IA na indústria: benchmarks de manufatura e cadeia de suprimentos (com fontes)

A indústria tem os maiores ganhos de IA já publicados e, ao mesmo tempo, o maior abismo entre piloto e escala. E o gargalo tem nome: dados e sistemas legados. Este post mostra os dois lados com fonte, e por que o legado é a questão central.

Cerca de 90% das empresas já usam IA em ao menos uma função, mas dois terços seguem presas na fase de piloto, sem capturar retorno financeiro, segundo a McKinsey. Só 6% chegam a "high performer", com impacto relevante no EBIT. Adoção quase universal, ROI em escala quase ausente.

Onde a IA já entrega na indústria

Aplicação	Resultado (com fonte)	Fonte
Transformação de fábrica (agregado)	+50% de produtividade, −80% de defeitos e −30% de CO2 em média	WEF Global Lighthouse Network
Casos de uso com IA	−41% de defeitos, −28% de energia e −44% de tempo de ciclo	WEF Lighthouse (cohort recente)
Planta específica	OEE elevado a 88% e custo por unidade −41%	EVE Energy Jingmen (WEF)
Previsão de demanda	Redução de 20 a 50% no erro de previsão	McKinsey
Qualidade e cotação (Brasil)	Precisão de cotação a 95% e custo relacionado −65%	Gerdau (Azure AI)

A Global Lighthouse Network, do Fórum Econômico Mundial com a McKinsey, é o conjunto de benchmarks mais confiável de IA em escala em fábricas. Entre os casos nomeados, a planta da Zhengzhou Coal Mining elevou a produção por trabalhador em 205% e cortou o tempo de entrega em 66%. Não é laboratório: é chão de fábrica auditado.

Onde a IA quebrou na indústria

Tesla: Elon Musk admitiu que "a automação excessiva na Tesla foi um erro. Para ser preciso, meu erro. Humanos são subestimados." A linha super-robotizada do Model 3 travou a produção abaixo da metade da meta e teve de ser desmontada.
Pilotos que não escalam: a McKinsey mostra dois terços das indústrias presas em piloto; a RAND aponta que projetos de IA falham em chegar à produção a uma taxa bem acima da de projetos de TI comuns.
Transformação digital de baixo sucesso: um estudo da BCG com mais de 850 empresas encontrou só cerca de 35% de taxa de sucesso, e uma pesquisa de 2024 aponta 65% dos fabricantes se declarando "retardatários".

O verdadeiro gargalo: dados e legado

Aqui está a causa por trás dos fracassos. Cerca de 70% dos fabricantes dizem que problemas de dados, como qualidade, contexto e validação, são o maior obstáculo à IA (Deloitte, 2025). E aproximadamente 60% dos líderes de IA citam a integração com sistemas legados como principal desafio para adotar IA agêntica. A McKinsey resume: as falhas de escala vêm de prontidão de dados e alinhamento organizacional, "raramente só técnicas". Antes de plugar IA, é preciso tratar a fundação legada, ou o projeto morre no piloto.

No Brasil

A IA é considerada essencial por 69% das indústrias, segundo a CNI, e o Plano Brasileiro de IA reserva R$ 9,4 bilhões para os desafios da indústria. Nos casos concretos: a Gerdau elevou a precisão de cotação a 95% e cortou custos relacionados em 65% com Azure AI, além de economizar cerca de US$ 3 por tonelada de aço com machine learning; a Embraer construiu um sistema de "Smart Planning" para otimizar estoque de peças e agilidade da cadeia.

A lição para quem vai implementar

A IA industrial falha primeiro na camada de dados e legado, não no algoritmo. Consertar essa fundação é a pré-condição para os ganhos das fábricas Lighthouse. É exatamente aqui que entra o Diagnóstico de Código Legado da Reche: antes de investir em IA, mapear o que trava, para o projeto não morrer no piloto como acontece com dois terços deles.