Um francês de palavras diretas, Morgan Zimmermann está há mais de 20 anos na gigante Dassault Systémes. Já respondeu por vendas e novos negócios, liderou a frente de Netvibes-Exalead e há pouco mais de um ano é CEO da 3DExperience, plataforma de gestão de ciclo de vida de produto (PLM), inovação e conectada aos conhecidos SolidWorks e CATIA. 

Nessa conversa com o Coletivo Tech o assunto, no entanto, foi um pouco mais abrangente e, nem por isso, fora do contexto do grupo: IA industrial, um pilar que pode responder por um mercado de US$ 150 bilhões até 2030, de acordo com a IoT Analytics. Com o tema ganhando força mundo afora, a Dassault Systémes quer seu protagonismo nessa seara. Seja pelo desenvolvimento de agentes, como Leo, pela defesa do termo Virtual Twins, no lugar de gêmeos digitais, ou por parcerias estratégicas como a realizada com a NVIDIA.

Mas na prática, como tem sido a adesão à IA industrial, como ela beneficia e o que empresas que ainda não iniciaram essa jornada de digitalização ampla precisam fazer? Tem espaço para indústrias médias? A indústria brasileira pode se tornar mais competitiva com essas plataformas? A conversa com Zimmermann passou por essas e outras perguntas, que você confere a seguir.

Vitor Cavalcanti – Como as empresas brasileiras podem se beneficiar da IA industrial. Sempre ouvimos que a indústria nacional não consegue competir com mercados como o alemão ou o chinês por falta de produtividade. Nesse sentido, a IA industrial pode mudar esse cenário e aumentar a competitividade no Brasil?

Morgan Zimmermann: A resposta curta é sim. A IA industrial está tendo um impacto significativo na transformação da eficiência das organizações. Por que isso acontece? Porque ela ajuda a transformar o conhecimento e o know-how únicos de uma empresa – aqueles que hoje costumam ser implícitos – em conhecimento explícito e acionável.

Há algumas perguntas que as empresas deveriam se fazer: Qual é o meu conhecimento único? Aquele que diferencia a Boeing da Airbus, a Toyota da Renault ou a Embraer da Lockheed Martin? Onde está esse conhecimento? Em qual formato? Quanto tempo leva para um novo funcionário ser capaz de utilizá-lo? Eu consigo garantir que esse conhecimento único seja usado no dia a dia pelo trabalhador que precisa dele?

Quando você se aprofunda nessas questões, percebe que a maior parte do conhecimento é implícita. Está escondida em décadas de configuração, problemas no chão de fábrica, feedbacks de clientes e na habilidade de gerar requisitos. O que a IA industrial faz é transformar esse conhecimento implícito em algo explícito e acionável por todos os usuários. Assim, quando um designer começa a trabalhar no CATIA, por exemplo, ele é guiado pelo conhecimento industrial acumulado por seus colegas. Isso eleva o nível de todos, como se cada funcionário estivesse na empresa há 20 ou 30 anos.

Além disso, a IA industrial combina o aprendizado por inferência com a IA baseada em física (modelagem e simulação). Com a IA pura, você faz uma inferência probabilística da confiabilidade de uma aeronave. Isso é incrível, mas para quem viaja de avião, o “incrível” não basta; preferimos a certeza. A certeza exige as leis da física. Por isso, combinamos o que pode ser inferido com o que pode ser modelado pelas leis da física — o que chamamos de Modelo de Mundo Industrial (Industry World Model).

Com isso, no universo 3D, não modelamos apenas o gêmeo virtual de uma peça ou sistema, mas podemos imaginar 100 ou mil definições possíveis daquele produto usando comportamentos físicos e modelos de assimilação baseados em IA. O designer não precisa fazer uma única aposta e torcer para dar certo na simulação. A IA projeta infinitas possibilidades e ajuda a navegar por elas para identificar rapidamente a ideal. Isso reduz a dependência de talentos individuais isolados, criando uma alavanca de eficiência gigantesca. E o mais importante: faz tudo isso protegendo o conhecimento único da empresa, garantindo que a Embraer, por exemplo, use sua propriedade intelectual para se diferenciar e acelerar a próxima geração de aeronaves.

VC – Voltando um pouco nesse ponto do conhecimento implícito se tornando explícito, parece que finalmente temos a oportunidade de tornar a Gestão do Conhecimento (Knowledge Management) algo real e eficaz. Historicamente, as empresas de modo geral sofrem com isso porque a expertise costuma ficar isolada em “ilhas”, centralizada em poucas pessoas. É isso mesmo?

MZ – Eu concordo totalmente com você. É curioso, porque nos últimos 20 anos a gestão do conhecimento era vista quase como algo “ultrapassado”. Não havia orçamento, era subfinanciada e pouca gente queria fazer carreira nessa área. A IA mudou totalmente esse paradigma porque ela torna o conhecimento e o know-how acionáveis e utilizáveis.

As empresas começaram a perceber que, embora os algoritmos hoje sejam acessíveis a qualquer um, a única coisa que não está acessível a todos são os seus dados privados. O diferencial competitivo de uma empresa no mundo da IA passou a ser os dados, o conhecimento e o know-how que ela possui e os concorrentes não. O conhecimento se tornou o único fator de diferenciação real.

E a tecnologia atual permite redescobrir e regenerar esse conhecimento. Como organizamos isso? No passado, organizava-se em bibliotecas por ordem alfabética. Hoje, acreditamos que a base para organizar o conhecimento e o know-how é o gêmeo virtual. Tudo o que nossos clientes fazem está direta ou indiretamente ligado ao produto deles. Se associarmos o conhecimento à peça, ao sistema e ao software desse produto, temos uma nova forma de organização.

A segunda mudança é como interagimos com esse conhecimento. Acreditamos na combinação do gêmeo virtual com os “companheiros virtuais” — que o mercado chama de agentes de IA. Nós preferimos o termo companion (companheiro) porque, na tradição artesanal francesa, o compagnon é o mestre artesão no chão de fábrica, o especialista, mas também um parceiro, um amigo.

Ao combinar o gêmeo virtual (para navegar no contexto) e o companheiro virtual (para suporte científico), o usuário ganha superpoderes. Por exemplo: o designer está analisando uma peça metálica no modelo e decide fazer um furo extra. Ele pergunta ao companheiro virtual como proceder. O companheiro, por meio do gêmeo virtual, entende todo o contexto dinâmico – a configuração da aeronave, os requisitos, o material – e usa a ciência embutida para simular o impacto daquele furo na hora, ajudando na tomada de decisão. Isso é extremamente poderoso.

VC – Mas você acredita que as empresas estão preparadas para isso? No ambiente corporativo tradicional, ainda vemos muitas falhas em iniciativas de IA devido a dados fragmentados, silos e falta de infraestrutura adequada. Na esfera industrial, as indústrias estão mais maduras para colher esses benefícios ou o desafio de governança e maturidade de dados é parecido?

MZ – Eu não diria se estão preparadas, mas sim que elas não têm escolha. Tomemos a indústria automotiva como exemplo: a maioria das montadoras ocidentais precisa de quatro anos para desenvolver um novo programa de veículo; os chineses fazem em 18 meses. Então, a questão não é estar preparado, é a velocidade com que conseguem entrar nisso, sob o risco de a distância competitiva continuar crescendo.

A boa notícia é que a barreira de entrada diminuiu. Com as tecnologias atuais, conseguimos gerar impactos significativos com IAs generativas e companheiros virtuais mesmo a partir de dados que não são perfeitos. Nós desenvolvemos, por exemplo, um modelador de ontologia generativa. Se a ontologia for bem estruturada, você consegue reconectar os pontos entre vários fragmentos de conhecimento distribuídos pela empresa, mesmo que esses fragmentos não usem a mesma linguagem ou o mesmo vocabulário. A tecnologia minimizou os pré-requisitos de prontidão.

Fábricas definidas por software

VC – Mas pensando na realidade do Brasil, temos indústrias de médio porte que ainda não possuem processos digitalizados na planta de produção. Para elas, que não têm essa base ainda que básica, é possível migrar para essa realidade e competir usando IA? 

MZ – Se você não tem absolutamente nada digital, é claro que fica bem mais difícil aplicar a IA. É possível aprender a partir do papel, mas dá muito mais trabalho. O que importa aqui é a sequência: como a empresa identifica o seu “sistema de interesse” – a área que trará o maior impacto para o negócio (seja a resiliência da cadeia de suprimentos, a gestão de programas ou as operações de manufatura). É preciso avançar sistema por sistema.

Na Dassault Systèmes, costumo citar que passamos por sete gerações tecnológicas: começamos com o 3D, fomos para o contexto global com maquetes digitais, gestão de programas, PLM (introduzindo o tempo), gêmeos virtuais escaláveis, modelagem da vida e do corpo humano, e agora estamos na sétima geração, com a IA industrial integrada.

Muitos de nossos clientes ainda estão nas gerações 1, 2 ou 3. A grande dúvida deles é: preciso passar pelas gerações 4, 5 e 6 antes de chegar à 7? E a resposta é não. Existem atalhos. O pulo do gato para as empresas que não investiram massivamente em digitalização nos últimos 10 ou 20 anos é que elas podem saltar direto para o mundo da IA e da virtualização. Elas não precisam repetir o caminho transacional e de conectividade passo a passo que as outras fizeram. O que parece injusto com quem investiu por décadas, mas é assim que a tecnologia avança.

VC – Diante desse cenário, este seria o momento ideal para repensar completamente a arquitetura das fábricas? Afinal, os gêmeos virtuais e as simulações avançadas mudam a forma de produzir não apenas nos escritórios, mas no chão de fábrica. Como vocês apoiam os clientes nisso?

MZ – Sim, com certeza. Na indústria automotiva, fala-se muito hoje em Veículos Definidos por Software (Software-Defined Vehicles), onde as capacidades do carro mudam via software. O mesmo está acontecendo com as fábricas: estamos entrando na era das Fábricas Definidas por Software (Software-Defined Factories).

Estamos ajudando nossos clientes a projetar instalações modulares, reconfiguráveis e autoajustáveis por meio de software. Dizer que elas são totalmente “autocicláveis” ou que se autoconsertam soa um pouco exagerado hoje, mas a fábrica definida por software já é uma realidade e é uma tendência massiva.

VC – Vocês defendem o conceito de “gêmeo virtual” em vez de “gêmeo digital”. Com a introdução de LLMs e agentes de IA industriais, como esses gêmeos virtuais deixam de ser modelos apenas reativos ou preditivos para se tornarem entidades mais autônomas, capazes de tomar decisões e reconfigurar uma linha de produção por conta própria?

MZ – Há uma diferença fundamental: o gêmeo digital é uma representação estática e plana de um sistema (um modelo 3D de um avião com seus dados técnicos, por exemplo). Já o gêmeo virtual possui as leis científicas e da física incorporadas. Nele, eu posso alterar um parâmetro e simular na hora se o avião continuará seguro.

Por operar no mundo virtual, podemos usar a capacidade de simulação para gerar cenários infinitos. Isso significa que podemos gerar dados sintéticos para o aprendizado da IA dentro do próprio ambiente virtual. Podemos fazer a manutenção preditiva de um produto que sequer foi lançado no mercado físico, ou simular o comportamento, fluxo e eficiência de uma fábrica antes mesmo de colocar o primeiro tijolo no mundo real.

Para as empresas que mencionamos, que hoje são pouco digitalizadas, se elas entrarem direto no mundo virtual para projetar suas fábricas, no dia seguinte elas podem começar a gerar dados sintéticos como se já operassem aquela fábrica há 20 anos. Elas começam a aprender com IA antes mesmo de ter dados físicos. O gêmeo virtual é o grande divisor de águas para a aplicação da IA.

Para atingir a autonomia com precisão e sem alucinações da IA, você precisa de um “reduto de controle” muito forte. Muitas empresas usam apenas ontologias para guiar os modelos, mas nós acreditamos que o gêmeo virtual é um guia muito superior, pois fornece muito mais contexto e conhecimento científico. Com os parâmetros corretos e mantendo o ser humano no circuito para decisões críticas, aceleramos o caminho rumo aos sistemas autônomos.

Legado como patrimônio

VC – Então é viável um cenário onde a IA gera o design de um componente (com supervisão humana) e o gêmeo virtual valida as restrições físicas e a viabilidade de manufatura automaticamente?

MZ – Perfeitamente. Esse é exatamente o cenário atual. O nosso agente de IA focado em design avançado, o Leo, possui capacidades de raciocínio baseadas no nosso Modelo de Mundo Industrial. Ele não apenas projeta uma peça seguindo as melhores práticas, mas também simula as restrições físicas e se a peça pode ser fabricada de forma viável dentro de condições razoáveis de custo e operação. O Leo tem o poder de raciocínio para sequenciar todas essas validações na ordem correta.

VC – A Dassault Systèmes transformou os setores aeroespacial e automotivo e agora aplica essa mesma lógica de engenharia para criar o gêmeo virtual do corpo humano na saúde e no setor farmacêutico. Existe uma troca de aprendizados entre modelar a biologia humana e a manufatura tradicional? 

MZ – Sim, o DNA da nossa empresa é assumir os desafios mais complexos do mundo e usar o que aprendemos neles para retroalimentar problemas industriais mais genéricos. E não há nada mais complexo, com maior volume de variedades, variáveis e incógnitas, do que o corpo humano. O aprendizado gerado ao modelar a vida é aproveitado transversalmente em todas as outras disciplinas industriais da companhia.

VC – O que você diria para o empresário de médio porte no Brasil que quer investir nisso, mas teme o custo ou acha que é algo exclusivo para gigantes globais devido aos seus sistemas legados?

MZ – A palavra legado é interessante, pois em alguns países soa negativa (como algo velho), mas em outros significa “herança”. Nós vemos o legado como uma herança, um patrimônio. O que está nos sistemas legados é o conhecimento atual daquela empresa. A boa tecnologia atual nos permite extrair e valorizar esse conhecimento oculto no legado.

O fator que viabiliza isso para uma empresa média — e que ainda não havíamos citado — é o software como serviço (SaaS, da sigla em inglês). É o modelo em nuvem que permite a uma organização de médio porte ter acesso às maiores fábricas de IA do mundo, com milhares de GPUs e tecnologia de ponta, por um custo proporcional ao seu tamanho. Eles podem iniciar um novo programa de desenvolvimento no SaaS em questão de horas, mantendo a operação flexível, barata e sem perder a herança de conhecimento dos seus sistemas antigos. É uma mudança completa de mentalidade: ver o legado como patrimônio e adotar o SaaS para novos projetos.