Três em 59. Esse é o número de estudos sobre cerâmica em uma revisão sistemática de 2023 que reuniu pesquisas sobre redes neurais aplicadas à detecção de defeitos de superfície. O metal ficou com 37. Para quem dirige uma fábrica de revestimentos ou de vidro, o dado diz menos sobre a tecnologia e mais sobre o ponto de partida: no setor, quase tudo o que funciona precisa ser construído com os dados da própria linha.
Inteligência artificial em vidro, cerâmica e revestimentos é o uso de modelos de aprendizado de máquina, visão computacional e geração de texto para classificar peças, estabilizar processos, prever demanda por coleção e responder a perguntas técnicas de arquitetos, lojistas e processadores. O valor não está no modelo, e sim no dado que a fábrica consegue registrar com constância.
Este artigo separa o que tem evidência do que ainda é promessa. Trata da inspeção visual, dos dados de processo em fornos de longa vida, dos assistentes que respondem com a ficha técnica e da governança necessária antes de qualquer piloto. O tema se conecta à frente de agentes de IA e automação de vendas e à página do segmento, Vidro, Cerâmica e Revestimentos.
Onde a IA tem evidência no setor, e onde ainda não?
A evidência é desigual: a inspeção visual tem literatura crescente mas pouca dedicada à cerâmica, o processo de fusão tem recomendação de digitalização, e os assistentes técnicos dependem da qualidade do catálogo.
Cinco famílias de casos de uso
| Caso de uso | Onde atua | O que a evidência aberta indica | Dado que exige |
|---|---|---|---|
| Inspeção visual de superfície | Classificação de revestimentos e de chapas | Literatura crescente, poucos estudos em cerâmica e conjuntos de imagens quase sempre privados | Imagens rotuladas por defeito, lote e coleção, com iluminação controlada |
| Controle de processo | Forno, secador e linha de esmaltação | Recomendado como medida de curto prazo para a indústria do vidro na Europa | Séries históricas de sensores ligadas a qualidade e a consumo |
| Previsão de demanda | Planejamento de produção por coleção | Sem estudo do setor lido para este artigo; depende de histórico de pedidos limpo | Pedidos por código, canal, região e coleção |
| Assistente técnico | Respostas a arquitetos, lojistas e processadores | Útil quando responde a partir de documentos da empresa e cita a origem | Fichas técnicas, laudos e instruções em texto |
| Apoio ao comercial | Resumo de contas, preparação de visitas e propostas | Ganho de tempo com revisão humana obrigatória | CRM com histórico de especificações e pedidos |
Como ler a tabela
A tabela não ordena por retorno. Ela ordena por maturidade do dado que cada caso exige. Uma fábrica que já registra defeitos por lote está mais perto da inspeção visual do que uma que tem câmeras e nenhum rótulo. Uma empresa com fichas técnicas em texto está mais perto de um assistente útil do que uma que tem o catálogo em imagem.
O texto sobre serviços de IA B2B ajuda a separar o que se compra pronto do que precisa ser construído.
Previsão de demanda por coleção: um caso com dado próprio
Prever quanto produzir de cada coleção é uma decisão cara no setor. Produzir de mais imobiliza estoque de um produto que pode sair de moda; produzir de menos faz a construtora esperar ou trocar de fornecedor no meio da obra. Modelos de previsão podem ajudar, mas dependem de um histórico de pedidos organizado por código, canal, região e coleção, e de informação sobre lançamentos e saídas de linha.
A dificuldade particular do setor é que cada coleção nova não tem histórico. A previsão de uma coleção recém-lançada precisa se apoiar em coleções parecidas, nas especificações registradas pelo comercial e nos pedidos de amostra. Por isso a previsão de demanda conversa com o funil comercial: a especificação feita hoje pelo arquiteto é o pedido da construtora daqui a alguns meses.
Inspeção visual de revestimentos: o que a literatura mostra?
A revisão de 2023 mostra um campo em crescimento, apoiado em transferência de aprendizado e em conjuntos de imagens próprios, com pouca informação para aplicação direta em fábrica.
O que a revisão encontrou
A revisão sistemática publicada em 2023 no Journal of Imaging partiu de 253 registros e chegou a 59 estudos primários de 2011 a 2021 sobre redes neurais convolucionais aplicadas à detecção de defeitos de superfície. O metal concentra 37 estudos, a construção 11 e a cerâmica 3. A transferência de aprendizado aparece em 83,05% dos estudos e o aumento artificial de dados em 59,32%. Em 77,97% dos casos os autores criaram o próprio conjunto de imagens, e 66,10% desses conjuntos são privados.
Os autores apontam falta de informação suficiente para aplicação prática em fábricas e pedem que os trabalhos documentem melhor câmera, iluminação e tamanho das imagens. Também recomendam, quando faltam dados, usar superfícies semelhantes como ponto de partida.
O que isso significa para uma fábrica de revestimentos
A visão computacional aplicada a revestimentos enfrenta problemas próprios. Esmaltes brilhantes refletem a luz, texturas em relevo criam sombras, e cada coleção nova traz uma superfície diferente. Um modelo treinado na coleção do ano anterior pode não reconhecer a seguinte.
- Rótulo antes de câmera: sem registro de defeito por lote, por coleção e por causa, não há imagem rotulada para treinar nada.
- Iluminação como projeto: a revisão destaca a dificuldade de iluminar superfícies reflexivas, o que vale para esmaltes e para vidro.
- Coleção como variável: o plano de piloto precisa prever o que acontece quando a superfície muda.
- Tonalidade como decisão comercial: a classificação por tonalidade afeta o lote vendido à construtora, e o critério precisa ser definido com o comercial.
O papel do especialista de qualidade
Nenhum modelo substitui quem conhece a linha. O especialista de qualidade define o que é defeito, valida os rótulos e decide o que fazer quando o modelo e a inspeção humana discordam. O piloto mede a concordância entre os dois antes de qualquer automação.
Na fábrica de revestimentos, o primeiro modelo de IA é uma planilha de defeitos preenchida todos os dias.

Forno de vidro e dados de processo: o que muda quando o ativo dura 20 anos?
O forno de vidro concentra a energia e dura uma ou duas décadas. Dados de processo bem guardados viram ativo, e a digitalização aparece como recomendação de curto prazo.
O que o documento europeu descreve
Um documento de 2026 do Centro Comum de Pesquisa da Comissão Europeia sobre a indústria do vidro informa que a fusão ocorre entre 1.000 e 1.600°C, que, em vidro plano e de embalagem, ela responde por 80% a 90% da energia consumida e que os fornos de fusão duram tipicamente de 10 a 20 anos. Por isso, segundo o texto, só 2 ou 3 gerações de fornos podem ser renovadas até 2050.
O mesmo documento cita um relatório que recomenda à indústria, para o período de 2025 a 2030, maximizar o uso de caco onde a qualidade permitir e adotar medidas de eficiência como controle avançado de processo e mais digitalização. Também lembra que o controle de qualidade do caco é essencial para aumentar o conteúdo reciclado.
O dado como ativo de longa vida
Quando o equipamento dura duas décadas, o histórico de operação passa a valer tanto quanto o próprio forno. Temperaturas, consumo, composição da carga, proporção de caco e defeitos do produto, guardados com o mesmo padrão ao longo dos anos, permitem comparar campanhas, entender desvios e preparar a decisão sobre o forno seguinte.
O texto sobre indústria 4.0 descreve o software que liga máquinas, dados e gestão, e o de automação industrial trata da ligação entre o chão de fábrica e os sistemas.
Onde a IA entra no processo
- Detectar desvios de temperatura e de consumo antes que virem defeito no produto
- Relacionar a proporção e a qualidade do caco com a estabilidade da fusão
- Apoiar o operador com recomendações, mantendo a decisão final com a equipe
- Organizar o histórico para comparar campanhas de forno
Na cerâmica, a mesma lógica vale para fornos e secadores, com outra escala de tempo. O princípio é igual: o modelo só aprende o que o registro guardou.
Quem decide sobre o forno
Recomendações de um modelo sobre o forno tocam a segurança da operação e a vida útil de um ativo caro. Por isso o desenho do piloto precisa da diretoria industrial e da engenharia de processo desde o início. O modelo sugere; o operador e a engenharia decidem, e cada recomendação aceita ou recusada fica registrada para que o modelo seja avaliado com honestidade ao fim do teste.
Catálogo, ficha técnica e assistentes: onde entra a geração com recuperação de fontes?
Um assistente que responde a arquitetos e lojistas só é confiável se buscar a resposta nos documentos da empresa e mostrar de onde ela veio. A recuperação vem antes da geração.
O que é recuperação com citação de origem
A geração aumentada por recuperação combina uma busca nos documentos da empresa com um modelo de linguagem que redige a resposta a partir do que foi encontrado. No setor, os documentos são fichas técnicas, laudos de ensaio, instruções de instalação e políticas comerciais.
Por que a origem importa
Um comunicado de janeiro de 2026 de um instituto de mercado afirma que as ferramentas de resposta por IA são rápidas, mas muitas vezes trazem informação incompleta ou pouco confiável, o que leva o comprador a validar em outras fontes. Um assistente que cita a ficha e o laudo de onde tirou a resposta encurta essa validação.
A prova técnica do setor já existe em parte. Segundo a organizadora da Expo Revestir, o programa setorial de qualidade da cerâmica realiza ensaios de laboratório e auditorias sobre requisitos como resistência e absorção de água. Laudos assim são a matéria-prima de um assistente confiável, desde que estejam em texto e atualizados.
Usos possíveis
- Responder ao arquiteto qual produto atende a uma exigência de uso, citando a ficha
- Apoiar o vendedor da loja com informação técnica e de instalação
- Responder ao processador sobre composições, espessuras e dimensões disponíveis
- Resumir para o representante o histórico de uma conta antes da visita
O texto sobre IA para vendas B2B mostra outros usos ao longo do funil.
Que governança e que dados organizar antes de um piloto?
Antes do piloto, defina quem é dono de cada dado, quem valida as respostas, o que encerra o teste e o que acontece quando o modelo erra.
Uma estrutura de risco de uso voluntário
O NIST, instituto de normas dos Estados Unidos, lançou em 26 de janeiro de 2023 uma estrutura de gestão de risco de IA de uso voluntário, organizada em funções de governar, mapear, medir e gerenciar. Em 26 de julho de 2024 publicou um perfil específico para IA generativa. A estrutura não é obrigação legal no Brasil, mas oferece um roteiro para a primeira conversa de governança de IA.
Perguntas de governança para a primeira reunião
- Quem é dono dos dados de processo, das imagens de inspeção e das fichas técnicas?
- Quem valida um rótulo de defeito e quem decide quando o modelo e o inspetor discordam?
- Que resposta do assistente pode ir ao cliente sem revisão, e qual exige revisão?
- O que encerra o piloto, com sucesso ou sem ele?
- Como o modelo é revisado quando entra uma coleção nova ou muda a composição do vidro?
Dados pessoais e de clientes
Assistentes que leem o CRM tratam dados de arquitetos, lojistas e compradores. O uso desses dados deve respeitar a legislação de proteção de dados pessoais e os contratos com clientes. Confirme com o jurídico antes de ligar um assistente a dados de pessoas.
Como priorizar casos de uso: método, cenário ilustrativo e indicadores
Priorize pelo dado que já existe, comece pequeno, com protocolo escrito, e só amplie depois de medir a concordância entre o modelo e quem conhece a linha.
Método em 5 etapas
- Diagnóstico de dados: o que a fábrica registra hoje sobre defeitos, processo, pedidos e documentos técnicos, e com que constância.
- Escolha do caso: um caso de uso em que o dado existe e o ganho é observável, como classificação de um defeito frequente ou respostas sobre uma linha técnica.
- Protocolo do piloto: objetivo, critério de sucesso, critério de parada, responsáveis e plano para falha, por escrito.
- Validação na linha real: comparar o modelo com a inspeção humana ou com a resposta do técnico, na operação, e não só em bancada.
- Decisão e governança: ampliar, ajustar ou encerrar, com a revisão periódica do modelo prevista.
Cenário ilustrativo
Considere um fabricante hipotético de revestimentos cerâmicos, com duas linhas de esmaltação, que pensa em comprar câmeras para classificar defeitos. O cenário é ilustrativo e não relata um projeto real.
O diagnóstico, também hipotético, mostra que os defeitos são anotados em papel, sem padrão de nome, e que a classificação por tonalidade varia entre turnos. A diretoria industrial percebe que o problema imediato não é a falta de câmera, e sim a falta de rótulo.
Com esse quadro, a empresa tende a padronizar o registro de defeitos por lote e por causa durante alguns meses, a definir com o comercial o critério de tonalidade e só então testar um modelo em uma linha. O que a diretoria leva para a decisão é um protocolo de piloto e um padrão de registro, e não uma proposta de equipamento.
Indicadores para acompanhar
- Completude do registro de defeitos por lote, coleção e causa
- Concordância entre a classificação do modelo e a do inspetor, por tipo de defeito
- Proporção de respostas do assistente aprovadas sem correção pelo técnico
- Tempo entre a entrada de uma coleção nova e a revisão do modelo
Erros comuns
- Comprar câmeras antes de ter defeitos rotulados
- Aceitar precisão de laboratório como precisão de linha
- Ligar um assistente a um catálogo em imagem e esperar respostas corretas
- Deixar sem dono os dados de processo e de qualidade
- Começar o piloto sem critério de parada
O que levar para a próxima reunião sobre IA e dados
Leve o diagnóstico do que a fábrica registra, um caso de uso escolhido pelo dado disponível e o protocolo do piloto com dono, validador e critério de parada.
O essencial deste artigo
Em vidro, cerâmica e revestimentos, a IA depende do registro da própria fábrica. A literatura sobre inspeção visual cresce, mas tem pouca cerâmica e quase nenhum conjunto de imagens aberto. Nos fornos de longa vida, o histórico de processo é um ativo, e a digitalização aparece como medida de curto prazo.
Assistentes técnicos funcionam quando respondem a partir de fichas e laudos em texto e mostram a origem. A governança vem antes do piloto, e não depois.
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 da marca entre empresa e coleções, o de design estratégico, da especificação digital, e o de tecnologia e RevOps, do funil que liga projeto, obra e loja.
Indústrias de processo com fornos e controle de qualidade parecidos aparecem em metais e metalurgia e em papel, celulose e embalagens. O índice completo está em Indústrias, e a consultoria de inteligência artificial apoia o diagnóstico e a governança.
A Trilion, agência de São Paulo fundada em 1995, com escritório em Moema, atende empresas de outros estados em reuniões presenciais ou on-line. O mesmo time cuida da estratégia, da marca e da aplicação digital, e a proposta é escrita depois do briefing e do diagnóstico.
Sobre este texto
Este artigo foi preparado para a seção de indústrias da Trilion. Os dados sobre detecção de defeitos de superfície vêm de revisão sistemática publicada no Journal of Imaging e lida na base PubMed Central. A descrição dos fornos de vidro e as recomendações de curto prazo vêm de documento do Centro Comum de Pesquisa da Comissão Europeia.
A estrutura de risco de IA vem da página do NIST, a observação sobre respostas de IA na compra empresarial, de comunicado de um instituto de mercado, e a descrição do programa setorial de qualidade da cerâmica, de texto da organizadora da Expo Revestir.
A tabela de casos de uso, os indicadores, os erros, o cenário e o método em 5 etapas são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 20/11/2026.
- Cumbajin e outros, A Systematic Review on Deep Learning with CNNs Applied to Surface Defect Detection, Journal of Imaging, 2023: https://pmc.ncbi.nlm.nih.gov/articles/PMC10607335/ (consulta em 20/11/2026)
- Comissão Europeia, Centro Comum de Pesquisa, Mapping the transition of the EU glass manufacturing industry to carbon neutrality, 2026: https://publications.jrc.ec.europa.eu/repository/bitstream/JRC144091/Glass_factsheet_JRC144091_1.pdf (consulta em 20/11/2026)
- NIST, AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework (consulta em 20/11/2026)
- Forrester, The State of Business Buying 2026, comunicado de 21/01/2026: https://www.forrester.com/press-newsroom/forrester-2026-the-state-of-business-buying/ (consulta em 20/11/2026)
- Expo Revestir, Anfacer lança selo de qualidade da cerâmica para o varejo: https://en.exporevestir.com.br/news/anfacer-lanca-selo-de-qualidade-da-ceramica-para-o-varejo-na-expo-revestir-2026 (consulta em 20/11/2026)

