Um sensor de bomba envia ao sistema de monitoramento um valor que o cadastro chama de corrente do motor. Quem conhece o equipamento olha o número e estranha. Em campo, descobre-se que o dado não é amperagem, e sim um percentual: a etiqueta do sinal estava errada. O caso foi relatado por uma revista técnica da indústria do petróleo, a partir de uma instalação de energia com bombas, e ilustra o primeiro problema de qualquer projeto de IA em ativos: o dado.
Este artigo trata da inteligência artificial para petróleo e gás por essa porta: dados, casos de uso e governança. O leitor é o fornecedor da cadeia, a produtora de derivados e lubrificantes e o comprador técnico que pergunta, a cada proposta, se o dado do fornecedor aguenta uma auditoria. O texto mostra o que o segmento já padroniza em dados de confiabilidade, o que os casos publicados de manutenção preditiva ensinam, como pensar em dados de processo e em previsão de demanda de derivados, onde documentos e atendimento técnico entram 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, Petróleo, gás e óleos.
Onde a IA já está no segmento e onde o dado limita
A IEA descreve a indústria de petróleo e gás como adotante precoce de IA, mas observa que instalações antigas nem sempre têm infraestrutura para acomodá-la.
O que o relatório Energy and AI registra
No relatório Energy and AI, de 2025, a Agência Internacional de Energia lista aplicações de IA no segmento: processamento de dados de subsolo, simulação de reservatórios, operação remota, manutenção preditiva, conformidade regulatória e detecção e reparo de vazamentos. Como indício da escala computacional, o texto informa que o número de supercomputadores de empresas de petróleo e gás entre os 500 mais rápidos do mundo passou de 11, em 2000, para 24, em 2024, e que a capacidade total cresceu quase 70% ao ano.
Uma plataforma típica opera dezenas de milhares de sensores, que medem temperatura, pressão e vazão e geram terabytes de dados, segundo o relatório. É a matéria-prima de qualquer modelo, e é também o lugar onde a etiqueta errada de um sinal passa despercebida.
O limite está na instalação, não no algoritmo
O mesmo relatório observa que muitas instalações foram construídas há tempo e não têm necessariamente a infraestrutura que a IA exige. Adaptá-las custa dinheiro, o que torna a aplicação menos atraente. Para uma nova instalação marítima em águas profundas, a IEA estima, em um cenário de adoção ampla, que intervenções com IA poderiam reduzir em até 10% o custo de encontrar, desenvolver e operar o campo.
O número é de um cenário modelado pela agência, com hipóteses próprias, e não um resultado observado. Serve para ordenar a pergunta: antes da promessa de ganho, vem a pergunta sobre o que a instalação consegue medir, registrar e transmitir.
O dado de ativos: o que a ISO 14224 padroniza e o que a planta precisa registrar
A ISO 14224 define uma linguagem comum para dados de confiabilidade e manutenção de equipamentos. É a base para qualquer modelo que preveja falha.
A linguagem de confiabilidade
A ISO 14224:2016 oferece uma base para coletar dados de confiabilidade e manutenção, em formato padrão, de equipamentos de instalações e operações das indústrias de petróleo, gás natural e petroquímica, durante o ciclo de vida do equipamento. A norma descreve princípios de coleta e termos que formam uma linguagem de confiabilidade, e os modos de falha que define funcionam como um vocabulário para análises quantitativas e qualitativas. Ela também descreve práticas de controle e garantia da qualidade dos dados.
A norma define o mínimo a coletar em três categorias: dados do equipamento (taxonomia e atributos), dados de falha (causa e consequência) e dados de manutenção (ação, recursos usados, consequência e tempo parado). Seu objetivo declarado é facilitar a troca de informação entre plantas, proprietários, fabricantes e contratados. A edição de 2016 foi confirmada em 2022.
O que a norma deixa de fora
A ISO 14224 não trata de dados de custo diretos, de dados de ensaios de laboratório e de fabricação nem de fichas completas de equipamento. Também não define métodos de análise. A norma é, portanto, um padrão de registro, e a análise e o modelo continuam sendo decisão da empresa.
Por que isso importa para fornecedor e produtora
Quando o cliente organiza falhas e intervenções nesse vocabulário, o fornecedor que registra os seus serviços na mesma linguagem devolve dado utilizável. Na produtora de derivados e lubrificantes, os mesmos conceitos servem a bombas de transferência, compressores, linhas de envase e frota. O ganho está em comparar falhas entre ativos e entre unidades sem traduzir termos a cada relatório.
Checklist de prontidão do dado
- Cadastro de equipamentos com taxonomia única e atributos preenchidos
- Falhas com causa e consequência registradas, e não apenas a ordem de serviço aberta
- Toda manutenção passando pelo sistema de ordens de serviço, inclusive a feita em campo
- Etiquetas dos sinais conferidas contra o que o instrumento mede
- Histórico digitalizado e acessível para o período usado no treino
Antes do modelo vem a etiqueta: um sinal mal nomeado ensina o modelo a errar com confiança.

Manutenção preditiva em ativos rotativos: o que os casos publicados mostram?
Os casos publicados mostram alertas com horas de antecedência, mas também que dados de manutenção incompletos e a revisão humana dos alertas definem prazo e resultado.
Um piloto em compressores: metade das falhas, com horas de aviso
Um artigo de 2018 do Journal of Petroleum Technology, da SPE, resume um estudo apresentado em conferência sobre sistemas de compressão associados a perdas de produção. Como as condições normais predominam, os autores treinaram um classificador de uma só classe apenas com dados normais, para sinalizar o que se afasta do padrão. O texto avisa que o trabalho não passou por revisão por pares.
Com dados históricos de 2016, o sistema de prova de conceito previu 11 desarmes, quase metade das 23 falhas do período. Em um caso, avisou com 36 horas de antecedência, e a mediana de aviso nos 8 eventos analisados depois foi de cerca de 7 horas. O resultado mostra o que a técnica entrega e o que não entrega: antecedência útil, sem cobertura total.
Dois anos em plataformas de águas profundas: o dado de manutenção atrasou o primeiro modelo
Um artigo de 2025 da mesma revista descreve um projeto de 24 meses em duas plataformas de águas profundas do Golfo do México, com turbinas, compressores de gás, bombas e o sistema de glicol. Os modelos combinaram séries temporais de sensores com eventos do sistema de gestão de manutenção e relatórios diários. Os dados passaram de planilhas manuais para uma interface automática de integração.
O primeiro modelo só entrou em operação 6 meses depois do início, por falta de dados adequados. O relatório conclui que parte do histórico estava incompleta, porque nem toda manutenção passava pelo sistema de ordens de serviço. Os alertas gerados eram classificados como verdadeiros ou falsos e devolvidos à equipe de modelagem para retreinar os modelos, e os verdadeiros viravam notificações de manutenção. Os autores recomendam uma verificação de prontidão dos dados no início do projeto.
Confiança e ação: o alerta que ninguém segue
Outro artigo da revista, de 2020, sobre bombas de alta energia, afirma que os benefícios só aparecem quando o operador confia na informação. Descreve que as falhas de bomba ocorrem pouco e que a maioria dos operadores não tem o histórico digitalizado, o que levou ao uso de aprendizado não supervisionado com modelagem física. A combinação de dois resultados independentes permitiu identificar um rolamento em condição de pré-falha, abaixo dos limites de alarme de vibração e de temperatura.
A lição é de processo. O alerta precisa de um responsável, de peça e de janela de parada, e a equipe de campo precisa de espaço para validar o que o modelo aponta.
Um alerta sem dono, sem peça e sem janela de parada é só mais um alarme.
Dados de poço, de processo e previsão de demanda de derivados
Dados de poço e de processo pedem modelos que respeitem a física do ativo, e a previsão de demanda de derivados pede método escolhido pelo padrão de cada produto.
Subsolo e reservatório
Para quem presta serviços de poço ou fornece dados e ferramentas à exploração, a IEA descreve o uso de aprendizado de máquina para sintetizar perfis de poço, dados sísmicos e informações de produção. Os modelos de simulação de reservatório usam de 2 a 10 terabytes de dados, e o relatório cita a modelagem com aprendizado de máquina guiado pela física, que ajuda a representar comportamentos mais complexos.
O ponto para a diretoria é de escopo. Esses projetos dependem de dado de campo que pertence ao cliente, e o fornecedor precisa definir contratualmente o que pode ler, guardar e reutilizar.
Dados de processo e detecção de anomalia
Em refino, tratamento e envase, os sinais de processo se parecem com os de ativos rotativos: muitos sensores, poucos eventos raros e histórico rotulado em falta. O caminho mais realista é começar pela detecção de comportamento fora do padrão e só depois tentar estimar vida útil ou causa raiz. O aprendizado de máquina não substitui o engenheiro de processo, que valida o que é anomalia e o que é operação normal em condição incomum.
Previsão de demanda de derivados e lubrificantes
A previsão de demanda sustenta decisões de estoque, de programação de envase e de logística de entrega. Produtos de giro contínuo e itens de saída esparsa, como embalagens especiais, pedem métodos diferentes, e vale classificar o padrão de cada código antes de escolher o modelo. Entram, além do histórico, os pedidos das grandes contas, o calendário de paradas programadas de clientes industriais e o uso da frota.
O erro de previsão, sozinho, não é o resultado. O resultado é o nível de serviço entregue ao cliente com o capital em estoque sob controle.
Documentos, conformidade e atendimento técnico com IA
Um assistente apoiado no acervo técnico da empresa ajuda a responder cotações e dúvidas de aplicação, desde que cite a fonte e passe por revisão humana.
Casos de uso
O assistente consulta documentos da própria empresa antes de responder, uma técnica conhecida como geração com recuperação de documentos. A IEA inclui a conformidade regulatória entre as aplicações de IA do segmento. Cinco usos costumam ter retorno claro.
- Triagem de cotações: ler o pedido, extrair requisitos e compará-los com o portfólio.
- Busca de equivalências: encontrar produtos próximos quando o item pedido não existe.
- Respostas técnicas com fonte: redigir a resposta citando documento, versão e data.
- Apoio ao cadastro: preencher questionários de qualificação com respostas já aprovadas e apontar documentos com validade vencida.
- Suporte ao pós-venda: consultar histórico de entregas, lotes e documentos de um cliente.
O artigo sobre IA para vendas B2B descreve usos no funil comercial.
O que a IA não pode fazer
O assistente não assume compromisso técnico, não inventa especificação e não responde sem fonte. Ele nunca substitui a ficha de segurança vigente: a resposta aponta o documento e a versão. 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, vale montar um conjunto fixo de perguntas reais, com respostas aprovadas pela engenharia, e reaplicá-lo a cada mudança de acervo ou de modelo. Se a taxa de respostas corretas 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, PDFs escaneados e produtos 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, aplicado agora ao uso interno.
Governança: como a IA resiste a uma auditoria do cliente?
Governança de IA é o conjunto de política, responsáveis, gestão de risco, controle de dados e monitoramento que permite explicar, auditar e corrigir o que o sistema faz.
O que a ISO/IEC 42001 pede
A ISO/IEC 42001, publicada em dezembro de 2023, é apresentada pela ISO como o primeiro padrão de sistema de gestão de IA. Ela especifica requisitos para estabelecer, implementar, manter e melhorar continuamente esse sistema em organizações que fornecem ou usam produtos e serviços baseados em IA, com o ciclo de planejar, fazer, verificar e agir. A norma trata de ética, transparência e aprendizado contínuo e propõe uma abordagem integrada, da avaliação de riscos ao tratamento deles.
A própria ISO explica que o padrão não olha os detalhes de cada aplicação. Ele oferece um modo de gerir riscos e oportunidades de IA na organização inteira, e vale para qualquer setor.
Controles práticos para o segmento
A tradução para controles é leitura editorial e compõe um arcabouço de governança de IA simples.
- Inventário: lista de sistemas de IA, com dono, finalidade e dados usados.
- 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, sobretudo nos alertas críticos de manutenção.
- Plano de falha: o que fazer quando o modelo erra ou se degrada.
- Controle de qualidade dos dados: conferência contínua das etiquetas e das fontes, como pede a própria ISO 14224.
Um cliente que audita o fornecedor pode perguntar quem responde pelo modelo, com que dados ele foi treinado, como é testado e o que acontece quando erra. Quem tem essas respostas escritas entra na conversa com vantagem.
Dados do cliente e dados compartilhados
Dado de operação é ativo do cliente. O contrato precisa dizer o que o fornecedor pode ler, por quanto tempo guarda, se pode usá-lo para treinar modelos de outros clientes e como o devolve ao fim do serviço. Compartilhar o mínimo necessário, com rastro, protege as duas partes e prepara a empresa para a pergunta de auditoria.
Por onde começar: priorização, cenário 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 de ativos rotativos | Sinais de sensores, ordens de serviço e histórico de falhas | Histórico incompleto e falsos alertas | Detecção de anomalia em ativos críticos, com verificação de prontidão do dado |
| Análise de dados de processo e de poço | Séries de processo, perfis e produção, com etiquetas conferidas | Etiqueta errada e dado que pertence ao cliente | Auditoria de sinais e acordo contratual sobre uso do dado |
| Previsão de demanda de derivados | Histórico por produto e região, pedidos de grandes contas e calendário de clientes | Um só método para padrões diferentes de demanda | Classificar os produtos por padrão de demanda |
| Documentos e conformidade | Fichas, certificados e questionários com versão e validade | Resposta sem fonte ou com versão antiga | Assistente interno com citação obrigatória da fonte |
| Atendimento técnico assistido | Acervo técnico versionado e histórico de dúvidas | Compromisso técnico assumido sem revisão | Piloto com revisão humana e conjunto fixo de perguntas |
Método em 6 etapas
- Inventário: dados, sistemas e processos existentes, com dono e formato.
- Priorização: valor esperado, prontidão do dado e risco de cada caso de uso.
- Verificação de prontidão: amostra do dado, conferência de etiquetas e de registros de manutenção.
- Piloto: escopo pequeno, critério de saída escrito e revisão humana.
- Validação e governança: testes, registro de versão e acordo com o cliente sobre o uso do dado.
- Operação: integração à rotina de manutenção e ao ERP, monitoramento e plano de falha.
Os artigos sobre indústria 4.0 e automação industrial tratam da camada que liga máquinas e software.
Cenário ilustrativo
Considere uma produtora hipotética de derivados e lubrificantes, com uma unidade de envase, frota própria de entrega e um acervo de documentos técnicos. A diretoria tem três propostas na mesa: manutenção preditiva nas bombas de transferência e nas linhas de envase, previsão de demanda por produto e região e um assistente de documentos para a equipe técnica. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que parte dos reparos é feita sem ordem de serviço, que os pedidos estão organizados no ERP há anos e que o acervo técnico tem várias versões da mesma ficha. As etiquetas dos sinais das bombas nunca foram conferidas contra o instrumento.
Com esse quadro, a ordem tende a ser a da prontidão do dado: previsão de demanda primeiro, depois a disciplina de registrar toda manutenção e conferir as etiquetas, o que abre caminho à manutenção preditiva. O assistente de documentos entra por último, depois de organizar o acervo. 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
- Alertas confirmados e falsos alertas na manutenção, com antecedência média do aviso
- Erro de previsão por padrão de demanda e nível de serviço por produto
- 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, ignorar etiquetas e ordens de serviço incompletas, aplicar um único método de previsão a todos os produtos e liberar um assistente sem acervo organizado.
O que levar para a próxima reunião sobre IA na operação 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 petróleo, gás e óleos depende primeiro do dado e da governança. O segmento tem um padrão de registro de confiabilidade, e os casos publicados de manutenção preditiva mostram que o prazo do projeto é decidido pela qualidade do registro de manutenção e pela revisão humana dos alertas.
Manutenção preditiva, dados de processo, previsão de demanda, documentos e atendimento têm dados, riscos e primeiros passos diferentes, e a ordem certa é a da prontidão do dado.
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 catálogo técnico, e o de tecnologia e RevOps, do funil de cadastro e dos dados comerciais.
Quem opera processos e ativos parecidos encontra pontos de contato em química e petroquímica e em equipamentos elétricos e energia. 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. As aplicações de IA no segmento e os dados de escala vêm do relatório Energy and AI, da Agência Internacional de Energia. A estrutura de dados de confiabilidade vem da página da ISO 14224, e a governança, da página da ISO/IEC 42001.
Os casos de manutenção preditiva foram lidos em três artigos do Journal of Petroleum Technology, da SPE. A tradução dos requisitos 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.
- IEA, Energy and AI, 2025: https://www.iea.org/files/de9dea13-b07d-42c5-a398-d1b3ae17d866/EnergyandAI.pdf (consulta em 13/11/2026)
- ISO, ISO 14224:2016, Petroleum, petrochemical and natural gas industries, Collection and exchange of reliability and maintenance data for equipment: https://www.iso.org/standard/64076.html (consulta em 13/11/2026)
- Journal of Petroleum Technology, Predictive-Maintenance Approach Uses Machine Learning To Increase Efficiency, 2018: https://doi.org/10.2118/1218-0055-jpt (consulta em 13/11/2026)
- Journal of Petroleum Technology, Framework for AI- and ML-Based Predictive Maintenance for Offshore Rotating Equipment, 2025: https://jpt.spe.org/framework-for-ai-and-ml-based-predictive-maintenance-for-offshore-rotating-equipment (consulta em 13/11/2026)
- Journal of Petroleum Technology, Machine Learning Is Not Enough, 2020: https://jpt.spe.org/machine-learning-not-enough (consulta em 13/11/2026)
- ISO, ISO/IEC 42001:2023, AI management systems: https://www.iso.org/standard/42001 (consulta em 13/11/2026)

