De 30 para 7 dias: como a ISA Energia automatizou a análise de projetos elétricos com IA

De 30 para 7 dias: como a ISA Energia automatizou a análise de projetos elétricos com IA

Uma plataforma que reduziu o tempo de entrega em 75%, substituindo semanas de trabalho manual por horas — com 98% de precisão e um assistente técnico que responde em segundos.

O problema

Engenheiros da ISA passavam o dia lendo documentos. Não por falta de trabalho técnico, mas porque o trabalho técnico estava enterrado em triagem manual.

Um projeto elétrico considerado pequeno chega como um pacote de até 1.200 arquivos: PDFs, TIFFs, DWGs. Cada um precisa ser lido, conferido e cruzado com normas antes de qualquer aprovação. Com o volume de projetos crescendo, os analistas simplesmente não tinham como chegar na análise que importava. O gargalo não era de competência, era tempo.

Contratar mais gente não resolvia: documentos antigos chegavam escaneados, sem padrão, com layouts variando por região e época. Qualquer solução baseada em esforço humano escalava em custo antes de escalar em resultado.

A ideia

O insight foi simples: se o trabalho mecânico é ler, extrair e cruzar informações, então a IA assume essa camada. O engenheiro continua sendo o responsável pela decisão; ele só para de perder tempo chegando até ela. Era um problema que finalmente tinha tecnologia confiável o suficiente para ser resolvido de verdade.

As barreiras reais

A execução foi mais complexa do que a ideia sugeria. Três obstáculos concretos precisaram ser resolvidos:

1. Padronização dos dados. Documentos de épocas e origens diferentes chegavam com ruído, carimbos inconsistentes e layouts mistos. Treinar o modelo só com amostras recentes e bem formatadas garantia falha no mundo real, então a diversidade dos dados de treinamento precisou refletir a diversidade real do acervo.

2. Escala e performance. Processar 1.200 documentos em fila sequencial criava esperas inviáveis. A solução foi reestruturar a arquitetura para paralelismo, o que reduziu o tempo de espera em 60% e tornou o processamento contínuo possível.

3. Especificidade técnica. Detectar incongruências em diagramas elétricos exige mais do que OCR. As regras de validação cruzada entre diagramas e fichas técnicas são específicas do domínio e traduzir esse conhecimento para algoritmos demandou imersão real na operação, não apenas na tecnologia.

A solução: ISACAD

A plataforma foi construída em três módulos, cada um atacando uma camada diferente do problema.

Módulo 1 - Extração de carimbos. O usuário faz upload dos arquivos e a plataforma assume. Cada documento tem um carimbo com dados técnicos críticos que antes precisavam ser lidos e registrados à mão. O sistema detecta, lê e extrai essas informações automaticamente, centralizando tudo em um painel comparativo, estruturado e padronizado, visível em tempo real.

Módulo 2 - Análise de cadernos elétricos. Com o acervo catalogado, entra a segunda operação: a leitura técnica dos cadernos elétricos em si. A IA detecta componentes críticos, cruza informações entre documentos e sinaliza incongruências com referência visual direta, assim a etapa de pré-análise que consumia dias de trabalho especializado passa a acontecer antes de o engenheiro abrir o primeiro arquivo. O modelo é retreinado automaticamente toda semana com base no feedback da equipe: quanto mais usado, mais preciso.

Módulo 3 - Wattson. O assistente conversacional da ISA, treinado no dialeto dos engenheiros e nas documentações técnicas específicas. Um engenheiro digita uma pergunta em linguagem natural: "Quais os pontos de medição disponíveis para esse circuito?", e recebe a resposta em menos de 5 segundos, consultando a base de pontos digitais e as regras de negócio do ecossistema ISA. Sem abrir planilha. Sem lembrar onde a informação estava. Sem depender de quem "sabe onde fica".

Fluxo da plataforma

Resultados

Com 1.200 documentos em análise:

• 30 dias → 7 dias de prazo de entrega (~75% de redução)

• 98% de precisão na extração e detecção

• 60% menos tempo de espera com arquitetura paralela

• < 5 segundos para respostas do Wattson

• Modelo retreinado semanalmente — inteligência que cresce com o uso

O resultado que não estava nos KPIs: os engenheiros voltaram a fazer engenharia. O tempo consumido por triagem agora está disponível para a análise que de fato exige o conhecimento deles.

O que ficou de aprendizado

• Amostra homogênea é armadilha. O modelo treinado só com documentos bem formatados podia performar bem em teste, mas mal em produção. A solução exigiu trabalho com grandes cargas de dados reais, ruidosos e variados.

• Paralelismo não é otimização, é requisito. Em operações de alto volume, processar em fila é planejar para o gargalo. A estruturação da arquitetura paralela foi a condição para o produto funcionar de maneira eficiente.

• Conhecimento técnico acessível elimina dependência de pessoas-chave. No início, o Wattson foi subestimado, pois democratizar o acesso ao conhecimento técnico sem exigir treinamento resolveu uma dor que a equipe nem sabia nomear: a dependência de pessoas-chave para consultas que deveriam ser triviais.

---

Case AutoU × ISA — Plataforma Inteligente de Análise de Projetos Elétricos (ISACAD)