Às três da manhã, a máquina de papel para. A folha rompeu no começo da seção úmida, e o turno inteiro gira em torno de uma tarefa: limpar, passar a ponta de novo e voltar à velocidade de operação. Na manhã seguinte, o gerente industrial faz a pergunta de sempre, e a resposta quase sempre é uma lista de hipóteses. O dado do que aconteceu existe, espalhado entre o sistema de controle, o laudo do laboratório e o caderno do operador.
A inteligência artificial na indústria de papel, celulose e embalagens começa nessa distância entre o dado que a fábrica produz e o dado que alguém consegue usar. Os candidatos a primeiro projeto são conhecidos: prever a quebra de folha, inspecionar a superfície e a estrutura do papelão, otimizar o corte e o estoque, e prever a demanda de uma cadeia que depende do cliente do cliente.
Este artigo olha o segmento por essa lente. Mostra o que cada caso de uso exige de dados, o que a literatura permite afirmar e como organizar a governança. 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, Papel, celulose e embalagens.
Onde a IA tem dado e valor na cadeia de papel e embalagens
Cada elo da cadeia tem um caso de uso natural, e a ordem certa é a da prontidão do dado, não a da novidade da técnica.
Processo contínuo e processo em lote
A máquina de papel é um processo contínuo: uma folha que corre em alta velocidade e depende de dezenas de variáveis medidas em tempo real. A ondulação do papelão também é contínua. Já a conversão em caixas, o corte em bobinas menores e a expedição são processos em lote, com ordens, formatos e prazos. Cada tipo de processo gera um dado diferente e pede uma técnica diferente.
No contínuo, o dado é de sensor, e o desafio é detectar um desvio antes da ruptura. No lote, o dado é de pedido, e o desafio é combinar formatos, estoque e prazo com o menor desperdício.
Quatro casos de uso e o dado de cada um
| Caso de uso | Dado necessário | Risco principal | Primeiro passo |
|---|---|---|---|
| Quebra de folha e manutenção preditiva | Variáveis do sistema de controle, sensores de processo, histórico de paradas | Poucas rupturas rotuladas e alarmes sem ação definida | Detecção de anomalia em uma máquina, com fluxo de intervenção |
| Inspeção por visão computacional | Imagens de peças conformes e com defeito, com rótulo da inspeção | Defeito raro e variação de iluminação e de material | Piloto em um posto, com revisão humana dos descartes |
| Corte e estoque | Carteira de pedidos, larguras, estoque de bobinas e sobras | Modelo que ignora regras reais da fábrica | Otimizador alimentado pelo ERP, comparado ao plano manual |
| Previsão de demanda | Histórico por cliente, setor e produto, e programações dos clientes | Modelo único para séries com comportamentos diferentes | Previsão por nível da hierarquia, medida contra a realidade |
O dado da fábrica é seu
Nenhum fornecedor externo tem os sinais da sua máquina, as imagens da sua linha ou o histórico dos seus pedidos. Esse é o insumo dos quatro casos, e a primeira decisão é de captação: o que é registrado, por quanto tempo, em que formato e sob a responsabilidade de quem.
Os artigos sobre indústria 4.0 e automação industrial tratam da camada que liga máquinas e software.
Quebra de folha e manutenção preditiva: o que a literatura permite afirmar?
A literatura mostra que a quebra de folha é um problema antigo de custo relevante e que os modelos dependem de dados de processo medidos com disciplina.
O peso de uma parada
Uma patente concedida em 1999, sobre a previsão de rupturas na seção úmida de máquinas de papel, afirma no seu histórico que cerca de 1,6 hora de produção por dia se perde, em média, o equivalente a cerca de 6,66% da produção anual. É uma estimativa do documento, e não uma medição auditada. Mesmo assim, indica a ordem de grandeza do problema e por que ele atrai projetos desde a década de 1990.
O custo real varia com a máquina, o produto e a velocidade. Cada fábrica deve medir o próprio, a partir do histórico de paradas, antes de justificar qualquer investimento.
O que um estudo clássico fez
Em 1999, o Japan Tappi Journal publicou o uso de redes neurais para diagnosticar rupturas em uma máquina de papel jornal comercial. Os autores combinaram dados do sistema de controle da máquina com sensores instalados para o estudo na seção úmida, que medem potencial zeta, retenção na primeira passagem, condutividade e pH. Segundo o resumo, houve menos rupturas, menos perda de fibra no efluente e menos tempo de operadores com limpeza e reinício.
O resumo não traz percentuais, então não se deve copiar um número dele. A lição é de método: o modelo só avançou porque a fábrica instalou sensores que não existiam. Primeiro o dado, depois o algoritmo.
Por onde começar
Como rupturas são raras diante da operação normal, é mais realista começar pela detecção de comportamento fora do padrão e só depois tentar prever o tempo até a ruptura. A decisão da diretoria industrial é de calendário e de criticidade: qual máquina entra primeiro, quem recebe o alarme e o que ele deve fazer.
O alarme só gera valor se a manutenção tiver tempo, peça e autoridade para agir. O fluxo de intervenção, com responsável e prazo de resposta, faz parte do escopo desde o início.
Um alarme sem fluxo de intervenção é só mais um ruído no painel.

Visão computacional no papelão ondulado: o que já funciona em laboratório?
Estudos recentes mostram classificação precisa de estruturas do papelão em bancada, mas a inspeção em linha, em movimento, é um problema de dados e de implantação diferente.
O que o estudo de classificação de ondas mostrou
Um artigo de 2024 na revista Sensors usou redes neurais convolucionais para classificar o tipo de onda do papelão a partir de imagens da seção transversal, inclusive em amostras deformadas. Eram sete classes de onda mais uma classe para quando não há amostra, com 210 imagens por classe, 1.680 no total. O melhor modelo teve acurácia média de 99,04% nos quatro conjuntos de teste.
Segundo os autores, o papelão é usado principalmente para embalar alimentos e transportar mercadorias, e o tipo de onda influencia fortemente as propriedades mecânicas. Por isso a classificação importa para quem compra e para quem fabrica.
Os limites do estudo
Dos 10 erros observados, 9 eram amostras amassadas ou vincadas, e 9 eram de papelão de três camadas. O estudo não incluiu amostras inclinadas nem com delaminação, os conjuntos de teste são pequenos, com 264 imagens, e os dados estão disponíveis mediante solicitação.
É um resultado de bancada, em condições controladas. Não prova que o mesmo desempenho vale numa linha em movimento, com poeira, vibração e variação de luz, e a decisão de inspeção em linha não deve se apoiar nele.
Da bancada à linha
Em uma linha, a visão computacional analisa imagens de peças e sinaliza o que foge do padrão. O trabalho começa antes do modelo: onde a câmera fica, como a luz é controlada, quem rotula as imagens e que critério a equipe de inspeção usa para chamar algo de defeito.
O resultado precisa alimentar o registro de não conformidade e a rastreabilidade do lote. Um modelo que decide sobre peças tem versão, dono e registro, como qualquer etapa do processo. Em um piloto, a revisão humana dos descartes mostra se o modelo erra por excesso ou por falta.
Otimização de corte e de estoque: onde a matemática tem histórico
Cortar bobinas grandes em larguras de pedido é um problema clássico de otimização, com soluções integradas ao ERP já descritas para fábricas reais de papel.
O problema do corte
Uma fábrica de papel produz bobinas largas e as divide em bobinas menores conforme as larguras pedidas pelos clientes. Combinar pedidos para aproveitar a largura útil, sem produzir a mais nem a menos, é o chamado problema de corte de estoque. Cada combinação de larguras é um padrão de corte, e trocar de padrão tem custo de preparação.
Um artigo de 2014 no European Journal of Operational Research descreve técnicas desenvolvidas para problemas reais da indústria de papel e integradas ao sistema de gestão da empresa. Entre os problemas tratados está a minimização simultânea do número de bobinas e do número de padrões, sem permitir sobreprodução. Os autores desenvolveram novas abordagens de geração de colunas para dois casos e testaram os métodos com dados reais.
Estoque, sobras e formato
Fábricas de papelão ondulado e de embalagens têm um problema parecido, com folhas e bobinas de largura fixa e caixas de dimensões variadas. Sobras que podem voltar ao estoque e ser usadas em pedidos futuros mudam a conta, e o planejador precisa de regras claras para decidir quando guardar e quando descartar.
O que a literatura mostra é o caminho: o otimizador funciona quando recebe os dados corretos do ERP e respeita as regras da fábrica, como largura mínima de sobra, limites da máquina e prazos prometidos.
Comparar com o plano manual
O primeiro passo prático é rodar o otimizador em paralelo ao plano do programador, sobre pedidos passados, e comparar perda de aparas, número de trocas de padrão e atraso. O programador conhece restrições que o dado ainda não registra, e a conversa com ele melhora o modelo.
Previsão de demanda numa cadeia derivada
A demanda por embalagem acompanha a dos setores clientes, e a previsão funciona melhor quando respeita a hierarquia de clientes, setores e produtos, não uma série única.
Hierarquias e séries agrupadas
O livro aberto de Rob Hyndman e George Athanasopoulos, da Universidade Monash, inclui um tema dedicado a séries temporais hierárquicas e agrupadas. Na fábrica, a demanda se organiza assim: total por unidade, por setor do cliente, por cliente, por estilo de embalagem. As previsões de cada nível precisam ser coerentes entre si, ou o planejamento e o comercial vão trabalhar com números que não fecham.
A previsão de demanda em cada nível serve a um decisor diferente: o planejamento de matéria-prima olha o total, o comercial olha o cliente, e a programação da produção olha o estilo.
Programações de clientes e sazonalidade
O histórico não basta. Uma indústria de alimentos que embala frutas tem safra, e uma que vende pela internet tem datas promocionais. Entram no modelo os planos de produção que o cliente compartilha, os prazos de matéria-prima e as vendas por canal. Quando o cliente não compartilha, o desenho de um canal de dados entre as empresas vira parte do projeto.
Do erro de previsão à decisão
Uma previsão vale quando muda uma decisão: o estoque de segurança de papel, a programação da corrugadora, a reserva de capacidade para um cliente sazonal. O erro de previsão, sozinho, não é o resultado. O resultado é o serviço entregue ao cliente com o capital em estoque sob controle.
Dados e 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, adotados em maio de 2019 e revisados em maio de 2024, são cinco, baseados em valores: crescimento inclusivo, desenvolvimento sustentável e bem-estar; direitos humanos e valores democráticos, incluindo justiça e privacidade; transparência e explicabilidade; robustez, segurança e proteção; e responsabilização.
A página nomeia os princípios. A tradução em 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 do sistema.
- Plano de falha: o que fazer quando o modelo erra ou se degrada.
Dados de clientes e confidencialidade
O desenvolvimento de uma embalagem envolve projetos, artes e planos de lançamento que pertencem ao cliente. Esses arquivos não devem ser enviados a ferramentas externas de IA sem contrato que defina uso, retenção e confidencialidade. A regra vale para o projetista, para o comercial e para quem testa um assistente.
Segurança e confiança no modelo
Alarmes de máquina e decisões de inspeção podem alterar a operação, então precisam de limites ajustáveis, revisão humana dos casos críticos e separação entre o ambiente de teste e o de produção. Quem tem essas respostas escritas entra numa auditoria de cliente com o que mostrar.
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.
Método em 6 etapas
- Inventário: dados, sistemas e processos existentes, com dono, formato e período de retenção.
- 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 engenharia e a inspeção.
- Integração: ligação ao ERP, ao sistema de manutenção e à rotina de produção.
- Operação: monitoramento de desempenho, revisão periódica e plano de falha.
Cenário ilustrativo
Considere uma fabricante hipotética de papel para embalagem e de papelão ondulado. A diretoria tem três propostas na mesa: prever rupturas na máquina de papel, inspecionar o papelão por imagem e otimizar o corte das bobinas. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que o sistema de controle guarda as variáveis da máquina, mas que as paradas são registradas à mão, sem causa padronizada. As imagens de inspeção não são guardadas. Os pedidos e as larguras estão no ERP há anos, com boa organização.
Com esse quadro, a ordem tende a ser a da prontidão do dado: otimização de corte primeiro, em paralelo ao plano manual, e em seguida a padronização do registro de paradas e a guarda das imagens, que abrem caminho aos outros dois projetos. A decisão da diretoria é sobre sequência, e não sobre qual tecnologia é mais atraente.
Indicadores para acompanhar
- Cobertura de dados por caso de uso: o que existe, com dono e formato, sobre o que o projeto exige
- Horas de parada por causa, com a causa padronizada no registro
- Alertas confirmados e alarmes falsos na manutenção e na inspeção
- Perda de aparas e trocas de padrão de corte, comparadas ao plano manual
- Erro de previsão por nível da hierarquia e nível de serviço por cliente
- Sistemas de IA com dono, versão e registro de testes
Erros comuns
- Começar pelo modelo e não pelo dado
- Tratar o piloto como produto
- Aplicar um único modelo de previsão a todos os níveis e a todos os clientes
- Instalar o alarme sem definir quem age e em quanto tempo
- Enviar arquivos de clientes a ferramentas externas sem contrato
O que levar para a próxima reunião sobre IA na fábrica 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 no segmento depende primeiro do dado e da governança. A quebra de folha e a manutenção preditiva pedem sensores e fluxo de intervenção, a visão computacional pede imagens rotuladas e revisão humana, o corte pede integração ao ERP e a previsão de demanda pede respeito à hierarquia dos clientes.
A ordem certa é a da prontidão do dado, com registro desde o início e confidencialidade para o que pertence ao cliente.
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, do funil de desenvolvimento e da cotação.
Quem opera processos contínuos encontra pontos de contato em metais e metalurgia e em química e petroquímica. O índice completo está em Indústrias. A página de consultoria de inteligência artificial e o artigo sobre IA para vendas 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. A estimativa de perda por ruptura vem de uma patente, o estudo de diagnóstico de rupturas foi lido na página do periódico, e a classificação de ondas, na página do estudo publicado na Sensors.
O problema de corte foi lido no registro do artigo do European Journal of Operational Research, a previsão hierárquica, no livro aberto de Hyndman e Athanasopoulos, e os princípios de governança, na página da OECD. A tabela de priorização, a tradução dos princípios em controles, o cenário e o método em 6 etapas são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 13/11/2026.
- Google Patents, US5942689A, System and method for predicting a web break in a paper machine: https://patents.google.com/patent/US5942689A/en (consulta em 13/11/2026)
- Japan Tappi Journal, Using Neural Networks to Diagnose Web Breaks on a Newsprint Paper Machine, 1999 (J-STAGE): https://www.jstage.jst.go.jp/article/jtappij1955/53/2/53_2_157/_article/-char/en (consulta em 13/11/2026)
- Sensors, In-Situ Classification of Highly Deformed Corrugated Board Using Convolution Neural Networks, 2024 (PubMed Central): https://pmc.ncbi.nlm.nih.gov/articles/PMC11154475/ (consulta em 13/11/2026)
- Julia Kallrath e outros, Solving real-world cutting stock-problems in the paper industry, European Journal of Operational Research, 2014 (EconPapers): https://econpapers.repec.org/RePEc:eee:ejores:v:238:y:2014:i:1:p:374-389 (consulta em 13/11/2026)
- Rob Hyndman e George Athanasopoulos, Forecasting: Principles and Practice, 3ª edição: https://otexts.com/fpp3/ (consulta em 13/11/2026)
- OECD.AI, OECD AI Principles: https://oecd.ai/en/ai-principles (consulta em 13/11/2026)

