Um modelo que prevê bem uma falha ainda pode ser recusado em um programa aeronáutico, ferroviário ou naval. O motivo raramente é o erro de previsão. Costuma ser a falta de prova: de como o modelo chegou àquele resultado, de quem responde por ele e do que acontece quando ele falha.
Essa é a característica que separa a IA para indústria aeroespacial, naval e ferroviária das aplicações em outros segmentos. Aqui, a pergunta do cliente não é só se funciona, e sim se alguém consegue demonstrar que funciona, com dado rastreável, versão registrada e responsável nomeado. Quem organiza essa resposta antes de implantar o modelo avança mais rápido do que quem tenta construí-la depois.
O artigo trata do segmento por essa porta. Mostra o que as revisões recentes registram em manutenção de aeronaves, trens e navios, como organizar os dados, onde a IA entra em manutenção, em documentos e em venda técnica, e como a governança se apoia em referências internacionais. O texto pertence à frente de Consultoria de IA da Trilion, apoiada no hub de agentes de IA e automação de vendas, e se liga à página do segmento, Aeroespacial, naval e ferroviário.
Onde a IA já aparece no setor, e o que as revisões recentes registram
A manutenção preditiva concentra a pesquisa nos três setores, mas a passagem do experimento à operação esbarra em dados heterogêneos, explicabilidade e certificação.
Aeronaves: muita pesquisa, pouca operação
Uma revisão sistemática publicada pela IEEE em 2026 examinou publicações de 2018 a 2023 em cinco bibliotecas digitais. De 8.512 documentos encontrados, 51 permaneceram após os critérios de exclusão. O foco foi a estimativa de vida útil remanescente, a detecção de falhas e a avaliação da condição de turbofans, atuadores e unidades auxiliares de energia.
Outra revisão sistemática, de 2026, analisou 20 estudos. Ela observa predomínio de modelos de aprendizado profundo híbridos e conclui que a transição do modelo experimental para a operação continua limitada por heterogeneidade dos dados, exigências de explicabilidade e processos de certificação. A pesquisa se concentra na aviação civil, apoiada em conjuntos de dados operacionais acessíveis.
Ferrovia: monitorar a via e o material rodante
Uma revisão publicada na Railway Engineering Science trata do monitoramento de condição em via, com sistemas que detectam defeitos de material rodante como rodas com achatamento, falhas de rolamento e carga desequilibrada. Entre os desafios listados estão a qualidade do dado, as exigências de processamento em tempo real, as limitações de infraestrutura e a necessidade de modelos que se generalizem.
A mesma revisão adverte que muitas das metodologias avaliadas foram validadas em dados sintéticos ou controlados, e não em implantações de campo em larga escala.
Naval: o gêmeo digital que muitas vezes não é um
Uma revisão de 2026 na Ocean Engineering reuniu 739 publicações sobre gêmeos digitais de navios e analisou em profundidade 214 estudos empíricos. Ela identifica seis desafios de implantação: limitações de interoperabilidade, exposição a riscos de cibersegurança, questões éticas e humanas, restrições de tempo real, barreiras de sistemas legados e pouca capacidade de generalização dos modelos.
Uma revisão anterior da mesma revista observa que o termo digital twin é usado em excesso no transporte marítimo, muitas vezes para designar qualquer modelo virtual. Para os autores, o que define um gêmeo digital é a troca de dados nos dois sentidos entre o ambiente físico e o virtual, algo que costuma faltar. O alerta vale para qualquer proposta comercial: pergunte qual é o fluxo de dados antes de aceitar o nome.
Dados: o que existe, o que falta e de quem é
O dado nasce em sensores, registros de manutenção e documentos de rastreabilidade, em formatos diferentes. O primeiro trabalho de IA é inventariar, padronizar e definir o dono.
Sinais, registros e laudos não conversam entre si
A revisão de 2026 sobre aeronaves descreve o problema com precisão. Sinais de vibração são gravados em alta frequência, parâmetros de voo em frequência baixa, e os registros de manutenção e os relatórios de inspeção costumam ficar em texto não estruturado, difícil de integrar aos sensores. Faltam valores, o relógio não é o mesmo em todas as fontes e a qualidade varia de uma frota para outra.
O mesmo quadro se repete em oficinas ferroviárias e em estaleiros. Um modelo treinado sobre esses dados herda cada uma dessas falhas.
Rastreabilidade como dado, e não como arquivo
No setor, cada peça relevante carrega um histórico: lote, processo, ensaios, certificado de liberação, intervenções. Quando esse histórico está em PDF escaneado ou em planilha de uma pessoa, ele existe para a auditoria, mas não para a análise. Transformá-lo em campos consultáveis é o trabalho mais valioso, e menos visível, de um projeto de IA.
Quem é dono do dado
O dado de um ativo costuma ser compartilhado entre o operador, o fabricante e a oficina de manutenção. Cada um tem interesse diferente e restrições contratuais próprias. Antes de treinar qualquer modelo, a governança de dados precisa responder o que sai da empresa, para quem, sob que contrato e por quanto tempo.
Dado de processo é ativo competitivo, e dado operacional de cliente é confidencial. Compartilhar o mínimo necessário, com rastro, protege a empresa e atende o cliente.

Manutenção preditiva: do alarme à intervenção planejada
A manutenção preditiva só gera valor quando o alarme chega a quem tem prazo, peça e autoridade para agir. O fluxo de intervenção entra no escopo desde o início.
Comece pela detecção de anomalia e pelo apoio à decisão
Quando a falha é rara e a operação é segura, há poucos exemplos de falha para treinar um modelo. É mais realista começar detectando comportamento fora do padrão e apoiando a decisão de uma pessoa, e só depois estimar a vida útil. A decisão da diretoria industrial é de calendário e de criticidade: quais ativos entram primeiro, quem recebe o alarme e o que ele deve disparar.
Na linguagem do roteiro da EASA, citado mais adiante, é o nível de assistência ao humano: o sistema sugere, a pessoa decide e registra a decisão. Esse desenho dá ao cliente algo que ele consegue auditar desde o primeiro dia, e deixa o salto para níveis de maior autonomia para depois que o histórico de acertos e de erros existir.
Falso alarme também tem custo
Cada alerta falso consome horas de inspeção e desgasta a confiança da equipe de manutenção. Defina de antemão o limite aceitável, quem pode ajustá-lo e como o resultado de cada alerta, confirmado ou não, volta para o modelo. Sem esse retorno, o sistema não aprende, e a equipe aprende a ignorá-lo.
Integração com a rotina de manutenção
O alarme precisa virar ordem de serviço no sistema que a oficina já usa, com prioridade, peça prevista e responsável. A revisão ferroviária de 2026 aponta como lacunas persistentes a qualidade do dado, a interoperabilidade dos sistemas, a escalabilidade e a generalização dos modelos entre redes diferentes. Os artigos sobre indústria 4.0 e automação industrial tratam da camada que liga máquinas e software.
Um alarme sem dono, prazo e peça é só mais uma luz no painel.
Como a regulação do setor trata a IA, e o que isso exige do fornecedor?
A EASA organiza a IA em níveis de supervisão humana e blocos de confiança. Um fornecedor deve esperar perguntas parecidas de qualquer cliente exigente do setor.
Níveis de IA e de supervisão humana
O roteiro de IA da EASA, a agência europeia de segurança da aviação, propõe três níveis de aplicação: assistência ao humano, equipe humano-IA e automação avançada. A profundidade das orientações varia com o nível e com a criticidade da aplicação. O documento se descreve como vivo, com revisão anual prevista.
A EASA é um órgão de aviação, e o roteiro não é uma obrigação legal para o leitor brasileiro. Serve de referência de como o setor pensa: quanto menor a supervisão humana, maior a prova exigida.
Garantia de aprendizado e explicabilidade
O roteiro identifica blocos essenciais de confiança, entre eles a análise de confiabilidade da IA, a garantia de IA e os fatores humanos. Na garantia de IA, a chamada learning assurance trata da mudança de programar para aprender, pois os métodos de garantia de desenvolvimento existentes não cobrem processos de aprendizado.
A explicabilidade aparece em duas formas: a de desenvolvimento, que dá a auditores e desenvolvedores informação compreensível sobre como o modelo produz seus resultados, e a operacional, voltada a quem usa o sistema. O bloco inclui também a gravação de dados para monitorar a segurança do sistema e apoiar a investigação de incidentes.
ISO/IEC 42001 como estrutura de gestão
A ISO/IEC 42001, norma de 2023, especifica requisitos para estabelecer, manter e melhorar continuamente um sistema de gestão de IA. A ISO descreve como requisitos liderança, política e objetivos de IA, gestão de riscos, governança de dados e controles de ciclo de vida, transparência, avaliação de desempenho e melhoria contínua. A certificação é voluntária e feita por organismos independentes, e não pela ISO.
Para o fornecedor, a norma funciona como um esqueleto de arcabouço de governança de IA. Os primeiros passos que a própria ISO sugere são práticos: identificar onde há IA, definir responsáveis, avaliar riscos e documentar as políticas de uso e de dados.
No setor, governança de IA é a capacidade de responder, por escrito e antes de ser perguntado, quem responde pelo modelo.
Documentos, inspeção e venda técnica: onde a IA entra na rotina de engenharia e de vendas
Um assistente apoiado no acervo técnico da empresa ajuda engenharia de aplicação e vendas a responder consultas, sempre com fonte citada e revisão humana.
Casos de uso com retorno claro
O assistente consulta documentos da própria empresa antes de responder, uma técnica conhecida como geração com recuperação de documentos. Quatro usos costumam ser bons pontos de partida.
- Triagem de consultas: ler o pedido, extrair requisitos e compará-los com o portfólio e com o escopo certificado de cada planta.
- Busca em laudos e históricos: encontrar casos parecidos de reparo, ensaio ou não conformidade, com documento e data.
- Respostas técnicas com fonte: redigir a resposta citando o documento, a versão e a data.
- Inspeção visual assistida: apoiar quem inspeciona, com a visão computacional como ferramenta de triagem, e não de decisão final.
O que a IA não pode fazer
O assistente não assume compromisso técnico, não inventa tolerância e não responde sem fonte. Liberação de peça, aceitação de reparo e declaração de conformidade permanecem com pessoas habilitadas. O que sai do escopo padrão passa pela engenharia de aplicação, e a resposta final é sempre assinada por um responsável.
O acervo é o limite
A qualidade das respostas não passa da qualidade do acervo. Fichas em versões conflitantes, laudos escaneados e códigos sem atributos geram respostas erradas com aparência de certeza. Antes de liberar o assistente, monte um conjunto fixo de perguntas reais, com respostas aprovadas pela engenharia, e reaplique-o a cada mudança de acervo ou de modelo. Se a taxa de respostas corretas cair, a mudança não entra em produção.
Os artigos sobre IA para vendas B2B e serviços de IA B2B descrevem usos no funil e o escopo geral desse tipo de projeto.
Por onde começar: priorização, método e indicadores
Comece pelo caso de uso em que o dado já existe e o risco de errar é baixo, com critério de saída escrito e revisão humana desde o primeiro dia.
Como priorizar
| Caso de uso | Dado necessário | Risco principal | Primeiro passo |
|---|---|---|---|
| Manutenção preditiva | Sinais de sensores, histórico de intervenções e de paradas | Dados heterogêneos, falsos alarmes e dificuldade de generalizar entre frotas | Detecção de anomalia em ativos críticos, com revisão humana |
| Inspeção visual | Imagens de peças conformes e com defeito, com rótulo | Poucos exemplos de defeito e variação de iluminação e posição | Piloto em um posto, com revisão humana dos descartes |
| Assistente técnico sobre o acervo | Manuais, laudos, certificados e propostas versionados | Resposta sem fonte ou com versão antiga | Assistente interno com citação obrigatória da fonte |
| Gêmeo digital | Modelo do ativo e fluxo de dados medidos nos dois sentidos | Rótulo sem fluxo de dados real e interoperabilidade limitada | Definir o fluxo de dados antes de contratar o modelo |
Método em 6 etapas
- Inventário: dados, sistemas e processos existentes, com dono, formato e restrição contratual.
- Priorização: valor esperado, prontidão do dado e risco de cada caso de uso.
- Piloto: escopo pequeno, critério de saída escrito e revisão humana.
- Validação e governança: testes, registro de versão, responsável nomeado e plano de falha.
- Integração: ligação ao sistema de manutenção, ao ERP e ao registro de rastreabilidade.
- Operação: monitoramento de desempenho, revisão periódica e retorno dos resultados ao modelo.
Cenário ilustrativo
Considere uma oficina hipotética de revisão de componentes ferroviários e de equipamentos de bordo de embarcações. A diretoria tem três propostas na mesa: manutenção preditiva sobre os sinais de equipamentos de clientes, visão computacional na inspeção de entrada e um assistente técnico sobre o acervo de laudos. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que os laudos dos últimos anos estão em PDFs escaneados, que os sinais de equipamentos nunca chegam à oficina e que as ordens de serviço estão no ERP, com códigos e datas organizados.
Com esse quadro, a ordem tende a ser a da prontidão do dado: primeiro o assistente sobre o acervo, depois a transformação dos laudos em campos consultáveis, que abre caminho para a inspeção. A manutenção preditiva fica para quando houver acordo de dados com os clientes. A decisão da diretoria é sobre sequência, e não sobre qual tecnologia é mais atraente.
Indicadores e erros comuns
- Cobertura de dados por caso de uso: o que existe, com dono e formato, sobre o que o projeto exige
- Falsos alarmes e alertas confirmados na manutenção e na inspeção
- Tempo de resposta a consultas técnicas, com fonte citada e resposta aprovada pela engenharia
- Taxa de respostas corretas no conjunto fixo de perguntas, a cada mudança de acervo ou de modelo
- Sistemas de IA com dono, versão e registro de testes
Entre os erros mais comuns estão começar pelo modelo e não pelo dado, aceitar o rótulo de gêmeo digital sem conferir o fluxo de dados, tratar o piloto como produto e liberar um assistente sem acervo organizado.
O que levar para a próxima reunião sobre IA na manutenção e na área comercial
Leve o inventário de dados, a ordem de prioridade dos casos de uso e as regras de governança. Com eles, a diretoria decide sequência e orçamento com critério.
O essencial deste artigo
Na indústria aeroespacial, naval e ferroviária, o que decide a aceitação de uma IA é a capacidade de demonstrá-la. As revisões recentes apontam os mesmos obstáculos nos três setores: dados heterogêneos, explicabilidade e certificação. Manutenção preditiva, inspeção, assistente técnico e gêmeo digital têm dados, riscos e primeiros passos diferentes, e a ordem certa é a da prontidão do dado, com revisão humana e registro desde o início.
O próximo passo
A frente de Consultoria de IA da Trilion trata desse trabalho, e a página de mais detalhes do serviço mostra como ele é conduzido. Para o mesmo segmento, o artigo de branding e UX trata da marca do fornecedor, o de design estratégico, de demanda e visibilidade, e o de tecnologia e RevOps, de funil e contratos de longo prazo.
Quem atua em cadeias de dados parecidas encontra pontos de contato em indústria automotiva e em equipamentos elétricos e energia. O índice completo está em Indústrias. A página de consultoria de inteligência artificial completa a leitura.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line. A proposta é escrita, depois do briefing e do diagnóstico.
Sobre este texto
Este artigo foi preparado para a frente de Consultoria de IA da Trilion. As revisões sobre aeronaves, ferrovia e navios foram lidas nas páginas de seus periódicos, o roteiro de IA, na publicação da EASA, e a norma de gestão de IA, na página da ISO.
A leitura dos dados do setor, a tabela de priorização, o método em 6 etapas e o cenário são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 13/11/2026.
- EASA, Artificial Intelligence Roadmap 2.0, Human-centric approach to AI in aviation: https://www.easa.europa.eu/sites/default/files/dfu/easa_ai_roadmap_2_0_2023.pdf (consulta em 13/11/2026)
- ISO, ISO/IEC 42001 explained: https://www.iso.org/insights/iso-42001-explained (consulta em 13/11/2026)
- IEEE, A Review of Aircraft Predictive Maintenance Techniques Via Machine Learning, 2026: https://doi.org/10.1109/maes.2026.3653904 (consulta em 13/11/2026)
- Applied Sciences (MDPI), A Systematic Literature Review on AI-Driven Predictive Maintenance and Fault Detection in Aircraft Systems, 2026: https://www.mdpi.com/2076-3417/16/7/3381 (consulta em 13/11/2026)
- Railway Engineering Science (Springer), Recent advances in wayside condition monitoring for railways: a comprehensive review: https://link.springer.com/article/10.1007/s40534-025-00423-2 (consulta em 13/11/2026)
- Ocean Engineering, Applications of ship digital twins in maritime transport: A systematic review, 2026: https://doi.org/10.1016/j.oceaneng.2026.128211 (consulta em 13/11/2026)
- Ocean Engineering, Digital twin for ship life-cycle: A critical systematic review, 2022: https://doi.org/10.1016/j.oceaneng.2022.113479 (consulta em 13/11/2026)

