No domínio da engenharia, Hélio Jesus fala de soluções como o Eigen Engineering Agent apontam para uma nova fase da IA agentiva: sistemas capazes de apoiar tarefas técnicas complexas, como configuração, simulação, testes, validação ou automação de etapas de engenharia. «O objectivo não é substituir o engenheiro, mas sim libertar capacidade técnica, reduzir o tempo gasto em tarefas repetitivas e permitir maior foco na resolução de problemas de maior valor».
IA não é uma resposta universal
Os prazos de retorno variam conforme a maturidade dos dados, a integração com os sistemas existentes e a clareza dos casos de uso. «No caso da produtividade individual, o impacto pode ser rápido. Em ‘digital twins’, edge AI, automação avançada ou IA agentiva e orquestração de agentes, o retorno tende a ser mais estrutural e a ganhar escala à medida que a solução passa dos testes para a operação em larga escala».
É aí que Hélio Jesus defende estar a diferença: na IA industrial, o retorno não deve ser prometido como um número genérico. «Deve ser demonstrado com uma linha de base clara, KPI definidos desde o início e uma arquitectura preparada para escalar com segurança, com a devida governação de dados e integração entre o mundo real e o digital. A nossa experiência mostra que o maior valor surge quando a IA deixa de ser um projecto isolado e passa a fazer parte da infra-estrutura operacional da empresa».
De resto e, tal como qualquer outra solução tecnológica, a inteligência artificial «não é uma resposta universal», define o executivo, acrescentando haver casos em que não entrega o valor esperado «porque é aplicada ao problema errado, no momento errado ou sem as condições necessárias para gerar impacto».
Hélio Jesus recordou que, muitas vezes, o desafio real não está na ausência de IA, mas no desenho dos processos. «Quando se usa inteligência artificial para resolver algo que poderia ser tratado com uma automação simples, uma reorganização de fluxos de trabalho ou até uma ferramenta analítica convencional, o resultado tende a ser contraproducente: aumenta-se a complexidade, elevam-se os custos e reduz-se a clareza sobre o retorno».
Para o responsável por Tecnologia e Inovação na Siemens Portugal, IA também dificilmente cria valor quando o problema de partida não está bem definido. Ou seja, sem um objectivo de negócio claro, sem uma linha de base e sem indicadores concretos de sucesso, qualquer resultado parecerá insuficiente ou difícil de justificar. «A qualidade dos dados é outro factor crítico. Modelos alimentados por dados incompletos, desactualizados, enviesados ou mal estruturados terão inevitavelmente limitações nos resultados que produzem».
