A euforia em torno da inteligência artificial generativa tem impulsionado a imaginação sobre um futuro de automação total. No entanto, ao transpor os modelos de linguagem para o mundo físico – em edifícios, fábricas e sistemas de gestão hídrica –, a realidade se mostra mais complexa. Executivos de gigantes industriais como Honeywell e Ecolab, em recente fórum sobre IA, trouxeram um contraponto à narrativa de substituição humana, enfatizando os limites práticos de custo e precisão que a tecnologia ainda enfrenta.

O principal obstáculo identificado pela Honeywell, segundo seu diretor de tecnologia Suresh Venkatarayalu, reside na exigência de acurácia. Clientes do setor industrial demandam níveis de confiabilidade que chegam a 99,9999%, uma margem de erro infinitesimal. Em contraste, os modelos de ponta atuais, mesmo os mais avançados, ainda operam com uma precisão estimada em torno de 85%. Essa discrepância é um fator crítico para a adoção em sistemas onde falhas podem ter consequências graves, desde paradas de produção até riscos de segurança.

A Barreira do Custo e a Otimização de Modelos

Para a Ecolab, especializada em gestão de água e higiene industrial, o gargalo não é apenas a precisão, mas também o custo. AJ Wijesinghe, diretor de IA da empresa, relatou que a implementação dos modelos mais sofisticados para tarefas de alto volume resultou em "tokenomics que vão às alturas", tornando a operação mais cara do que a manutenção de equipes humanas. A solução encontrada pela Ecolab foi otimizar sua abordagem, utilizando um mix de modelos que inclui desde soluções de ponta, como Claude da Anthropic e modelos da OpenAI, até alternativas open-source. Essa estratégia permitiu uma redução de custos de token em cerca de 70% a 80%, demonstrando que a eficiência nem sempre reside no "carro mais rápido", mas sim na adequação da ferramenta ao problema.

Um Futuro Semi-Autônomo e a Confiança Humana

Nenhum dos executivos vislumbrou um futuro completamente autônomo. A perspectiva compartilhada aponta para um "mundo semi-autônomo", onde a colaboração entre humanos e sistemas de IA é a norma. O desenvolvimento da confiança nos sistemas é um processo gradual, e a automação, na visão de Venkatarayalu, não significa necessariamente a exclusão de pessoas. Wijesinghe complementou, descrevendo um modelo "human in the lead" (humano na liderança), pois a tecnologia de agentes autônomos ainda não atingiu a maturidade necessária para operar em larga escala sem supervisão. A integração em sistemas físicos, que não podem ser atualizados tão rapidamente quanto softwares, exige um operador no ciclo de controle, especialmente em ambientes críticos para a missão e segurança.

Implicações para o Ecossistema Industrial

A aplicação de IA em ambientes industriais e de infraestrutura exige uma abordagem diferente daquela vista em chatbots ou assistentes virtuais. Atualizações de sistemas em edifícios, por exemplo, não podem causar interrupções prolongadas como em um veículo pessoal. A Honeywell, em parceria com a Nvidia, foca no aprimoramento de modelos open-source, priorizando a soberania dos dados dos clientes e a segurança. A abordagem "ver, pensar, agir e aprender" da Honeywell envolve catalogar ativos de edifícios, como sistemas HVAC e de segurança, para que agentes de IA aprendam a interconectá-los e otimizá-los. A Ecolab, por sua vez, emprega sensores em equipamentos para reduzir visitas de serviço e prever manutenções, gerenciando também o uso de água em infraestruturas de IA. A chave para o sucesso, segundo Wijesinghe, é a IA estar integrada a uma transformação empresarial mais ampla, conectando funções como vendas, finanças e cadeia de suprimentos, e não ser apenas mais uma tecnologia isolada.

Perguntas em Aberto e o Caminho Adiante

O que distingue os projetos de IA que geram valor daqueles que estagnam? A resposta parece residir na amplitude da implementação: enquanto a IA individual agrega pouco valor em nível corporativo e a IA vertical dentro de uma função agrega algum, é a IA "horizontal", que opera de forma integrada entre diversas áreas funcionais e é guiada por resultados de negócio claros, que entrega o maior retorno. A disciplina de custos, a prontidão dos processos e uma base sólida de dados são igualmente cruciais. Sem esses pilares, mesmo a tecnologia mais avançada pode falhar em entregar o valor esperado. A busca por economias de energia de 30% a 40% além dos controles existentes impulsiona a demanda, mas a viabilidade dependerá da superação dessas barreiras fundamentais.

A jornada da inteligência artificial no mundo físico está longe de ser uma linha reta. Os desafios de custo e precisão, aliados à necessidade de supervisão humana e à complexidade de integrar sistemas legados, moldam um cenário onde a colaboração homem-máquina parece ser o caminho mais pragmático e seguro para o futuro próximo. A capacidade de otimizar modelos e focar em resultados de negócio tangíveis será o diferencial para as empresas que buscam extrair valor real dessa tecnologia transformadora.

Com reportagem de Brazil Valley

Source · Fortune