A colaboração deve estar no coração da abordagem de IA multiagente da manufatura. Veja como.

A maioria, senão todas, as fabricantes de grande escala está lidando com uma infinidade de sistemas em suas infraestruturas digitais. Frequentemente, todos eles operam simultaneamente no chão de fábrica: um agente de manutenção preditiva monitora sensores de vibração em busca de padrões de segurança, um agente de controle de qualidade baseado em visão sinaliza defeitos de produto e um agente de agendamento gerencia trocas de produção, enquanto um agente de inventário acompanha as aquisições. Cada um tem uma tarefa operacional clara, mas, na maioria das vezes, esses sistemas não se comunicam entre si.

É essa falta de colaboração que compromete a IA agente na manufatura de grande escala. Se um agente funciona ou não é uma coisa, mas outro problema significativo para as grandes empresas de manufatura é que elas operam em quase total isolamento.

E, embora o número de organizações de grande porte que estão escalando agentes de IA em pelo menos uma função tenha aumentado de 27% a 40% ano a ano, elas estão se concentrando em funções específicas, como TI e engenharia de software, em vez de distribuir os agentes de forma equilibrada por toda a operação como um sistema coordenado. Entretanto, embora a maioria das organizações planeje implantar agentes autônomos, apenas cerca de um terço acredita que sua infraestrutura está pronta para suportá-los. Além disso, pesquisas de 2025 descobriram que 79% das falhas de sistemas LLM multiagente decorrem de problemas relacionados à coordenação e especificação.

Os fabricantes estão adicionando tomadores de decisão autônomos ao chão de fábrica e à linha de produção mais rápido do que constroem a conectividade entre eles. Isso está se agravando em um problema de coordenação e colaboração que compromete o desempenho desses modelos. Em última análise, isso se manifesta em três partes distintas da pilha de IA. Veja onde e o que os fabricantes devem fazer para garantir sistemas agentes colaborativos e bem conectados.

Principais pontos de atrito da colaboração

A primeira e talvez maior barreira são os dados, que continuam sendo um ponto crítico significativo para muitas organizações de grande porte que buscam escalar IA. A maioria dos fabricantes opera com décadas de infraestrutura acumulada (e dados vinculados a ela) na forma de sistemas MES e ERP que não compartilham um esquema comum com outros fluxos de dados, como comunicação e recursos humanos. Por causa disso, os agentes têm dificuldade em se comunicar entre si, se é que conseguem; dados isolados ou mal formatados representam uma barreira quase intransponível entre múltiplos agentes.

Isso se manifesta no chão de fábrica como um agente que monitora a saúde e o desempenho de máquinas em uma linha não tendo nenhum meio confiável de saber o que o agente de agendamento, duas estações adiante, planeja para a próxima troca de produção, embora as duas decisões e fluxos de trabalho afetem-se diretamente.

O próximo ponto de atrito é o protocolo. É um elemento que não recebe consideração suficiente ao se abordar a colaboração em IA. A IA agente é muito nova e, até recentemente, não existia um padrão real para que agentes construídos em diferentes estruturas, bases ou fornecedores se comunicassem e colaborassem.

Felizmente, isso está começando a mudar. Por exemplo, protocolo Agent2Agent (A2A) da Google, que foi lançado no ano passado, padroniza como agentes independentes (potencialmente construídos em plataformas totalmente diferentes) descobrem as capacidades uns dos outros e delegam tarefas. Crucialmente, isso é explicitamente projetado para complementar Protocolo de Contexto de Modelo (MCP) da Anthropic, que padroniza como cada agente acessa ferramentas e fontes de dados. O objetivo comum aqui é superar o isolamento e garantir a colaboração, mesmo em ambientes multiagente, em escala.

Por fim, muitas fabricantes ainda enfrentam a questão da supervisão humana. Mesmo uma rede de agentes perfeitamente coordenada falhará se as pessoas que a supervisionam não confiarem em suas decisões ou tiverem expectativas irrealistas quanto às suas capacidades. Analistas do MIT Sloan emitiram alertas sobre expectativas inflacionadas e confiança erodida em relação à IA agente, além de uma ameaça potencial de desengajamento humano com agentes de IA. No chão de fábrica, essas lacunas e pontos de atrito podem ser catastróficos: o elo humano que conecta o ecossistema agente é absolutamente vital para operações seguras e confiáveis.

Superando a lacuna de confiança

É tentador tratar o lado humano disso como uma questão puramente cultural que pode ser resolvida com mais sessões de treinamento. No entanto, esses esforços ficarão aquém a menos que sejam combinados com correções arquiteturais duráveis. O design de supervisão deve considerar quando o julgamento humano deve ceder ao sistema, e não simplesmente sobrescrever a sugestão do agente porque a pessoa envolvida discorda dela.

Incorpore transparência de raciocínio, o que significa que sempre há visibilidade e a capacidade de detalhar por que um agente tomou uma decisão ou sinalizou uma sugestão, além de simplesmente observar o resultado. E, quando os operadores discordam, garanta que exista um caminho de escalonamento claro e eficiente que incorpore transparência e rastreabilidade nos processos de tomada de decisão.

Reconstruindo um senso de integralidade

Agentes, assim como as equipes que eles foram criados para apoiar, precisam de mais do que acesso a uma tarefa estreita e específica. Eles precisam de algo que equivale a um senso de integralidade; um modelo funcional de como sua parte da operação se conecta a todo o resto. Um agente de agendamento que otimiza o tempo de troca de ferramentas sem qualquer visibilidade do que o agente de manutenção vê sobre equipamentos envelhecidos está apenas tomando uma decisão razoavelmente aceitável que pode não ser a correta quando comparada a outras demandas de fluxo de trabalho.

É aqui que a camada de protocolo e o problema do senso de integralidade convergem. O contexto compartilhado é o meio prático pelo qual a tarefa individual de um agente é ancorada ao estado real da planta mais ampla. Na manufatura, já existe uma resposta parcial a isso na forma de normas como ISA-95, que definem meios comuns de como os sistemas empresariais e de controle essencialmente se comunicam em toda a planta. A novidade agora, porém, é estender essa ideia de vocabulário operacional compartilhado da integração legível por humanos para informações que os agentes podem processar.

Sem esse modelo compartilhado, cada agente adicional implantado adiciona um novo ponto isolado de raciocínio e tomada de decisão que não faz parte de um todo coerente. É exatamente assim que a proliferação de agentes piora em vez de se resolver à medida que a adoção escala.

Mantendo o Pulso nas Medidas Certas para o Sucesso

Outra armadilha é simplesmente medir a IA agente da mesma forma que qualquer outra implantação de software é monitorada: focando em números de eficiência e garantindo que eles continuem aumentando. Para sistemas multiagente coordenados e colaborativos, isso não é necessariamente benéfico e pode realmente se voltar contra quando se torna a única métrica de desempenho.

A primeira coisa que vale a pena confirmar não é simplesmente quanto dinheiro um agente economiza, mas se ele é seguro e confiável para operar conforme projetado. Garanta que ele atue dentro de seus limites pretendidos, tenha falhas previsíveis e permita intervenção humana e escalonamento adequados. Só depois de isso resolvido a qualidade deve ocupar o centro do palco, como se a saída do agente for realmente correta e consistente e não apenas instantânea.

Esta é a ordem de prioridade que os fabricantes devem seguir. Velocidade, rendimento e economia de custos são as prioridades mais baixas. Um ganho de produtividade construído sobre um agente inseguro ou não confiável é uma responsabilidade para equipes, tecnologia, linhas de produção, relacionamentos e reputação empresarial.

Teste em pequena escala antes de ampliar. Um único agente que executa uma tarefa bem definida pode gerar uma comparação clara de antes e depois. Contudo, quando a visão se amplia para englobar dezenas de agentes interagindo em toda a planta antes que qualquer um tenha sido validado individualmente, torna-se muito mais difícil determinar qual parte do sistema está impulsionando o resultado. A complexidade deve ser adicionada à abordagem de medição apenas na mesma velocidade em que é adicionada à implantação.

Aqui, colaboração e medição começam a coexistir. A saída de um agente será tão confiável quanto o contexto ao qual ele teve acesso ao agir. Isso significa que o problema de contexto compartilhado mencionado anteriormente é, na verdade, uma pré‑condição para a medição. Fabricantes que não resolveram uma visão unificada das operações entre sistemas não têm uma maneira confiável de saber se um resultado positivo ou negativo reflete o julgamento do agente ou uma lacuna no que ele tem permissão para acessar. As métricas que importam são legíveis quando a sequenciação e o contexto compartilhado estão travados.

Coordenação e Colaboração no Centro da Capacidade

Em última análise, as vantagens estruturais dos grandes fabricantes (seus volumes massivos de produção, conjuntos de dados históricos, consistência de processos e recursos de talento e tecnologia) são indiscutíveis. Essas vantagens, porém, só se multiplicam se os fabricantes primeiro resolverem o problema de colaboração.

Olhando para o futuro, à medida que as capacidades de IA evoluem para possivelmente total autonomia, e tanto os sistemas quanto as linhas de produção crescem, essa colaboração e coordenação são uma necessidade absoluta. Tratar interoperabilidade, padrões de protocolo, contexto compartilhado, supervisão humana calibrada e um senso de integralidade como pré‑requisitos arquiteturais antes de escalar e implantar é imprescindível. Essa é a linha divisória entre fabricantes que ampliam a IA agente com sucesso e segurança, e aqueles que permanecem presos a projetos piloto.