Dentro da fábrica que usa gêmeos digitais para fazer a batata perfeita

A busca pelo chip perfeito

Há quatro anos, o engenheiro Jan Laenen persegue uma meta que parece simples e não é: fazer com que cada Pringles saído da linha de produção tenha exatamente o mesmo formato de sela, a mesma crocância e o mesmo sabor do anterior. A fábrica da Kellanova em Kutno, na Polônia, virou o principal palco dessa obsessão depois que a empresa investiu entre 4 e 5 milhões de dólares em um projeto conjunto com a Siemens para criar um "gêmeo digital" em tempo real da massa de batata que alimenta a linha de fritura. A reportagem original, assinada por Isabelle Bousquette no The Wall Street Journal, descreve o projeto como um dos sinais mais claros de que gêmeos digitais, um conceito que já existe há anos, estão finalmente saindo do papel em escala industrial.¹

A ideia central não é nova para quem acompanha manufatura avançada: sensores captam variáveis físicas do processo (umidade, temperatura, granulometria da farinha) e alimentam um modelo computacional que espelha, em tempo real, o comportamento da matéria-prima. O que mudou, segundo a Siemens, foi a velocidade e a granularidade dessa captura. Na planta de Kutno, mais de 200 pontos de dados são registrados a cada milissegundo por uma plataforma de borda (edge computing) da própria Siemens, permitindo ajustes na receita antes mesmo que um lote de massa saia fora do padrão.²

Como funciona o gêmeo digital da massa

Antes da digitalização, o controle de qualidade dependia quase inteiramente da percepção humana. Operadores conhecidos internamente como "doughmakers" retiravam pedaços de massa da linha, esticavam com as mãos e avaliavam a textura no olho. Chips recém-fritos eram pesados e medidos manualmente. Quando algo saía do padrão, o ajuste nas máquinas acontecia depois do problema já ter se manifestado, não antes.

O sistema atual inverte essa lógica. Um primeiro modelo de aprendizado de máquina, rodando localmente na fábrica, simula como a massa vai se comportar e sugere pequenos ajustes (mais óleo, mais água, temperatura de fritura) antes de qualquer desvio visível no produto final. Quando a anomalia é grande demais para esse ajuste local resolver, os dados sobem para um modelo maior, hospedado em nuvem, que tem acesso a um histórico mais amplo e pode retreinar o sistema. Nenhum dos dois modelos é de IA generativa: ambos operam com aprendizado de máquina convencional, otimizado para previsão numérica, não para geração de texto ou imagem.

Segundo o case oficial publicado pela própria Siemens, o resultado na linha piloto de Kutno foi um ganho de 10% no desempenho da linha, redução de 13% no desperdício de massa e queda de 7% no consumo de energia, tudo sem a compra de nenhum equipamento novo.² A empresa descreve a mudança como uma transição "da arte de fazer alimentos para a ciência de fazer alimentos", nas palavras do diretor da planta, Ronny Matthijs.³

O que os números realmente mostram

É tentador ler esse tipo de caso como prova de que a manufatura já é autônoma. Não é bem assim. O analista Evan Brown, da consultoria Gartner, descreve o momento atual como uma fase intermediária: gêmeos digitais deixaram de ser apenas modelos 3D com dados anexados e passaram a operar quase em tempo real, oferecendo recomendações de otimização, mas a decisão final ainda costuma ficar com um humano.

Esse diagnóstico é reforçado pelo próprio relatório de previsões da Gartner para 2026 sobre manufatura, que projeta que agentes de IA semiautônomos devem coordenar cerca de 10% das atividades de produção, qualidade e manutenção até o fim da década, um salto em relação aos 2% observados no início de 2026. O relatório também alerta para o outro lado da equação: o custo de sistemas centrais de manufatura (PLM, MES e softwares de desenvolvimento de produto) deve subir 40% até 2029, à medida que fornecedores passam a cobrar por contas de "usuários não humanos", ou seja, os próprios agentes de IA.⁴

O que isso significa para a indústria brasileira

A distância entre Kutno e uma planta industrial no interior de São Paulo é menor do que parece. A indústria de alimentos é o maior elo manufatureiro do país: segundo a Associação Brasileira das Indústrias de Alimentos (ABIA), o setor fechou o último balanço com faturamento superior a R$ 1 trilhão, somando exportação e mercado interno, e reportagens recentes mapeiam empresas como Nestlé e Minerva Foods já aplicando IA em linhas de fabricação e tipificação de carnes.⁵

Ainda assim, a adoção segue desigual. Levantamento da Confederação Nacional da Indústria (CNI) mostra que 58% das indústrias brasileiras reconhecem a importância de tecnologias digitais para a competitividade, mas menos da metade efetivamente as utiliza, com o foco concentrado em ganhos de produtividade e pouco investimento nas etapas de desenvolvimento da cadeia produtiva.⁶ Estimativas citadas por centros de pesquisa como o CESAR apontam um potencial de redução de custos industriais de cerca de R$ 73 bilhões por ano no Brasil com a adoção mais ampla de gêmeos digitais, distribuídos entre manutenção, eficiência energética e ganhos de processo.⁷

Há também uma ironia na cadeia acionária deste caso. A Kellanova foi adquirida pela Mars no fim de 2025, e a integração das operações ainda avança em ritmos diferentes por região. A própria Mars, dona de marcas como Pedigree e Whiskas, já desenvolveu gêmeos digitais para modelar sua cadeia de suprimentos de manufatura, com ganhos reportados em produtividade de máquinas e redução de desperdício por embalagens com quantidades inconsistentes de produto, segundo case documentado pelo centro de inovação CESAR.⁷ Ou seja: a nova controladora da marca Pringles já chegava a essa negociação com experiência prévia em digital twins, o que pode acelerar (ou reconfigurar) os planos de expansão do projeto polonês para outras plantas.

Os limites da autonomia da IA na fábrica

O caso Pringles ilustra bem um padrão que vem se repetindo em manufatura avançada: ganhos reais de eficiência, mas com decisão humana ainda no centro do processo. Segundo o relato original do WSJ, o próximo passo da tecnologia, segundo analistas do setor, é dar à IA autonomia para ajustar parâmetros de máquina sem intervenção humana. Na maioria dos casos documentados até agora, incluindo o de Kutno, as empresas preferem manter um operador humano validando a recomendação antes de qualquer mudança física na linha.¹

Isso não é um detalhe menor. Em um setor como o de alimentos, um ajuste automático errado na proporção de óleo ou na temperatura de fritura pode gerar não apenas desperdício, mas risco à segurança alimentar. A cautela das empresas em manter humanos no circuito de decisão parece menos uma limitação técnica e mais uma escolha de governança, ainda que o custo de manter esse controle humano tenda a subir à medida que os sistemas de IA se tornam mais sofisticados e caros de operar, como aponta a própria Gartner.⁴