Fábrica reduz o cálculo de preço de aço laminado de 4–8 horas para 2–3 minutos ao tirar a IA da aritmética
Um pedido de aço laminado é enviado a 4–5 fábricas, e vence quem mandar primeiro a proposta comercial, embora o orçamentista leve de 4 a 8 horas para calculá-la. O desenvolvedor Aleksei Samartsev deixou para a rede neural a leitura de escaneamentos e gírias, enquanto massa e preço são calculados em Python pela GOST. O GPT-4o subestimou em 41% o peso de 300 m de perfil U (prejuízo de 126 720 ₽). Agora o rascunho fica pronto em 20–30 segundos, e a revisão leva cerca de 2 minutos.
Processado por IA de Habr AI; editado por Hamidun News
Um pedido de aço laminado dura poucas horas. O comprador de uma obra envia a lista de materiais para 4–5 fábricas ao mesmo tempo e fecha com quem mandar primeiro a proposta comercial: um documento com preços exatos, peso e prazos de expedição. O orçamentista gasta de 4 a 8 horas nesse cálculo, e até lá o negócio muitas vezes já foi assinado com outro fornecedor.
O desenvolvedor Aleksei Samartsev descreveu no Habr como reduziu o tempo para 2–3 minutos: 20–30 segundos para o rascunho da proposta mais cerca de 2 minutos de revisão pelo engenheiro. O segredo é que a IA ficou fora da aritmética: a rede neural lê escaneamentos e gírias, e o peso e o dinheiro ficam por conta de código comum. O teste abaixo mostra por que não bastava "jogar tudo no ChatGPT".
Por que um pedido é caos, e não uma tabela
Segundo o autor, cerca de 90% dos pedidos recebidos estão longe de ser XMLs bem-comportados. São escaneamentos borrados de listas com carimbo azul sobre o texto, fotos de desenhos tiradas no celular, planilhas Excel de subempreiteiros sem códigos de item ou mensagens de aplicativo do tipo "cantoneira de cem, perfil U dezesseis P — 300 metros". O orçamentista precisa traduzir a gíria para a designação normativa ("Perfil U 16P GOST 8240-97"), achar no catálogo a massa por metro linear, multiplicar, somar 3–7% de perda de corte, conferir estoque e preço no 1C, acrescentar corte, margem e impostos e, por fim, montar o formulário à mão. Quando chegam 15 dessas especificações por dia, o setor simplesmente se afoga na rotina.
O que o teste com o GPT-4o mostrou
O autor perguntou ao GPT-4o qual é a massa teórica de 300 metros de perfil U 16P. O modelo produziu uma explicação elegante, com fórmulas, e a resposta de 2,50 toneladas. Pela GOST 8240-97, um metro desse perfil pesa 14,20 kg, então a resposta correta é 4,26 toneladas.
A subestimação foi de 41,3%. A 72 000 ₽ por tonelada, a fábrica teria um cálculo de 180 000 ₽ em vez de 306 720 ₽, ou seja, perderia 126 720 ₽ em uma única posição. A explicação do autor: o modelo prevê números plausíveis e pode ter usado o peso de uma bitola vizinha, por exemplo o 10P, com massa de cerca de 8,59 kg/m.
É um único teste, não uma estatística sobre muitas consultas, mas o exemplo mostra o risco com clareza.
Três camadas: quem faz o quê
A solução se baseia na divisão de responsabilidades.
Camada 1: compreensão da linguagem. Os escaneamentos são alinhados previamente com OpenCV, e o canal azul dos carimbos é atenuado. Em seguida, um modelo multimodal extrai as tabelas e devolve, em um esquema JSON estrito, a família do laminado, o tamanho do perfil, o grau do aço, a quantidade e as unidades de cada posição. A frase "perfil U dezesseis P — 300 metros" vira um objeto com o campo cut_length: null, porque o comprimento de corte não foi informado. O modelo não inventa o número da GOST: quem o preenche é o código, a partir da combinação "família + tamanho".
Camada 2: cálculo sem redes neurais. Um módulo em Python com o tipo Decimal busca a massa por metro em uma base local de catálogos, converte quilogramas em toneladas, puxa estoque e preço do 1C:ERP via API REST e aplica a margem. Se o grau de aço necessário não está em estoque, a posição recebe a flag requires_procurement. Se o tamanho não existe no catálogo, o código retorna um erro em vez de inventar um número.
Camada 3: humano no circuito. O sistema monta o rascunho da proposta em 15–20 segundos. As posições reconhecidas com confiança e com correspondência total no estoque ficam marcadas em verde. As duvidosas, em que o número no escaneamento está ilegível ou o corte é fora do padrão, ficam em amarelo, e o orçamentista gasta cerca de 30 segundos para revisar cada uma. Após a confirmação, o motor gera um PDF no formulário da fábrica, anexa-o ao negócio no Bitrix24 ou no AmoCRM e envia ao cliente.
Números e ressalvas
O autor comparou o trabalho do setor em uma amostra de 350 especificações. A preparação da proposta levou 20–30 segundos de geração e cerca de 2 minutos de revisão, contra 4–8 horas. A resposta ao cliente agora chega em 10–15 minutos, e não no dia útil seguinte.
Ele estima os erros de tonelagem em 8–12% no cálculo manual e em 0% no automático, mas essa é uma afirmação do próprio autor, sem verificação independente. O mais correto é dizer o seguinte: a aritmética é determinística, e os riscos migraram para o reconhecimento de escaneamentos e a completude dos catálogos. A carga subiu de 8–10 cálculos complexos por dia para 200 especificações por turno, sem ampliar a equipe.
Para teste, o autor publicou uma demo em samartsev.tech/kp.
O que levar daqui
A lição vai além do aço laminado. Um modelo de linguagem é bom em transformar texto desleixado e escaneamentos em estrutura, mas dinheiro, massa e unidades de medida devem ser calculados por código. Se você está construindo um agente para compras, logística ou contabilidade, mantenha o LLM na entrada, deixe catálogos e fórmulas separados e leve as flags de incerteza a um humano. Assim, você evita um número bonito, porém errado, em um documento com carimbo.
- 21 de nov. de 2026OpenAI revisou os prompts para o GPT-6.2: menos perguntas, menos testes
- 21 de nov. de 2026CoreWeave deve US$ 47 bilhões por chips da Nvidia e perde US$ 709 milhões no trimestre
- 21 de nov. de 2026Apple prepara um agente de IA e dificulta o acesso de terceiros: a permissão agora tem 14 etapas, e não 4
- 21 de nov. de 2026Desenvolvedor dispensou o Pinecone: busca em 72 450 trechos de código em 50 ms
Perguntas frequentes sobre a notícia
Por que um pedido é caos, e não uma tabela?
Segundo o autor, cerca de 90% dos pedidos recebidos estão longe de ser XMLs bem-comportados. São escaneamentos borrados de listas com carimbo azul sobre o texto, fotos de desenhos tiradas no celular, planilhas Excel de subempreiteiros sem códigos de item ou mensagens de aplicativo do tipo "cantoneira de cem, perfil U dezesseis P — 300 metros".
O que o teste com o GPT-4o mostrou?
O autor perguntou ao GPT-4o qual é a massa teórica de 300 metros de perfil U 16P. O modelo produziu uma explicação elegante, com fórmulas, e a resposta de 2,50 toneladas. Pela GOST 8240-97, um metro desse perfil pesa 14,20 kg, então a resposta correta é 4,26 toneladas. A subestimação foi de 41,3%. A 72 000 ₽ por tonelada, a fábrica teria um cálculo de 180 000 ₽ em vez de 306 720 ₽, ou seja, perderia 126 720 ₽ em uma única posição.
O que se sabe sobre Três camadas: quem faz o quê?
A solução se baseia na divisão de responsabilidades. Camada 1: compreensão da linguagem. Os escaneamentos são alinhados previamente com OpenCV, e o canal azul dos carimbos é atenuado. Em seguida, um modelo multimodal extrai as tabelas e devolve, em um esquema JSON estrito, a família do laminado, o tamanho do perfil, o grau do aço, a quantidade e as unidades de cada posição. A frase "perfil U dezesseis P — 300 metros" vira um objeto com o campo cut_length: null, porque o comprimento de corte não foi informado.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.