IA industrial: como a Woodside Energy aplica agentes autônomos em plantas de GNL

Em 2 de julho de 2026, a MIT Technology Review veiculou o episódio do podcast Business Lab, apresentado por Megan Tatum e produzido em parceria com a Infosys, detalhando como a inteligência artificial está moldando o ambiente industrial pesado. Longe dos holofotes dos chatbots voltados ao consumidor final, a petroleira australiana Woodside Energy, sediada no oeste da Austrália (Western Australia), consolidou um ecossistema operacional onde a IA atua como uma camada central de execução física. A companhia, que opera em ambientes hostis e geograficamente isolados, demonstra como sistemas de infraestrutura crítica utilizam dados históricos e em tempo real para transformar a tomada de decisão humana em operações de alta complexidade.

O vice-presidente de digital da Woodside Energy, Andrew Melouney, revelou na entrevista que a estratégia de dados da organização não começou com modelos generativos recentes. A empresa estruturou suas fundações de análise de dados, otimização e modelos preditivos em meados de 2015. Esse investimento persistente em governança de dados e plataformas corporativas escaláveis permitiu que a organização avançasse de experimentos analíticos isolados para sistemas complexos baseados em IA agente (agentic AI), capazes de interagir diretamente com fluxos de trabalho industriais de alto risco sem comprometer as diretrizes de segurança e conformidade operacional.

Para o mercado brasileiro de energia, dominado por grandes players que lidam com a complexidade do pré-sal e de refinarias em locais remotos, a trajetória da Woodside Energy serve como um modelo técnico de transição digital. O Brasil possui infraestruturas de refino e exploração de petróleo altamente complexas que geram fluxos massivos de telemetria diariamente. A aplicação de uma camada de inteligência operacional que unifique dados físicos a sistemas legados é o principal desafio para empresas locais que buscam reduzir custos operacionais e mitigar riscos ambientais e humanos em suas plataformas oceânicas.

A evolução digital desde 2015

A jornada da Woodside Energy no campo da inteligência artificial foi desenhada com base nas particularidades do setor de óleo e gás. De acordo com Andrew Melouney, a petroleira atua em toda a cadeia de valor, cobrindo desde a exploração inicial, perfuração e análise de subsuperfície, até o desenvolvimento de projetos complexos, operação de ativos em locais remotos e comercialização global de portfólios energéticos. Desde 2015, a empresa utiliza analytics tradicional e modelagem matemática para interpretar as grandes massas de informações que emanam de seus sensores físicos, estabelecendo as bases necessárias para as aplicações avançadas atuais.

"Sempre tivemos volumes muito grandes de dados operacionais vindos dos equipamentos, das plantas e dos ativos que operamos. Eles criaram casos de uso muito claros e de alto valor para nós."

Essa base histórica de dados operacionais pavimentou o caminho para a introdução de modelos de aprendizado de máquina (machine learning) diretamente nas operações das plantas industriais. Diferente do setor de tecnologia de consumo, onde falhas de software geram pequenos inconvenientes, o setor de energia lida com cenários nos quais falhas sistêmicas podem comprometer a segurança física de trabalhadores e o equilíbrio ambiental das regiões circundantes. Por essa razão, a Woodside Energy focou sua governança na criação de repositórios estruturados e auditáveis antes de iniciar qualquer automação em larga escala.

No cenário industrial do Brasil, onde a transição para a chamada Indústria 4.0 ainda avança em ritmos desiguais, a postura de focar na consolidação de dados estruturados antes da adoção de algoritmos de ponta destaca-se como uma lição valiosa. Muitas organizações brasileiras enfrentam barreiras operacionais ao tentar implementar soluções de inteligência artificial sobre bases de dados fragmentadas e sem padronização. A experiência da companhia australiana mostra que a confiabilidade estatística de qualquer modelo depende da qualidade histórica da telemetria armazenada ao longo dos anos.

O sistema Startup Advisor

Um dos marcos práticos da aplicação de sistemas cognitivos na Woodside Energy é o desenvolvimento do Startup Advisor, um copiloto de inteligência artificial projetado especificamente para auxiliar os operadores humanos na inicialização de plantas de gás natural liquefeito (GNL). O processo de partida de uma unidade de GNL envolve centenas de variáveis termodinâmicas, mecânicas e de pressão que precisam ser monitoradas simultaneamente. Pequenas variações de temperatura ou fluxo podem resultar em paradas de emergência dispendiosas ou desgastes severos em componentes críticos, como as turbinas de compressão.

O Startup Advisor atua como um assistente especializado que consolida dados operacionais em tempo real e fornece recomendações precisas para que as decisões de controle sejam tomadas de maneira rápida e segura. Conforme detalhado por Andrew Melouney, a ferramenta foi concebida para aumentar a expertise humana, em vez de substituir o julgamento dos operadores de sala de controle. O sistema analisa o histórico de partidas anteriores e correlaciona as condições meteorológicas e de pressão atuais para sugerir a trajetória ideal de comissionamento das linhas de gás.

"Estamos realmente pensando em como apoiar as pessoas na organização para capacitá-las a tomar decisões melhores e mais rápidas."

Esse modelo de copiloto focado em suporte à decisão (decision support) é altamente aplicável a refinarias brasileiras e terminais de regaseificação. A operação dessas infraestruturas exige que os técnicos brasileiros gerenciem manobras de processo complexas sob regimes rígidos de segurança. Ferramentas que atuam como consultores em tempo real reduzem a carga cognitiva dos operadores, minimizam a ocorrência de erros operacionais e garantem a repetibilidade de processos de inicialização críticos, independentemente do nível de senioridade do profissional que está no comando do painel de controle.

Manutenção preditiva com SAP

A otimização de ativos físicos na Woodside Energy também é impulsionada pelo sistema de inteligência de manutenção (maintenance intelligence). Essa solução foi projetada para correlacionar diferentes conjuntos de dados corporativos e de engenharia para determinar o momento exato em que um componente físico deve passar por reparos, evitando tanto a manutenção prematura quanto as falhas catastróficas inesperadas. Para que o sistema funcione, a companhia realiza a integração direta de duas fontes de dados massivas de sua arquitetura de tecnologia.

O sistema cruza registros históricos de ordens de serviço e planejamento de materiais extraídos diretamente do software corporativo SAP com a telemetria em tempo real armazenada em seu lago de dados de séries temporais (time series data lake). A capacidade de unificar os dados transacionais de negócios do SAP com os dados de vibração, temperatura e pressão de fluxo do data lake permite que os algoritmos identifiquem correlações invisíveis aos métodos de engenharia tradicionais, sugerindo cronogramas otimizados de intervenção.

• Integração de dados de ordens de manutenção histórica do sistema corporativo SAP.
• Consolidação de telemetria de sensores físicos armazenada no time series data lake da empresa.
• Otimização matemática voltada ao princípio de realizar o trabalho correto no momento adequado.
• Redução drástica da necessidade de paradas preventivas baseadas apenas em horas de calendário.

Os resultados financeiros e operacionais obtidos durante a fase de testes demonstram o impacto real dessa abordagem estruturada de dados. Em um dos ativos industriais de grande porte operados pela Woodside Energy onde a solução foi pilotada, a companhia identificou o potencial de reduzir as horas de trabalho de manutenção ativa em até 15% ao longo de um período de cinco anos. Esse ganho de eficiência permite que as equipes de campo concentrem seus esforços em tarefas de maior complexidade, diminuindo a exposição dos profissionais a ambientes industriais de alto risco.

A estratégia de governança

A obtenção de ganhos operacionais como a redução de 15% nas horas de manutenção de ativos críticos requer uma infraestrutura de dados que ofereça confiabilidade total. Andrew Melouney destaca que a Woodside Energy desenvolveu plataformas dedicadas a realizar a ingestão contínua de telemetria de alta frequência diretamente de seus sensores espalhados pelos ativos de produção. Sem essa padronização e governança centralizada, a aplicação de modelos matemáticos e agentes inteligentes falharia devido à inconsistência das variáveis de entrada.

A governança robusta dos dados garante que, ao projetar um novo agente ou modelo de aprendizado de máquina, a equipe de engenharia e ciência de dados possa confiar plenamente nas predições geradas pelo sistema. Na visão do executivo, o dado deve ser tratado juridicamente e operacionalmente como um ativo físico de valor estratégico para a corporação. Essa confiabilidade permite que os tomadores de decisão utilizem as sugestões geradas pelas ferramentas sem receio de desvios operacionais ou inconsistências de dados.

"O nosso objetivo é, na verdade, uma empresa autônoma, onde tenhamos agentes com autonomia capazes de interagir profundamente com os nossos fluxos de trabalho principais."

No Brasil, onde as equipes de TI e de operações industriais (TO) muitas vezes trabalham em silos isolados, o modelo de governança da Woodside Energy aponta para a necessidade de unificação de plataformas. A convergência entre sistemas corporativos tradicionais e redes de automação de fábrica (como sistemas SCADA e PLCs) é fundamental para construir modelos preditivos eficazes. A criação de plataformas unificadas de dados que sirvam tanto aos engenheiros de campo quanto aos cientistas de dados é o primeiro passo para o desenvolvimento de soluções integradas de inteligência artificial.

Metodologia de escala rápida

O sucesso da Woodside Energy na transição de projetos-piloto para soluções implantadas em toda a empresa baseia-se em uma filosofia de desenvolvimento ágil bem definida. O lema adotado por Andrew Melouney, "pense grande, prototipe pequeno e dimensione rápido" ("Think big, prototype small, and scale fast"), reflete a necessidade de demonstrar o valor comercial e operacional das tecnologias em estágios iniciais, para que as áreas de negócios apoiem a expansão das iniciativas de IA.

Além da infraestrutura técnica, a petroleira concentrou esforços significativos no desenvolvimento de competências humanas e metodológicas. A empresa treinou suas equipes de linha de frente no uso de abordagens como o pensamento de design (design thinking) e em fluxos de trabalho ágeis (agile). A aproximação entre as equipes digitais de desenvolvimento e os operadores que atuam nas plantas industriais permitiu o estabelecimento de uma relação de confiança mútua, fator que acelerou a adoção das soluções e garantiu que as ferramentas resolvessem problemas de forma pragmática.

A integração entre tecnologia, pessoas e processos corporativos é um fator crítico para as indústrias brasileiras. Muitas iniciativas de inovação e transformação digital em grandes empresas no Brasil enfrentam resistência interna devido à falta de envolvimento precoce dos trabalhadores da linha de frente no processo de design das ferramentas. Ensinar os times operacionais a trabalhar com ciclos ágeis de desenvolvimento e design centrado no usuário garante que os sistemas de suporte à decisão baseados em inteligência artificial sejam vistos como aliados no cumprimento de metas de segurança e produtividade.

Perspectivas para a IA agente

O cenário descrito por Andrew Melouney indica que o futuro das grandes indústrias reside na construção de empresas autônomas (autonomous enterprise). À medida que os modelos tradicionais de análise preditiva evoluem para agentes que detêm capacidade de agência, esses sistemas passam a interagir de maneira mais autônoma e interconectada com os principais processos de negócios. As companhias que despenderam anos de investimento na estruturação de suas bases de dados estarão posicionadas para liderar essa nova fase de eficiência operacional.

Essa transição exige uma profunda reestruturação da arquitetura de tecnologia de informação corporativa e uma mudança radical em relação à forma como o próprio trabalho industrial é executado. A inteligência artificial não deve ser apenas acoplada a processos antigos ou analógicos, mas deve servir como base para redesenhar integralmente as cadeias de fluxo de trabalho. A parceria de longo prazo entre a Woodside Energy e fornecedores globais de tecnologia, como a Infosys, ilustra a necessidade de ecossistemas colaborativos para sustentar o avanço tecnológico na indústria de base.

O setor de energia e infraestrutura no Brasil, por sua relevância econômica e complexidade de operação, tem diante de si o desafio de adotar essa postura estratégica de longo prazo. A transformação digital de plantas físicas, turbinas, refinarias e plataformas de perfuração não se resolve com pacotes de softwares genéricos de produtividade comercial. Ela requer o desenvolvimento sistemático de infraestruturas de dados seguras, governadas e orientadas para capacitar o elemento humano a tomar decisões com maior velocidade, precisão e segurança no dia a dia operacional.