Machikoba no Techo Julho de 2026

O que está ligado não é um cabo. É o olhar.

Julho. O verão chegou a sério aqui a Arita e, desde manhã cedo, o calor acumula-se dentro da oficina. Nos dias de chuva junta-se-lhe a humidade e o ar torna-se pesado.
No norte de Kyushu a época da lula-de-ponta-de-espada (Kensaki) está no auge, e o mar noturno acende-se com as lâmpadas dos barcos de pesca. Ao lado desse mar, a nossa oficina continua a fazer amostras de lula (egi) como sempre fez. Cortar, ajustar, voltar a cortar, acertar. Cada corpo é lavado um a um antes de ser montado. Vinte e sete anos desde que fomos fundados, e é este trabalho manual simples e sem brilho, repetido, que se torna cada egi. Agradecemos sinceramente o vosso apoio contínuo.

Entretanto, fora da oficina, quase não passa um dia sem se ouvir a palavra "IA".
Há cerca de um ano que venho fazendo as minhas próprias experiências com um conjunto de ferramentas de IA.

Mas a mudança que sinto não é a IA ter ficado inteligente.
É que uma pequena oficina consegue agora construir, em casa, o tipo de sistema que antes não tinha outro remédio senão encomendar a uma empresa especializada.

Deixem-me descrever um exemplo.

■ Uma oficina está cheia de mostradores

Numa oficina há mostradores por todo o lado.
O painel de comando de uma máquina-ferramenta. Termómetros. Higrómetros. Sensores de CO₂. Contadores de energia.

As pessoas olham para eles e julgam:
"Hoje está a aquecer um pouco."
"Esta leitura está fora do habitual."
"Está na hora de arejar."

Levar essa informação até um computador era, antes, um trabalho pesado.
Pedir ao fabricante a especificação de comunicação. Puxar um cabo de comunicação. Instalar um PLC. Comprar software dedicado.
Por outras palavras: era preciso, primeiro, ligar-se fisicamente à máquina.

Os centros de maquinação e as fresadoras NC publicam, de facto, especificações de API, e com determinação suficiente consegue-se extrair os dados em C++. Mas o trabalho envolvido é enorme, e não é fácil reunir essa determinação.

■ Não toquem na máquina. Basta olhar para ela.

Ultimamente, porém, abriu-se outro caminho.
Filmar o mostrador com uma webcam.

Não uma câmara industrial especial. A que usámos é uma webcam vulgar que custou cerca de 3.000 ienes.

Ler os números a partir desse vídeo, guardá-los como dados, traçá-los em gráfico e emitir um alerta quando algo está errado.
Converte aquilo que uma pessoa apreendia com os olhos em dados que se podem analisar continuamente.
Dito de outro modo, aplicámos DX ao próprio ato de observar.

■ A primeira versão e o muro em que bateu

A primeira versão era muito simples: enviar a imagem captada a uma IA e pedir-lhe que "leia estes números".
O Claude, da Anthropic. O Gemini, da Google. O Grok, da xAI. Experimentámos vários serviços.

Além disso, assistentes de programação como o Claude Code, o Codex, o Grok Build e o Cursor tornaram dramaticamente mais rápida a própria construção do sistema. Trabalho em que um especialista teria antes gasto semanas fica agora feito em pouco tempo.

Mas, assim que o protótipo começou a correr, veio ao de cima um problema. Ficava caro demais.

Uma única chamada não é nada cara. Monitorizar 24 horas por dia, todo o ano, é outra história. "IA que se usa de vez em quando" e "IA que se mantém a correr" exigem estruturas de custo completamente diferentes.

Como dono de uma pequena oficina, mais do que ficar impressionado com o desempenho, dou por mim a pensar em como reduzir a fatura mensal.

■ Correr tudo localmente

A tentativa seguinte foi, então, correr um LLM local num Raspberry Pi.
Um PC grande ao lado de uma máquina-ferramenta está a estorvar; um Raspberry Pi que cabe na palma da mão fica ali sem incomodar.

E se a IA corre inteiramente no nosso próprio equipamento, não há taxas de API. O custo de funcionamento é, na prática, a eletricidade. Em teoria, perto de zero.

A realidade não foi assim tão simples. A maioria dos LLM conhecidos não arrancava — falta de memória. No fim, o Qwen foi o que correu mais à vontade, embora continuasse a não funcionar através de ferramentas cómodas como o ollama e exigisse bastante afinação.

■ Usar o mínimo de IA possível

Onde acabámos por chegar foi a isto:
O OCR trata do caso normal. O LLM local só arranca quando o OCR falha.

Um OCR leve faz o trabalho do dia a dia. A IA só aparece quando algo está anormal ou a leitura é ambígua.
O custo de funcionamento ficou, no essencial, em zero.

Para tirar velocidade de um Raspberry Pi, a abordagem habitual é fixar a posição da câmara e deixar as coordenadas de leitura escritas no código. Essa abordagem tem uma fragilidade. Uma ligeira vibração na oficina desloca a câmara, as coordenadas fixas deixam de coincidir e, de repente, não se consegue ler absolutamente nada.

Também aqui o LLM, capaz de ler o contexto, ganhou o seu lugar. Como consegue reler "onde estão os números" a partir da imagem inteira, um pequeno desvio é fácil de corrigir. Integrámos essa correção na rotina de leitura e pusemos o cron a fazer uma calibração periódica. O resultado é um sistema que vai absorvendo o desvio sozinho, sem ninguém a vigiá-lo.

O mais interessante: um projeto que começou por querer usar muita IA tornou-se mais prático quando evoluiu no sentido de usar o mínimo de IA possível.

Assemelha-se à maneira como as pessoas trabalham. As tarefas de rotina resolvem-se com experiência e procedimento. Só se chama um especialista quando acontece algo inesperado. Essa divisão do trabalho revelou-se a mais eficiente.

■ Não por cabo, mas pelo olhar

A pensar nisto, dei por mim a lembrar-me de como carregamos um telemóvel.
Era evidente que se ligava um cabo. Hoje o carregamento sem fios está por todo o lado — pousa-se o telemóvel na base e ele carrega. Não há ligação física. E, ainda assim, a energia atravessa.

Este projeto é um pouco assim.
Tradicionalmente, ligava-se um cabo de comunicação para retirar informação de uma máquina. Desta vez não. Não tocamos na máquina. Não há linha de dados. Apenas observamos. E, ainda assim, obtemos a informação de que precisamos.

Podia chamar-se-lhe uma passagem da ligação física por cabo a uma forma de captar informação sem contacto, à maneira da indução.

Não nos ligámos à máquina. Observámo-la.
O que está ligado não é um cabo. É o olhar.

Pensando bem, o olhar funciona através da luz, e a luz é também uma onda eletromagnética.
Visto assim, talvez isto seja mesmo uma ligação por indução eletromagnética, como num transformador.

■ O custo de tentar baixou

O maior aspeto deste projeto não foi a IA ter ficado inteligente. Foi o custo de tentar alguma coisa ter baixado drasticamente.

Um sistema que há alguns anos teríamos encomendado a um especialista pode agora ser construído dentro de uma pequena oficina. Não temos o orçamento de uma grande empresa. Não temos um departamento dedicado. Mas é precisamente por sermos pequenos que conseguimos tentar, falhar e melhorar depressa.

Acredito que é aí que está a verdadeira mudança da era da IA.
Não é a IA tirar trabalho às pessoas. É a IA ter alargado enormemente o campo daquilo que as pessoas podem tentar.

A KEYSTONE continuará a pegar nos problemas que surgem no chão de fábrica — no fabrico de amostras de lula (egi) acima de tudo, mas não só — adotando com flexibilidade as novas tecnologias pelo caminho.

Tradicional e, ainda assim, inovadora.
Com essas palavras em mente, tencionamos continuar a avançar, um passo de cada vez.

Obrigado, como sempre, pelo vosso apoio.

with SQUID!!

Julho de 2026
KeyStone Corporation
Nobuhide Kanagawa, Diretor Representante