Um vagão de sucata é descarregado sob o ímã, entre poeira e máquinas em movimento. Do lado de fora, um inspetor estima a olho quanto do que caiu não é metal. Segundo um artigo de 2026 sobre o tema, é dessa estimativa, subjetiva e feita em ambiente perigoso, que depende parte do consumo de energia, das emissões e da segurança na produção do aço.
A cena resume o que a inteligência artificial para metalurgia tem de concreto: casos de uso em que há imagem, sinal de sensor ou documento, uma decisão a melhorar e uma pessoa que continua responsável. A resposta à pergunta por onde começar quase nunca está no algoritmo. Está no dado que cada projeto exige e na governança que o cliente e a diretoria esperam encontrar.
Este artigo percorre a cadeia do metal: carga e sucata, aciaria e lingotamento, laminação e inspeção de superfície, manutenção e venda técnica. Fecha com governança e priorização. 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, Metais e metalurgia.
Onde a IA entra na cadeia do metal e que dado cada caso exige
Cada etapa da cadeia gera um tipo de dado: imagem na recepção e na inspeção, sinais na aciaria e na laminação, texto nas cotações. O caso de uso nasce do dado que já existe.
Uma cadeia com dados diferentes em cada elo
Na carga, o dado é a imagem do material que chega. Na aciaria e no lingotamento, são sinais de processo. Na laminação, imagens da superfície da tira e sinais de máquina. Na manutenção, vibração, temperatura e histórico de paradas. No comercial, texto: pedidos com descrição livre, fichas técnicas, certificados e histórico de cotações.
Uma revisão sobre manutenção preditiva em siderurgia descreve o setor como um beneficiário natural da IA, dado o grande impacto ambiental, o mercado globalizado e as condições de trabalho exigentes.
O identificador do lote como chave
Em metais, quase todo dado útil precisa ser ligado a um lote: uma corrida, uma bobina, uma carga de sucata, um pedido. Sem esse identificador, a imagem de um defeito não encontra o processo que o gerou, e a reclamação do cliente não encontra o sinal de máquina. A primeira tarefa de um projeto de IA em metais costuma ser, por isso, de dados mestres e de rastreabilidade.
O que a IA não decide
Nenhum dos casos abaixo substitui a responsabilidade técnica de quem assina o produto. A IA apoia a decisão com estimativa, alerta ou rascunho, e o registro de quem confirmou, corrigiu ou rejeitou é parte do sistema. Os artigos sobre indústria 4.0 e automação industrial tratam da camada que liga máquinas e software.
Como a IA entra na carga e na aciaria: sucata e lingotamento?
Na sucata, a IA estima contaminação e classe do material a partir de imagens. No lingotamento, a literatura mostra uso crescente de aprendizado de máquina para monitorar e controlar um processo complexo.
Sucata: da estimativa visual à estimativa assistida
Segundo o artigo de 2026, a qualidade da sucata afeta diretamente o consumo de energia, as emissões e a segurança na produção de aço, e a parcela de material não metálico é hoje julgada visualmente por inspetores. Os autores propõem um sistema que estima a contaminação em percentual a partir de imagens do descarregamento do vagão e classifica o tipo de sucata.
O melhor arranjo reportado chegou a erro médio absoluto de 0,27 e R2 de 0,83. Outro arranjo, que também classifica o tipo de sucata, chegou a F1 de 0,79 nessa tarefa. São resultados de pesquisa em uma operação específica, não metas para outra planta.
Incerteza e revisão do operador
O desenho do sistema é tão instrutivo quanto o resultado. O serviço de inferência é versionado, produz a estimativa por vagão com um índice de confiança, e o operador revisa com correções estruturadas. Os casos incertos e as correções alimentam um ciclo de aprendizado contínuo.
Outro artigo, de 2024, com 8.147 imagens de 9 classes de sucata ferrosa, usa a técnica de predição conforme para quantificar a incerteza de cada previsão e métodos de IA explicável para mostrar o que o modelo olhou. Os autores apontam a confiança do operador como obstáculo central, e o modelo de melhor desempenho passou de 95% de acerto médio.
Em sucata, a IA que mostra o quanto duvida de si vale mais do que a que só devolve um número.
Lingotamento contínuo
Uma revisão de 2021 no Journal of Intelligent Manufacturing abre com a frase de que o lingotamento contínuo é a rota mais importante de produção de aço hoje. O texto afirma que a complexidade do processo sobrecarrega as formas convencionais de monitoramento e controle, o que levou o aprendizado de máquina a um papel central. Os autores agrupam as técnicas em categorias e apontam desafios e direções de pesquisa.
Para a diretoria industrial, a leitura prática é de maturidade: é uma área de pesquisa ativa, e o ganho depende de integrar o modelo ao controle do processo, não de tê-lo em um relatório.

Inspeção de superfície e qualidade do produto laminado
A visão computacional detecta defeitos na superfície do laminado, mas poucos exemplos por classe e defeitos parecidos entre si fazem do dado o limite do projeto.
O que um benchmark mostra
Um artigo de 2024 na SN Computer Science avalia cinco detectores de defeitos em tiras de aço laminadas a quente, no conjunto de imagens da Northeastern University. O melhor modelo atingiu 77,28% de precisão média e os demais ficaram entre 70% e 75%. As classes são trinca fina, inclusão, manchas, superfície com pites, carepa laminada e riscos.
Os autores explicam que a aparência da chapa laminada a quente é fator central de aceitação e que defeitos não detectados podem levar a falha de equipamento, risco de segurança e parada cara.
Por que o defeito parecido é problema de dados
O artigo registra que o conjunto é pequeno, com poucas imagens por classe, o que obriga a usar aprendizado por transferência. Defeitos de classes diferentes, como carepa laminada, trinca fina e pites, têm propriedades parecidas, e a variação de iluminação e de material em imagens em tons de cinza dificulta a separação.
A lição para uma planta é prática: um benchmark público mostra que o problema é difícil, mas não substitui a coleta própria. Quem fotografa, em que condição de luz e com qual rotulagem decide mais do que o modelo escolhido.
Ligar o resultado ao lote e à reclamação
A visão computacional só gera valor se o resultado entrar no registro de não conformidade e na rastreabilidade do lote. A mesma imagem que classifica um defeito deve levar o número do lote, o ponto do processo e o destino do material, para que a reclamação de um cliente seja ligada à causa.
Manutenção preditiva em alto-forno e laminação: o que a literatura diz?
A literatura sobre manutenção preditiva em siderurgia se concentra em alto-forno e laminação a quente, e os desafios mais citados estão em implantar e integrar, não em modelar.
O que a revisão mapeia
Uma revisão publicada no arXiv em 2024 identificou 219 artigos sobre manutenção preditiva com IA na siderurgia. A maior parte trata do alto-forno ou da laminação a quente, com dados de sensores industriais, e o interesse cresce, em especial no uso de aprendizado profundo.
Os desafios apontados
Segundo o resumo, os principais desafios são implantar os métodos propostos em ambiente de produção, incorporá-los aos planos de manutenção e melhorar a acessibilidade e a reprodutibilidade das pesquisas. Em outras palavras, o gargalo está depois do modelo.
Do alarme à intervenção planejada
Um alarme só gera valor se a manutenção tiver tempo, peça e autoridade para agir. O desenho do fluxo de intervenção, com responsável e prazo de resposta, faz parte do escopo desde o início. A decisão da diretoria industrial é de criticidade: quais ativos entram primeiro, quem recebe o alarme e o que ele deve disparar.
Venda técnica assistida e cotação: o assistente que lê o pedido
Um assistente de IA apoiado no acervo técnico da própria empresa ajuda o comercial a ler pedidos com descrição livre e a responder com a ficha certa, sempre com revisão humana.
Casos de uso
O assistente consulta os documentos da empresa antes de responder, técnica conhecida como geração com recuperação de documentos. Quatro usos costumam ter caminho claro em centros de serviço, distribuidores e transformadores.
- Leitura do pedido: extrair grau, forma, dimensão, norma e quantidade de uma descrição escrita à mão.
- Busca de equivalências: sugerir graus ou itens próximos quando o pedido não existe no catálogo.
- Resposta técnica com fonte: redigir a resposta citando documento, versão e data.
- Conferência de documentos: comparar o que o pedido pede com o que o certificado do lote informa.
O artigo sobre IA para vendas B2B descreve usos no funil comercial.
O que o assistente não faz
O assistente não assume compromisso técnico, não inventa tolerância nem prazo 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.
Antes de liberar o assistente, monte um conjunto fixo de perguntas reais, com respostas aprovadas pela engenharia, e repita o teste a cada mudança de acervo ou de modelo. Se a taxa de acertos cair, a mudança não entra em produção.
O acervo é o limite
A qualidade das respostas não passa da qualidade do acervo. Fichas em versões conflitantes, tabelas em imagem e itens sem atributos geram respostas erradas com aparência de certeza. A organização desses dados é o mesmo trabalho de catálogo tratado no artigo de design estratégico deste segmento, agora aplicado ao uso interno.
Governança: como a IA resiste a uma auditoria do cliente
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.
Princípios da OECD em controles práticos
Os princípios de IA da OECD foram adotados em 2019, atualizados em maio de 2024 e contam com 47 adesões. São 5 princípios baseados em valores: crescimento inclusivo, desenvolvimento sustentável e bem-estar; direitos humanos e valores democráticos, incluindo equidade e privacidade; transparência e explicabilidade; robustez e segurança (security e safety); e responsabilização.
A página só nomeia os princípios. A tradução para controles é leitura editorial e compõe um arcabouço de governança de IA simples.
- Inventário: lista de sistemas de IA, com dono e finalidade.
- Registro: versão do modelo, dados de treino e testes antes de ir para produção.
- Revisão humana: pontos em que uma pessoa confirma ou reverte a decisão, com o registro da correção.
- Confiança declarada: índice de certeza por previsão e regra para os casos duvidosos.
- Plano de falha: o que fazer quando o modelo erra ou se degrada.
Explicabilidade onde há risco
No caso da sucata, o artigo de 2024 combina a quantificação de incerteza com métodos de IA explicável para que o operador veja que partes da imagem pesaram na classificação. É um exemplo de como transparência e explicabilidade viram recurso de tela, e não apenas texto de política.
Dados de processo e de cliente
Dado de processo é ativo competitivo, e dado de lote é parte do que se promete ao cliente. Decida o que sai da empresa, para quem, sob que contrato e por quanto tempo. Compartilhar o mínimo necessário, com rastro, protege a empresa e responde à auditoria do cliente.
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 |
|---|---|---|---|
| Sucata na recepção | Imagens do descarregamento, ligadas à classe e à contaminação medidas depois | Rótulo subjetivo e variação de luz e de fornecedor | Piloto em um ponto de descarga, com revisão do operador |
| Inspeção de superfície | Imagens anotadas por tipo de defeito, com lote | Poucos exemplos por classe e defeitos parecidos | Programa de coleta e rotulagem antes do modelo |
| Manutenção preditiva | Sinais de sensores e histórico de paradas | Falta de ciclos completos até a falha e falsos alarmes | Detecção de anomalia em ativos críticos |
| Venda técnica assistida | Acervo técnico versionado e histórico de cotações | 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 identificador de lote.
- 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 e acordo com a área de qualidade.
- Integração: ligação ao ERP, ao registro de não conformidade e à rotina de manutenção.
- Operação: monitoramento de desempenho, revisão periódica e plano de falha.
Cenário ilustrativo
Considere uma laminadora hipotética de aços longos, que compra sucata, tem um centro de serviço próprio e recebe cotações por e-mail. A diretoria tem três propostas na mesa: visão computacional na recepção de sucata, inspeção de superfície do laminado e um assistente de leitura de cotações. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que as imagens da recepção são guardadas por poucos dias e sem rótulo, que as reclamações de clientes trazem foto e número do lote, mas sem classificação do tipo de defeito, e que o ERP guarda anos de cotações com descrições livres e os pedidos resultantes.
Com esse quadro, a ordem tende a ser a da prontidão do dado: primeiro o assistente de cotações, com revisão humana, depois um programa de rotulagem a partir das reclamações, que abre caminho à inspeção, e por último o registro sistemático das imagens da recepção. 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, formato e lote, sobre o que o projeto exige
- Taxa de correção do operador sobre as estimativas do sistema
- Alertas confirmados e falsos alarmes na manutenção e na inspeção
- Tempo de resposta a cotações técnicas com fonte citada
- Sistemas de IA com dono, versão e registro de testes
Entre os erros mais comuns estão começar pelo modelo e não pelo dado, tratar o piloto como produto, medir só a precisão de um benchmark e liberar um assistente sem acervo organizado.
O que levar para a próxima reunião sobre IA na planta 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
A IA em metais depende primeiro do dado e do lote que o identifica. Sucata, lingotamento, inspeção, manutenção e venda técnica têm dados, riscos e primeiros passos diferentes, e a ordem certa é a da prontidão do dado, com revisão humana, índice de confiança 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 em mercado de commodity, o de design estratégico, de demanda e catálogo, e o de tecnologia e RevOps, de CRM e dados comerciais.
Quem opera processos contínuos e linhas de montagem encontra pontos de contato em indústria automotiva e em máquinas e equipamentos industriais. O índice completo está em Indústrias. A página de consultoria de inteligência artificial e o artigo sobre serviços de IA B2B 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. Os casos de uso de sucata, inspeção, lingotamento e manutenção foram lidos nas páginas dos artigos científicos, em periódicos e em repositórios de acesso aberto. Os princípios de governança vêm da página da OECD.
Os resultados de pesquisa citados valem para os conjuntos e as plantas estudados. A tradução dos princípios em controles, 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.
- arXiv, From Images to Decisions: Assistive Computer Vision for Non-Metallic Content Estimation in Scrap Metal, 2026: https://arxiv.org/abs/2602.07062 (consulta em 13/11/2026)
- arXiv, Towards Robust Ferrous Scrap Material Classification with Deep Learning and Conformal Prediction, 2024: https://arxiv.org/abs/2404.13002 (consulta em 13/11/2026)
- Journal of Intelligent Manufacturing, Machine learning in continuous casting of steel: a state-of-the-art survey, 2021 (registro da TU Graz): https://tugraz.elsevierpure.com/en/publications/machine-learning-in-continuous-casting-of-steel-a-state-of-the-ar (consulta em 13/11/2026)
- SN Computer Science, A Review and Benchmark on State-of-the-Art Steel Defects Detection, 2024 (repositório da Universidade de Glasgow): https://eprints.gla.ac.uk/315119/1/315119.pdf (consulta em 13/11/2026)
- arXiv, Artificial Intelligence Approaches for Predictive Maintenance in the Steel Industry: A Survey, 2024: https://arxiv.org/abs/2405.12785 (consulta em 13/11/2026)
- OECD.AI, OECD AI Principles overview: https://oecd.ai/en/ai-principles (consulta em 13/11/2026)

