Como algoritmos de detecção de anomalias estão transformando o custo de manutenção de integradores de energia solar e o que acontece com quem ainda espera a falha para agir
“Uma falha nunca avisa no momento em que começa. Ela avisa muito antes. O problema é que ninguém estava ouvindo.”
Em 1986, Richard Feynman foi o único membro da comissão investigadora do desastre do Challenger a realizar o experimento mais simples do mundo. Mergulhou um pedaço de borracha num copo d’água gelada. Mostrou que ela perdia elasticidade no frio. E, em silêncio, provou diante de senadores e engenheiros da NASA que o problema não era falta de dados. Era falta de escuta.
O experimento teve finalidades técnicas e políticas. Tecnicamente, os anéis de vedação (O-rings) eram feitos de um material chamado Viton, um elastômero. Para que funcionem, precisam ser resilientes: quando pressionados, devem “voltar” e selar o escape de gases superaquecidos. No dia do lançamento, a temperatura era de $-1°C.
Imagine uma mola feita de chiclete. Se o chiclete estiver aquecido, você aperta e ele estica, volta, se adapta a qualquer formato. Mas se você coloca esse chiclete no congelador, ele vira uma pedra. Se você tentar apertar, ele não se mexe; se forçar, ele quebra. Feynman mostrou que, naquele frio, os anéis de vedação do foguete viraram “pedras”. Eles não conseguiram expandir a tempo para tapar o vazamento. Ele usou um copo de água com gelo para mostrar que a natureza não se importa com cronogramas de lançamento.
Feynman, então, provou que a NASA ignorou a não-linearidade do comportamento do material. Eles extrapolaram dados de calor para o frio, sem testar o limite físico, um erro clássico da modelagem estatística, em que se assume que o passado quente prevê o futuro frio.
O anel vedador havia dado os sinais. As anomalias estavam registradas. Os engenheiros sabiam que a temperatura afetava o material. Mas o dado nunca foi transformado em decisão. E sete astronautas morreram por isso.
Quatro décadas depois, essa equação não mudou tanto quanto deveríamos esperar. O que mudou foi a escala do ruído e a capacidade de filtrá-lo.
Este artigo nasce de um projeto em desenvolvimento: a Compass Rose Analytics trabalha com a Capital Solar, integradora de energia fotovoltaica, na construção de um sistema de monitoramento preditivo, a Fernanda, calibrado para o contexto real de uma operação de médio porte brasileira. O que estamos aprendendo nesse processo vai muito além dos algoritmos. É sobre o que acontece quando uma empresa decide, de fato, ouvir o que seus ativos tentam dizer.
Estruturamos o que aprendemos em seis perspectivas que estão redefinindo, silenciosamente, como integradores e gestores de operações de energia solar tratam da manutenção. Não como tema de TI. Como tema de caixa.
Dashboard apenas ilustrativo
1. O custo que ninguém contabiliza direito
Existe um número que a maioria dos gestores de operações de energia solar conhece, mas subestima sistematicamente. Chama-se custo de inatividade não planejada, que raramente consta no orçamento de manutenção.
Aparece, em vez disso, nos relatórios de geração perdida, nas notas de crédito para clientes, nos contratos de O&M renegociados e nas reuniões de diretoria em que alguém pergunta por que o EBITDA ficou abaixo do projetado naquele trimestre.
Segundo estudo da Siemens publicado em 2024, o custo horário de uma linha de produção parada varia entre US$ 36 mil no setor de bens de consumo e US$ 2,3 milhões no setor automotivo. O mesmo estudo identificou que as 500 maiores empresas do mundo perdem, em média, 11% de sua receita anual por causa de paradas não planejadas. Na geração de energia, a lógica é análoga: cada hora de inversor fora do ponto ótimo é geração que não volta.
O problema não é que as empresas não saibam disso. O problema é a arquitetura de resposta: a maioria ainda opera sob o modelo de manutenção reativa (espera a falha ocorrer) ou o preventivo, com revisões programadas por calendário, independentemente do estado real dos equipamentos. Os dois têm custos ocultos enormes. O primeiro: o custo da surpresa. O segundo: o custo do excesso, já que implica trocar peças que ainda tinham vida útil e manter inversores em funcionamento que não precisavam parar.
A manutenção preditiva com inteligência artificial não é uma versão aprimorada desses dois modelos. É uma terceira lógica e a diferença não é incremental. É estrutural.
2. O QUE a IA aprende (e COMO ela aprende a escutar)
Aqui vale ser preciso, porque circula muita imprecisão sobre o que a inteligência artificial faz em contextos industriais. Não se trata de um oráculo. Trata-se de um modelo que aprende o que é normal e permanece atento ao que desvia disso.
Arquiteturas como o LSTM (Long Short-Term Memory) são especialmente adequadas para esse propósito, pois trabalham com séries temporais. Não olham apenas para o valor instantâneo de um sensor, mas também para a sequência de valores ao longo do tempo. Um inversor que vai falhar não passa do comportamento normal para o comportamento crítico de uma hora para outra. Ele muda de padrão por dias ou semanas antes. O LSTM captura essa progressão. É a diferença entre uma fotografia e um vídeo.
Já GANs (Generative Adversarial Networks) e VAEs (Variational Autoencoders) acrescentam outra camada: geram uma representação probabilística do que seria o funcionamento ideal e medem a distância entre esse ideal e a realidade operacional. Quando essa distância ultrapassa um limiar definido durante a fase de calibração com os dados históricos do próprio ativo, o sistema emite um alerta.
Não é previsão de futuro. É uma leitura precisa de presente com contexto do passado.
O que torna essa abordagem especialmente relevante para integradores de energia solar é o perfil de dados disponível. Inversores modernos já registram tensão, corrente, temperatura, frequência e eficiência de conversão em intervalos de minutos. Esses dados geralmente existem, mas ficam dormentes em sistemas de monitoramento que só disparam alerta quando o desvio já é grave o suficiente para ser considerado uma falha, não uma anomalia.
A Fernanda, o sistema que estamos construindo com a Capital Solar, parte exatamente dessa realidade: usar o que já existe. Nenhum sensor adicional nas primeiras fases. Nenhuma infraestrutura nova de TI. A inteligência entra no tratamento do sinal, não na sua coleta.
3. Perspectiva 1- Da reação à antecipação: o inversor que não falhou
Existe uma cena que se repete em praticamente todas as operações de O&M de energia solar: o técnico recebe o alerta de geração abaixo do esperado, vai ao campo, constata que um ou mais inversores estão offline ou operando fora do ponto ótimo, intervém, normaliza e registra a ocorrência como corrigida.
O que raramente consta nesse registro é o tempo que aquele inversor permaneceu fora do padrão antes do alerta. Horas? Dias? E qual foi o custo dessa janela?
A pergunta não é retórica. Em um parque solar de 5 MWp com tarifa de R$ 350/MWh, uma hora de geração perdida por inversor representa perda direta de receita. Multiplique pela quantidade de eventos por ano, pelo número de inversores no parque, pelo fato de que a maioria desses eventos é precedida por anomalias detectáveis com dias de antecedência e pelo fato de que o número que aparece não é operacional. É estratégico.
O que os algoritmos de detecção de anomalias fazem, na prática, é comprimir essa janela entre o início do desvio e a intervenção. Em vez de esperar a falha se manifestar como queda de geração, o sistema identifica a assinatura que precede a falha: a vibração ligeiramente fora do padrão, a temperatura que sobe 2°C acima da curva histórica para aquela irradiância, a eficiência que cai 0,3% por dia durante cinco dias consecutivos, e emite o alerta quando a intervenção ainda é simples, programável e barata.
A lógica que muda não é técnica. É financeira. A manutenção reativa tem custo de emergência. A manutenção preditiva tem custo de planejamento. E a diferença entre os dois, documentada em múltiplos setores industriais, varia entre 25% e 40% do orçamento total de O&M.
Comparativo de modelos de manutenção. Fontes: Deloitte Insights (2024); McKinsey Global Institute (2023); Siemens True Cost of Downtime (2024).
4. Perspectiva 2 – O dado que já existe e o sinal que ninguém está lendo
Um dos equívocos mais comuns sobre IA industrial é que ela exige infraestrutura sofisticada, sensores de última geração, redes industriais de baixa latência, data lakes corporativos. Para alguns casos de uso avançados, isso é verdade. Para detecção de anomalias em integradores de energia solar de médio porte, não é.
A grande maioria dos inversores comercializados no Brasil nos últimos cinco anos já dispõe de capacidade de telemetria. Eles já registram. O problema é o que acontece com esses dados após saírem do inversor.
Na maioria das operações que conhecemos, o fluxo é o seguinte: os dados vão para o sistema de monitoramento do fabricante, que exibe curvas de geração e emite alertas quando a queda já é significativa. A análise de tendência, ou seja, o que os dados dizem sobre o que vai acontecer, não é feita. Não porque seja impossível. Porque não existe processo para isso.
É exatamente essa lacuna que a Fernanda endereça. A fase inicial do projeto com a Capital Solar foi de mapeamento: quais dados estão disponíveis, em que nível de granularidade e com que consistência. O baseline de comportamento normal de cada inversor monitorado foi construído com base no histórico de leituras já disponível. O modelo aprendeu a distinguir queda de geração por nuvem de queda de geração por degradação de componente. Aprendeu a reconhecer a assinatura térmica que antecede a falha de um capacitor. Aprendeu que determinados padrões de curva IV em dias de alta irradiância são precursores de um desvio do ponto de máxima potência.
Tudo isso com dados que já estavam lá. O que faltava era a pergunta certa.
5. Perspectiva 3 — O&M como ativo, não como custo
Existe uma premissa que atravessa toda a gestão tradicional de manutenção, tanto no setor elétrico quanto em praticamente qualquer segmento industrial. O&M é um centro de custo. Você minimiza, contingencia, adia quando o fluxo de caixa aperta.
Essa premissa não é apenas imprecisa. Ela é cara.
Quando a manutenção é gerida como custo, algo que ocorre para ser controlado, a lógica que governa as decisões é a de minimizar os gastos. Quando ela é gerida como ativo, ou seja, algo que produz ou preserva valor, a lógica passa a ser a maximização do retorno. E as decisões que emergem dessas duas lógicas são radicalmente diferentes.
A virada conceitual que a IA preditiva provoca é precisa: quando você consegue antecipar, com dias ou semanas de antecedência, quando um ativo vai demandar intervenção, você transforma a manutenção em uma variável gerenciável. Não é mais uma surpresa que consome caixa de forma emergencial, e sim um item que você planeja, orça e agenda para o momento de menor impacto operacional.
“Crédito de geração perdida não volta. Mas a próxima falha pode ser interceptada antes de acontecer. Esse é o único ativo que a manutenção preditiva oferece: a possibilidade de que, a próxima vez, não aconteça.”
Para a Capital Solar, essa mudança de perspectiva foi o ponto de partida do projeto. A conversa não começou por algoritmos. Começou com quanto a empresa gastava por ano em intervenções não planejadas, em quantas vezes por trimestre um técnico ia ao campo em emergência e quanto esse custo de urgência representava do orçamento total de O&M.
Quando esses números foram postos na mesa, a lógica do investimento em monitoramento preditivo se tornou imediata. Não porque a tecnologia seja fascinante — mas porque a aritmética fechava.
6. Perspectiva 4 – A janela de intervenção e o score de risco
Nem todo desvio é igual. E nem todo equipamento em desvio merece a mesma urgência de resposta.
Um dos problemas práticos de sistemas de monitoramento que apenas emitem alertas binários (normais ou anormais) é que não comunicam prioridade. Quando dez inversores estão em estado de alerta simultaneamente, o técnico de campo não tem critério objetivo para decidir qual vai primeiro. A decisão vira intuição. E intuição, em manutenção, tem custo.
O que estamos desenvolvendo na Fernanda inclui um componente de priorização: um score de risco composto que pondera cada anomalia detectada em três dimensões. Severidade: quão distante o comportamento atual está do baseline de normalidade, tanto em magnitude quanto em velocidade de degradação. Progressão: a taxa de mudança do desvio ao longo do tempo. Uma anomalia estável é diferente de uma que está piorando. Impacto projetado: qual o custo estimado de geração perdida se o equipamento falhar sem intervenção nas próximas 48, 96 e 168 horas.
O resultado é um ranking dinâmico de atenção que responde, em tempo real, à pergunta que o gestor de O&M sempre precisou responder, mas que até então não tinha dados suficientes: para onde vou primeiro?
Essa priorização tem impacto direto na eficiência da equipe de campo. Em vez de responder a todos os alertas com a mesma urgência, o que levaria ao esgotamento da equipe e à subutilização de capacidade, o time intervém de forma cirúrgica, nos equipamentos certos, no momento certo, com o kit de peças adequado já preparado.
7. Perspectiva 5 – O que se perde nas fronteiras entre operação e dado
Há uma conversa que se repete em praticamente toda empresa de O&M de energia solar que visita sua operação pela primeira vez com olhos analíticos.
Pergunte ao gestor de campo: ele sabe quais inversores têm histórico de falhas, quais marcas apresentam mais problemas e quais localizações têm mais sombreamento em determinada época do ano. Pergunte ao supervisor de O&M: ele tem o registro de ordens de serviço, os contratos de garantia, as peças em estoque. Pergunte ao analista financeiro: ele tem o custo de cada intervenção, a projeção de geração e o impacto no fluxo de caixa. Agora peça aos três que, juntos, respondam qual equipamento vai falhar nos próximos 30 dias e quanto isso vai custar.
O silêncio que se segue não é negligência. É ausência de arquitetura.
Os dados existem nos três sistemas. A inteligência que emerge da interseção entre eles não existe. E é exatamente nessa interseção que reside o valor da manutenção preditiva.
A Fernanda foi concebida para ocupar esse espaço. Não como substituto dos sistemas existentes, mas como camada que os integra. Os dados de telemetria dos inversores, os registros históricos de O&M, as condições climáticas locais e as curvas de irradiância previstas alimentam o mesmo modelo. O que emerge não são alertas isolados, mas sim padrões. E os padrões têm muito mais valor do que os eventos.
A Deloitte identificou esse gap com precisão em sua análise sobre transformação digital em operações de energia: a transição para manutenção preditiva exige coordenação entre operações, tecnologia e financeiro; e as empresas que não criarem essa integração enfrentarão uma desvantagem competitiva crescente à medida que os custos de O&M se tornam um fator diferenciador entre integradores.
8. Perspectiva 6 – A conversa que migrou do campo para a diretoria
Existe um momento preciso em que um projeto de manutenção preditiva deixa de ser tema do gestor de campo e passa a ser do CFO.
Esse momento ocorre quando alguém coloca na mesa, em reais e em meses, o quanto a empresa está gastando com intervenções não planejadas e o quanto poderia não estar gastando. Quando o custo de O&M passa a ser uma projeção de fluxo de caixa, a conversa muda de natureza.
No contexto da Capital Solar, esse foi um dos movimentos mais reveladores do projeto. Ao estruturar o histórico de intervenções dos últimos 24 meses, custo por ocorrência, frequência por tipo de equipamento, impacto em geração perdida, emergiu um número que não estava visível em nenhum relatório existente: o custo real e recorrente da reatividade.
Não era um número catastrófico. Era um número silencioso, distribuído em dezenas de pequenas emergências ao longo do ano, cada uma aparentemente razoável, justificável, dentro do orçamento. Juntas, formavam uma sangria que a manutenção preditiva tem a capacidade de estancar.
Para materializar essa conversa em um dado acionável, e é isso que diferencia uma análise de uma decisão, o projeto prevê construir três cenários financeiros. O conservador, com redução de 20% nos custos de intervenção não planejada. O base, com 30%. E o agressivo, com 40% (alinhado ao teto do intervalo documentado pela literatura para operações que saem de manutenção reativa para preditiva com cobertura ampla dos ativos críticos).
A diferença entre o cenário conservador e o agressivo, projetada ao longo de 36 meses, não é técnica. É uma diferença de processo, de qualidade dos dados históricos e de velocidade de implementação. Isso é o que a diretoria precisa ouvir, não que a IA é poderosa, mas que a qualidade da operação determina o tamanho do retorno.
O novo critério de competitividade entre integradores
Há uma pergunta que fazemos no início de cada projeto de análise operacional: qual foi a última vez em que sua empresa calculou com precisão o custo total das intervenções não planejadas do último ano, incluindo geração perdida, custos de deslocamento emergencial, peças compradas fora de programação e impactos nos contratos de O&M?
A resposta mais comum não é um número. É uma estimativa. Ou um silêncio.
Esse silêncio não é negligência. É uma lacuna na arquitetura analítica. O que a IA preditiva faz é atribuir a esse silêncio um preço e demonstrar que esse preço é evitável.
Em 2026, menos de um terço das equipes de manutenção industrial implementou IA de forma efetiva, segundo levantamento da MaintainX entre profissionais do setor. Mas 65% afirmam planejar fazê-lo até o final do ano. A janela de vantagem competitiva ainda está aberta. Mas ela não vai ficar aberta para sempre.
O integrador maduro em O&M não é o que tem o sistema de monitoramento mais caro. É o que transformou os dados que já possui em um pipeline de intervenção com prioridade, antecedência e custo controlado. É o que sabe, hoje, que equipamento vai exigir atenção nas próximas três semanas e que já tem a peça em estoque e o técnico programado para ir.
“A máquina não mente. O problema sempre foi que ninguém estava ouvindo. Em 2026, a pergunta não é mais se você vai começar a ouvir. É se vai começar antes ou depois da próxima falha.”
A Fernanda é a prova de que isso é possível, não como exercício teórico, mas como resultado de uma análise real, construída com dados reais de uma operação. Se você quer ver como isso funciona com os dados da sua empresa, a conversa começa aqui.
Por Joelma Barbosa
Confira aqui de onde vieram os dados
1. McKinsey Global Institute — The Economic Potential of Generative AI: The Next Productivity Frontier (junho de 2023). Estimativa de US$ 2,6 a US$ 4,4 trilhões de impacto anual da IA generativa na economia global. Disponível em: mckinsey.com/capabilities/mckinsey-digital/our-insights (consultado em abril de 2026).
2. Deloitte Insights — Industry 4.0 and Predictive Technologies for Asset Maintenance. Documentação de redução de 50% no downtime e 25% na performance após implementação de ML em linha robótica; estimativa de redução de custos de manutenção em até 25% com manutenção preditiva. Disponível em: deloitte.com/us/en/insights/industry/manufacturing (consultado em abril de 2026).
3. Siemens — True Cost of Downtime 2024. Custo de parada não planejada entre US$ 36 mil e US$ 2,3 milhões por hora conforme setor; 11% de receita anual perdida por downtime nas 500 maiores empresas globais. Referenciado em: biztechmagazine.com (consultado em abril de 2026).
4. Applied Sciences / MDPI — Artificial Intelligence for Predictive Maintenance Applications: Key Components, Trustworthiness, and Future Trends (janeiro de 2024). Revisão do estado da arte de modelos LSTM e VAE em manutenção preditiva industrial, com validação de capacidade de antecipação de falhas por dias ou semanas. DOI: 10.3390/app14020898.
5. MaintainX — 25 Maintenance Stats, Trends, and Insights for 2026. 65% das equipes de manutenção industrial planejam adotar IA até o final de 2026; menos de um terço implementou de forma efetiva até o momento do levantamento. Disponível em: getmaintainx.com/blog (consultado em abril de 2026).
Compass Rose Analytics Consulting
Strategic Decision Architecture. Dados com Norte. Decisão com Coragem.
www.compassrose.com.br | rose@compassrose.com.br
© 2026 Compass Rose Analytics Consulting — Todos os direitos reservados
