IA para Gestão de Ativos

Neste artigo, compartilho uma experiência vivida com um cliente de Utilities, em que o treinamento de uma IA para a atualização da base de ativos gerou valor concreto para a operação.

Ao transformar plantas e croquis em dados estruturados, integrados ao GIS e validados tecnicamente, a organização não mudou sua forma de tomar decisões. Ela passou a decidir com menos esforço, menos risco e maior consistência ao longo do tempo.

Venha ver como a IA deixou de ser uma promessa futura e passou a se tangibilizar como um retorno concreto, sustentável e alinhado à complexidade real do negócio.

O retorno aparece quando a decisão deixa de carregar custo oculto

O retorno mais perceptível da IA na gestão de ativos surge quando decisões técnicas deixam de carregar custos implícitos de validação e de incerteza.

No cenário analisado, a base documental era composta majoritariamente por plantas e croquis produzidos entre o fim dos anos 1990 e a década de 2010, em diferentes padrões gráficos, com níveis variados de conservação e legibilidade. Antes da aplicação de IA, a leitura e a interpretação desses documentos dependiam quase integralmente do esforço humano especializado.

Ao estruturar essa informação, o ganho não apareceu como um salto tecnológico, mas como uma redução consistente do esforço operacional. Horas dedicadas à leitura manual foram absorvidas pelos processos automatizados. Ajustes tardios no cadastro e no projeto diminuíram. O tempo necessário para validar a informação antes da decisão caiu perceptivelmente.

O ROI, nesse contexto, se tornou parte da rotina: menos conferência, menos retrabalho e maior fluidez entre engenharia, planejamento e operação.

O problema não está na capacidade analítica, mas no ponto de partida da informação

As decisões já eram técnicas, maduras e tomadas por equipes experientes. O desafio estava no ponto em que a informação nascia.

Os As Built concentravam conhecimento essencial, traçado real, interferências, materiais executados, mas chegavam ao ambiente digital como imagens e arquivos estáticos. Em média, esse acervo apresentava legibilidade heterogênea, exigindo interpretação manual, inclusive para informações básicas.

Isso não impedia a análise, mas impunha um custo contínuo de validação. Cada decisão levava tempo adicional para confirmar se o documento refletia com precisão o que estava em campo.

O impacto se manifesta como esforço recorrente e risco distribuído

Quando a informação não entra estruturada no cadastro, o impacto se distribui ao longo do ciclo de vida do ativo.

No dia a dia, isso significava:

• Validações de campo repetidas para confirmar a localização e os atributos.

• Inclusão de margens adicionais no escopo e na contingência.

• Revisitas constantes aos documentos originais para esclarecer pontos específicos.

  
  

Nada disso parecia um erro de processo. Era o custo natural de operar com uma base que exigia interpretação recorrente. O problema é que esse esforço se acumulava ao longo dos anos.

O que foi feito para mudar essa condição na prática

A mudança ocorreu quando a documentação técnica passou a ser tratada como fonte ativa de dados, e não apenas como histórico.

A solução operacional estruturou-se em 3 etapas claras:

1. Leitura automatizada de plantas e croquis

Documentos históricos foram processados com OCR e visão computacional, preparados para lidar com:

• Diferentes padrões gráficos.

• Anotações manuais.

• Qualidade variável de escaneamento.

  
  

Mesmo com essa diversidade, a extração atingiu níveis de assertividade próximos de 90–95% para identificação de elementos técnicos recorrentes, como traçados, símbolos e textos-chave, reduzindo drasticamente o volume de leitura integral manual.

2. Extração e validação assistida por IA

Os dados extraídos foram submetidos a regras de consistência e validação técnica antes de serem incluídos no cadastro.

Em testes com conjuntos controlados de documentos:

• Modelos de classificação e validação atingiram aproximadamente 85% de acurácia, considerando apenas documentos não utilizados no treinamento.

• O erro residual se concentrou em variações muito próximas de tipologia e simbologia, já previstas no processo.

  
  

O papel do especialista deixou de ser apenas a digitação e passou a incluir a validação qualificada e o tratamento de exceções.

3. Integração com GIS e cadastro geoespacial

A informação validada alimentou diretamente o ambiente GIS. Elementos extraídos dos documentos passaram a se vincular a coordenadas reais de campo.

Nesse processo, o posicionamento geográfico atingiu precisão compatível com a escala operacional da rede, suficiente para apoiar a manutenção, o planejamento e a análise, sem necessidade de validações adicionais, em grande parte dos casos.

O resultado foi um cadastro mais aderente à realidade construída desde a origem.

O retorno se consolida exatamente onde começou

Com uma base mais confiável, o esforço para decidir diminuiu.

Equipes passaram a confiar mais nas informações disponíveis no sistema, a reduzir verificações redundantes e a trabalhar com menos variáveis ocultas no planejamento.

O retorno inicial ocorreu com a redução das horas técnicas dedicadas à conferência manual. No médio prazo, o benefício se ampliou para menor retrabalho, maior previsibilidade operacional e melhor aproveitamento dos modelos analíticos já existentes.

O ROI não veio de mudar o que já funcionava, mas de remover o atrito invisível entre a informação técnica e a decisão.

A experiência da Muralis nesse contexto

É nesse tipo de desafio estrutural que a Muralis atua.

Transformamos dados de diversas fontes em informações tangíveis e de fácil acesso, possibilitando o histórico da base, em conjunto com uma base atualizada e confiável, que impulsiona a tomada de decisão.

Não tratamos a IA como uma solução isolada, mas a integramos no fluxo real de engenharia, operação e planejamento.

Esse trabalho começa na base, mas não termina nela.

Nos próximos conteúdos, a discussão avança para outros pontos críticos, como o apoio à manutenção da rede, a precisão da profundidade da rede e o apoio aos leitores de medição.

Porque, na gestão de ativos, inteligência não é um evento.

É um processo que evolui junto com o ativo.

Muralis insigths | Gestão Comercial: Viviane Fernandes