A Rockwell Automation está a aplicar IA generativa a um problema prático de automação industrial: como registar décadas de conhecimentos de manutenção e torná-los imediatamente utilizáveis pelos técnicos. Na sua unidade de produção em Singapura, um Maintenance Copilot baseado em IA combina documentação das máquinas, dados de produção e conhecimentos de diagnóstico e resolução de problemas de engenheiros experientes para ajudar os técnicos a identificar falhas e seguir ações corretivas estruturadas.
Do Diagnóstico Baseado em Manuais à Manutenção Assistida por Conhecimento
O diagnóstico e a resolução de problemas de máquinas dependem frequentemente de um técnico encontrar o código de alarme correto num manual, interpretar as causas possíveis e decidir qual a primeira ação corretiva a tentar. Quando a documentação é insuficiente, o passo seguinte consiste normalmente em perguntar a um técnico experiente que já tenha encontrado a mesma falha.
Este processo cria duas limitações. Em primeiro lugar, o diagnóstico e a resolução de problemas podem consumir bastante tempo enquanto o equipamento permanece indisponível. Em segundo lugar, grande parte das informações mais úteis pode existir apenas como "conhecimento tribal" informal, na posse de profissionais experientes.
O Maintenance Copilot da Rockwell altera a interface de acesso a estas informações. Em vez de pesquisarem manualmente centenas de páginas, os técnicos podem descrever o sintoma da máquina em linguagem natural e receber informações organizadas em torno do sintoma, da causa possível e da reação recomendada.
Esta é uma distinção importante nos ambientes industriais: o valor da IA não consiste simplesmente em gerar texto. O seu valor prático resulta de tornar mais fácil consultar os conhecimentos de engenharia existentes no momento em que é necessária uma decisão de manutenção.
Registar Décadas de Experiência em Engenharia
O sistema de Singapura incorpora conhecimentos de diagnóstico e resolução de problemas partilhados por engenheiros experientes da Rockwell, incluindo profissionais com 20 a 30 anos de experiência no chão de fábrica.
Esse conhecimento pode incluir pormenores difíceis de registar em manuais convencionais: que sintomas tendem a surgir em conjunto, que falhas de componentes são comuns, o que um determinado alarme normalmente indica e como foram resolvidos problemas semelhantes noutras linhas de produção.
Para as organizações de manutenção, isto cria um potencial mecanismo de retenção de conhecimento.
Os técnicos experientes acabam por se reformar ou passar para outras funções. Sem um método estruturado para recolher a sua experiência, a organização pode perder conhecimentos práticos de diagnóstico e resolução de problemas, mesmo quando a documentação formal continua disponível.
Um sistema de IA não pode substituir essa experiência, mas pode fornecer uma interface pesquisável para conhecimentos que já foram documentados e estruturados.
Um fluxo de trabalho de resolução de problemas mais estruturado
Um dos aspetos tecnicamente interessantes do sistema é a organização das informações de manutenção em sintoma, causa e reação.
Esta estrutura assemelha-se à lógica já utilizada por engenheiros de manutenção experientes:
- Identifique o sintoma observável da máquina.
- Determine as causas mais plausíveis.
- Verifique o equipamento ou sinal relevante.
- Aplique a ação corretiva adequada.
- Verifique se a máquina voltou ao estado de funcionamento esperado.
O assistente de IA também pode disponibilizar comentários e experiências de outros técnicos e ligar as informações de resolução de problemas aos manuais existentes das máquinas.
Do ponto de vista da engenharia, esta abordagem é mais útil do que tratar um modelo de linguagem de grande escala como uma autoridade de diagnóstico independente. O modelo torna-se uma interface para informação técnica controlada, em vez de ser a única fonte de verdade.
Redução do tempo de inatividade e dos custos de manutenção
De acordo com o acompanhamento interno da Rockwell citado pela Microsoft, a operação em Singapura reduziu o tempo de inatividade das máquinas em 33% após a implementação da abordagem de manutenção. Foi comunicado que os custos de manutenção e de peças sobresselentes diminuíram aproximadamente 25%.
Estes valores devem ser entendidos como resultados internos comunicados pela Rockwell, e não como referências universais de desempenho para a manutenção baseada em IA.
Ainda assim, o mecanismo por detrás da melhoria é tecnicamente compreensível. Se os técnicos conseguirem identificar mais rapidamente as causas prováveis, poderão reduzir os ciclos de resolução de problemas desnecessários. Um diagnóstico mais rápido também pode reduzir o tempo durante o qual o equipamento permanece indisponível e ajudar os técnicos a evitar a substituição de componentes sem provas suficientes.
Assim, o maior benefício poderá não resultar do próprio modelo de IA, mas sim do encurtamento do percurso entre sintoma da máquina -> conhecimento relevante -> ação de engenharia.
A IA também pode reduzir o tempo de aprendizagem dos técnicos
Outra aplicação é a integração de novos funcionários.
A Rockwell indica que os técnicos que anteriormente precisavam de aproximadamente nove meses para se tornarem proficientes na resolução de problemas em centenas de máquinas podem atingir esse nível em cerca de três meses com a assistência da IA.
Isto responde a um desafio comum no fabrico moderno: a complexidade dos equipamentos está a aumentar, enquanto o pessoal de manutenção experiente nem sempre está disponível em número suficiente.
Para um técnico novo, um assistente de IA pode proporcionar acesso contextual à documentação das máquinas e à experiência de diagnóstico registada anteriormente. Isto não elimina a necessidade de formação prática, conhecimentos de segurança elétrica ou competências específicas relativas ao equipamento. Em vez disso, pode reduzir o tempo despendido simplesmente a procurar informação.
A distinção é importante. A IA pode acelerar o acesso à informação; não substitui as competências de diagnóstico físico.
Ligar a IA à Camada de Dados Industrial
A implementação da Rockwell utiliza tecnologias Microsoft Azure, incluindo o Azure OpenAI Service, o Azure AI Search e as capacidades de segurança, identidade e governação da Microsoft.
Esta arquitetura ilustra uma orientação importante para a IA industrial: integrar modelos de linguagem com informação empresarial e operacional, em vez de os utilizar como aplicações de conversação isoladas.
Nas aplicações de manutenção, os dados úteis podem provir de várias fontes:
- Manuais de instruções das máquinas
- Registos de manutenção
- Informação sobre alarmes e falhas
- Notas de diagnóstico dos técnicos
- Software de fabrico
- Histórico do equipamento
- Observações da linha de produção
O desafio de engenharia não consiste, portanto, apenas em selecionar um modelo de IA. Consiste em estabelecer fontes de dados fiáveis, controlos de acesso, recuperação de informação e governação em torno do modelo.
A IA Deve Apoiar os Engenheiros, Não Contornar os Controlos de Engenharia
Existe uma limitação prática que não deve ser ignorada.
Uma recomendação de manutenção gerada por um sistema de IA não deve tornar-se automaticamente num comando de controlo da máquina. O equipamento industrial pode envolver perigos elétricos, energia mecânica, perigos do processo e funções instrumentadas de segurança.
Por este motivo, a resolução de problemas assistida por IA é mais adequada como camada de apoio à decisão. O técnico continua a ser responsável por validar o estado físico do equipamento e aplicar os procedimentos estabelecidos de manutenção, bloqueio/etiquetagem e segurança.
Nos sistemas críticos de controlo e segurança, é particularmente importante separar a informação gerada por IA da lógica de controlo determinística.
A IA pode ajudar a responder:
«O que devo investigar?»
Não deve decidir de forma independente:
"Executar esta ação crítica para a segurança."
Esse limite será importante à medida que os fabricantes passam da manutenção assistida por IA para operações cada vez mais autónomas.
Para além da manutenção: qualidade e operações preditivas
A fábrica de Singapura está a utilizar IA para mais do que a manutenção.
A Rockwell também descreve um sistema de qualidade multiagente concebido para detetar e resolver defeitos dos produtos durante a montagem, juntamente com capacidades de manutenção preditiva destinadas a identificar condições que poderiam levar a períodos de inatividade não planeados dos equipamentos.
A combinação cria uma arquitetura industrial mais abrangente:
Dados operacionais -> análise de IA -> conhecimento de engenharia -> ação humana ou automatizada -> feedback
Isto é mais significativo do que implementar um chatbot isolado. Representa a integração gradual da IA em várias fases do ciclo de vida da produção.
A designação da instalação de Singapura como Global Lighthouse pelo Fórum Económico Mundial, em junho de 2026, também citou melhorias que incluíram um aumento de 43% nas unidades por pessoa-hora, uma redução de 35% nos defeitos e uma redução de 67% no tempo necessário para atingir a competência.
Estes resultados abrangem várias tecnologias e alterações operacionais, pelo que não devem ser atribuídos exclusivamente ao copiloto de manutenção.
A minha perspetiva de engenharia: a qualidade dos dados é o verdadeiro fundamento
A lição mais importante deste projeto não é a escolha do modelo GPT.
No caso da IA industrial, os dados de engenharia subjacentes são geralmente mais importantes do que a interface de conversação. Se os registos de manutenção estiverem incompletos, a documentação das máquinas estiver desatualizada ou o conhecimento de resolução de problemas estiver mal estruturado, um modelo mais sofisticado não produzirá automaticamente melhores decisões de manutenção.
Por conseguinte, uma implementação bem-sucedida requer vários fundamentos:
- Informações precisas sobre equipamentos e ativos
- Registos consistentes de avarias e manutenção
- Conhecimento de engenharia estruturado
- Propriedade clara da informação
- Controlos de cibersegurança adequados
- Acesso baseado em funções
- Validação humana das recomendações
- Mecanismos de feedback para corrigir informações incorretas
Por outras palavras, a IA expõe a qualidade da base de conhecimento industrial de uma organização. É provável que as empresas que passaram anos a manter dados de equipamento limpos e registos de manutenção disciplinados tenham uma base mais sólida para a adoção de IA industrial.
Da Competência Individual ao Conhecimento Organizacional
O valor mais profundo da abordagem da Rockwell é a tentativa de transformar a experiência individual dos técnicos em conhecimento organizacional.
Um engenheiro altamente experiente pode reconhecer um padrão de falha em poucos minutos, porque já se deparou muitas vezes com ele. Um técnico mais recente pode precisar de horas para chegar à mesma conclusão.
Se essa experiência puder ser documentada, indexada e apresentada no momento em que é necessária, a organização torna-se menos dependente de um pequeno número de pessoas.
Isto não torna os engenheiros experientes menos importantes. Na verdade, os seus conhecimentos tornam-se mais valiosos, porque podem ser captados e reutilizados junto de uma população de técnicos muito maior.
Da expansão de uma fábrica às operações globais
A Rockwell planeia expandir o copiloto de manutenção para instalações de produção em Twinsburg, Ohio, bem como na Polónia e no México.
A expansão de uma aplicação de IA industrial de uma fábrica para várias instalações introduzirá desafios adicionais de engenharia. As máquinas, os procedimentos, os idiomas, as práticas de manutenção e os conjuntos de dados históricos podem diferir entre instalações.
Por conseguinte, um sistema globalmente escalável necessita de uma arquitetura comum, permitindo simultaneamente conhecimentos específicos de cada instalação.
É aqui que os dados baseados na cloud, a identidade, a segurança e os serviços de IA podem proporcionar uma vantagem, desde que os dados operacionais subjacentes continuem a ser devidamente geridos.
A próxima fase da manutenção industrial
A implementação em Singapura ilustra uma mudança mais ampla na automação industrial.
As primeiras gerações de digitalização concentraram-se fortemente na recolha de dados das máquinas. A próxima fase centra-se cada vez mais em tornar esses dados úteis para as pessoas que têm de diagnosticar, manter e operar equipamentos físicos.
É pouco provável que os sistemas industriais de IA mais práticos tenham sucesso simplesmente por conseguirem gerar respostas convincentes. Terão sucesso quando conseguirem ligar condições reais das máquinas a informação de engenharia fiável e a um fluxo de trabalho humano adequado.
Para as equipas de manutenção, isso pode significar menos tempo a procurar manuais, acesso mais rápido a procedimentos de resolução de problemas comprovados e uma abordagem mais consistente às falhas recorrentes.
A oportunidade a longo prazo é ainda mais ampla: preservar conhecimentos de engenharia, acelerar o desenvolvimento da força de trabalho e utilizar a IA como uma camada adicional de informação em torno dos sistemas PLC, DCS, SCADA, MES e de manutenção existentes.
