IA no mapa de fluxo de valor: o que ela não enxerga do chão

Um modelo de linguagem monta um mapa de fluxo de valor em quinze segundos. Etapas na ordem, tempos de ciclo verossímeis, estoques intermediários, linha de tempo no rodapé e a razão de valor agregado já calculada. O resultado parece bom o suficiente para ir para a reunião de segunda.

O problema é que o uso de IA no mapa de fluxo de valor esbarra numa característica do instrumento que nenhuma melhoria de modelo resolve: o VSM se faz andando o processo, e a IA não anda. Ela enxerga o que alguém escreveu em algum lugar, e o desperdício é, por definição, aquilo que ninguém teve motivo para escrever.

Isso não torna a ferramenta inútil. Ela organiza tempos já coletados, calcula lead time e tempo de valor agregado sem erro, audita um mapa pronto atrás de soma que não fecha e redige o plano do estado futuro. Todas essas tarefas consomem horas de escritório que poderiam ser gastas no chão.

Este artigo separa as duas coisas com exemplo numérico: uma linha de nove etapas, 400 peças por dia, lead time de 151,67 horas contra 10,4 minutos de trabalho efetivo, e um estado futuro que corta 66,3% do prazo sem comprar máquina. A conta pode ser refeita linha a linha.

Os números deste artigo foram montados para ele, no formato do Kit Lean da Voitto. São ilustrativos e internamente consistentes: takt, somas, lead time e razão de valor agregado foram conferidos e fecham entre si, mas não descrevem uma fábrica real.

O que o mapa de fluxo de valor entrega

O mapa de fluxo de valor é o desenho de tudo que acontece com um produto entre o pedido do cliente e a entrega, incluindo o que não acontece: as horas em que a peça fica parada esperando a próxima etapa. É essa segunda parte que dá poder ao instrumento.

Um fluxograma mostra a sequência das operações. O mapa de fluxo de valor mostra a sequência e o tempo morto entre elas, com os estoques desenhados e o fluxo de informação que dispara cada etapa. No rodapé, uma linha de tempo separa o que transforma o produto do tempo em que ele apenas envelhece.

A conclusão de um primeiro mapa é quase sempre a mesma: o produto passa mais de 99% do tempo esperando. Quem nunca fez esse desenho ataca a etapa mais lenta. Quem fez descobre que ela responde por minutos e a espera responde por dias.

Por que o valor está na caminhada, não no desenho

A regra original do VSM é desconfortável para quem trabalha sentado: o mapa se faz andando o fluxo de trás para frente, a pé, com cronômetro e prancheta, começando na expedição e terminando no recebimento.

O que se ganha com a caminhada não cabe em relatório: as caixas azuis no chão que ninguém contabiliza, o carrinho de peças com etiqueta de três semanas atrás, o operador que responde "quando trava, eu faço assim". Nada disso está em sistema porque ninguém teve motivo para digitar.

Ir ao gemba não é ritual de respeito à cultura japonesa. É o único método conhecido de coletar dado que não foi registrado.

O que a inteligência artificial faz bem nesse trabalho

A crítica ao uso de IA no mapa de fluxo de valor não é crítica à ferramenta. Ela faz muito bem as tarefas que consomem a maior parte das horas de um projeto de mapeamento e não exigem estar no chão.

• organizar uma coleta de tempos já feita: dezenas de leituras de cronômetro por posto viram média, mediana, amplitude e desvio sem erro de digitação;
• calcular lead time, tempo de agregação de valor e a razão entre eles a partir da tabela de etapas, com a conta explícita;
• montar a tabela de etapas a partir de uma descrição em texto corrido, a parte mais chata da documentação;
• sugerir onde procurar desperdício, a partir da descrição do processo e de um catálogo de padrões conhecidos;
• redigir o plano do estado futuro, transformando decisões da equipe em texto com responsável, prazo e indicador.

As cinco tarefas têm algo em comum: operam sobre algo que já existe. A IA processa, calcula e redige, e nenhuma delas produz observação nova.

Tratada assim, a ferramenta devolve horas ao time. Um mapa que levava duas semanas de planilha pode levar três dias, e as horas economizadas vão para o chão. O uso de IA aplicada ao lean tem esse ganho concreto e nenhum ganho mágico.

O que a IA não vê porque não está lá

O limite é físico, não é de capacidade do modelo. Um sistema de linguagem enxerga o que foi escrito. O fluxo de valor real é composto, em boa parte, por eventos que ninguém escreveu.

Quatro categorias concentram o que o mapeamento presencial encontra e o remoto perde:

• a fila que se forma e se desfaz: o acúmulo de 40 peças antes da pintura que aparece às 10h e some às 14h, e por isso não existe em nenhum inventário de fim de turno;
• o retrabalho que ninguém registra: a peça que volta um posto, é ajustada em 20 segundos e segue, sem virar refugo, sem virar não conformidade, sem virar registro;
• o atalho que o operador criou: a sequência informal que tornou o trabalho viável e que difere do procedimento oficial, quase sempre para melhor, às vezes para pior;
• a espera que virou rotina: os 25 minutos de aquecimento de forno que todo mundo aceita como parte do processo e que ninguém classifica como espera porque "sempre foi assim".

Nenhum desses quatro itens tem campo em ERP. Os dois primeiros acontecem abaixo do limiar de registro, os dois últimos foram normalizados. Um modelo não tem como inferir o que não deixou rastro.

Por que o mapa gerado por IA fica bonito e errado

Peça a um modelo o mapa de fluxo de valor de uma linha de montagem e ele entrega algo plausível em segundos.

O problema é a plausibilidade. O mapa não está errado por ser absurdo: está errado por ser a média do que foi escrito sobre processos parecidos, aplicada a um processo que o modelo nunca viu.

Três defeitos aparecem com regularidade nesses mapas. O primeiro é a suavidade: os tempos de ciclo saem todos próximos do takt, porque em texto de treinamento linha balanceada é o caso descrito. O segundo é a ausência de anomalia, e todo fluxo real tem uma: o lote mínimo do forno, a inspeção que só roda de manhã.

O terceiro é o mais perigoso. O mapa vem sem pontos de interrogação. Um mapa feito a pé tem rabiscos, valores circulados com "conferir" ao lado e uma etapa com três números diferentes porque três pessoas responderam coisas diferentes. Esses conflitos são o achado, e o mapa gerado os apaga antes de você vê-los.

O uso legítimo: dado de MES ou ERP como insumo

Existe um cenário em que a IA no mapa de fluxo de valor entrega resultado sólido: quando o insumo é dado transacional da própria fábrica, com carimbo de tempo por peça ou por ordem, e a tarefa é reduzir esse volume a um mapa.

Um MES que registra entrada e saída de cada ordem em cada centro de trabalho já contém o fluxo inteiro. A dificuldade é de volume, e volume é onde a máquina ganha do humano.

• tempo de fila por etapa, medido como diferença entre a chegada da ordem e o início da operação, com distribuição e não só média;
• tempo de processamento real por peça, separado do tempo de setup, quando o apontamento distingue os dois;
• caminhos alternativos que ninguém desenhou, visíveis na frequência das sequências de centros de trabalho;
• variação por turno, por dia da semana e por família de produto, que costuma ser maior que a variação entre etapas.

O que sai daí é um mapa de tempos que nenhuma caminhada produziria, porque cobre meses e não um dia. Mas continua cego para o que não vira transação, e as duas leituras precisam ser cruzadas.

O tempo de ciclo do sistema não é o tempo de ciclo do posto

Aqui mora o risco mais caro de usar dado de sistema sem calibrar. O tempo que o ERP chama de ciclo quase nunca é o tempo que o cronômetro mede no posto, e a diferença não é aleatória: ela tem sinal.

O tempo do sistema é o intervalo entre dois apontamentos, e apontamento é ato humano. O operador aponta o início quando pega a ordem e o fim quando lembra, o que empacota espera, conversa e preparação dentro do que o relatório chama de processamento.

A consequência vale como regra. Antes de usar tempo de sistema num mapa, meça três postos com cronômetro e compare com o que o relatório diz para os mesmos três. Se a diferença for consistente, você tem um fator de correção. Se for errática, o dado só serve para ranquear.

Uma tabela de etapas com a conta conferida

O exemplo a seguir é de uma linha de peças metálicas com demanda de 400 peças por dia e 900 minutos disponíveis em dois turnos. Os estoques foram contados no chão e convertidos em espera pela demanda diária: cada linha é o estoque dividido por 400 e multiplicado por 15 horas de operação.

A soma dos tempos de ciclo dá 625 segundos, ou 10,4 minutos. A soma das esperas dá 151,5 horas, o equivalente a 10,1 dias de operação. O lead time é a soma das duas parcelas, 151,67 horas, porque os 625 segundos de processamento representam 0,17 hora.

A razão de valor agregado é 625 dividido por 546.012 segundos, ou 0,11%. Em linguagem direta: a peça leva dez dias para atravessar a fábrica e é trabalhada por dez minutos.

Lead time e tempo de valor agregado: a conta que assusta

Essa conta é o coração do mapa e a parte que a IA faz sem erro quando recebe a tabela pronta. O que a máquina não decide é o que entra em cada coluna. Três escolhas mudam a razão de valor agregado sem que nada tenha mudado na fábrica:

1. o que conta como valor agregado. Carga e descarga agregam valor? Inspeção agrega? Pela definição estrita, não, e aplicá-la derruba o numerador;
2. de onde a espera é contada. Da chegada da matéria-prima ou da liberação da ordem? A diferença, no exemplo acima, são 45 horas em 151,5;
3. se a linha de tempo segue uma peça ou um lote. Uma peça em lote de 100 espera as outras 99 serem processadas antes de seguir, e esse tempo é real.

O lead time que interessa é sempre o da peça, não o do lote, porque é ele que o cliente sente. Mapas que medem lote produzem números menores e decisões piores.

A razão de 0,11% do exemplo não é anômala. Em manufatura discreta com lotes, valores entre 0,05% e 2% são o normal, e é por isso que atacar o tempo de ciclo do gargalo dá tão pouco resultado comparado a atacar a fila.

Takt time: o cruzamento que o modelo faz sozinho

Com a demanda e o tempo disponível na mão, o cálculo do takt time é imediato: 900 minutos divididos por 400 peças dão 2,25 minutos, ou 135 segundos por peça. É o ritmo que a linha precisa manter para atender o cliente sem gerar estoque nem atraso.

Confrontar cada tempo de ciclo com esse número é comparação mecânica, e a IA a faz corretamente a partir da tabela. No exemplo, apenas a montagem, com 210 segundos, fica acima do takt: roda a 1,56 vez o ritmo exigido e é o gargalo da linha.

As demais têm folga. Solda a 118 segundos e usinagem a 95 operam abaixo de 135, e essa folga é a capacidade que permite equilibrar o fluxo sem investimento.

O que a comparação não diz é por que a montagem leva 210 segundos. Pode ser conteúdo de trabalho real, busca de componente ou um dispositivo que exige duas tentativas em cada três peças. Sem observar o posto, a conclusão será "colocar mais um operador", a resposta cara para um problema que às vezes custa uma prateleira.

A IA como auditora de um mapa já desenhado

Esta é a melhor aplicação da ferramenta em mapeamento, e a menos explorada. Entregue ao modelo um mapa já feito pela equipe e peça que procure inconsistência aritmética e lógica, em vez de pedir que ele crie.

Mapas desenhados à mão acumulam erros previsíveis, e nenhum exige presença para ser detectado:

• a soma da linha de tempo não bate com o lead time declarado no rodapé;
• o tempo de ciclo de uma etapa é maior que o takt e o mapa não indica gargalo em lugar nenhum;
• o estoque desenhado entre dois postos, dividido pela demanda, dá uma espera diferente da escrita na linha de tempo;
• duas etapas usam unidades diferentes, uma em segundos por peça e outra em minutos por lote, e foram somadas assim mesmo;
• a frequência de entrega do fornecedor não é compatível com o estoque de matéria-prima desenhado.

Esse tipo de crítica é barato e some com a classe de erro mais embaraçosa de um projeto de melhoria, que é o número que não fecha. A lógica é a mesma da fase de medição do DMAIC: validar o sistema de medição antes de tirar conclusão dele.

Os oito desperdícios e o que o modelo consegue inferir

O catálogo dos oito desperdícios é uma lista de padrões, e reconhecer padrão em texto é o que um modelo de linguagem faz. Cada desperdício deixa um rastro documental diferente, e alguns não deixam nenhum.

A coluna do meio não é desprezível: cinco dos oito têm alguma inferência possível. A coluna da direita mostra por que nenhum dos oito se fecha sem observação.

Movimentação e desperdício intelectual são os casos extremos, invisíveis por construção para qualquer análise documental. Programas de Lean Seis Sigma que rodam só sobre banco de dados costumam entregar ganho em estoque e defeito, e nada nesses dois.

A fila que se forma e se desfaz

A contagem de estoque do exemplo, os 4.040 itens, é uma fotografia. Filas reais têm ciclo diário, e a fotografia pega um ponto dele.

Uma fila que nasce às 9h com a primeira leva do corte, cresce até 10h30, é consumida à tarde e zera antes do fim do turno tem média diária baixa e pico alto. O inventário de fim de turno registra zero. O relatório de estoque em processo registra zero. E o fluxo trava todo dia às 10h30.

O efeito no mapa é direto: a etapa aparece sem espera, o gargalo parece estar em outro lugar e o plano de ação vai para o posto errado.

Detectar isso exige três ou quatro passagens no mesmo trajeto em horários diferentes, anotando a contagem em cada ponto. É meia hora por passagem e é o dado que nenhum sistema entrega. Quando há MES com carimbo por peça, a série horária de tempo de fila revela o mesmo fenômeno.

O retrabalho que ninguém registra e o atalho do operador

O retrabalho invisível tem assinatura reconhecível: custa menos tempo para fazer do que para registrar. Ajustar uma peça em 20 segundos e seguir é racional para quem está no posto, e a qualidade nunca fica sabendo.

Somado, esse ajuste pode representar parcela relevante do tempo de um posto. No exemplo da montagem a 210 segundos, se uma em cada três peças exige 30 segundos de correção de encaixe, são 10 segundos por peça, quase 5% do ciclo, com causa em outra etapa.

O atalho é o espelho disso. O operador que descobriu que pré-posicionar quatro peças no início do turno elimina uma busca por peça faz melhoria real e não documentada. Ele não aparece no mapa nem no procedimento, e desaparece quando a pessoa sai de férias.

Os dois achados levam ao trabalho padronizado: incorporar o atalho ao padrão e tornar visível o retrabalho antes de tentar eliminá-lo. Nenhuma das duas coisas começa sem alguém em pé no posto durante um turno inteiro.

A análise de estado futuro com apoio do modelo

O estado futuro é onde a IA contribui mais, porque a tarefa passa a ser cálculo e redação sobre decisões que a equipe já tomou no chão. Ela não escolhe onde colocar supermercado: calcula o efeito da escolha.

Com quatro decisões da equipe, entrega de chapa diária em vez de semanal, supermercados antes de solda e pintura, montagem dividida em dois postos de 105 segundos e lote de expedição pela metade, a recomposição fica assim:

A leitura mais útil dessa tabela é a comparação entre as duas primeiras linhas. Dividir a montagem economiza 160 segundos. Mexer nas filas economiza 100,5 horas. A proporção entre os dois esforços é o argumento inteiro do mapeamento de fluxo de valor.

Cada linha do estado futuro vira um kaizen com dono e prazo. O plano é o entregável, não o desenho, e é nele que o uso de IA na melhoria contínua economiza mais tempo de escritório.

O prompt que funciona

A diferença entre resultado útil e mapa fictício está quase toda na forma do pedido. Pedir que o modelo crie o mapa produz ficção. Entregar o dado e pedir processamento produz trabalho.

• não funciona: "faça o mapa de fluxo de valor de uma linha de montagem de bombas". O modelo não tem a linha e vai inventar uma plausível;
• não funciona: "quais são os desperdícios na minha fábrica de autopeças". Sem descrição do fluxo, a resposta é o catálogo genérico;
• funciona: "aqui estão 9 etapas com tempo de ciclo em segundos e estoque em peças, demanda de 400 por dia e 900 minutos disponíveis. Calcule takt, lead time, tempo de valor agregado e a razão, mostrando a conta";
• funciona: "confira este mapa e liste toda inconsistência aritmética, unidade misturada e conclusão que não se sustenta nos números apresentados";
• funciona: "com base nesta descrição do posto, liste 12 perguntas que eu deveria fazer ao operador amanhã, ordenadas por potencial de revelar espera não registrada".

O último formato é o de maior retorno e o menos usado. Em vez de pedir resposta, peça a pauta da ida ao chão: o modelo conhece o catálogo de perguntas que revela desperdício, e quem vai perguntar é você.

Uma regra fecha o assunto: se o modelo produziu um número que você não consegue rastrear até uma medição, esse número não entra no mapa. Vale para IA e valia antes dela para consultoria.

O protocolo: a IA prepara e critica, a equipe caminha e mede

Juntando as partes, a divisão de trabalho que funciona tem quatro tempos, e o único inegociável é o segundo.

1. Antes: a IA organiza o que existe. Extrai o roteiro do ERP, monta a tabela de etapas em branco, calcula o takt a partir da demanda, gera a lista de perguntas por posto e imprime a folha de coleta;
2. Durante: a equipe caminha o fluxo de trás para frente, com cronômetro, contando estoque, anotando o que diverge do esperado e conversando com quem opera. Três passagens em horários diferentes nos pontos de fila;
3. Depois: a IA consolida as leituras, calcula lead time e razão de valor agregado, aponta as inconsistências da coleta e devolve a lista do que ficou sem medida;
4. Estado futuro: a equipe decide as contramedidas, a IA recalcula os indicadores de cada cenário e redige o plano com dono, prazo e indicador.

O erro comum é inverter os dois primeiros tempos, deixando a IA produzir um mapa preliminar para a equipe "validar" no chão. Validar mapa pronto é procurar confirmação, e quem procura confirmação encontra.

O mapa final fica na parede, não no arquivo, porque é instrumento de conversa diária. A gestão à vista do estado futuro, com o andamento de cada kaizen ao lado, é o que mantém o desenho vivo depois da semana do evento.

Onde esse arranjo falha

Três situações quebram o protocolo acima, e vale reconhecê-las antes de investir na ferramenta.

A primeira é a fábrica sem dado transacional confiável. Se o apontamento é feito de memória no fim do turno, não há insumo para processar, e o esforço volta a ser cronômetro e caminhada. É problema de sistema de medição, e ele se resolve antes.

A segunda é o fluxo administrativo, em que o log das etapas existe mas as esperas relevantes estão em caixas de e-mail que ninguém vai extrair. O mapa fica com o processamento medido e a espera estimada, o inverso do que interessa.

A terceira é a mais comum: a equipe que adota a ferramenta para não ter que ir ao chão. Aí a IA não é a causa do problema, é o álibi dele, e o mapa teria sido igualmente ruim se feito em sala de reunião com PowerPoint.

O teste é uma pergunta feita ao fim do mapeamento: quantas horas a equipe passou no fluxo esta semana? Se a resposta for zero, a razão de valor agregado é decoração, por mais correta que esteja a aritmética.