IA e Open Source na Indústria: lições da Siemens 2025

Há um dado que muita gente subestima: o open source já é infraestrutura industrial. Não é “código grátis”. É a base invisível que sustenta cadeias de supply, plataformas de dados, automação e — cada vez mais — IA aplicada à manufatura. No fim de outubro, um evento da Siemens em Wuxi (China) reuniu cerca de 50 especialistas e 19 apresentações sobre Industrial Open Source e semicondutores. O recado foi bem claro: quando a indústria trata open source como prática de engenharia (e não como exceção), a adoção de IA fica mais rápida, mais auditável e mais escalável.

Nesta edição da série “IA na Indústria e Manufatura”, eu quero traduzir o que esse tipo de encontro sinaliza para quem está no chão de fábrica, na engenharia, em TI/OT e na liderança: o que muda na prática, onde entram LLMs (modelos de linguagem), por que infraestrutura de desenvolvedor virou tema industrial e como o “open” está a mexer até no desenho de chips.

Open source industrial: cultura antes de tecnologia

A adoção consistente de open source começa por cultura e governança, não por uma lista de bibliotecas aprovadas. Esse foi um dos pontos mais fortes do primeiro dia do evento: a Siemens, com mais de 175 anos, está a empurrar a organização para uma engenharia mais colaborativa e orientada a comunidades.

OSPO e governança: a parte “chata” que evita prejuízo

Em ambiente industrial, open source não pode ser improviso. Licenças, gestão de vulnerabilidades, rastreabilidade e processos de contribuição têm impacto direto em:

• Conformidade (licenças, requisitos contratuais, auditorias)
• Cibersegurança (SBOM, gestão de CVEs, patching)
• Continuidade operacional (dependências, manutenção, fork controlado)

Aqui entra o papel de um OSPO (Open Source Program Office). Na prática, um OSPO bem montado reduz atrito e acelera entregas. Sem isso, a empresa vive o pior dos mundos: usa open source “por baixo do capô”, mas sem controlo — e aí o risco vira inevitável.

A realidade das fábricas: a adoção quase sempre nasce “bottom-up”

Outra observação que faz sentido para manufatura: a adoção de open source costuma crescer de baixo para cima. Equipes resolvem problemas reais (observabilidade, integração, automação de testes, pipelines de dados), partilham soluções, e só depois surge uma política formal. Se a liderança espera “o momento perfeito” para padronizar, normalmente chega tarde.

Frase que fica: open source na indústria dá certo quando é tratado como método de engenharia, não como “decisão de compras”.

IA aplicada à manufatura exige infraestrutura (não só modelos)

A IA industrial falha mais por falta de infraestrutura do que por falta de algoritmo. E isso aparece claramente quando o debate passa de “demo” para “produção”. No evento, ferramentas e práticas de infraestrutura para IA e desenvolvimento ganharam destaque porque são elas que transformam LLMs em algo utilizável numa planta.

LLMs em produção: por que eficiência de inferência manda

Quando falamos de LLMs em contexto industrial (assistentes de manutenção, análise de ocorrências, apoio a engenheiros de processo, triagem de alarmes), o gargalo costuma ser:

• custo por chamada
• latência
• previsibilidade
• consumo de memória

Soluções open source de inferência eficiente (como engines de alto throughput) são relevantes porque aproximam o uso de LLMs do mundo real: turnos, SLAs, orçamento e restrições de rede.

Aplicação concreta em fábrica: um assistente interno que consulta procedimentos (SOPs), históricos de falhas e catálogos de peças pode reduzir tempo de diagnóstico — mas só compensa se rodar com latência aceitável e com custo controlado.

“Acesso a pacotes” é tema industrial (sim, mesmo)

Um ponto pouco glamoroso, mas decisivo: distribuição confiável de pacotes e espelhos locais. Em ambientes industriais, é comum haver restrições de conectividade, zonas segregadas e exigências de segurança. Sem uma cadeia de dependências estável, a equipa perde dias em problemas que não têm nada a ver com o objetivo do projeto.

Boa prática que eu recomendo: tratar a cadeia de software como parte da cadeia de suprimentos.

• repositórios internos/espelhos
• pinagem de versões
• assinatura/verificação
• política de atualizações

Observabilidade: a cola entre TI, OT e IA

IA em manufatura é um sistema sociotécnico: sensores, gateways, MES/SCADA, pipelines, modelos, dashboards, alertas. Sem telemetria e observabilidade, a equipa “pilota às cegas”. Sistemas open source de observabilidade (logs, métricas, traces) ajudam a:

• detectar degradação de modelos (model drift)
• identificar gargalos na linha de dados
• auditar por que um modelo gerou uma recomendação

Regra prática: se você não mede, você não melhora — e no industrial isso vira custo direto.

Segurança e interoperabilidade: Zero Trust e padrões abertos

Open source não é o oposto de segurança; muitas vezes é o caminho para torná-la verificável. No evento, a discussão sobre Zero Trust e componentes transparentes reforçou uma postura pragmática: segurança industrial precisa de arquitetura, não de promessas.

Zero Trust na indústria: comece pelo acesso, não pelo “projeto perfeito”

Zero Trust funciona quando vira um conjunto de decisões pequenas e consistentes:

1. Identidade forte (usuários e máquinas)
2. Menor privilégio (acessos mínimos)
3. Segmentação (rede e aplicações)
4. Auditoria contínua

Em OT, o desafio é integrar isso com legado. A abordagem mais realista é por etapas: começar por acessos administrativos e por sistemas críticos (engenharia, receitas, PLC programming stations) e expandir.

Web of Things e interoperabilidade: o antídoto do “silo inteligente”

A indústria adora criar ilhas: uma célula robotizada “inteligente”, uma linha “conectada”, um piloto de IA “que só funciona ali”. Padrões abertos, como iniciativas de interoperabilidade entre dispositivos, atacam o problema na raiz: descobribilidade, modelos de dados coerentes e integração multi-vendor.

Para IA, isto é ouro. Modelos dependem de dados consistentes. Se cada máquina fala “um dialeto”, a equipa gasta 80% do tempo em integração e 20% em melhoria de qualidade.

Catena-X e espaços de dados: colaboração com soberania

Em cadeias industriais (automotiva, máquinas, eletrônica), competitividade e colaboração andam juntas. A ideia de espaços de dados soberanos com base em tecnologia aberta aponta para um futuro em que fornecedores partilham dados suficientes para otimizar qualidade e logística sem entregar “o segredo do negócio”.

Exemplo aplicado: rastreio de lotes e indicadores de qualidade ao longo da cadeia pode permitir:

• contenção mais rápida de defeitos
• redução de sucata
• respostas melhores a recalls

Open source em semicondutores: por que isto afeta a manufatura

O open source está a baixar a barreira de entrada no desenho e verificação de chips, e isso impacta diretamente a indústria: mais opções de hardware, mais inovação em edge computing e maior capacidade de customização para casos específicos.

Do design à fábrica: a ponte entre “open” e o mundo real

Fluxos abertos de EDA (automação de design eletrônico) e bibliotecas com IA aplicada ao design mostram um caminho: automatizar partes complexas do processo (posicionamento, roteamento, otimização PPA — potência, desempenho e área) usando técnicas de IA.

Mas há um choque de realidade que muita gente esquece: o chip precisa nascer numa fábrica. Padrões industriais de interface entre equipamentos e automação fabril (no ecossistema de semicondutores) lembram algo essencial também para manufatura tradicional: não adianta um protótipo lindo se ele não encaixa na operação.

Benchmarking e verificação: menos opinião, mais comparação

Ferramentas abertas de benchmarking e verificação ajudam a criar algo raro: comparabilidade. Em IA na indústria, sentimos falta disso o tempo todo. Em chips, suites abertas criam referências comuns.

Leve essa lógica para o seu programa de IA industrial:

• defina métricas de baseline (tempo de ciclo, refugo, OEE)
• rode pilotos com A/B controlado quando possível
• documente dados, versões e condições

Se você não consegue comparar, você não consegue justificar escala.

Do “educacional” ao competitivo: por que RISC-V importa

Implementações abertas de CPU, especialmente no universo RISC-V, mostram dois efeitos simultâneos:

• mais gente a aprender e a prototipar (bom para ecossistema)
• projetos robustos a competir em cenários sérios (bom para indústria)

Para fábricas, isso significa mais capacidade de processamento na borda (edge), mais flexibilidade para gateways industriais e, em alguns casos, caminhos para hardware mais adequado a requisitos de segurança, custo e ciclo de vida.

O que fazer na sua empresa (sem transformar isso num projeto infinito)

O objetivo não é “virar uma empresa open source”. É reduzir lead time de inovação com IA e aumentar confiabilidade operacional. Um plano prático, em 90 dias, costuma funcionar melhor do que uma transformação abstrata.

Checklist prático (90 dias) para IA + Open Source na manufatura

1. Mapeie 10 dependências críticas usadas em TI/OT e projetos de IA (bibliotecas, imagens de container, agentes, SDKs).
2. Crie um “padrão mínimo” de governança: aprovação, licenças aceitas, SBOM, processo de patch.
3. Monte uma trilha de observabilidade para o pipeline de dados e para o modelo (métricas técnicas + métricas de negócio).
4. Escolha 1 caso de uso de alto valor e baixo risco (por exemplo, triagem de ocorrências, detecção de anomalia em utilidades, copiloto para manutenção).
5. Defina critérios de produção: latência, custo por inferência, disponibilidade, fallback manual.
6. Planeie a interoperabilidade desde o início: modelo de dados e padrões para não criar mais um silo.

Minha posição aqui é direta: sem governança e observabilidade, IA industrial vira uma coleção de pilotos.

Para onde isto está a ir em 2026

O sinal do evento é consistente com o que vejo no mercado: IA na manufatura vai amadurecer como plataforma, não como “projetos isolados”. E plataformas industriais tendem a ser construídas com blocos abertos, porque ninguém consegue inovar sozinho na velocidade exigida.

Se a sua empresa quer escalar IA (manutenção preditiva, controlo de qualidade, automação e eficiência energética), comece a tratar open source como parte do sistema produtivo: com governança, segurança, telemetria e padrões.

Se você tivesse de escolher apenas uma aposta para 2026, eu escolheria esta: quem dominar a operação de IA (MLOps/LLMOps) em ambiente industrial, com base em componentes abertos e auditáveis, vai entregar melhorias contínuas — e não apenas pilotos bem apresentados. O que você precisa ajustar primeiro aí: a cultura, a infraestrutura ou a governança?