Aplicação da Inteligência Artificial na Manutenção Predial de Instituição de Ensino

Prévia do material em texto

CAPA
[NOME DA INSTITUIÇÃO DE ENSINO]
[NOME DO CURSO]
[NOME DA DISCIPLINA]
APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA MANUTENÇÃO PREDIAL DE UMA INSTITUIÇÃO DE ENSINO
[NOME DO(A) ALUNO(A)]
[CIDADE]
2026
FOLHA DE ROSTO
[NOME DO(A) ALUNO(A)]
APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA MANUTENÇÃO PREDIAL DE UMA INSTITUIÇÃO DE ENSINO
Trabalho acadêmico apresentado à disciplina [nome da disciplina], do curso de [nome do curso], da [nome da instituição], como requisito para avaliação da disciplina.
Orientador(a)/Tutor(a): [Nome, se aplicável]
[CIDADE]
2026
1 INTRODUÇÃO
A transformação digital vem modificando a maneira como as organizações administram seus processos, recursos e ativos. Entre as tecnologias que apresentam maior potencial de transformação encontra-se a Inteligência Artificial (IA), especialmente quando associada à análise de dados, sensores, Internet das Coisas (IoT) e sistemas de gestão.
No campo da gestão de facilities, a utilização dessas tecnologias pode contribuir para a evolução de um modelo de manutenção predominantemente corretivo para uma abordagem mais preventiva e preditiva. Essa mudança é particularmente relevante em instituições de ensino, nas quais a disponibilidade e o adequado funcionamento de equipamentos e instalações influenciam diretamente a continuidade das atividades acadêmicas e administrativas.
A ISO 55000:2024 estabelece que a gestão de ativos deve considerar todo o ciclo de vida dos ativos e estar alinhada aos objetivos organizacionais, buscando geração de valor, eficiência, gerenciamento de riscos e melhoria contínua (ISO, 2024). Dessa forma, a aplicação da Inteligência Artificial à manutenção predial pode ser compreendida como uma possibilidade de modernização da gestão dos ativos físicos.
Estudos recentes demonstram crescimento da utilização de técnicas de aprendizado de máquina e Inteligência Artificial na manutenção preditiva. Uma revisão sistemática publicada em 2024 identificou que a IA pode apoiar recomendações de reparo e investimento baseadas na análise de dados, embora a insuficiência de dados ainda seja uma das principais barreiras para sua implementação em facilities (IMPROVE…, 2024).
Este trabalho apresenta uma proposta de aplicação da Inteligência Artificial à gestão da manutenção predial de uma instituição de ensino, utilizando dados históricos de manutenção, chamados, equipamentos e sensores para identificar possíveis falhas, classificar prioridades e auxiliar na tomada de decisão.
O objetivo é apresentar o fluxo do processo, explicar a utilização da tecnologia, analisar seus pontos fortes e fracos, identificar oportunidades e ameaças e, por fim, discutir os requisitos necessários para uma possível implementação.
2 DESENVOLVIMENTO
2.1 Oportunidade identificada na área de formação
A oportunidade selecionada está relacionada à utilização da Inteligência Artificial para aprimorar a gestão da manutenção predial, principalmente por meio da manutenção preditiva.
Em um modelo tradicional, muitas intervenções ocorrem após a identificação de um problema pelo usuário. Um equipamento apresenta falha, um funcionário abre um chamado, a equipe técnica realiza uma avaliação e posteriormente são definidos os materiais, fornecedores, mão de obra e prazo necessários para solucionar o problema.
Embora esse modelo seja necessário em determinadas situações, ele apresenta limitações quando aplicado exclusivamente à manutenção predial. A organização passa a atuar depois que o problema ocorreu, podendo enfrentar interrupções, custos emergenciais e indisponibilidade de equipamentos.
A manutenção preditiva procura trabalhar de maneira diferente. Por meio da coleta e análise de dados, busca-se identificar sinais de degradação ou anormalidade antes que ocorra uma falha completa.
Uma revisão científica de 2025 sobre aprendizado de máquina aplicado à manutenção de sistemas prediais analisou 118 artigos e identificou forte crescimento das pesquisas sobre manutenção preditiva em edifícios. O estudo destaca que técnicas de aprendizado de máquina vêm sendo utilizadas para diagnóstico de falhas e otimização de sistemas prediais (MACHINE LEARNING…, 2025).
Outro estudo, dedicado especificamente à aplicação de aprendizado profundo em facilities e manutenção de sistemas HVAC, aponta que a Inteligência Artificial pode auxiliar no monitoramento de equipamentos, programação da manutenção, desempenho dos edifícios e redução do consumo de energia (APPLICATION…, 2022).
Assim, a oportunidade não consiste simplesmente em “colocar IA” no setor de manutenção. A oportunidade está em utilizar os dados existentes e novos dados obtidos por sensores para melhorar a qualidade das decisões de manutenção.
2.2 Como a Inteligência Artificial poderia ser empregada
A proposta consiste na criação de um sistema de apoio à manutenção baseado em quatro fontes principais de informação:
· histórico dos chamados de manutenção;
· cadastro dos equipamentos e ativos;
· histórico das manutenções realizadas;
· dados coletados por sensores e sistemas automatizados.
Entre os equipamentos que poderiam participar inicialmente do projeto estão aparelhos de ar-condicionado, bombas, motores, elevadores, bebedouros, ventiladores, sistemas elétricos e outros equipamentos cuja falha possa ser identificada por alterações de temperatura, vibração, consumo de energia, tempo de funcionamento ou frequência de chamados.
O sistema utilizaria algoritmos de aprendizado de máquina para analisar padrões históricos e identificar situações que apresentem maior probabilidade de falha.
Por exemplo, caso determinado equipamento apresente aumento gradual de temperatura, aumento do consumo elétrico e histórico de ocorrências semelhantes antes de uma falha, o sistema poderia gerar um alerta para que a equipe técnica realize uma inspeção.
A IA, portanto, não substituiria automaticamente o profissional responsável pela manutenção. Sua função seria fornecer informações e recomendações para apoiar a tomada de decisão.
Essa característica é importante porque estudos recentes também identificam desafios relacionados à qualidade dos dados, interpretabilidade dos modelos e validação das soluções em ambientes reais. Uma revisão sistemática de 2026 sobre IA e manutenção preditiva identificou crescimento significativo das pesquisas, mas também apontou que muitos estudos ainda utilizam bases de dados padronizadas, havendo necessidade de maior validação em ambientes reais e de técnicas de Inteligência Artificial explicável.
2.3 Fluxograma do processo proposto
O processo poderia funcionar da seguinte maneira:
INÍCIO
↓
Cadastro dos equipamentos e ativos
↓
Coleta de dados
Histórico de chamados + manutenção + sensores + consumo + tempo de funcionamento
↓
Banco de dados
↓
IA realiza análise dos dados
↓
Identificação de padrões e anomalias
↓
Existe possibilidade de falha?
→ NÃO → Continuar monitoramento → Retornar à coleta de dados
→ SIM
↓
IA classifica o nível de prioridade
↓
Geração de alerta para o setor de manutenção
↓
Profissional técnico realiza avaliação
↓
Problema confirmado?
→ NÃO → Registrar ocorrência e continuar monitoramento
→ SIM
↓
Planejamento da manutenção
↓
Definição de material, mão de obra e fornecedor
↓
Execução da manutenção
↓
Registro do serviço realizado
↓
Atualização do banco de dados
↓
IA utiliza o novo histórico para aprimorar as previsões
↓
FIM / MONITORAMENTO CONTÍNUO
Explicação do fluxo
O primeiro passo seria cadastrar os ativos existentes, criando uma base organizada contendo informações como equipamento, fabricante, modelo, localização, data de instalação, histórico de manutenção e ocorrências.
Na segunda etapa, seriam coletados os dados provenientes dos chamados e das manutenções. Dependendo do equipamento, também poderiam ser instalados sensores para medir variáveis como temperatura, vibração, consumo de energia ou tempo de funcionamento.
Os dados seriam armazenados em um sistema centralizado. Posteriormente, algoritmos de Inteligência Artificial analisariam os padrões identificados.
Quando o sistema detectasse uma condição anormal,seria emitido um alerta. Esse alerta não significaria automaticamente que o equipamento deveria ser substituído ou reparado. A decisão continuaria sendo realizada por um profissional.
Essa etapa de validação humana é fundamental. O NIST, por meio do AI Risk Management Framework, recomenda que sistemas de IA sejam avaliados considerando aspectos como confiabilidade, segurança, transparência, explicabilidade, privacidade e gerenciamento de riscos (TABASSI, 2023).
Depois da manutenção, o serviço realizado seria registrado no sistema. Esse novo dado passaria a integrar o histórico utilizado pela IA, permitindo aperfeiçoar continuamente as análises.
2.4 Benefícios e pontos fortes da proposta
Um dos principais pontos fortes da utilização da IA seria a possibilidade de transformar dados operacionais em informações úteis para a tomada de decisão.
A literatura científica aponta que a manutenção preditiva pode contribuir para reduzir paradas não planejadas e melhorar a confiabilidade dos equipamentos. Em facilities, uma revisão sistemática identificou justamente a aplicação da IA como instrumento para apoiar recomendações de reparo e investimento com base nos dados analisados (IMPROVE…, 2024).
Entre os principais pontos fortes da proposta estão:
a) Antecipação de falhas
A análise de dados pode identificar alterações que precedem determinadas falhas, permitindo que a equipe realize uma intervenção antes da parada completa do equipamento.
b) Melhor priorização dos chamados
A IA poderia auxiliar na classificação dos chamados conforme critérios como criticidade, impacto na operação, histórico de falhas e risco.
Isso permitiria diferenciar, por exemplo, um problema que pode aguardar alguns dias de uma falha que compromete o funcionamento de uma sala de aula ou de um sistema essencial.
c) Melhor utilização dos recursos
A manutenção poderia ser planejada considerando materiais, mão de obra e disponibilidade dos fornecedores.
d) Histórico estruturado
A implantação exigiria a organização do histórico dos equipamentos, contribuindo para uma gestão de ativos mais estruturada.
A ISO 55000:2024 destaca justamente a importância de uma abordagem sistemática de gestão de ativos, considerando seu ciclo de vida, riscos, eficiência e geração de valor (ISO, 2024).
e) Apoio à tomada de decisão
O gestor poderia receber indicadores e recomendações baseadas em dados, reduzindo a dependência exclusiva de decisões baseadas em percepção ou experiência individual.
2.5 Pontos fracos e limitações
Apesar dos benefícios, a implantação apresenta limitações que precisam ser consideradas.
A primeira é a qualidade dos dados. Uma IA depende das informações utilizadas para realizar suas análises. Dados incompletos, incorretos ou inconsistentes podem gerar resultados inadequados.
Essa questão é confirmada pela literatura. A revisão sistemática sobre IA aplicada à manutenção de facilities identificou a insuficiência de dados como uma das principais barreiras à implementação da tecnologia (IMPROVE…, 2024).
Outra limitação é o custo inicial. A implantação pode exigir aquisição de sensores, sistemas, integração de plataformas, armazenamento de dados e treinamento dos profissionais.
Também existe a necessidade de capacitação da equipe. Os profissionais de manutenção precisam compreender como interpretar os alertas e como utilizar os resultados produzidos pelo sistema.
Além disso, os modelos de IA podem apresentar dificuldades de interpretação. Uma recomendação automática pode não ser facilmente compreendida pelo usuário. Por esse motivo, técnicas de IA explicável e mecanismos de validação humana tornam-se relevantes.
Portanto, a IA deve ser considerada como uma ferramenta de apoio e não como substituta automática da experiência técnica dos profissionais.
2.6 Análise FOFA/SWOT da utilização da IA na manutenção
A análise FOFA permite organizar os fatores internos e externos relacionados à proposta.
FORÇAS
1. Análise de grande quantidade de dados:
A IA consegue processar grandes volumes de informações e identificar padrões que poderiam ser difíceis de perceber manualmente.
2. Possibilidade de antecipação de falhas:
A manutenção preditiva busca identificar sinais de degradação antes da ocorrência da falha, permitindo planejamento antecipado.
3. Melhoria na gestão dos ativos:
A utilização de informações estruturadas favorece uma abordagem mais sistemática da gestão do ciclo de vida dos equipamentos, em alinhamento com os princípios da ISO 55000:2024 (ISO, 2024).
4. Apoio à tomada de decisão:
A IA pode gerar indicadores, alertas e recomendações que auxiliem o gestor na definição de prioridades.
5. Aprendizado contínuo:
Com o registro dos novos serviços realizados, a organização pode ampliar progressivamente sua base histórica.
FRAQUEZAS
1. Dependência da qualidade dos dados:
Dados insuficientes ou incorretos prejudicam a capacidade de previsão.
2. Investimento inicial:
Sensores, sistemas, integração e treinamento representam custos.
3. Necessidade de capacitação:
A equipe precisa desenvolver conhecimentos relacionados a dados e utilização da tecnologia.
4. Complexidade de integração:
A organização pode possuir sistemas diferentes para manutenção, compras, patrimônio, energia e outros processos.
5. Dependência tecnológica:
Problemas de infraestrutura, conectividade ou sistemas podem comprometer o funcionamento da solução.
OPORTUNIDADES
1. Transformação digital do setor de facilities:
A literatura recente demonstra aumento da pesquisa e aplicação de IA e aprendizado de máquina na manutenção predial.
2. Redução de intervenções emergenciais:
A identificação antecipada de problemas pode aumentar a capacidade de planejamento.
3. Melhoria da eficiência operacional:
O gestor pode utilizar dados para definir prioridades e distribuir melhor os recursos.
4. Integração com IoT:
Sensores conectados podem fornecer dados continuamente para os sistemas de análise.
5. Melhoria da gestão estratégica:
Os dados acumulados podem apoiar decisões relacionadas à substituição de equipamentos, investimentos e planejamento orçamentário.
Estudos recentes sobre sistemas de automação predial destacam que a combinação de IA, IoT e aprendizado de máquina pode apoiar manutenção preditiva, análise de dados e decisões estratégicas relacionadas ao desempenho dos edifícios (VAN ROOSMALE et al., 2024).
AMEAÇAS
1. Segurança cibernética:
A conexão de equipamentos e sensores à rede aumenta a necessidade de controles de segurança.
2. Privacidade e proteção dos dados:
Dependendo das informações coletadas, é necessário avaliar cuidadosamente quais dados podem ser armazenados e processados.
3. Resultados incorretos da IA:
Uma previsão não representa uma certeza. O sistema pode gerar falsos positivos ou deixar de identificar determinadas falhas.
4. Dependência de fornecedores:
A organização pode ficar dependente de empresas responsáveis pelo software, sensores ou infraestrutura.
5. Resistência à mudança:
Profissionais podem apresentar dificuldade ou resistência na adoção de novos processos tecnológicos.
O NIST destaca que sistemas de IA possuem riscos próprios porque os dados podem mudar ao longo do tempo e porque a IA envolve aspectos técnicos, humanos e organizacionais. Por isso, recomenda uma abordagem contínua de governança, mapeamento, medição e gerenciamento dos riscos (NIST, 2023).
3 PROPOSTA DE IMPLEMENTAÇÃO
A implantação da solução deveria ocorrer de maneira gradual, evitando a tentativa de digitalizar todo o setor simultaneamente.
O primeiro passo seria realizar um levantamento dos equipamentos existentes e da qualidade dos dados históricos disponíveis.
Em seguida, seria escolhido um projeto-piloto. Uma alternativa seria iniciar pelos equipamentos de ar-condicionado, devido à importância desses sistemas para o conforto dos ambientes e à possibilidade de utilizar variáveis como temperatura, funcionamento e consumo energético.
Após a definição do equipamento-piloto, seriam estabelecidos indicadores de desempenho, como:
· quantidade de falhas;
· número de chamados emergenciais;
· tempo médiode atendimento;
· tempo de indisponibilidade;
· custo de manutenção;
· quantidade de manutenções preventivas;
· quantidade de falhas não previstas;
· consumo de energia, quando aplicável.
Posteriormente, seriam instalados os sensores necessários e integrados os dados ao sistema de manutenção.
A etapa seguinte seria o desenvolvimento ou contratação de uma solução de Inteligência Artificial capaz de analisar os dados e gerar alertas.
Antes da utilização operacional, o modelo deveria ser testado e validado. Os resultados seriam comparados com os registros reais de manutenção para avaliar sua precisão.
Somente após essa etapa a solução poderia ser expandida para outros equipamentos.
Esse modelo gradual reduz os riscos financeiros e operacionais, além de permitir que a organização aprenda com o projeto-piloto.
4 GOVERNANÇA E USO RESPONSÁVEL DA INTELIGÊNCIA ARTIFICIAL
A utilização da IA deve ser acompanhada por mecanismos de governança.
O AI Risk Management Framework, desenvolvido pelo National Institute of Standards and Technology (NIST), propõe quatro funções principais para gerenciamento de riscos relacionados à IA: Governar, Mapear, Medir e Gerenciar (TABASSI, 2023).
Aplicando esse conceito ao setor de manutenção, a instituição deveria:
Governar: estabelecer responsabilidades, regras e critérios para utilização da IA.
Mapear: identificar os equipamentos, processos, dados, riscos e impactos envolvidos.
Medir: avaliar a qualidade dos dados e o desempenho das previsões.
Gerenciar: corrigir problemas, acompanhar os resultados e atualizar o modelo.
Outro princípio importante é manter a participação humana. A decisão final sobre uma intervenção de manutenção deveria permanecer com profissionais responsáveis, principalmente quando houver impacto sobre segurança, funcionamento da instituição ou custos elevados.
Dessa forma, a IA seria utilizada como um sistema de apoio à decisão.
5 RESULTADOS ESPERADOS
Com a implantação da proposta, espera-se obter uma mudança gradual na forma de administrar a manutenção.
Em vez de concentrar esforços apenas na solução de problemas já ocorridos, o setor poderia aumentar sua capacidade de identificar tendências e planejar intervenções.
Entre os resultados esperados estão:
· maior previsibilidade das manutenções;
· redução de falhas inesperadas;
· melhor organização dos chamados;
· aumento da disponibilidade dos equipamentos;
· melhoria da utilização dos recursos;
· melhor planejamento de compras;
· geração de histórico confiável;
· apoio à decisão sobre reparo ou substituição de equipamentos;
· maior integração entre manutenção, patrimônio, compras e gestão;
· melhoria da gestão do ciclo de vida dos ativos.
É importante destacar, entretanto, que esses resultados são esperados, e não garantidos. A literatura evidencia que a efetividade da manutenção preditiva depende da qualidade dos dados, do contexto de aplicação, da validação dos modelos e da integração entre tecnologia e processos organizacionais.
6 DISCUSSÃO DA OPORTUNIDADE
A análise realizada demonstra que a aplicação de Inteligência Artificial na manutenção predial apresenta potencial relevante para a área de facilities.
Entretanto, o principal aprendizado é que a tecnologia, isoladamente, não resolve problemas de gestão. A existência de uma ferramenta de IA não garante melhores resultados se a organização não possuir processos definidos, dados confiáveis, profissionais capacitados e indicadores de desempenho.
A literatura confirma essa preocupação. A revisão sobre IA e manutenção preditiva em facilities aponta que a disponibilidade insuficiente de dados constitui uma barreira importante à implementação (IMPROVE…, 2024). Da mesma maneira, estudos recentes identificam a necessidade de maior validação de soluções de IA em ambientes reais, além de melhorias relacionadas à explicabilidade dos modelos.
Portanto, a oportunidade deve ser analisada como uma transformação do processo de manutenção e não simplesmente como uma aquisição de tecnologia.
Uma instituição que deseja implementar essa solução deveria começar pela organização dos processos e dos dados existentes. Posteriormente, poderia utilizar sensores e ferramentas de análise para gerar informações adicionais.
A estratégia mais adequada seria iniciar com um projeto-piloto de pequena escala, avaliar os resultados e, caso os indicadores demonstrem benefícios, ampliar gradualmente a solução.
7 CONSIDERAÇÕES FINAIS
O desenvolvimento deste trabalho permitiu compreender que a Inteligência Artificial apresenta possibilidades relevantes para a transformação da gestão de facilities, especialmente quando aplicada à manutenção predial.
A proposta apresentada demonstrou como um processo tradicional de manutenção pode evoluir para um modelo orientado por dados, no qual informações provenientes de chamados, históricos, sensores e equipamentos são analisadas para auxiliar na identificação de possíveis falhas.
A manutenção preditiva representa uma oportunidade porque permite que a organização busque atuar de forma antecipada, melhorando o planejamento e reduzindo a dependência de intervenções exclusivamente corretivas. A literatura científica recente confirma o crescimento das pesquisas sobre Inteligência Artificial e aprendizado de máquina aplicados à manutenção de edifícios e facilities.
Por outro lado, também foram identificadas limitações importantes. A qualidade dos dados, os custos de implantação, a capacitação dos profissionais, a integração entre sistemas, a segurança da informação e a possibilidade de erros nas previsões são fatores que precisam ser considerados.
A análise FOFA demonstrou que a proposta possui forças relacionadas à capacidade de análise de dados, antecipação de falhas e apoio à decisão, mas também apresenta fraquezas relacionadas à dependência de dados e infraestrutura. Como oportunidades, destacam-se a transformação digital dos facilities, a integração com IoT e a melhoria da gestão dos ativos. Entre as ameaças estão os riscos de segurança cibernética, dependência tecnológica e utilização inadequada dos resultados produzidos pela IA.
Como próximos passos, seria recomendável realizar um diagnóstico da situação atual da manutenção, organizar o cadastro dos ativos, avaliar a qualidade dos históricos existentes e selecionar um equipamento ou sistema para um projeto-piloto.
Assim, conclui-se que a Inteligência Artificial não deve ser vista como substituta do profissional de manutenção, mas como uma ferramenta capaz de ampliar sua capacidade de análise e tomada de decisão. A combinação entre conhecimento técnico, dados confiáveis, processos estruturados e tecnologia pode contribuir para uma gestão de facilities mais planejada, eficiente e orientada por evidências.
REFERÊNCIAS
APPLICATION of deep learning in facility management and maintenance for heating, ventilation, and air conditioning. Automation in Construction, [S. l.], v. 141, 2022. Disponível em: https://doi.org/10.1016/j.autcon.2022.104438. Acesso em: 24 ago. 2026.
IMPROVE predictive maintenance through the application of artificial intelligence: a systematic review. Results in Engineering, [S. l.], v. 21, 101645, 2024. Disponível em: https://doi.org/10.1016/j.rineng.2023.101645. Acesso em: 24 ago. 2026.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 55000:2024: Asset management — Vocabulary, overview and principles. Geneva: ISO, 2024. Disponível em: https://www.iso.org/standard/83053.html. Acesso em: 24 ago. 2026.
MACHINE learning techniques for predictive maintenance of building services: a comprehensive review and research outlook. Facilities, [S. l.], v. 43, n. 11-12, p. 803-817, 2025. Disponível em: https://doi.org/10.1108/F-02-2025-0032. Acesso em: 24 ago. 2026.
NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Artificial Intelligence Risk Management Framework (AI RMF 1.0). Gaithersburg: NIST, 2023. Disponível em: https://doi.org/10.6028/NIST.AI.100-1. Acesso em: 24 ago. 2026.
TABASSI, Elham. Artificial Intelligence Risk Management Framework (AI RMF 1.0). Gaithersburg: National Instituteof Standards and Technology, 2023. Disponível em: https://doi.org/10.6028/NIST.AI.100-1. Acesso em: 24 ago. 2026.
VAN ROOSMALE, S.; HELLINCKX, P.; MEYSMAN, J.; VERBEKE, S.; AUDENAERT, A. Building automation and control systems for office buildings: technical insights for effective facility management — a literature review. Journal of Building Engineering, [S. l.], v. 97, 110943, 2024. Disponível em: https://doi.org/10.1016/j.jobe.2024.110943. Acesso em: 24 ago. 2026.