Uma plataforma que transformou 500 projetos dispersos em uma máquina de replicação, com IA que identifica oportunidades entre fábricas e converte aprendizado em resultado financeiro.

O Desafio

A Saint-Gobain Construction Solutions Brazil opera diversas plantas industriais, sete marcas e uma carteira de muitos projetos com economia real comprovada. O problema não era falta de resultado, era falta de memória.

Cada projeto gerava aprendizado. Mas esse aprendizado ficava preso na planta onde havia sido criado. A análise de replicação dependia de planilhas e avaliação manual caso a caso, o que tornava impossível fazer esse trabalho com a frequência que o volume exigia. A empresa deixava dinheiro na mesa não por falta de ideias, mas por falta de um mecanismo que conectasse o que já funcionava com onde ainda não havia sido aplicado.

O Contexto

Com diversas plantas distribuídas pelo Brasil, comparar operações manualmente é inviável. Cada fábrica tem volume de produção, linhas de produto e equipamentos diferentes. Identificar quais projetos de uma planta poderiam gerar economia em outra exigiria cruzar centenas de variáveis para cada iniciativa.

O processo existente não acompanhava o crescimento da carteira. Análises ficavam represadas. Projetos com alto potencial de replicação permaneciam em silos, e a perda de oportunidade de economia era invisível porque ninguém conseguia calcular o que não havia sido comparado.

A Ideia

Se o problema era volume e ausência de cruzamento de dados, a resposta não era mais gente olhando para planilhas, era um modelo que fizesse esse cruzamento automaticamente. A lógica era direta: plantas com perfis operacionais parecidos têm alta probabilidade de replicar os mesmos resultados. Identificar essas semelhanças e conectar os projetos certos às fábricas certas poderia ser um trabalho de algoritmo, não de analista.

A hipótese central era que muito do valor de savings poderia ser capturado replicando apenas uma fração dos projetos, desde que os projetos certos fossem identificados para as plantas certas.

As Barreiras Reais

Construir um sistema de recomendação para projetos industriais tem uma complicação que sistemas de recomendação de consumo não têm: os dados de entrada são desestruturados, registrados de formas diferentes por plantas diferentes, sem padrão de nomenclatura, categoria ou contexto.

Antes de qualquer algoritmo, era preciso estruturar a base. Projetos registrados com lógicas distintas precisaram ser consolidados, padronizados e alimentados com as informações operacionais de cada planta. Sem esse trabalho de fundo, o modelo recomendaria comparações erradas.

O segundo problema era de escala: com centenas de projetos e dezenas de plantas, rodar análises manuais de similaridade era inviável. O sistema precisaria identificar padrões automaticamente e manter as recomendações atualizadas conforme novos projetos eram registrados.

A Solução: Replica AI

A plataforma funciona em três camadas que se conectam.

A primeira é a estruturação inteligente da base. Projetos e plantas são consolidados em um ambiente único, com informações padronizadas sobre volume de produção, equipamentos, linhas e famílias de produtos. O modelo de machine learning agrupa as plantas por perfil operacional e cria clusters de similaridade que se atualizam conforme a base cresce.

A segunda é a análise de similaridade e o motor de recomendação. O algoritmo compara plantas dentro dos clusters e identifica projetos que já geraram resultado em uma unidade e têm alta aderência ao perfil de outra. A recomendação chega com contexto: economia potencial, referência à planta de origem e orientação sobre aplicabilidade local.

A terceira é o painel de governança. Gestores acompanham status de replicações, projetos aceitos e aguardando, economia gerada e potencial ainda não capturado, tudo em tempo real e sem precisar montar relatório. O que antes era uma série de conversas e e-mails agora é um painel com decisões pendentes e métricas atualizadas.

Fluxo da plataforma

O que Mudou de Verdade

Os números contam uma história clara: mais de 400 projetos replicados, mais de 8 milhões de reais em savings efetivos desde 2023, e um potencial identificado de 16,4 milhões ainda a capturar. A plataforma eliminou 100% das planilhas usadas para análise e devolveu 860 horas por ano às equipes, tempo que antes ia para cruzamentos manuais que o sistema agora resolve automaticamente.

O impacto mais significativo, porém, não está nas horas recuperadas. Está no fato de que a empresa passou a ter visibilidade sobre o que não sabia que não sabia. Antes do Replica AI, a pergunta "quais projetos de Curitiba poderiam funcionar em Recife?" não tinha resposta prática. Hoje, tem resposta em segundos.

O que Ficou de Aprendizado

• Dado não estruturado é custo invisível. A etapa de consolidação e padronização da base de projetos não estava no planejamento como prioridade, mas foi o que determinou se o algoritmo entregaria recomendações úteis ou ruído. Em operações com muitas plantas e múltiplas marcas, a diversidade de padrões de registro é tão grande que ignorar esse problema garante falha na produção.

• Recomendação sem contexto não vira ação. O primeiro protótipo entregava listas de projetos sugeridos sem ancoragem na realidade local de cada planta. As equipes não sabiam por onde começar. Adicionar o perfil de similaridade, a referência de economia e a orientação de aplicabilidade foi o que transformou uma lista em uma decisão.

• Governança de projetos depende de visibilidade centralizada. O painel de acompanhamento foi inicialmente tratado como funcionalidade secundária. Na prática, foi o que permitiu que gestores cobrassem execução sem depender de atualização manual. Visibilidade é o que torna replicação sistemática, não eventual.

---

Case AutoU × Saint-Gobain — Replica AI: Plataforma Inteligente de Replicação de Projetos