Câmera fria que para no domingo à noite, ar-condicionado que apaga no pico de dezembro, compressor de padaria que dá o último suspiro na Black Friday — todo varejo tem uma história assim. Uma parada não planejada em equipamento crítico custa entre R$ 5 mil e R$ 80 mil por hora quando se soma mercadoria perdida, vendas perdidas, frete emergencial e hora-extra de técnico. Manutenção preditiva com IA troca essa roleta por um alerta que chega dias ou semanas antes da falha. É o que separa uma operação que sobrevive ao verão de uma que vira caso de prejuízo.
Em vez de consertar quando quebra (corretiva) ou trocar peça em data fixa (preventiva), você coleta dados do equipamento em tempo real, treina um modelo para reconhecer o padrão de degradação e age quando o risco sobe. O que mudou nos últimos três anos foi o custo do sensor — o que custava R$ 800 em 2018 hoje sai por R$ 80-150 — e a chegada de modelos de IA leves o suficiente para rodar em gateway local de loja, sem cloud caro.
O que é manutenção preditiva com IA (sem jargão)
Manutenção preditiva (PdM) é um regime baseado em condição, no qual a decisão de intervir vem de dados medidos no próprio equipamento, processados por um modelo que aprendeu a reconhecer padrões de falha. Três pilares:
- Coleta contínua de dados via sensores (vibração, temperatura, corrente, pressão, ruído, umidade) instalados em pontos críticos.
- Modelo de IA que compara o sinal atual com o histórico saudável e com padrões de falha conhecidos. Quando a distância passa de um limiar, dispara alerta.
- Workflow de ação que leva o alerta para a pessoa certa (técnico interno, prestador, gestor) com a peça provavelmente envolvida e a janela estimada até a falha.
A diferença para a preventiva tradicional (trocar rolamento a cada 6 meses, limpar condensadora a cada 90 dias) é que a preditiva só age quando os dados justificam. O efeito é duplo: cai o gasto com troca prematura de peças, e cai o número de paradas inesperadas, porque o componente que está de fato degradando é identificado individualmente, não em "lote".
Onde isso dói mais no varejo brasileiro
Nem todo equipamento de loja se paga monitorar. A conta fecha quando a falha tem três características: alto custo de parada, difícil de prever por inspeção humana e sensoricamente legível (o estado de degradação aparece em algum sinal físico mensurável). No varejo, três categorias concentram 80% do ROI:
1. HVAC e refrigeração comercial
Câmaras frias, balcões frigoríficos, splits de loja, chillers de shopping, centrais de ar. Um supermercado brasileiro médio gasta entre R$ 8 mil e R$ 25 mil por mês com energia de refrigeração (40-60% do consumo total da loja, na faixa estimada pelo setor), e uma falha não programada pode queimar de R$ 15 mil a R$ 200 mil em perecível — sem contar interdição pela Vigilância Sanitária se a temperatura sair da faixa por horas. Sinais típicos: vibração anômala no compressor, corrente subindo 10-15% com temperatura constante, pressão de descarga fora da curva.
2. Padaria, açougue e food service
Fornos industriais, masseiras, cortadores, embaladoras, fritadeiras. Falhas mecânicas progressivas (corrente esticando, correia patinando, lâmina perdendo corte) são visíveis em sensor de corrente elétrica + vibração. Uma padaria que fatura R$ 80 mil/mês perde em média R$ 3.500 a R$ 7.000 por dia parada — uma câmara de fermentação que cai no sábado inviabiliza o fim de semana.
3. Equipamentos de loja e infraestrutura
Elevadores, escadas rolantes, geradores, nobreaks, sistemas de bombeamento. Aqui o padrão é diferente: falha catastrófica é rara, mas quando acontece é caríssima (interdição, multa do Corpo de Bombeiros, perda de aluguel). A conta fecha pelo lado do risco regulatório evitado, não do reparo.
Tabela: o que monitorar em cada equipamento
| Equipamento | Sensores principais | Falhas tipicamente previstas | Janela de alerta |
|---|---|---|---|
| Compressor de refrigeração | Vibração, corrente, temperatura de descarga, pressão | Rolamento, gás, válvula expansão, condensador sujo | 5-21 dias |
| Ventilador/evaporador | Corrente, vibração, RPM | Desbalanceamento, correia, capacitor | 7-30 dias |
| Chiller / central de ar | Vibração, corrente, temperatura entrada/saída, pressão | Compressor, bomba, torre (incrustação) | 14-45 dias |
| Forno industrial | Corrente, temperatura interna, termopar | Resistência, termostato, correia | 3-15 dias |
| Elevador / escada rolante | Corrente, vibração, contagem de ciclos, temperatura motor | Cabo, freio, motor de tração | 30-90 dias |
| Gerador / nobreak | Tensão, corrente, temperatura bateria, vibração | Bateria, alternador, escovas | 30-60 dias |
| Bomba d'água | Vibração, corrente, pressão, vazão | Selo mecânico, rotor, cavitação | 14-30 dias |
A coluna "janela de alerta" é o que define se o sistema é útil: se o modelo detecta a falha com 48h de antecedência, é estatística. Se detecta com 14-21 dias, dá tempo de pedir peça, agendar técnico em horário comercial e fazer a troca programada.
Como a IA detecta a falha (o modelo, em uma página)
Quatro famílias de modelos dominam a prática de PdM. A escolha depende do volume de dados que você já tem do equipamento:
-
Limites estáticos (rule-based) — não é "IA" no sentido estrito, mas resolve 30% dos casos. Define-se manualmente: "se temperatura do compressor > 95°C por mais de 10 minutos, alertar". Funciona bem para o básico (proteção contra superaquecimento, sub/sobretensão). Limite: não detecta degradação progressiva, só eventos agudos.
-
Modelos estatísticos clássicos — desvio padrão, controle estatístico de processo (CEP/SPC), Mahalanobis. Baratos, transparentes, rodam em hardware simples. Bom para equipamentos com pouca variação de carga (compressores, bombas). É o ponto de entrada que recomendamos em 80% dos varejos.
-
Modelos de machine learning supervisionados — Random Forest, XGBoost, redes neurais convolucionais em séries temporais. Precisam de histórico etiquetado: exemplos de "falha real" para aprender. Funcionam bem quando há 2-3 anos de dados e log de ordens de serviço.
-
Modelos não-supervisionados / auto-supervisionados — autoencoders, Isolation Forest, contrastive learning. Aprendem o padrão de "operação saudável" e flagram desvios sem precisar de exemplos de falha. É o estado da arte para equipamentos novos ou com pouco histórico.
Na prática, a arquitetura mais comum: regras e limites estáticos rodando localmente no gateway (resposta em sub-segundo para proteção), modelo estatístico/ML local para detecção de deriva (resposta em minutos), modelo mais sofisticado (autoencoder ou ensemble) na nuvem rodando semanalmente para refinar com dados de várias lojas.
O passo a passo para implementar
A maior parte do que dá errado em projetos de PdM é a ordem dos passos. Sequência testada em varejos brasileiros:
1. Mapeie o custo da parada (antes de sensor nenhum)
Para cada equipamento crítico: quanto custa uma hora parada? Some perda de venda, mercadoria, hora-extra, frete emergencial. Regra de bolso: se a hora parada custar menos que R$ 500 ou o técnico atende em 24-48h, PdM não fecha conta.
2. Comece pelos 3-5 equipamentos mais críticos
Não cubra 200 SKUs de uma vez. Para supermercado: central de refrigeração, câmara fria de hortifrúti, balcão de frios, compressor de ar-condicionado, gerador. Para padaria de shopping: forno, câmara de fermentação, balcão de exposição. Sensor só neles, valide por 90 dias.
3. Sensor sem fio, gateway local
LoRaWAN ou Wi-Fi com bateria de 3-5 anos, abraçadeira ou ventosa, gateway em MiniPC de R$ 600-1.200. Não passe cabo, não dependa do Wi-Fi da loja, não coloque o cérebro na cloud no dia 1. Sensor instalado por técnico próprio: R$ 80-180 por ponto + R$ 50-80 de instalação.
4. Defina o baseline antes de alertar
Erro clássico: instalar sensor, ligar alerta. Resultado: 50 alertas/dia, todos falsos, equipe ignora, sistema morre. Mínimo de 30-60 dias de "escutar" o equipamento em operação normal para o modelo aprender a variação saudável. Só depois libere alerta.
5. Alerta no canal que o técnico já usa
WhatsApp, e-mail ou sistema de OS — desde que seja o que o técnico abre todo dia. Em projeto da Agendai, o canal com melhor taxa de ação foi grupo de WhatsApp dedicado por loja, com botões "Confirmar", "Já resolvido", "Escalar". Taxa de ação no WhatsApp passou de 80%, contra 30-40% em e-mail.
6. Meça ROI com 4 números
Depois de 6 meses: (1) redução de paradas não planejadas em horas/ano, (2) custo evitado = horas que não pararam × custo/hora, (3) redução de corretiva emergencial, (4) payback = investimento / (custo evitado + corretiva evitada). Payback típico: 8-18 meses em refrigeração comercial.
Erros comuns (e o que fazer em vez disso)
Erro 1: começar pelo equipamento errado. Monitorar o ar-condicionado da recepção (peça de R$ 300, falha tolerável) em vez da central de refrigeração. Aplique a regra do custo da hora parada.Erro 2: sensor bom demais para o problema. Sensor de vibração industrial de R$ 4.000 em compressor de câmara fria de R$ 12 mil. Não fecha conta. Sensor de R$ 150 com gateway de R$ 800 já resolve 70% dos casos de refrigeração comercial.
Erro 3: modelo bom demais para o volume de dados. Rede neural profunda com 50 mil parâmetros em cima de 3 meses de dados de uma câmara fria. O modelo não tem dados para aprender, vai superajustar (overfit) e dar falso positivo. Comece com regra + estatística, evolua quando tiver 12+ meses de histórico.
Erro 4: alerta sem dono. Modelo dispara alerta, cai no e-mail genérico "manutenção@", ninguém lê. Cada alerta precisa de responsável nomeado e SLA de resposta (ex: "técnico de plantão responde em até 30 minutos").
Erro 5: medir só "quantos alertas". Métrica errada. O que importa é taxa de acerto de alerta (% de alertas que de fato previram falha real) e tempo médio entre alerta e ação. Se 70% dos alertas são falso positivo, o sistema é pior que não ter — porque mata a credibilidade do time com o fornecedor.
Tabela: comparativo de abordagem de manutenção
| Critério | Corretiva (quebra) | Preventiva (calendário) | Preditiva (IA + sensor) |
|---|---|---|---|
| Investimento inicial | R$ 0 | R$ 0 (já é feita) | R$ 3-15 mil por equipamento |
| Custo anual de manutenção | Alto (emergência 3-5x) | Médio-alto (troca prematura) | Médio (troca sob condição) |
| Paradas não planejadas | Alta | Média | Baixa (60-80% de redução) |
| Vida útil do componente | Curta | Média | Longa (troca no ponto ótimo) |
| Risco regulatório | Alto | Médio | Baixo (histórico documentado) |
| Melhor para | Descartável | Simples, baixo risco | Crítico, alto custo de parada |
Quanto custa (números reais de projeto no Brasil)
Para balizar, valores médios de projeto turn-key com sensor, gateway, modelo e dashboard, para 1 loja com 5-10 pontos de monitoramento:
- Sensor de vibração + temperatura + corrente, sem fio, bateria de 5 anos: R$ 150-300 por unidade (volume)
- Gateway LoRaWAN / Wi-Fi industrial: R$ 800-1.500
- Instalação e comissionamento por ponto: R$ 80-150
- Plataforma de PdM (modelo + dashboard + alerta) sob assinatura: R$ 300-800/mês por gateway
- Integração com WhatsApp / sistema de OS: R$ 1.500-4.000 uma vez
Total para começar com 5-8 pontos: R$ 6 mil a R$ 18 mil + R$ 500-1.000/mês de plataforma. Payback típico: 8-18 meses em refrigeração comercial de alto custo de parada.
Veredicto
Manutenção preditiva com IA não é mais tecnologia de fábrica automobilística. Em 2026, com sensor a R$ 150, gateway a R$ 1.000 e modelos que rodam local, cabe no orçamento de uma rede de 5-20 lojas. A conta fecha em refrigeração comercial, food service e equipamentos com risco regulatório. Não fecha em equipamento barato, de baixa criticidade, com fornecedor 24h.
O erro mais caro é tratar PdM como projeto de TI. É projeto de operação: começa no chão de loja, com o técnico que entende do equipamento, e termina num dashboard que ele abre no celular todo dia. IA e sensor são meio, não fim. O fim é dormir tranquilo no domingo sabendo que o compressor da câmara fria vai pedir socorro uma semana antes de explodir.
Quer mapear quais equipamentos da sua operação se pagam monitorar e montar um piloto de manutenção preditiva em 90 dias? A Agendai desenha o projeto, instala sensor e entrega alerta no WhatsApp do seu técnico. Fale com a gente.
FAQ
1. Preciso de internet rápida na loja para rodar manutenção preditiva? Não. O gateway processa dados localmente e só envia alerta + resumo para a nuvem. Funciona com internet de 10 MB/s e tolera quedas de horas — sincroniza quando a conexão volta.
2. Funciona em equipamento antigo, sem placa eletrônica? Sim, e é justamente onde mais ajuda. Sensor de vibração e corrente é instalado por fora, sem alterar nada na máquina. Quanto mais velho e mais crítico, maior o ROI.
3. Quanto tempo até o modelo dar alerta útil? Mínimo de 30-60 dias de baseline. Em paralelo, dá para ligar regras estáticas no dia 1 (sobretemperatura, subcorrente) para proteção imediata. Modelos sofisticados pedem 6-12 meses para calibrar.
4. E se o fornecedor de manutenção já oferece "monitoramento"? Verifique: (a) sensor dele ou genérico, (b) alerta vai para o técnico dele ou seu time, (c) dados ficam com você ou só com ele. PdM própria dá independência e histórico, mesmo que o conserto continue com o prestador.
5. Sensor pode dar choque ou atrapalhar a operação? Sensores modernos são não-invasivos (abraçadeira, ventosa, magnético), sem corte de cabo. Instalação leva 10-20 minutos por ponto, sem parar o equipamento. Para sensores com TC de corrente, a instalação é feita por eletricista com NR-10, fora do horário de pico.