Sempre que ouço falar em "fábrica do futuro", penso em sensores piscando e máquinas que avisam, sozinhas, quando vão quebrar. Mas, ao mergulhar nos fichamentos da sexta aula da disciplina Automação e Sociedade, no meu mestrado na USP, percebi que esse futuro é menos uma virada de chave e mais uma escalada lenta e desigual. Dois artigos me ajudaram a enxergar isso com mais nitidez: um sobre manutenção preditiva, outro sobre padrões de adoção das tecnologias da Indústria 4.0.
Quando a máquina avisa antes de quebrar
O primeiro artigo que fichei foi a revisão sistemática de Zonta e colaboradores (2020), publicada na Computers & Industrial Engineering (Qualis A1, fator de impacto 5.431). O objetivo deles é organizar a literatura sobre manutenção preditiva na Indústria 4.0 e propor uma taxonomia que estruture conceitos, métodos e aplicações da área.
O que mais me chamou atenção foi a constatação de que o campo é dominado por abordagens baseadas em dados, fortemente apoiadas em inteligência artificial e aprendizado de máquina. Há uma presença marcante de métodos voltados à predição da vida útil remanescente dos ativos, alimentados por sensores, IoT e sistemas ciberfísicos. As publicações cresceram de forma expressiva a partir de 2016, evidenciando uma área jovem e multidisciplinar.
Mas o ponto que considero mais maduro do artigo é o alerta dos autores: soluções puramente orientadas a dados têm limites. O conhecimento físico dos ativos continua essencial. E há uma distinção importante, que muita gente confunde — monitorar não é prever. Boa parte das propostas ainda se limita a detectar anomalias, sem realmente antecipar falhas baseadas no tempo. Some-se a isso a dificuldade de acesso a dados reais de falha e o predomínio de experimentos em ambientes controlados, e fica claro que o caminho entre o laboratório e o chão de fábrica ainda é longo.
A transformação digital não acontece de uma vez
O segundo fichamento foi do artigo de Frank, Dalenogare e Ayala (2019), publicado no International Journal of Production Economics (Qualis A1, fator de impacto 5.134). Aqui o foco muda: em vez de uma tecnologia específica, os autores investigam como as empresas adotam o conjunto de tecnologias da Indústria 4.0.
A pesquisa é empírica e me agradou justamente por isso. Foi um survey aplicado a 92 empresas do setor de máquinas e equipamentos, usando escala Likert e análise de clusters. O resultado mais interessante é a classificação das empresas em três níveis de maturidade: baixo, moderado e avançado.
Os autores distinguem tecnologias de aplicação direta das tecnologias de base, e mostram que a adoção é progressiva e sistêmica — não um salto. Tecnologias como integração vertical, rastreabilidade e eficiência energética aparecem com maior nível de adoção. Já as mais sofisticadas — inteligência artificial, manufatura aditiva, análise avançada de dados — ainda têm baixa implementação. E há um achado central: o Smart Manufacturing funciona como elemento articulador, puxando a adoção das demais dimensões. Empresas avançadas tendem a adotar várias tecnologias ao mesmo tempo, evidenciando complementaridade.
O que os dois artigos têm em comum
Lendo um ao lado do outro, percebi um fio condutor. Zonta et al. mostram que, mesmo dentro de uma única aplicação (a manutenção preditiva), há uma defasagem entre o que a tecnologia promete e o que é validado na prática. Frank et al., por sua vez, mostram que essa defasagem se repete no nível da empresa inteira: a maioria das organizações ainda está nos estágios iniciais da jornada.
Uma reflexão sobre o impacto social
É aqui que a disciplina Automação e Sociedade faz sentido para mim. A manutenção preditiva é, à primeira vista, um tema puramente técnico — algoritmos, sensores, métricas de erro. Mas suas consequências são profundamente sociais.
Quando uma fábrica reduz paradas não planejadas e custos operacionais, ela ganha competitividade. Isso parece bom, e em muitos aspectos é. Porém, a maturidade tecnológica descrita por Frank et al. revela uma assimetria preocupante: empresas que conseguem integrar tecnologias avançam, enquanto as demais ficam para trás. Num país como o Brasil, com um parque industrial heterogêneo, essa divisão pode aprofundar desigualdades entre grandes corporações e pequenas e médias empresas.
Há também a questão do trabalho. A predição de falhas redefine o papel do operador e do técnico de manutenção: de quem "conserta quando quebra" para quem interpreta dados e supervisiona sistemas. Isso exige novas competências e levanta a pergunta — incômoda, mas necessária — sobre quem será capacitado para essa transição e quem ficará à margem dela.
Por fim, o alerta de Zonta et al. sobre a importância do conhecimento físico me parece quase uma metáfora. A tecnologia não substitui o entendimento humano do mundo; ela o complementa. Modelos baseados em dados, sem o saber acumulado de quem conhece a máquina, são frágeis. Talvez a lição mais valiosa que levo desses dois fichamentos seja essa: a Indústria 4.0 não é um destino tecnológico inevitável, mas um processo sociotécnico que precisa ser conduzido com critério, equidade e respeito ao conhecimento humano.