Resumo Executivo

Fernando Augusto Martins Xavier; Vítor Melão Cassânego

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

A indústria automotiva constitui um dos pilares da economia global, contribuindo com aproximadamente três por cento do Produto Interno Bruto mundial e empregando diretamente mais de quatorze milhões de indivíduos nas principais economias industrializadas (OICA, 2024). No contexto brasileiro, o setor automotivo representa cerca de vinte e dois por cento do PIB industrial, impulsionando uma vasta cadeia produtiva que engloba mais de cinco mil empresas, incluindo montadoras, sistemistas e fornecedores de autopeças (ANFAVEA, 2024). Apesar de sua inegável relevância, o setor enfrenta desafios crescentes, marcados pela complexidade dos produtos, pela incessante pressão por inovação e pela necessidade de aderência a normas técnicas cada vez mais rigorosas. Neste cenário, a Engenharia de Produto assume um papel estratégico, sendo fundamental para garantir que os veículos desenvolvidos atendam aos requisitos de segurança, desempenho, sustentabilidade e custo.

Projetistas, no entanto, confrontam obstáculos significativos no acesso a informações técnicas cruciais para o desenvolvimento de componentes automotivos. As normas e requisitos aplicáveis são frequentemente extensos, dispersos em múltiplos repositórios e, em muitos casos, de difícil localização e interpretação em prazos compatíveis com as exigências dos projetos. Essa dificuldade contribui para a ocorrência de múltiplos ciclos de retrabalho, atrasos nos cronogramas de desenvolvimento e um consequente aumento dos custos operacionais. Falhas na gestão do conhecimento técnico, conforme apontado por Rozenfeld et al. (2006), figuram entre as principais causas de ineficiência nos processos de desenvolvimento de produto, reforçando a urgência de soluções que promovam um acesso estruturado, confiável e rastreável ao conteúdo normativo.

Nesse panorama, a Inteligência Artificial (IA) tem se estabelecido como uma ferramenta valiosa para mitigar gargalos associados ao volume, à dispersão e à complexidade das informações técnicas. Quando aplicada à engenharia, a IA possibilita a automação de tarefas repetitivas, o suporte a análises complexas e o fortalecimento da tomada de decisão técnica, fundamentada em grandes volumes de dados. Estudos recentes, como os de Mahale et al. (2025) e Cummings (2023), indicam que a IA pode reduzir substancialmente o tempo de desenvolvimento e os custos associados a erros de projeto, ao mesmo tempo em que melhora a assertividade e a padronização das soluções técnicas. Dentro do vasto campo da IA, o “Machine Learning” (Aprendizado de Máquina) destaca-se como uma subárea dedicada ao desenvolvimento de sistemas capazes de identificar padrões e aprimorar seu desempenho por meio da análise de dados, sem a necessidade de programação explícita para cada situação (Mitchell, 1997). Diferentemente de soluções baseadas exclusivamente em regras pré-programadas, as abordagens fundamentadas em “Machine Learning” podem considerar o contexto das consultas, reconhecer similaridades semânticas e oferecer respostas progressivamente mais assertivas, à medida que interagem com usuários e conjuntos de dados.

A ausência de uma ferramenta corporativa capaz de concentrar, organizar e facilitar a consulta às normas técnicas aplicáveis à Engenharia de Produto representa um problema crítico. Projetistas frequentemente consultam documentos normativos extensos, disponíveis em diferentes plataformas e formatos, o que exige múltiplas leituras e verificações ao longo do processo de desenvolvimento. Por exemplo, no desenvolvimento de um para-choque automotivo, o profissional responsável necessita analisar uma norma que pode conter dezenas de páginas, retornando repetidamente ao documento para confirmar requisitos específicos, como critérios de segurança, dimensões mínimas, materiais permitidos e exigências de validação. Esse processo é repetitivo, exige esforço cognitivo elevado, é suscetível a interpretações equivocadas e consome tempo significativo. Além do impacto operacional, essa lacuna compromete a conformidade com requisitos corporativos e regulatórios estabelecidos por áreas como Qualidade, Segurança e Regulamentação. A falta de centralização e de ferramentas inteligentes para consulta técnica gera desalinhamento entre as áreas, retrabalho e atrasos na entrega de projetos.

Diante desse cenário, o presente projeto de pesquisa propôs o desenvolvimento de uma solução baseada em IA, especificamente um “chatbot” inteligente, voltada à Engenharia de Produto de montadoras automotivas. O objetivo principal foi facilitar o acesso de projetistas a normas e requisitos técnicos aplicáveis, visando a centralização e interpretação de documentos normativos por meio de um navegador “web”, permitindo buscas rápidas, interativas e orientadas às necessidades de projeto. A ferramenta buscou reduzir o tempo despendido em atividades de busca documental, aumentar a precisão das informações utilizadas no desenvolvimento e promover maior agilidade na tomada de decisão técnica. A solução fundamentou-se em técnicas de “Machine Learning” aplicadas à classificação, indexação e recuperação de informações normativas, permitindo que o “chatbot” interpretasse perguntas em linguagem natural e retornasse conteúdos técnicos relevantes de forma inteligente e contextualizada. O foco da solução não se concentrou na geração criativa de conteúdo, mas sim no suporte à engenharia por meio do acesso estruturado, confiável e rastreável ao conhecimento técnico existente. Os benefícios esperados incluíram a redução do retrabalho, o aumento da produtividade dos projetistas, a padronização do acesso à informação técnica e a elevação da qualidade dos projetos desenvolvidos, impactando positivamente áreas como cálculo, qualidade e validação, e contribuindo para a transformação digital da engenharia automotiva.

A metodologia empregada neste estudo caracterizou-se por uma abordagem de pesquisa aplicada, com foco no desenvolvimento e avaliação de uma solução tecnológica para um problema real da indústria automotiva. A pesquisa foi conduzida em uma montadora automotiva específica, com a participação de projetistas da área de Engenharia de Produto. O período de levantamento de dados e análise das alternativas estendeu-se por várias semanas, culminando na definição de um plano de implementação detalhado.

Para mensurar o impacto do problema da dificuldade de acesso às normas técnicas, realizou-se uma pesquisa online com cinquenta projetistas atuantes na área de Engenharia de Produto da montadora. O levantamento, conduzido por meio de um formulário digital, coletou dados objetivos sobre o tempo médio semanal dedicado à busca por normas e requisitos técnicos. Os resultados indicaram que noventa e quatro por cento dos respondentes gastavam, em média, cerca de uma hora por semana nessa atividade. Considerando uma equipe de duzentos projetistas, essa condição representou aproximadamente dez mil e quatrocentas horas anuais de tempo improdutivo. A um custo médio de quarenta e quatro dólares por hora, estimou-se uma perda anual de cerca de quatrocentos e cinquenta e sete mil e seiscentos dólares, exclusivamente associada ao tempo despendido em buscas manuais por informações técnicas. As perdas foram categorizadas em tempo improdutivo, retrabalho técnico, custo de atraso e desalinhamento técnico.

Diante do diagnóstico, foram avaliadas três alternativas capazes de reduzir o tempo de busca e aumentar a confiabilidade e a padronização do acesso aos requisitos normativos. As alternativas foram definidas a partir de reuniões internas com representantes de gerência, especialistas técnicos e colaboradores da Engenharia de Produto, considerando critérios como agilidade no acesso à informação, redução de retrabalho, integração com processos existentes, escalabilidade e experiência do usuário. As alternativas analisadas foram: um “chatbot” inteligente para suporte técnico, uma base de conhecimento automatizada e uma central de atendimento especializada.

A avaliação comparativa utilizou uma matriz de decisão ponderada, onde os critérios foram definidos em função do objetivo do projeto e do contexto da Engenharia de Produto: rapidez de resposta (peso 3), custo operacional (peso 3), facilidade de implementação (peso 2), escalabilidade (peso 2) e satisfação do usuário (peso 2). As opções de pontuação variavam de um (desempenho inferior) a cinco (desempenho superior). O “chatbot” obteve a pontuação máxima de cinco para rapidez de resposta, custo operacional e escalabilidade, e quatro para satisfação do usuário, resultando em um total ponderado de quarenta e sete pontos. A base de conhecimento automatizada obteve trinta e seis pontos, e a central de atendimento especializada, vinte e sete pontos.

Complementarmente, realizou-se uma análise de custo-benefício, comparando o investimento inicial, o custo operacional anual, o retorno estimado, o Retorno sobre o Investimento (ROI) no primeiro ano e o “payback”. O investimento inicial para o “chatbot” foi de trinta e quatro mil e oitocentos dólares, com um custo operacional anual de quarenta e quatro mil dólares. O retorno estimado anual foi de cento e sessenta e nove mil dólares, resultando em um ROI de 1,14 no primeiro ano e um “payback” inferior a um ano. Em contraste, a base de conhecimento automatizada teve um investimento inicial de vinte mil dólares, custo operacional anual de vinte mil dólares, retorno estimado de oitenta mil dólares, ROI de 1 e “payback” inferior a um ano. A central de atendimento especializada apresentou um investimento inicial de dez mil dólares, custo operacional anual de cento e vinte mil dólares, retorno estimado de sessenta mil dólares, ROI de -0,5 e “payback” superior a dois anos.

Uma análise qualitativa, por meio de uma matriz SWOT, complementou a avaliação, destacando as forças, fraquezas, oportunidades e ameaças da alternativa do “chatbot”. As forças incluíram respostas instantâneas vinte e quatro horas por dia, sete dias por semana, escalabilidade, redução de custos operacionais, integração com sistemas internos e aprendizado contínuo. As fraquezas identificadas foram a dependência de dados estruturados, a necessidade de manutenção contínua e o investimento inicial elevado. As oportunidades abrangeram o alinhamento à transformação digital, a integração com outras ferramentas e o aumento da satisfação dos usuários. As ameaças incluíram a resistência cultural à adoção de IA, os riscos de falhas técnicas e a necessidade de atualização diante da evolução normativa.

O escopo do projeto concentrou-se no desenvolvimento de um “chatbot” com funcionalidades inteligentes, sua integração com sistemas internos para acesso seguro à base de normas, o treinamento dos usuários e o monitoramento contínuo da solução. Ficaram fora do escopo a criação de novas normas técnicas e o suporte a departamentos não diretamente relacionados à Engenharia de Produto. O cronograma de implementação, elaborado com base nas melhores práticas de gestão de projetos (PMI, 2017), previu um total de duzentos e noventa e um dias para monitoramento e ajustes após o “go-live”. As etapas incluíram levantamento de requisitos (quinze dias), seleção de fornecedor/plataforma (quinze dias), desenvolvimento do “chatbot” (sessenta e dois dias), integração com sistemas (quinze dias), testes piloto (treze dias), treinamento de usuários (dez dias) e “go-live” (um dia). O custo total estimado do projeto foi de setenta e oito mil e oitocentos dólares, incluindo desenvolvimento do “chatbot” (trinta e quatro mil e oitocentos dólares), integração com sistemas (oito mil dólares) e monitoramento e ajustes (vinte e quatro mil dólares).

A coleta de dados para avaliação da solução combinou telemetria da ferramenta, micropesquisas integradas ao “chatbot” e auditorias técnicas estruturadas. A telemetria capturou automaticamente “timestamps” de envio e de entrega, número de sessões e de usuários ativos, “intents” utilizadas, fonte e versão dos documentos lidos e tempo real de resposta. A partir desses dados, calculou-se o Tempo Médio de Consulta (TMCT) como a média do tempo entre pergunta e resposta, o Fator de Resolução de Consulta (FCR) técnico como o percentual de interações resolvidas sem nova pergunta, e o Horas de Ineficiência Eliminadas (HIE) objetiva. A adoção foi calculada como Usuários Ativos Mensais/Usuários Ativos Semanais (MAU/WAU) e a penetração por área. As micropesquisas, realizadas ao fim de cada consulta, perguntavam se a resposta resolveu a dúvida (Sim, Parcialmente, Não), alimentando o FCR, e mediam a confiabilidade em uma escala de zero a dez, com valores iguais ou superiores a oito compondo o Índice de Confiabilidade da Resposta (ICR). Também questionavam o tempo que o usuário levaria para obter a informação sem o “chatbot”, com faixas convertidas em minutos (0,5, 3, 10,5, 23 e 40 minutos), alimentando o HIE. Auditorias técnicas mensais, com amostra estratificada de cem casos, avaliaram a norma, a versão, a aderência da interpretação, a consistência das citações e a adequação dos alertas de risco, calculando a Acurácia Técnica.

Os resultados da implementação do “chatbot” demonstraram um impacto significativo na eficiência operacional e na produtividade dos projetistas. A redução do TMCT superou a meta de sessenta por cento em relação à linha de base, indicando uma agilidade substancial no acesso às informações. O FCR alcançou mais de oitenta e cinco por cento, evidenciando que a maioria das interações resultou na resolução das dúvidas sem a necessidade de novas perguntas, o que minimizou o retrabalho técnico. A Acurácia Técnica manteve-se acima de noventa por cento, confirmando a alta qualidade e confiabilidade das respostas fornecidas pelo sistema.

O HIE foi valorizado em quarenta e quatro dólares por hora, e a meta de reduzir as perdas de cerca de dez mil e quatrocentas horas anuais para, no máximo, quatro mil horas anuais foi atingida, resultando em uma economia anual estimada de quatrocentos e cinquenta e sete mil e seiscentos dólares. O ROI real e o “payback” superaram o ROI projetado de cento e quatorze por cento, confirmando a viabilidade econômica e o rápido retorno do investimento. Além disso, houve uma redução de mais de vinte por cento no retrabalho e a conformidade interna atingiu mais de noventa por cento, o que reforça a padronização e a assertividade técnica. A penetração do “chatbot” alcançou mais de oitenta por cento em seis meses, e o Net Promoter Score (NPS) manteve-se acima de setenta, indicando alta satisfação dos usuários.

A análise estratégica, conforme a matriz SWOT, revelou que as forças do “chatbot”, como respostas instantâneas vinte e quatro horas por dia, sete dias por semana e escalabilidade, foram cruciais para sua aderência às necessidades da Engenharia de Produto. As oportunidades, como a integração com outras ferramentas e o aumento da satisfação dos usuários, ampliaram o potencial de impacto da solução. As fraquezas, como a dependência de dados estruturados e a necessidade de manutenção contínua, foram mitigadas por práticas robustas de governança e atualização tecnológica. A resistência cultural à adoção de IA e os riscos de falhas técnicas, identificados como ameaças, foram gerenciados por meio de comunicação eficaz, treinamento e um plano de monitoramento contínuo.

O monitoramento contínuo após o “go-live” foi organizado com uma governança clara e rotinas bem definidas. A Gerência ou Diretoria de Engenharia de Produto patrocinou e definiu metas e recursos, enquanto um comitê, composto por membros da TI, Engenharia, Qualidade, PMO ou Excelência, acompanhou os KPIs, priorizou o “backlog” e aprovou ações. A equipe de TI foi responsável pela telemetria, estabilidade, segurança, versionamento e “releases”. A Engenharia cuidou da curadoria normativa, atualização de conteúdo e revisão de “intents”. A Qualidade realizou auditorias mensais para garantir a aderência e o controle de versões, e o PMO ou Excelência assegurou a padronização metodológica e a cadência de reuniões e relatórios executivos. As análises foram mensais para TMCT, FCR, HIE e adoção; trimestrais para Acurácia Técnica, NPS ou ICR e ROI Real; e semestrais para maturidade, riscos e “roadmap”. Se a acurácia caísse abaixo de noventa por cento, um plano imediato com causa raiz era iniciado. Se o FCR caísse abaixo de oitenta e cinco por cento, os “intents” e as fontes eram revisados. Se a adoção ficasse abaixo de oitenta por cento, a comunicação, o treinamento e o apoio dos multiplicadores eram reforçados. A gestão de conteúdo previu a reconciliação mensal com repositórios oficiais, a reindexação semântica após revisões e um catálogo controlado de fontes autorizadas. Relatórios executivos mensais sintéticos com semáforo dos KPIs e decisões, e relatórios trimestrais analíticos com tendências, ROI real versus projetado e mapa de riscos atualizado, foram gerados. A decisão de implementar o “chatbot” encontrou respaldo na literatura e em benchmarks do setor automotivo, com empresas como Bosch e Siemens reportando ganhos superiores a vinte por cento na eficiência após a adoção de assistentes virtuais (Relatório Gartner, 2024), o que reforça a eficácia da tecnologia.

Conclui-se que o objetivo foi atingido, demonstrando que a implementação de um “chatbot” inteligente para suporte técnico na Engenharia de Produto Automotiva é uma solução tecnicamente viável e economicamente vantajosa, capaz de mitigar perdas operacionais significativas, aumentar a produtividade dos projetistas e fortalecer a conformidade com as normas técnicas, contribuindo para a transformação digital e a competitividade organizacional.

Referências Bibliográficas:

ANFAVEA. (2024). Relatório Anual da Indústria Automotiva Brasileira. Associação Nacional dos Fabricantes de Veículos Automotores. Disponível em: https://anfavea.com.br.

CUMMINGS, M. L. (2023). Artificial Intelligence and the Future of Engineering Design. IEEE Transactions on Engineering Management.

MAHALE, P. et al. (2025). Al-Driven Predictive Maintenance in Automotive Engineering. IEEE Transactions on Vehicular Technology.

MITCHELL, T. M. (1997). Machine Learning. New York: McGraw-Hill.

OICA. (2024). 2024 Production Statistics. Organisation Internationale des Constructeurs d’Automobiles. Disponível em: https://www.oica.net.

Project Management Institute [PMI]. (2017). Um guia do conhecimento em gerenciamento de projetos. Guia PMBOK® 6ed.

Relatório Gartner. (2024). Tendências em Automação e IA na Indústria.

ROZENFELD, H. et al. (2006). Gestão de Desenvolvimento de Produtos: Uma Referência para a Melhoria do Processo. São Paulo: Saraiva.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Executivo em Liderança e Gestão do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy