Uma injetora sinaliza alarme às 3h da manhã. O operador ajusta a pressão de recalque, as peças voltam a sair com o peso certo e o turno segue. Nada disso fica registrado além de uma anotação no caderno da máquina. Na segunda-feira, a qualidade do cliente devolve um lote com rebarba, e ninguém consegue dizer com certeza o que mudou na madrugada de sábado.
A pergunta que a diretoria faz depois de episódios assim é se a inteligência artificial poderia ter evitado o problema. A resposta honesta é que a IA para indústria de plásticos e borracha depende, antes de tudo, do dado que a fábrica guarda. Sem registro do processo, nenhum modelo aprende. Com registro, alguns usos já têm base em pesquisa publicada e podem começar pequenos.
Este artigo olha o segmento pela lente da inteligência artificial. Mostra o que a fábrica costuma registrar e o que falta, o que a pesquisa diz sobre prever a qualidade da peça a partir do processo, onde entra a inspeção visual, como apoiar a cotação técnica com fonte, quem é dono dos desenhos e dos dados de clientes e como tratar a oscilação da matéria-prima reciclada. O artigo se liga à página do segmento, Plásticos e borracha.
O dado do setor: o que a fábrica registra e o que ela ainda perde
Uma injetora moderna gera dado a cada ciclo, mas boa parte da indústria ainda guarda só o resultado final. O primeiro trabalho de IA é descobrir o que já existe.
Um setor grande, de muitas fábricas médias
O Preview do Perfil 2023 da ABIPLAST registra 12,5 mil empresas transformadoras de plástico, com 363,4 mil empregos, e 7,04 milhões de toneladas de produtos plásticos fabricados no país em 2023. Na borracha, a reportagem da Autodata com dados da Abiarb fala em cerca de 2,5 mil empresas ativas. São fábricas de portes muito diferentes, com máquinas de gerações diferentes, e o nível de dado varia na mesma proporção.
Três camadas de dado
Na prática, o dado de uma fábrica de plástico ou de borracha costuma estar em três camadas, com qualidades diferentes.
- Máquina: pressões, temperaturas, tempos de ciclo e alarmes. Existe nas máquinas mais novas, mas nem sempre é exportado ou guardado.
- Qualidade: medições, defeitos encontrados, refugo e devoluções. Costuma existir em planilha ou no sistema de qualidade, nem sempre ligado ao lote e à máquina.
- Comercial: cotações, pedidos, desenhos recebidos e histórico de cada cliente. Fica no ERP, no CRM e em caixas de e-mail.
O valor da IA aparece quando duas camadas se encontram: o parâmetro da máquina ligado ao defeito do lote, ou o desenho recebido ligado à cotação que venceu ou perdeu.
O que isso pede antes de qualquer modelo
Antes de contratar ferramenta, vale um inventário simples: que máquinas exportam dado, por quanto tempo ele fica guardado, se o lote produzido é ligado à máquina e ao turno e se o defeito é registrado com categoria padronizada. Esse inventário costuma revelar que o primeiro projeto não é de IA, e sim de registro. O artigo sobre indústria 4.0 trata da ligação entre máquinas, dados e gestão.
Prever a qualidade da peça a partir do processo: o que a pesquisa mostra?
Há pesquisa publicada sobre classificar peças injetadas a partir de sinais do processo. Os resultados são promissores em laboratório e pedem validação na fábrica.
Um estudo com sensores na cavidade
Richárd Dominik Párizs e coautores publicaram em 2022, na revista Sensors, um estudo de machine learning aplicado à injeção. Eles moldaram peças de ABS num molde com sensores de pressão na cavidade, variaram a pressão e o tempo de recalque para criar diferenças de peso e produziram 190 peças. A partir das curvas de pressão, definiram 19 características e compararam quatro classificadores para separar peças abaixo do peso, aceitáveis e acima do peso.
A árvore de decisão foi o classificador mais preciso, com desempenho médio acima de 90%, mesmo com poucas amostras de treino por classe. O tempo de classificação foi curto para a maioria dos modelos.
Os limites que o próprio estudo deixa claros
O estudo usou um material, uma máquina, um molde e uma peça simples, e a variação de peso foi provocada pelos pesquisadores, e não ocorreu naturalmente na produção. O conjunto de dados é pequeno. Os resultados mostram um caminho, mas não provam que o método funciona em outra peça, outro material ou outra fábrica. Quem apresenta esse tipo de resultado como garantia está vendendo mais do que a pesquisa sustenta.
Na fábrica, um modelo de qualidade vale o que vale o registro do processo que o alimenta.
Como traduzir para a fábrica
O caminho prático é escolher uma peça de alto volume, um defeito conhecido e uma máquina que já exporta dado. O modelo começa como alerta para o operador, e não como decisão automática. Cada alerta é conferido, e o resultado da conferência volta como dado de treino. Só depois de meses de alertas conferidos faz sentido discutir se o modelo pode separar peças sozinho.

Inspeção visual de peças plásticas e de artefatos de borracha
A visão computacional pode apoiar a inspeção de defeitos visíveis, desde que o defeito seja bem definido e as imagens sejam feitas sempre do mesmo jeito.
Onde a imagem ajuda
Na injeção, defeitos como rebarba, falha de preenchimento, manchas e marcas de fluxo são visíveis. Na borracha, bolhas, falhas de moldagem e rebarba em vedações também são. A visão computacional trabalha bem quando o defeito tem aparência estável, a iluminação é controlada e a peça entra na câmera sempre na mesma posição. Funciona mal quando o defeito é sutil, varia muito ou depende de toque e de medição.
O que decidir antes da câmera
| Decisão | Pergunta prática | Por que importa |
|---|---|---|
| Defeito-alvo | Qual defeito, exatamente, a imagem precisa encontrar? | Modelos genéricos de defeito costumam errar mais que modelos focados |
| Padrão de imagem | Iluminação, posição e distância são sempre as mesmas? | Variação de imagem vira falso alarme |
| Rótulos | Quem diz se a peça da foto é boa ou ruim, e com que critério? | O modelo aprende o critério de quem rotulou, inclusive os erros |
| Ação | O que acontece quando o modelo aponta defeito? | Sem ação definida, o alerta é ignorado |
| Registro | A imagem fica ligada ao lote, à máquina e ao turno? | É o que permite investigar a causa depois |
Ligar a imagem ao processo
O ganho real aparece quando a inspeção visual conversa com o dado de máquina. Uma rebarba que aumenta depois de certo horário, numa certa máquina, aponta para uma causa de processo. Sem essa ligação, a câmera só separa peças ruins; com ela, ajuda a evitar que sejam feitas.
Cotação técnica assistida: desenho, material e histórico com fonte
Um assistente de IA pode ajudar a engenharia a montar a cotação mais rápido, se responder com base nos documentos da empresa e mostrar de onde tirou cada informação.
Onde o tempo se perde
Em muitos transformadores, a cotação depende de uma ou duas pessoas que sabem estimar ciclo, peso, número de cavidades e custo de molde. Elas consultam cotações antigas, fichas de material e anotações. Quando estão ocupadas ou de férias, a cotação atrasa. Um assistente que encontra cotações parecidas, fichas e histórico do cliente reduz o tempo de busca, sem substituir o julgamento técnico.
Casos de uso possíveis
- Encontrar cotações anteriores de peças com material, tamanho e processo parecidos
- Resumir o histórico de um cliente: peças fornecidas, reclamações e condições negociadas
- Responder a dúvidas internas sobre propriedades de material com base nas fichas da empresa
- Montar o rascunho da proposta com as premissas que a engenharia aprovou
O que o assistente não pode fazer
Ele não pode inventar propriedade de material, prometer prazo nem fechar preço. A técnica de RAG, que faz o modelo responder com base em documentos selecionados, ajuda a manter a resposta presa ao acervo da empresa, e cada resposta precisa indicar o documento de origem. Se o acervo estiver desatualizado, o assistente repete o erro com aparência de certeza. Por isso a curadoria das fichas e das cotações vem antes do assistente.
O comprador também está usando IA. A reportagem da Digital Commerce 360 sobre uma pesquisa com 646 compradores B2B, feita em agosto e setembro de 2025, indica que 45% usaram ferramentas de IA numa compra recente. A pesquisa é multissetorial. Do lado do fornecedor, responder rápido e com fonte passa a ser parte da concorrência. O artigo sobre IA para vendas B2B trata de outros usos no funil.
Desenhos, moldes e dados de clientes: quem é dono e o que pode treinar o modelo?
Desenhos e especificações pertencem ao cliente. Usá-los para treinar modelo exige autorização escrita, separação por cliente e registro de quem acessou o quê.
O desenho do cliente não é insumo livre
O transformador recebe desenhos, especificações e, às vezes, moldes que pertencem ao cliente. O contrato costuma tratar de sigilo, mas raramente fala de uso em sistemas de IA. Colocar esse material num assistente ou num modelo de treino sem autorização cria risco contratual e de reputação. A prática segura é perguntar, registrar a resposta e separar os dados de cada cliente.
Princípios em controles práticos
A OCDE adotou em 2019 e atualizou em 2024 seus princípios para IA, com 47 aderentes. Entre os cinco princípios estão transparência e explicabilidade, robustez, segurança e proteção, e responsabilização. Na fábrica, eles viram controles simples.
- Transparência: cada resposta do assistente mostra o documento de origem.
- Robustez: o modelo de qualidade é testado em dados que não viu antes de entrar na linha.
- Segurança: desenhos e dados de cada cliente ficam separados, com acesso por função.
- Responsabilização: cada modelo tem um responsável, uma versão e um registro de mudanças.
Um modelo de governança de IA escrito, mesmo curto, evita que cada área adote ferramentas por conta própria.
Quem decide o quê
Na prática, três decisões precisam de dono: que dado entra em cada ferramenta, quem aprova um modelo para uso na linha e quem responde ao cliente se ele perguntar como seus desenhos são tratados. Sem esses donos, a IA cresce sem controle e o risco aparece na primeira auditoria.
Matéria-prima e reciclado: previsão em faixa, e não em número exato
Preço e oferta de resina, sobretudo de reciclado, oscilam. A IA ajuda a planejar compras em faixas de cenário, e não a acertar um número exato.
Um mercado que oscila
O relatório do PICPlast com dados de 2023, elaborado com a ABIPLAST, registra queda de 19,8% no faturamento da reciclagem mecânica de plásticos e de 4,1% no faturamento por tonelada, com desvalorização das resinas recicladas. O mesmo relatório mostra capacidade instalada em alta. Para quem compra reciclado, isso significa preço e disponibilidade variando de um ano para o outro.
O que a previsão pode fazer
A previsão de demanda no transformador é derivada: a fábrica vende peças, e a demanda de cada peça depende da programação do cliente. Um modelo pode combinar programações, histórico de pedidos e sazonalidade para estimar o consumo de resina por família de material. O resultado útil é uma faixa, com cenário baixo, provável e alto, que orienta quanto comprar e quando. Prometer número exato num mercado assim é criar falsa segurança.
Do número à decisão
A faixa só vale se alguém decide com ela. Uma reunião mensal entre compras, planejamento e comercial, olhando a faixa prevista e o realizado, transforma o modelo em ferramenta de gestão. Sem essa reunião, a previsão vira mais um relatório.
Por onde começar: priorização, método e indicadores
Comece pelo caso de uso com dado já registrado e dor clara. Um piloto pequeno, com revisão humana, ensina mais que um projeto grande sem dado.
Como priorizar
Para cada caso de uso candidato, responda a três perguntas: o dado existe e está ligado ao lote ou ao cliente, a dor é medida hoje e alguém vai agir com o resultado. Casos com três respostas positivas entram primeiro. Os outros esperam o registro amadurecer.
Método em 6 etapas
- Inventário de dados: máquina, qualidade e comercial, com tempo de guarda e ligação entre camadas.
- Escolha do caso: uma peça, um defeito ou um tipo de cotação, com dor medida.
- Regras de dado: autorização de clientes, separação de acervos e responsáveis.
- Piloto com revisão humana: o modelo sugere, a pessoa confere, e a conferência vira dado.
- Avaliação: acertos, erros e falsos alarmes comparados ao processo anterior.
- Decisão de escala: ampliar, ajustar ou encerrar, com registro do motivo.
Cenário ilustrativo
Considere um transformador hipotético que injeta peças técnicas para eletrodomésticos e sofre com devoluções por falha de preenchimento numa peça de alto volume. O cenário é ilustrativo e não relata um projeto real.
O inventário, também hipotético, mostra que a máquina dessa peça exporta pressões e tempos de ciclo, mas que o registro de defeito está numa planilha sem ligação com o lote. O primeiro passo da empresa é ligar a planilha ao lote e à máquina por alguns meses, antes de qualquer modelo.
Com o dado ligado, a empresa testa um classificador simples como alerta para o operador, com conferência de cada alerta. O que a diretoria acompanha é a taxa de alertas confirmados e a evolução das devoluções, e não a sofisticação do algoritmo.
Indicadores e erros comuns
- Cobertura de dados: máquinas que exportam dado e lotes ligados a máquina e turno
- Alertas confirmados sobre alertas emitidos, por caso de uso
- Tempo de montagem da cotação, antes e depois do assistente
- Respostas do assistente com documento de origem indicado
Os erros mais comuns são comprar ferramenta antes de registrar o processo, treinar com desenhos de clientes sem autorização, deixar o modelo decidir sozinho desde o início e medir o projeto pela tecnologia, e não pela dor resolvida.
O que levar para a próxima reunião sobre IA na fábrica e na área comercial
Leve o inventário de dados, a lista de casos de uso com as três perguntas respondidas e a regra para desenhos de clientes. Com isso, a decisão deixa de ser sobre ferramenta.
O essencial deste artigo
A IA para indústria de plásticos e borracha começa pelo registro do processo, da qualidade e da cotação. A pesquisa publicada mostra que é possível classificar peças a partir de sinais do processo, mas em condições controladas; na fábrica, o caminho é o piloto pequeno, com revisão humana.
Desenho de cliente não é insumo livre, previsão de matéria-prima se faz em faixa, e cada resposta de assistente mostra sua fonte.
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 trata de posicionamento e reciclado com prova, o de design estratégico, de busca técnica e cotação, e o de tecnologia e RevOps, de RFQ, ferramental e recompra.
Quem lida com dado de processo e qualidade encontra pontos de contato em máquinas e equipamentos industriais e em indústria automotiva, principal compradora da borracha. O índice completo está em Indústrias, o hub de agentes de IA e automação de vendas reúne os temas de IA, e a consultoria de inteligência artificial descreve o trabalho de diagnóstico. O artigo sobre serviços de IA B2B completa a leitura.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line, e a proposta é escrita depois do briefing.
Sobre este texto
Este artigo foi preparado para a frente de Consultoria de IA da Trilion. Os números do setor vêm do Preview do Perfil 2023 da ABIPLAST, do relatório PICPlast com dados de 2023 e da reportagem da Autodata com dados da Abiarb. O estudo sobre injeção foi lido na versão aberta publicada pela revista Sensors, os princípios de IA, na página da OCDE, e o dado sobre uso de IA por compradores, na reportagem da Digital Commerce 360.
As camadas de dado, a tabela de decisões de inspeção, o método em 6 etapas, o cenário e os indicadores são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 20/11/2026.
- Richárd Dominik Párizs, Dániel Török, Tatyana Ageyeva e József Gábor Kovács, Machine Learning in Injection Molding: An Industry 4.0 Method of Quality Prediction, Sensors, 2022: https://pmc.ncbi.nlm.nih.gov/articles/PMC9002478/ (consulta em 20/11/2026)
- OCDE, OECD AI Principles: https://oecd.ai/en/ai-principles (consulta em 20/11/2026)
- ABIPLAST, Preview do Perfil 2023: https://www.abiplast.org.br/wp-content/uploads/2024/08/Preview-2023Abiplast_Web.pdf (consulta em 20/11/2026)
- PICPlast e ABIPLAST, Monitoramento dos índices de reciclagem mecânica de plásticos pós-consumo no Brasil 2024, ano-base 2023: https://abiplast.org.br/wp-content/uploads/2024/10/Indices_Reciclagem2023_PICPlast2024-Divulgacao_-2.pdf (consulta em 20/11/2026)
- Autodata, Expobor e Pneu Show refletem desafios de um setor em transformação, 08/06/2026: https://www.autodata.com.br/noticias/2026/06/08/expobor-e-pneu-show-refletem-desafios-de-um-setor-em-transformacao/105664/ (consulta em 20/11/2026)
- Digital Commerce 360, reportagem sobre a pesquisa da Gartner com compradores B2B, 17/03/2026: https://www.digitalcommerce360.com/2026/03/17/gartner-b2b-buyers-rep-free-purchasing-ai-reshapes-sales/amp/ (consulta em 20/11/2026)

