Um modelo de avaliação híbrido para manufatura inteligente sob incertezas integrando sistemas homem‑máquina e estratégias de automação

Por que fábricas mais inteligentes precisam de escolhas mais inteligentes

À medida que as fábricas se enchem de robôs, sensores e IA, os gestores encaram uma pergunta aparentemente simples: quanto devemos automatizar e quanto devemos continuar a confiar nas pessoas? A resposta raramente é óbvia. Linhas reais de produção são ambientes ruidosos e imprevisíveis onde confiança humana, segurança e carga de trabalho importam tanto quanto velocidade e custo. Este artigo apresenta uma nova forma de avaliar diferentes configurações de automação que leva em conta essa realidade complexa, ajudando os tomadores de decisão a escolher arranjos que sejam eficientes, resilientes e genuinamente centrados nas pessoas.

O desafio de avaliar o trabalho em equipe homem–máquina

Sistemas modernos de “manufatura inteligente” misturam pessoas, robôs e ferramentas digitais. Avaliar tais sistemas é difícil porque muitos dos fatores mais importantes — confiança do operador, percepção de segurança, facilidade de colaboração — são subjetivos e mudam com o tempo. Ao mesmo tempo, as fábricas geram um oceano de dados de sensores e sistemas ciberfísicos que podem ser incompletos ou ruidosos. Abordagens tradicionais de pontuação ou apoiam‑se em listas rígidas, ou dependem fortemente da opinião de especialistas, ou consideram apenas desempenho numérico. Nenhuma delas consegue capturar simultaneamente percepções humanas mutáveis, critérios conflitantes e dados concretos — e é exatamente essa combinação que a Indústria 5.0, com sua ênfase em produção centrada no ser humano e resiliente, exige.

Uma nova lente para a incerteza no juízo de especialistas

A primeira inovação do estudo é uma lente matemática para descrever a opinião de especialistas chamada conjuntos fuzzy esféricos circulares. Em termos simples, em vez de forçar um engenheiro a rotular uma opção apenas como “boa” ou “ruim”, o método permite que ele exprima o quanto ela parece boa, o quanto parece não ser boa, o quão incerto ele está e como sua confiança pode oscilar. Por exemplo, a confiança de um operador em um robô colaborativo pode aumentar com a produtividade, cair abruptamente após um quase‑acidente e depois recuperar‑se lentamente após requalificação. Esse tipo de hesitação cíclica não é bem tratado por ferramentas fuzzy anteriores, que assumem que a incerteza se move em linha reta. A extensão circular acrescenta um elemento direcional, quase como uma bússola, à hesitação, refletindo melhor como as pessoas reais revisam seus julgamentos à medida que as situações evoluem.

Equilibrando intuição e números sólidos

Para transformar essas opiniões ricas mas confusas em classificações claras de opções de automação, o autor combina duas técnicas de decisão em um único modelo híbrido. Uma parte, chamada CRITIC, analisa os dados e determina quais critérios realmente têm peso ao ver quanto variam e o quanto conflitam entre si. Outra parte, MAIRCA, compara cada opção a um conjunto “ideal” imaginado de pontuações e mede o quanto cada uma se afasta desse ideal. As avaliações fuzzy circulares dos especialistas são primeiro convertidas em pontuações numéricas especialmente projetadas para que o CRITIC possa operá‑las sem descartar a incerteza subjacente. Juntos, esse trio — modelagem fuzzy circular, ponderação orientada por dados e comparação ideal‑versus‑real — visa equilibrar a visão humana com uma estrutura objetiva.

Aplicando o modelo em uma fábrica teste

Para demonstrar o comportamento do arcabouço, o artigo percorre um caso hipotético de um fabricante de porte médio escolhendo entre quatro desenhos de automação: uma linha híbrida semi‑automatizada, um sistema ciberfísico guiado por operador, uma linha totalmente automatizada e um cenário com robôs colaborativos. Oito critérios combinam preocupações econômicas, técnicas e humanas, incluindo custo, eficiência, flexibilidade, integração de fatores humanos, segurança, carga de manutenção, confiabilidade e uso de dados. Especialistas avaliam cada opção usando termos linguísticos como “alto” ou “médio”, que são traduzidos em valores fuzzy circulares. O método híbrido então calcula a importância de cada critério, constrói um referencial ideal, mede o desvio de cada opção em relação a esse ideal e as classifica em conformidade. Neste teste, a linha híbrida semi‑automatizada fica em primeiro lugar, em grande parte porque apresenta desempenho consistente em todos os critérios sem fraquezas importantes, enquanto opções que buscam máxima automação pagam um preço em integração de fatores humanos e complexidade.

Como isso muda decisões em fábricas reais

Além do exemplo, o estudo compara seu modelo híbrido com métodos populares como AHP e TOPSIS e com variantes fuzzy dessas ferramentas. Esses clássicos são mais fáceis de aplicar, mas propensos a classificações instáveis e a lidar mal com incertezas. Em contraste, a nova abordagem mostra classificações mais estáveis quando parâmetros-chave são variáveis e pode distinguir melhor entre alternativas pareadas de forma próxima, especialmente quando a hesitação dos especialistas depende fortemente do contexto. O autor observa com cuidado que os resultados atuais são baseados em dados sintéticos e que a validação completa em linhas de produção reais é trabalho futuro. Ainda assim, o arcabouço aponta para ferramentas de decisão que enxergam as fábricas como sistemas sociotécnicos, onde pessoas e máquinas co‑se adaptam ao longo do tempo.

O que isso significa para o futuro do trabalho e da automação

Em termos cotidianos, a conclusão do artigo é que decisões sobre automação não devem ignorar o julgamento humano nem afogá‑lo em dados. Em vez disso, devem modelar explicitamente como as opiniões das pessoas mudam à medida que ganham experiência, enfrentam incidentes e se adaptam à nova tecnologia. O modelo proposto fornece uma maneira estruturada de fazer isso, ao mesmo tempo em que leva em conta custos, segurança, flexibilidade e capacidades digitais. Usadas com sabedoria, tais ferramentas podem ajudar empresas a escolher estratégias de automação que não sejam apenas eficientes no papel, mas também confiáveis pelos trabalhadores, mais seguras na prática e mais robustas quando as condições mudam — ingredientes-chave para as fábricas vislumbradas pela Indústria 5.0.

Citação: Chen, Z. A hybrid evaluation model for intelligent manufacturing under uncertainties by integrating human-machine systems and automation strategies. Sci Rep 16, 10936 (2026). https://doi.org/10.1038/s41598-026-45749-x

Palavras-chave: manufatura inteligente, colaboração homem–máquina, estratégia de automação, modelo de tomada de decisão, incerteza fuzzy