Kuken Industries encontra desenhos de peças de reposição em 4,5 minutos em vez de uma hora com a API da OpenAI

É uma história conhecida em qualquer empresa com mais de dez anos de existência: o conhecimento está lá, mas guardado em um arquivo, e só quem trabalha ali há vinte anos consegue encontrar o que precisa. A japonesa Kuken Industries, uma das maiores fabricantes de torres de resfriamento do país, enfrentou esse problema com a API da OpenAI. Trata-se de um caso de cliente publicado pela própria OpenAI, portanto os números devem ser interpretados levando em conta a fonte. Mas o caso de uso é bastante prático e se aplica muito além da indústria.

Qual era o problema

As torres de resfriamento retiram calor da água em circulação: elas resfriam shopping centers, fábricas e equipamentos de data centers. Quando uma peça de uma dessas instalações precisa ser substituída, uma peça de reposição moderna nem sempre é compatível com o projeto antigo. Sem o desenho original, às vezes o engenheiro precisa projetar e fabricar uma substituta do zero.

O problema é que, ao longo de 70 anos, a Kuken adaptou seus equipamentos às necessidades de cada cliente. As especificações dependem do cliente e da data de instalação, e uma busca pelo modelo ou nome da peça retorna vários desenhos ao mesmo tempo. Antes, quando o acervo era em papel, a busca levava meio dia. A digitalização não facilitou as coisas: ainda era preciso saber qual nome ou número digitar e onde o arquivo estava armazenado. Os recém-chegados pediam ajuda aos colegas experientes, que precisavam interromper o próprio trabalho.

Como funciona a solução

A Kuken trabalhou com a Recursive, uma startup japonesa de IA e parceira oficial da OpenAI. Juntas, criaram um sistema de busca e um aplicativo móvel para engenheiros em campo. O trabalho teve como base o acervo real e as solicitações dos próprios engenheiros.

Antes de escolher um modelo, a equipe testou várias opções com diferentes desenhos e comparou a precisão com que cada uma extraía os detalhes e quanto isso custava. Os modelos da OpenAI apresentaram bons resultados nos dois critérios. O artigo não informa quais modelos foram usados nem com quais foram comparados.

No aplicativo, é possível digitar o número de um desenho ou de uma peça, ou enviar uma imagem ou PDF com um desenho ou uma lista de peças de reposição. Uma captura de tela da lista dispensa a digitação manual de cada número: o aplicativo lê os números e retorna possíveis correspondências, incluindo desenhos de projetos semelhantes. A escolha final continua nas mãos de uma pessoa, que confere as especificações da torre e os registros de substituições anteriores. Aqui, a IA restringe a busca, mas não toma a decisão.

Resultados e ressalvas

Segundo a Kuken, agora o desenho certo é encontrado em 4,5 minutos, enquanto antes a busca levava quase uma hora. A empresa espera reduzir em cerca de 90% o tempo dedicado às buscas ao longo de um ano. Trata-se de uma previsão, não de um resultado anual confirmado. Além disso, os engenheiros consultam os desenhos diretamente no aplicativo, reduzindo os custos de impressão. Os funcionários experientes dedicam parte do tempo liberado à mentoria, enquanto os recém-chegados assumem uma variedade maior de tarefas de forma independente.

O próximo passo é uma ferramenta para verificar os desenhos preparados por parceiros. Hoje, os engenheiros os comparam visualmente com as especificações, procurando peças ou quantidades que não coincidem. O protótipo deve destacar essas divergências. Segundo a Kuken, cerca de 90% dos problemas que ele identificou eram divergências reais. A ferramenta ainda não está em uso em produção, portanto esse é um resultado de testes.

O que aproveitar dessa experiência

Primeiro, o valor muitas vezes está na busca rotineira em documentos acumulados, em que tanto o texto quanto a imagem importam, mais do que em um "chat inteligente". Se você tem um acervo de documentos digitalizados, PDFs ou capturas de tela, esse pode ser o caminho mais curto para obter um resultado útil.

Segundo, escolha o modelo testando-o com seus próprios documentos. A Kuken comparou opções pela precisão na extração de dados e pelo preço usando desenhos reais, em vez de benchmarks públicos. Para documentos com diagramação complexa, essa é a única forma honesta de avaliá-las.

Terceiro, adapte a entrada de dados aos hábitos reais dos usuários. A possibilidade de colar uma captura de tela de uma lista de peças parece um detalhe, mas é justamente ela que elimina o trabalho repetitivo de digitação manual.

Por fim, deixe a verificação com uma pessoa. O sistema retorna candidatos, incluindo desenhos semelhantes, e o engenheiro confirma a correspondência com base nas especificações. Em tarefas nas quais um erro resulta em uma peça defeituosa, esse modelo faz mais sentido do que a automação completa.

As limitações também são evidentes. É um caso de marketing do fornecedor, as métricas são informadas pela empresa, e não há detalhes sobre a arquitetura, o volume de dados ou a proporção de buscas malsucedidas. Ainda assim, o artigo é útil como exemplo de aplicação de modelos multimodais em uma indústria com acervos antigos.