Passei mais de 25 anos perto de máquinas industriais: escrevendo firmware, projetando hardware, depurando conectividade em lugares que não tinham nenhuma. Durante quase todo esse tempo as regras foram estáveis. Você construía uma máquina melhor que a do concorrente, cobrava um preço justo e vencia. Os engenheiros com quem eu cresci dominaram essas regras. Muitos deles comandam empresas tradicionais hoje.
Em algum momento da última década as regras mudaram, discretamente o bastante para que muitas boas empresas não percebessem. Lembro da primeira vez que vi isso de perto. Um fabricante que eu conhecia tinha o melhor produto da categoria por todos os critérios que costumavam importar: precisão e qualidade de construção. Ele perdeu um contrato grande para um concorrente cuja máquina era pior. A máquina do concorrente relatava tudo o que fazia, a cada hora, de cada planta. O comprador já não estava comparando máquinas. Estava comparando o que poderia aprender com elas.
O aperto sobre as empresas tradicionais
As empresas tradicionais são apertadas de dois lados. Fabricantes de hardware que nunca fundem seus produtos com dados viram commodity, e suas máquinas se tornam caixas intercambiáveis competindo só por preço. Do outro lado, as gigantes de software que rondam esses mercados não têm a física do domínio: o conhecimento de engenharia que décadas construindo produtos reais depositam dentro de uma empresa. Um fabricante de hardware que soma dados ganha um fosso que software sozinho não atravessa. Eu vi as duas metades desse aperto acontecerem, em empresa após empresa. A necessidade não é mais um dashboard. A necessidade é um caminho que vá de vender máquinas a vender o que as máquinas sabem.
O mapa mais claro desse caminho que encontrei é Fusion Strategy: How Real-Time Data and AI Will Power the Industrial Future (Harvard Business Review Press, 2024), de Vijay Govindarajan e Venkat Venkatraman. O argumento é direto: as empresas industriais vencem a próxima era não fazendo máquinas melhores, mas fundindo produtos físicos com dados em tempo real, criando negócios que empresas puramente de software não conseguem copiar. Batia com o que eu vinha vendo em campo havia anos.
Seu produto já tem um datagraph
O Google tem um grafo de busca. A Meta tem um grafo social. Govindarajan e Venkatraman defendem que toda empresa industrial pode construir a sua versão: um datagraph, o mapa vivo de como os produtos de uma empresa realmente se comportam no mundo real, em milhares de clientes, todos os dias.
A John Deere é o exemplo principal do livro. O sistema See & Spray coloca câmeras e IA no pulverizador, então a máquina distingue erva daninha de cultura em tempo real e pulveriza apenas a erva. Os produtores cortam bastante o uso de herbicida, a máquina se paga com o químico economizado, e a Deere pode cobrar pelo valor entregue por hectare em vez de vender um trator e ir embora. O modelo de negócio em si mudou.
A máquina já não é o produto. A máquina é o sensor, o datagraph é o ativo, e o resultado é o produto.
Quem detém esses dados e aprende com eles dita as regras do setor. A máquina é o meio de coletá-los.
Os quatro passos da fusão
Os autores descrevem uma escalada que toda empresa de hardware pode tentar. Cada degrau muda o que a empresa vende e quanto do seu valor vem de dados. Já encontrei empresas em cada um desses degraus.
A escada acima é adaptada de Fusion Strategy (Govindarajan e Venkatraman, 2024).
Fusion Products são máquinas com sensores e conectividade que melhoram com os dados que coletam. É aqui que está a maioria das empresas que eu encontro hoje. Muitas vezes a conectividade entrou porque o edital de um cliente exigiu, e os dados agora caem em um banco que ninguém abre.
Fusion Services somam ofertas baseadas em dados ao produto, como prever uma falha antes que ela aconteça. Um fabricante de equipamentos com quem trabalhamos começou com um único alerta: avisar o cliente quando um compressor sai do seu perfil normal de vibração. Esse alerta virou um plano pago de monitoramento, e o plano hoje renova melhor do que a garantia do hardware jamais renovou. É uma das fontes de receita que a maioria dos fabricantes deixa passar.
Fusion Systems conectam produtos e frotas para que aprendam com dados de muitos clientes. Um operador de cadeia de frio vê um caminhão. Um fusion system vê cada caminhão em cada rota, e começa a responder perguntas que nenhum cliente sozinho conseguiria fazer.
Fusion Solutions ficam no topo da escada: vender o resultado que os dados permitem, e não o equipamento. Disponibilidade em vez de bombas. Uma cadeia de frio auditável em vez de registradores de temperatura.
A maioria das empresas de hardware empaca nos dois primeiros degraus. Na minha experiência, o que trava raramente é ambição. É infraestrutura: coletar os dados de forma confiável na escala da frota e transformá-los em algo pelo qual um cliente pague. Esse trabalho não tem glamour, e é ele que decide quem sobe.
O que eu digo às empresas tradicionais
Na TagoIO trabalhamos com fabricantes de hardware em mais de 130 países, e eu tenho alguma versão dessa conversa toda semana. O conselho não mudou muito em anos.
Comece menor do que parece confortável. Escolha uma linha de produto e uma pergunta que os dados poderiam responder para o seu cliente, e entregue isso. O datagraph cresce com o uso, e a primeira resposta pela qual um cliente paga ensina mais do que um projeto de plataforma de dois anos.
Respeite o ativo que você já tem. Seu conhecimento de domínio é o fosso. Uma startup de software aluga servidores na nuvem em uma tarde; ela não aluga trinta anos de saber como as suas máquinas se comportam num verão brasileiro ou num inverno canadense. A fusão funciona porque a física e os dados pertencem à mesma empresa: a sua.
E não confunda o encanamento com o objetivo. Coletar, armazenar e mover dados de dispositivos é um problema resolvido; plataformas como a nossa existem exatamente para isso. O problema não resolvido, o único em que só você pode trabalhar, é decidir o que a sua empresa vende no topo da escada.
Onde a IA entra, e o que eu ainda não sei
A IA levanta o teto de cada degrau dessa escada. Previsão de falha que antes exigia um time de ciência de dados hoje sai como funcionalidade. Dados de frota que ficavam sem leitura podem ser interrogados em linguagem natural. Construímos para isso todos os dias na área de IA da TagoIO, e espero que a IA ajude as empresas tradicionais a subir mais rápido do que qualquer coisa que eu tenha visto na carreira.
Quero também nomear um desafio que eu não resolvi: escala em nichos estreitos. Um modelo treinado com milhares de tratores fica esperto rápido. Um nicho com algumas centenas de máquinas especializadas em campo gera valor real para os seus clientes, mas talvez nunca produza o volume de dados que torna óbvia a economia da IA. Como esses nichos escalam os seus datagraphs é uma pergunta com que eu convivo toda semana. Ainda não tenho a resposta, e desconfio de quem diz ter.
A janela está aberta, por enquanto
Govindarajan e Venkatraman fecham com um ponto que todo líder de empresa tradicional deveria sentar e encarar: essa transformação não pode ser delegada. A escalada muda o que a empresa vende, e só o executivo-chefe pode mudar isso. Nas minhas décadas neste setor, toda iniciativa de dados que empacou tinha patrocínio dois níveis abaixo do necessário.
Alguma empresa do seu setor vai construir o datagraph primeiro e ditar as regras para todas as outras. Depois de anos vendo máquinas excelentes perderem para máquinas que aprendem, eu não abro mais conversas perguntando a executivos se o produto deles ganha do concorrente. Faço a pergunta que este livro me ensinou a fazer: qual é o datagraph do seu produto?
A resposta, desenhada
É uma pergunta justa para devolver a mim mesmo, então vou fechar desenhando duas respostas. A primeira vem direto do livro. O datagraph da Deere não é o pulverizador; é o que se acumula atrás da frota.
Cada fazenda alimenta o mesmo grafo, e o grafo deixa cada pulverizador mais inteligente do que qualquer fazenda isolada conseguiria.
A segunda é um produto que eu encontro toda semana: o compressor industrial. Nenhuma planta sozinha consegue construir esse grafo. O fabricante consegue, porque ele vê cada unidade que já despachou. O mesmo desenho serve para detecção de vazamento em prédios, hidrômetros ou qualquer máquina que viva longe de quem a fez.
Um compressor isolado enviando vibração é um gráfico. Milhares de compressores em muitas plantas se tornam assinaturas de falha e linhas de base que só o fabricante consegue construir.
Desenhe isso para o seu produto. A coluna da esquerda é o que você já vende. A coluna da direita é o que os seus clientes realmente querem comprar. A coluna do meio é onde vive a próxima década da sua empresa.
