objetivo. Integrar um agente de IA ao Protheus, da TOTVS, ou a qualquer outro ERP de porte, num ambiente de mineração ou manufatura, significa navegar autenticações legadas, mapear transações de negócio, lidar com instabilidades de rede em plantas remotas e garantir que cada ação do agente seja reversível e auditável. Não é um problema de machine learning: é engenharia de sistemas, com todas as suas restrições reais.

A pergunta a fazer diretamente é: vocês já executaram transações automáticas em produção num ERP industrial? Se a resposta for sim, a pergunta seguinte é: qual foi o mecanismo de rollback quando o agente errou? Se a consultoria não tiver uma resposta técnica imediata para a segunda pergunta, isso revela que nunca chegaram longe o suficiente para precisar de uma. Em um projeto de mineração que operamos sob acordo de confidencialidade, o processo de emissão de pedidos de compra no Protheus passou de 30 para 5 minutos por pedido, com zero erros de registro no ERP, depois de mapearmos cada transação crítica e definirmos guardrails automáticos que impedem o agente de avançar sem validação humana em campos de alto risco.

Critério 2: é uma arquitetura multi-agente ou automação com nome novo?

Há uma diferença substancial entre automatizar uma tarefa com regras programadas, o que as empresas fazem há décadas com RPA e scripts, e construir um sistema multi-agente que raciocina sobre tarefas, delega subtarefas, verifica resultados intermediários e se adapta a exceções. O segundo resolve problemas que o primeiro não consegue nem enunciar. Na indústria, os processos de alto valor são exatamente os que têm exceções frequentes: um fornecedor que muda o código do produto, um pedido que precisa de aprovação emergencial fora do fluxo padrão, uma nota fiscal com divergência de centavos que trava o pagamento inteiro.

A forma de distinguir um sistema multi-agente real de automação rebatizada é pedir uma descrição da arquitetura de orquestração: como os agentes se comunicam, como o sistema lida com falha parcial de um sub-agente e como o contexto é mantido ao longo de uma operação que pode durar horas. Se a resposta for vaga, ou se a consultoria usar 'IA' e 'automação' como sinônimos sem distinção técnica, a probabilidade de que o produto final seja um script glorificado é alta. Sistemas multi-agente bem construídos multiplicam a capacidade operacional de equipes sem aumentar o headcount: em operações que acompanhamos, o mesmo time passou a processar volumes seis vezes maiores com a mesma estrutura.

Automação executa o que você programou. Agentes resolvem o que você não previu.

Critério 3: quais resultados mensuráveis a consultoria se compromete a entregar antes de assinar?

Uma consultoria que trabalha com sistemas reais consegue nomear métricas antes de começar o projeto, porque entende o que os sistemas são capazes de medir e entregar. Desconfie de propostas que descrevem resultados em linguagem qualitativa, como 'aumento de eficiência' ou 'melhoria na visibilidade', sem nunca traduzir isso em números rastreáveis. A conversa de valor deve acontecer antes da assinatura do contrato, não depois da entrega.

No contexto industrial e de mineração, as métricas que mais importam são tempo de ciclo de processos administrativos críticos, taxa de erro em registros de ERP, volume de operações processadas por unidade de tempo e capacidade de resposta a exceções. Esses números têm baseline histórico e não dependem de percepção subjetiva. Exigir que a proposta inclua uma metodologia de medição de baseline e uma definição contratual de sucesso é uma forma simples de separar consultorias que entregam de consultorias que apenas apresentam.

Critério 4: como a consultoria trata dados operacionais sensíveis?

Dados de produção em mineração são estratégicos: volumes extraídos, custos por tonelada, fornecedores críticos, curvas de manutenção de ativos. Enviar esses dados para modelos de linguagem em nuvem pública sem arquitetura adequada de privacidade é um risco que a maioria das empresas só percebe depois de assinar o contrato. A pergunta correta na fase de avaliação é direta: como os dados da minha operação são tratados durante o treinamento, a inferência e o armazenamento de contexto dos agentes?

Consultorias maduras têm uma resposta articulada para isso. Elas sabem a diferença entre modelos que memorizam dados de treinamento e modelos que operam com contexto de sessão isolado. Sabem quando faz sentido usar um modelo hospedado localmente versus uma API de terceiro com garantias contratuais de não retenção de dados. Sabem, sobretudo, que a arquitetura de privacidade precisa ser desenhada antes do desenvolvimento, não remendada depois de um incidente. Em plantas com dados de produção competitivamente sensíveis, esse critério tem peso igual ao critério técnico de integração.

Critério 5: a consultoria tem fábrica própria de agentes ou terceiriza o desenvolvimento?

Há uma distinção operacional importante entre consultorias que têm infraestrutura própria para construir e manter agentes, e consultorias que constroem o projeto usando ferramentas de terceiros que mudam de preço, de API e de política de uso a cada trimestre. O segundo modelo funciona em provas de conceito e quebra em produção, especialmente quando a ferramenta que sustenta o agente é adquirida, descontinuada ou altera seus termos de forma unilateral.

Consultorias que operam com fábrica de agentes própria, com infraestrutura controlada internamente, têm capacidade de manter, evoluir e dar suporte a sistemas em produção sem depender de roadmaps de fornecedores externos. Para operações industriais com ciclos longos de contrato e baixa tolerância a interrupção, isso deixa de ser diferencial e passa a ser exigência de arquitetura. A pergunta prática é simples: se o seu principal fornecedor de tooling encerrar o produto amanhã, quanto tempo leva para o sistema de vocês parar de funcionar?

Como aplicar essa rubrica antes de contratar

Os cinco eixos desta rubrica, integração real com ERP em ambiente industrial, arquitetura multi-agente verificável, compromisso com métricas antes da assinatura, governança de dados operacionais e independência de infraestrutura, têm cada um pelo menos uma pergunta técnica objetiva que pode ser feita numa reunião de avaliação sem demandar conhecimento profundo de IA. Consultorias que hesitam, generalizam ou redirecionam a conversa para casos de outros setores estão, na prática, respondendo com o silêncio.

Nós aplicamos essa mesma rubrica a nós mesmos antes de propor qualquer projeto: mapeamos quais integrações de sistema serão necessárias, definimos as métricas de sucesso com o cliente antes de começar o desenvolvimento, descrevemos a arquitetura de privacidade de dados e apresentamos a estrutura de manutenção pós-entrega. Em projetos de mineração, onde os custos operacionais de uma falha sistêmica podem ser medidos em horas de parada de planta, não há espaço para promessa vaga. O que funciona é o que se prova em produção.

A consultoria de IA certa para a indústria não é a que tem o caso mais bonito no site: é a que consegue descrever, com precisão técnica, como vai operar dentro do seu sistema antes de assinar o contrato.

Quer ler a sua operação a fundo?