Fabricantes de pet food estão “sentados sobre uma mina de ouro” de dados de produção ainda não explorados, segundo Carmen Sook, diretora de soluções para clientes da Bestmix Software. Ela afirmou aos participantes do Petfood Essentials no Petfood Forum 2026, realizado em abril nos Estados Unidos, que a inteligência artificial pode ser a chave para desbloquear esse potencial.
Durante sua apresentação, Sook afirmou que a qualidade e a eficiência na fabricação de pet food ainda dependem excessivamente de operadores individuais, mesmo com os avanços em automação e softwares de formulação.
Segundo ela, três lacunas sistêmicas impulsionam esse problema:
- O julgamento dos operadores varia de turno para turno, fazendo com que a qualidade dependa de quem está operando a linha;
- Os operadores ajustam configurações em tempo real, mas só visualizam os resultados do controle de qualidade cerca de uma hora depois, criando um ponto cego prolongado;
- Formulação, parâmetros de produção e resultados de controle de qualidade ficam em sistemas separados, sem um ciclo de feedback que os conecte.
“O suporte à decisão orientado por IA pode dar a todos os operadores acesso ao mesmo nível de insight da pessoa mais experiente da fábrica, reduzindo a variabilidade de umidade, diminuindo perdas no startup e retirando os resultados de qualidade das mãos de um único indivíduo”, disse Sook.
A extrusão aparece como uma das primeiras áreas de aplicação em que análises baseadas em IA já estão apresentando resultados. Segundo Sook, um erro de umidade na extrusão pode significar de 30 a 60 minutos de produto retido no secador e que, eventualmente, pode precisar ser descartado.
Modelos preditivos de IA podem sinalizar esse resultado mais cedo no processo, permitindo que os operadores passem de uma postura reativa para uma tomada de decisão proativa. “Quando a produção sai do padrão, as consequências vão além da umidade. A textura do kibble muda, a absorção do coating se altera e a palatabilidade também muda, mesmo quando a fórmula original estava correta.”
Estudo de caso da Alltech
Como caso de uso da tecnologia, Sook detalhou um modelo de previsão de umidade desenvolvido a partir de quatro anos de dados de produção coletados por operadores da Alltech. Como parte da rotina normal de controle de qualidade, os operadores registravam aproximadamente 27 parâmetros de produção por hora no sistema Bestmix Quality Control. Os dados incluem temperaturas, vapor, velocidade da rosca e pressão, além de medições do produto final, como umidade e densidade. Dados de receitas e ingredientes de cada lote eram armazenados simultaneamente no sistema Bestmix Recipe Management.
Os cientistas de dados da Bestmix construíram o modelo com um objetivo: prever a umidade final antes que o produto chegasse ao secador. Para isso, usaram informações como qual receita estava em produção, quais configurações o operador definiu na extrusora e qual foi a umidade final obtida. O modelo foi testado com base em execuções históricas, sem alterações feitas na operação da fábrica.
Manualmente, os operadores conseguiam atingir a umidade dentro da tolerância em cerca de 60% das vezes com base apenas em sua experiência. A IA alcançou o alvo em 87% das execuções, representando uma melhoria de 50% na precisão. Além disso, a estabilização do startup foi 43% mais rápida.
A economia anual projetada em duas linhas de extrusão foi de aproximadamente US$ 567 mil (US$ 2,8 milhões), com retorno sobre investimento de seis vezes.
Essas economias, detalhou Sook, vêm da redução de retrabalho em cerca de um terço, que representou US$ 157 mil (R$ 799 mil) em custo. O impacto se manifestou principalmente na prevenção de desvios da umidade final em relação à tolerância. Quando isso ocorria, o produto precisava retornar à linha de produção, gerando consumo adicional de energia, mão de obra e tempo.
A diminuição de formulações irregulares foi o maior fator de produtividade, representando quase US$ 400 mil (R$ 2,03 milhões) de custos reduzidos, ou aproximadamente 70% das economias totais. Startups mais rápidos contribuíram com cerca de US$ 16 mil (R$ 81,4 mil) devido à redução de 43% no tempo de ajuste inicial.
Economias de energia por operar o secador de forma menos agressiva e recuperação de rendimento por operar mais próximo da meta não foram incluídas nas projeções, observou Sook, o que significa que as economias reais podem ser ainda maiores.
Desde então, a Alltech conectou seu sistema de execução de manufatura ao sistema de controle de qualidade da Bestmix, migrando de um ponto de dados registrado manualmente por hora para uma coleta automatizada de dados a cada seis minutos em todas as linhas.
Dashboards em tempo real para operadores estão atualmente em desenvolvimento. Segundo Sook, o aumento da densidade de dados e a eliminação de erros de entrada manual devem melhorar ainda mais a precisão do modelo. “Essa conversa só acontece quando você tem dados para mostrar às áreas regulatória e de qualidade que consegue atingir isso de forma consistente”, afirmou.
O que já está implementado e o que está em desenvolvimento
Sook afirmou que o estudo de caso da Alltech representa o primeiro exemplo implementado de conexão desses fluxos de dados de forma prática, mensurável e replicável.
Outras capacidades atualmente em desenvolvimento incluem dashboards em tempo real para operadores e uma ferramenta de previsão de ponto de partida para formulações, que forneceria uma base orientada por dados para novas receitas, em vez de começar de uma tela em branco. Sook disse que a Bestmix está buscando ativamente um parceiro para desenvolver essa capacidade de previsão de formulação.
Olhando para o futuro, Sook descreveu um roadmap que estende a IA para fechar o ciclo entre produção e formulação utilizando dados em tempo real da linha para orientar a criação da próxima receita. Nos próximos cinco anos, ela prevê sistemas incorporados em toda a cadeia de valor, desde ajudar formuladores a gerar receitas iniciais mais inteligentes com base em dados históricos até acelerar decisões de qualidade e conformidade.
“As empresas que chegarem lá primeiro estão construindo sua base de IA agora mesmo”, afirmou.
Quatro passos que os processadores podem adotar nesta semana
Sook encerrou sua apresentação com quatro ações que, segundo ela, não exigem aprovação de orçamento:
- Perguntar se a planta já coleta parâmetros de extrusão, seja em um sistema de controle de qualidade, planilha ou sistema SCADA;
- Comparar a umidade-alvo com a umidade final real de um produto e analisar a diferença;
- Se ninguém estiver monitorando os parâmetros de produção, começar em uma linha com um operador registrando configurações por hora; seis meses de dados já são suficientes para começar a identificar padrões;
- Testar uma ferramenta de IA em uma tarefa realizada diariamente.
“Os seus dados não precisam ser perfeitos”, disse Sook. “Eles apenas precisam existir.”
Ela também destacou que é importante lembrar que a IA foi projetada para ajudar os operadores, e não substituí-los. “O operador vê a previsão; ele toma a decisão. O modelo não controla o equipamento. Ele apenas fornece ao operador informações melhores do que as que ele tinha antes. Isso não substitui, mas sim potencializa a expertise do operador.“
