Um frasco de vidro com um litro de óleo isolante sai de um transformador, viaja até o laboratório e volta dias depois como uma tabela: hidrogênio, metano, etileno, etano, acetileno, cada gás em uma concentração. É um dado que informa sobre a saúde de um equipamento elétrico. Em muitas empresas, ele termina em uma planilha de laudos, sem ligação com o histórico de carga, com o projeto da máquina ou com o plano de manutenção.
Esta é a pergunta que organiza a inteligência artificial em equipamentos elétricos: quais decisões sobre fabricação, venda e vida útil de um ativo podem melhorar com dado, e que dado existe hoje. A resposta quase nunca está no algoritmo. Está no registro do dado, na validação do modelo e na governança que o cliente, muitas vezes uma concessionária ou um operador de rede, espera encontrar.
O artigo trata do tema para o fabricante: o que a IA já faz em redes e ativos segundo a IEA, a análise de gases dissolvidos como ponto de partida, manutenção preditiva e gêmeo digital, usos na fábrica e na venda técnica e governança. 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, Equipamentos elétricos e energia.
O que a IA já faz em redes e ativos elétricos, segundo a IEA?
Entre operadores de rede, a IA é mais usada em manutenção e planejamento do que em tempo real, por razões de confiança e auditabilidade, não de precisão.
Onde a IA está em uso
No relatório Energy and AI, a Agência Internacional de Energia (IEA) pesquisou operadores de rede de 13 países. Apenas 23% usam IA na operação em tempo real, 54% a utilizam no planejamento do desenvolvimento da rede e quase 70% a empregam no planejamento de operação e manutenção de ativos. Cerca de 30% usam reconhecimento de imagens para monitorar e gerenciar ativos, e 8% usam IA generativa em diagnóstico de falhas.
O mesmo relatório observa que, na gestão de ativos, a IA ajuda a otimizar calendários de manutenção e a substituição de equipamentos com base em monitoramento de condição.
Por que a vida útil importa em escala de rede
A IEA faz uma conta que mostra o tamanho do tema. Dois anos adicionais de vida útil das redes adiariam a construção de mais de 3.000 km de novas linhas até 2035, reduziriam em USD 300 bilhões o investimento cumulativo e economizariam cerca de USD 15 bilhões por ano em pagamentos de recuperação de capital.
A agência apresenta a conta como exemplo do potencial de aplicações que estendem a vida útil, como a manutenção preditiva.
Para o fabricante, a leitura é de oportunidade de serviço: equipamento que entrega dado sobre a própria condição ajuda o cliente a decidir quando intervir.
As três condições do avanço
Outro relatório da IEA, sobre a modernização das redes, descreve onde a IA avança mais depressa. Aplicações de menor risco, como previsão, manutenção, inspeção e planejamento, escalam primeiro, porque melhoram decisões sem controlar diretamente o sistema elétrico. Elas avançam mais onde três condições coincidem.
- Dado suficiente: há histórico operacional para treinar e validar os modelos.
- Erro visível e recuperável: uma inspeção perdida ou uma previsão errada pode ser percebida e corrigida.
- Verificação humana: planejadores, engenheiros ou operadores conferem o resultado antes que ele afete o sistema.
As três condições servem como filtro para priorizar casos de uso no fabricante, e voltam na tabela de priorização.
O dado do ativo: a análise de gases dissolvidos como ponto de partida
A análise de gases dissolvidos no óleo isolante é uma das técnicas de diagnóstico mais usadas em equipamentos elétricos, e seus laudos já fazem parte da rotina de manutenção.
O que a norma IEC 60599 cobre
A IEC 60599, na edição de 2022, descreve como as concentrações de gases dissolvidos ou livres podem ser interpretadas para diagnosticar a condição de equipamentos elétricos em serviço, cheios de óleo mineral e isolados com papel ou papelão, e sugerir ações futuras. A aplicação abrange transformadores, reatores, buchas, equipamentos de manobra e cabos a óleo. A própria norma ressalva que as indicações são orientação e que a ação resultante exige julgamento de engenharia.
Em comunicado, a IEC reforça que a interpretação costuma ser complexa e deve envolver pessoal experiente de manutenção de isolamento. A edição de 2022 incluiu faixas típicas observadas em transformadores de turbinas eólicas, o que liga o tema à transição energética.
A posição do fabricante em relação ao dado
O dado de campo pertence, em geral, ao operador do ativo, e o fabricante o vê quando há contrato de serviço, garantia ou relacionamento técnico. O fabricante tem, em contrapartida, o dado de origem: ensaios de rotina e de tipo, parâmetros de projeto, lotes de material e histórico de fabricação do equipamento.
A combinação dos dois é o que dá poder de diagnóstico. Quando o registro de fabricação e o laudo de campo falam o mesmo idioma, de identificação e de unidade, a análise é possível. Quando cada um vive em seu formato, não é.
Três decisões de dado antes de qualquer modelo
- Identificação única: o número de série liga projeto, fabricação, ensaio e laudos de campo.
- Formato e unidade: concentração, método e laboratório registrados em campos fixos.
- Direito de uso: contrato que define quem pode usar o dado, para quê e por quanto tempo, com anonimização quando for compartilhado.

Manutenção preditiva e gêmeo digital: quanto confiar na precisão do modelo?
Modelos de diagnóstico por gases relatam precisão acima de 95%, mas uma revisão crítica de 2026 mostra que ela nem sempre se sustenta fora do conjunto de teste.
Precisão não é robustez
A revisão publicada na revista Applied Sciences em 2026, com pesquisadores de uma universidade canadense, de uma concessionária e de uma empresa industrial, examina três décadas de uso de IA em análise de gases. Muitos estudos relatam precisão superior a 95%, mas apoiados em conjuntos de dados limitados e em práticas de validação heterogêneas. Os autores chamam o fenômeno de lacuna entre precisão e robustez.
A revisão aponta como lacunas a falta de referências comparáveis, de conjuntos de dados compartilhados e de avaliação de robustez e de interpretabilidade. Propõe validação sensível à distribuição dos dados, aprendizado informado pela física e dados compartilhados.
Um modelo que acerta em um conjunto de teste ainda não provou que acerta no campo.
O que isso pede de um projeto
Para o fabricante que pensa em oferecer monitoramento ou diagnóstico, a revisão sugere quatro cuidados práticos.
- Dados de mais de uma origem: testar o modelo em equipamentos, operadores e condições que ele não viu no treino.
- Classes raras: falhas são raras diante da operação normal, e o desbalanceamento exige tratamento declarado.
- Física no modelo: usar o conhecimento do projeto e do envelhecimento do isolamento como restrição.
- Explicação do resultado: um alerta precisa dizer por que foi gerado, para que a engenharia de manutenção o confirme. O glossário trata da explicabilidade.
Gêmeo digital: duas coisas diferentes
O termo gêmeo digital cobre pelo menos duas aplicações no segmento. A primeira é o gêmeo da fábrica, que representa processos de fabricação. A ISO 23247-1, publicada em 2021, oferece uma visão geral e princípios gerais de uma estrutura de gêmeo digital para manufatura, com termos, definições e requisitos.
A segunda é o gêmeo do ativo em operação, que combina projeto, ensaios, carga e diagnósticos. Para ela, este texto não cita norma equivalente. O ponto de partida é o registro de cada equipamento, e o investimento deve seguir a ordem: identificação, dados, validação e só então modelo.
IA na fábrica e na venda técnica: onde o fabricante pode aplicar primeiro
Na fábrica e na área comercial, os casos de uso mais seguros partem de dados que a empresa já controla e mantêm uma pessoa na decisão final.
Ensaios e inspeção na linha
Resultados de ensaios de rotina, imagens de inspeção e registros de não conformidade formam um acervo que a empresa controla do começo ao fim. Modelos de aprendizado de máquina podem apontar desvios de processo e padrões entre lotes, e a visão computacional pode apoiar a inspeção de acabamento e de soldas.
O relatório de modernização das redes mostra o mesmo padrão em outro ponto da cadeia: concessionárias usam visão computacional em imagens de drone e de inspeção para identificar desgaste, corrosão e danos.
Em qualquer dos casos, o resultado deve alimentar o registro de não conformidade e a rastreabilidade, com versão do modelo e revisão humana dos descartes.
Previsão de demanda de projeto e de prateleira
O fabricante tem dois perfis de demanda. A de projeto vem em grandes pedidos, com cronograma negociado e poucos eventos por ano. A de prateleira, de linhas de catálogo vendidas por distribuidores, tem muitos códigos e regularidade maior. Os dois pedem tratamentos diferentes de previsão, e a primeira decisão é classificar os códigos pelo padrão de demanda.
No caso de projetos, a informação mais útil não é o histórico, e sim a carteira de oportunidades com data estimada, probabilidade e prazo de fabricação. Esse é um tema de dados comerciais, tratado no artigo de tecnologia e RevOps deste segmento.
Assistente técnico com documentos da empresa
Um assistente apoiado nos documentos da própria empresa, técnica conhecida como geração com recuperação de documentos, ajuda a engenharia de aplicação e a área comercial a responder consultas. Quatro usos costumam ter retorno claro.
- Triagem de consultas: ler a especificação do cliente, extrair parâmetros e compará-los com o portfólio.
- Equivalências: sugerir configurações próximas quando o item pedido não existe.
- Respostas com fonte: redigir a resposta citando documento, versão e data.
- Pós-venda: consultar histórico de fabricação, ensaios e documentos de um equipamento instalado.
O assistente não assume compromisso técnico, não inventa parâmetro e não responde sem fonte. O que sai do portfólio padrão passa pela engenharia de aplicação, e a resposta final é assinada por uma pessoa. O artigo sobre IA para vendas B2B descreve usos no funil comercial.
Governança: como a IA resiste à auditoria de uma concessionária?
Governança de IA é o conjunto de regras sobre dados, responsáveis, validação e registro que permite explicar, auditar e corrigir o que o sistema faz, conforme o risco.
O que a IEA diz sobre confiança
Segundo a IEA, os controles em tempo real são a fronteira da IA e esbarram em confiança e auditabilidade, mais do que em precisão. Nessas aplicações, a precisão é necessária mas insuficiente: os modelos precisam ser explicáveis, auditáveis, protegidos contra manipulação, limitados por regras determinísticas de contingência e inseridos em cadeias claras de responsabilidade.
A agência observa que, à medida que a IA avança de previsão e detecção para o controle automatizado, as exigências de validação, explicabilidade, cibersegurança e responsabilização ficam mais rigorosas.
Quanto mais perto do controle, mais perto da auditoria.
O arcabouço do NIST como roteiro
O NIST, instituto de padrões dos Estados Unidos, publicou em 26 de janeiro de 2023 o AI Risk Management Framework, de uso voluntário, para incorporar considerações de confiabilidade no projeto, no desenvolvimento, no uso e na avaliação de sistemas de IA.
Em 2024, lançou um perfil para IA generativa. Em abril de 2026, divulgou uma nota de conceito para um perfil de IA confiável em infraestrutura crítica, e a versão 1.0 do arcabouço está em revisão.
O perfil para infraestrutura crítica ainda é uma nota de conceito, e o texto não o trata como norma. Serve de indício de para onde caminha a expectativa de clientes do setor. Um arcabouço de governança de IA simples traduz esses princípios em controles.
Controles proporcionais ao risco
A tabela relaciona o grau de autonomia de uma aplicação aos controles esperados. É leitura editorial, apoiada na distinção da IEA entre aplicações de menor e de maior risco.
| Autonomia da aplicação | Exemplo no segmento | Controles mínimos |
|---|---|---|
| Apoio à decisão | Assistente de consultas técnicas, triagem de cotações | Inventário, fonte citada, revisão humana e conjunto fixo de perguntas de teste |
| Alerta e priorização | Alerta de anomalia em laudos ou em sensores de equipamentos monitorados | Registro de versão, limites ajustáveis, validação em dados de outras origens, plano de falha |
| Ação automática | Ajuste de parâmetros de operação ou de proteção | Auditoria completa, explicabilidade, regra de contingência determinística, responsável nomeado e aprovação do dono do ativo |
Quem entrega ao cliente um sistema de IA responde por ele. A pergunta que uma auditoria faz é simples: quem responde pelo modelo, com que dados ele foi treinado, como é testado e o que acontece quando erra. A governança de dados responde às duas primeiras.
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 |
|---|---|---|---|
| Diagnóstico de gases e monitoramento de condição | Laudos com identificação única, método e unidade; histórico de carga | Precisão alta em teste e baixa em campo; falhas raras | Padronizar o registro e validar em equipamentos e operadores diferentes |
| Qualidade de processo e inspeção | Ensaios de rotina, imagens e não conformidades por lote | Poucos exemplos de defeito e mudança de processo | Piloto em um posto, com revisão humana dos descartes |
| Previsão de demanda | Histórico por código e carteira de oportunidades com data | Método único para padrões diferentes de demanda | Classificar os códigos por padrão de demanda |
| Assistente técnico | Acervo técnico versionado e histórico de consultas | Resposta sem fonte ou com versão antiga | Assistente interno com citação obrigatória da fonte |
Método em 6 etapas
- Inventário: dados, sistemas e processos existentes, com dono, formato e direito de uso.
- Priorização: valor esperado, prontidão do dado e risco de cada caso, pelas três condições da IEA.
- Piloto: escopo pequeno, critério de saída escrito e revisão humana.
- Validação e governança: testes em dados de outras origens, registro de versão e plano de falha.
- Integração: ligação ao ERP, ao registro de fabricação e à rotina de serviço.
- Operação: monitoramento de desempenho, revisão periódica e responsável nomeado.
Cenário ilustrativo
Considere uma fabricante hipotética de transformadores de distribuição, que também vende serviço de manutenção a indústrias. A diretoria tem duas propostas na mesa: um modelo de diagnóstico a partir dos laudos de gases dos equipamentos que atende e um assistente técnico para a equipe de propostas. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que os laudos chegam em PDF e em planilhas de formatos diferentes, sem o número de série na mesma posição, enquanto o acervo de fichas técnicas está em versões conflitantes. O contrato de serviço não diz se o dado de campo pode ser usado para melhorar produtos.
Com esse quadro, a ordem tende a ser a da prontidão do dado: primeiro o registro único por número de série e o ajuste dos contratos, depois o assistente técnico, que depende de um acervo versionado e tem risco menor, e só então o modelo de diagnóstico, validado em equipamentos de mais de um cliente. A decisão da diretoria é de sequência, e não de tecnologia.
Indicadores para acompanhar
- Cobertura de dados por caso de uso: o que existe, com dono, formato e direito de uso, sobre o que o projeto exige
- Equipamentos com identificação única ligando projeto, fabricação, ensaio e laudos de campo
- Alertas confirmados pela manutenção e falsos alarmes, por origem de dado
- Tempo de resposta a consultas técnicas com fonte citada
- Sistemas de IA com dono, versão e registro de testes
Erros comuns
- Começar pelo modelo e não pelo registro do equipamento
- Aceitar precisão de laboratório como prova de desempenho em campo
- Tratar o piloto como produto
- Liberar um assistente sem acervo organizado e versionado
- Usar dado de cliente sem contrato que o permita
O que levar para a próxima reunião sobre IA no fabricante
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
A IA em equipamentos elétricos depende primeiro do registro do ativo e da governança. Entre operadores de rede, ela avança em manutenção e planejamento mais do que em tempo real, por confiança e auditabilidade. No diagnóstico por gases, a precisão relatada precisa de validação fora do conjunto de teste.
Fábrica, previsão de demanda e assistente técnico 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 fabricante, o de design estratégico, de demanda e visibilidade, e o de tecnologia e RevOps, do funil de projeto.
Quem opera máquinas e processos encontra pontos de contato em máquinas e equipamentos industriais e em química e petroquímica. O índice completo está em Indústrias. A página de consultoria de inteligência artificial e os artigos sobre indústria 4.0 e automação industrial completam 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. A pesquisa com operadores de rede e a conta de vida útil vêm do relatório Energy and AI, da IEA, e as três condições de avanço da IA vêm de outro relatório da agência.
A análise de gases foi lida nas páginas da IEC e em uma revisão crítica de 2026, e o gêmeo digital de manufatura, na página da ISO. O arcabouço de gestão de risco vem do NIST.
A leitura do segmento para o fabricante, a tabela de controles por autonomia, 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.
- IEA, Energy and AI, relatório especial do World Energy Outlook: https://iea.blob.core.windows.net/assets/b3a8b37f-32d1-4873-9eca-31cec5895264/EnergyandAI.pdf (consulta em 13/11/2026)
- IEA, Modernising Grids in the Age of Electricity, AI-enhanced solutions: https://www.iea.org/reports/modernising-grids-in-the-age-of-electricity/ai-enhanced-solutions (consulta em 13/11/2026)
- IEC, IEC 60599:2022, Mineral oil-filled electrical equipment in service, guidance on the interpretation of dissolved and free gases analysis: https://webstore.iec.ch/en/publication/66491 (consulta em 13/11/2026)
- IEC, Helping to evaluate insulation faults, 3 de junho de 2022: https://iec.ch/blog/helping-evaluate-insulation-faults (consulta em 13/11/2026)
- Bouzar e colaboradores, Bridging the Accuracy-Robustness Gap in AI-Based Dissolved Gas Analysis for Power Transformer Diagnostics: A Critical Review, Applied Sciences, 2026: https://www.mdpi.com/2076-3417/16/15/7545 (consulta em 13/11/2026)
- ISO, ISO 23247-1:2021, Digital twin framework for manufacturing, Part 1: https://www.iso.org/standard/75066.html (consulta em 13/11/2026)
- NIST, AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework (consulta em 13/11/2026)

