Sistema baseado em LLM reduziu preparação de mapas de controle de qualidade em fábrica metalúrgica de 2 horas para 5 minutos

Estudo de caso prático de uma empresa metalúrgica mostra que grandes modelos de linguagem já são capazes não apenas de responder perguntas, mas também de aliviar os engenheiros de trabalho rotineiro pesado de conformidade regulatória. O sistema foi treinado para ler digitalizações de GOSTs soviéticos e montar automaticamente mapas de controle em 3–5 minutos em vez de mais de duas horas de trabalho manual. Em termos de custo de mão de obra, de acordo com a avaliação do autor do projeto, isso elimina um volume de tarefas equivalente ao trabalho de três tecnólogos de processo.

O problema era muito concreto. Em uma empresa de ciclo completo, aproximadamente 3.200 pessoas trabalham, e a gama de produtos excede 4.

500 itens e cresce constantemente. Para cada produto, um tecnólogo precisava abrir um GOST, OST ou outro documento normativo, encontrar as tabelas e notas necessárias, substituir parâmetros como tipo de aço, diâmetro do bruto e grupo, e depois preencher manualmente mais de 40 parâmetros de controle. A dificuldade era que havia mais de duzentos documentos, e uma parte significativa deles existia como digitalizações em PDF bastante inconvenientes da era soviética.

A primeira ideia foi um parser convencional, mas rapidamente se mostrou inviável. O formato dos documentos normativos era muito heterogêneo: em um documento, os valores necessários estavam em linhas de tabelas, em outro estavam escondidos em notas, em um terceiro estavam espalhados pelo texto com referências a outras seções. Um esquema simples de extração baseado em templates falha aqui porque a tarefa requer entender o significado do documento, não apenas sua estrutura visual.

Portanto, o autor recorreu a LLM e montou um esquema onde o modelo recebia um PDF do padrão, parâmetros do produto e um conjunto de regras sobre como determinar parâmetros de controle específicos como entrada. A próxima hipótese parecia lógica: criar um único prompt universal para todos os documentos normativos. No primeiro teste, essa abordagem mostrou resultados decentes.

Segundo o autor, Claude Sonnet 4.6 em modo thinking identificou corretamente 85% dos parâmetros para um GOST, e GPT 5.4 — 72%.

Mas em documentos subsequentes, a universalidade se desintegrou. Os modelos se confundiram com tabelas aninhadas, interpretaram mal condições de contorno como "não menos que" e "não mais que", e às vezes perderam constantes ou links entre seções. Descobriu-se que a abordagem geral elegante era inferior aqui a uma arquitetura mais estreita, mas gerenciável.

A solução funcional emergiu após dividir a gama de produtos de acordo com o princípio de Pareto. Descobriu-se que 80% dos produtos da fábrica são descritos por aproximadamente 18% dos GOSTs. Para o piloto, selecionaram 20 dos documentos mais frequentemente usados e criaram um prompt separado para cada um com regras específicas: onde encontrar o parâmetro, em qual tabela ou seção ele é descrito e como interpretar casos controversos.

O sistema recebia um PDF e características do produto como entrada, e retornava uma tabela com o parâmetro, valor e referência ao local no padrão como saída. Quando ocorria um erro, o autor enviava uma captura de tela para o diálogo, mostrava a resposta correta e pedia para atualizar a regra para que a falha não se repetisse. Nove iterações e 14 dias úteis foram gastos no refinamento, após o qual a extração de parâmetros para os GOSTs selecionados começou a funcionar sem erros.

Atualmente, o projeto está sendo movido do modo experimental para um formato mais amigável para produção. As regras estão sendo extraídas dos prompts para uma planilha do Excel para que os tecnólogos possam editar a lógica por conta própria sem se aprofundar em engenharia de prompts. O modelo agora recebe não apenas um PDF e parâmetros do produto como entrada, mas também essa tabela de regras, e retorna dados em um formato adequado para carregamento no sistema de informações interno da empresa.

Essa camada torna a solução escalável: novos padrões podem ser gradualmente adicionados sem vincular todo o suporte a um único desenvolvedor. A conclusão principal deste estudo de caso é simples: na indústria, LLMs funcionam melhor não como "inteligência universal para todas as ocasiões", mas como uma ferramenta cuidadosamente ajustada para uma classe específica de documentos. Se você começar com os documentos normativos mais comuns, fizer o modelo indicar a fonte de cada parâmetro e manter as regras editáveis para especialistas no assunto, a IA se transforma de uma demonstração em um mecanismo de produção com economia clara.

Tal abordagem bem pode ser repetida não apenas em metalurgia, mas também em engenharia mecânica, construção, química, farmacêutica e energia—em todos os lugares onde as pessoas ainda transferem manualmente dados de regulamentos para sistemas de trabalho.