A Yokohama Rubber desenvolveu e colocou em operação em larga escala um sistema proprietário de IA generativa que usa RAG (Geração Aumentada por Recuperação) para pesquisar documentos técnicos internos e apresentar respostas baseadas nesse conteúdo. O objetivo é dar acesso rápido e preciso a informações técnicas necessárias para decisões durante o desenvolvimento de pneus, incluindo a etapa de materiais.
Esse tipo de uso de IA se soma a outra cobertura que já fizemos aqui, sobre a AGCO aplicando inteligência artificial ao desenvolvimento de máquinas agrícolas: é a mesma categoria de aplicação — IA usada pelos próprios engenheiros para acelerar processos internos, diferente de IA embarcada no produto final.
Duas indústrias de manufatura completamente diferentes chegando à mesma solução de forma independente é sinal de que esse tipo de ferramenta está virando padrão de engenharia, não experimento isolado.
O sistema foi desenvolvido para expandir o ambiente prático da plataforma proprietária de IA da empresa, HAICoLab, criada em outubro de 2020 para colaboração entre humanos e IA — buscando um ciclo de inovação em produtos, processos e serviços junto ao crescimento das próprias equipes.
O processo começa com o aprimoramento da IA usando dados e conhecimento acumulados pela empresa, seguido pela formulação de hipóteses por humanos usando raciocínio próprio (metacognição); a equipe de desenvolvimento então interpreta e avalia os resultados obtidos com o sistema de IA aprimorado.
A Yokohama Rubber já havia desenvolvido sistemas de IA para prever propriedades físicas e características de compostos de borracha, gerar novas composições de compostos e auxiliar no projeto de moldes de pneu. A empresa vem usando cada vez mais dados para criar projetos de materiais e pneus.
Um desafio de organização de conhecimento
O conhecimento técnico que os desenvolvedores precisam para tomar decisões durante o desenvolvimento de pneus está espalhado por uma ampla gama de documentos: normas regulatórias, manuais de procedimento, relatórios técnicos e estudos de caso. O novo sistema consegue pesquisar rapidamente essa coleção vasta de dados e fornecer informação adequada aos objetivos e circunstâncias de cada etapa de desenvolvimento — mas a própria empresa reconhece que criar esse sistema representou desafio real.
Como funciona na prática
A equipe de desenvolvimento insere perguntas adaptadas aos objetivos de um programa específico, e a IA generativa busca as informações mais relevantes nos documentos técnicos internos, formulando resposta baseada nesse conteúdo.
A equipe também criou mecanismo pelo qual um agente de IA “aprende” a intenção das perguntas feitas, aprimorando a precisão da resposta ao repetir de forma autônoma o processo de planejamento de busca, recuperação de informação e avaliação dos resultados.
Um detalhe importante de design: o sistema exibe links para os documentos originais que embasam cada resposta, permitindo que a equipe verifique a fundamentação e a adequação antes de usar aquela informação na interpretação e tomada de decisão. Segundo a Yokohama, esse mecanismo expande o ambiente de desenvolvimento de pneus baseado no HAICoLab, unindo conhecimento específico acumulado em documentos técnicos ao poder de busca da inteligência artificial.
Paralelamente, a empresa está treinando sua equipe de DX (experiência do desenvolvedor) no uso do HAICoLab e segue aprimorando os recursos do sistema.
Mecânica Online® com Tarcisio Dias – A diferença técnica entre RAG e um chatbot genérico de IA é exatamente o ponto central desse anúncio: em vez de responder com base em conhecimento geral de treinamento, o sistema busca primeiro nos documentos internos reais da própria empresa, e só então formula a resposta — isso reduz bastante o risco de “alucinação” da IA, problema sério numa área onde informação errada pode desperdiçar recurso real de pesquisa e desenvolvimento.
A decisão de exibir os links para os documentos originais é o detalhe de design mais importante de todo o sistema — sem isso, seria uma caixa-preta de respostas não verificáveis, inviável para decisão técnica de engenharia. Com a fonte visível, o engenheiro consegue checar se a resposta realmente se sustenta antes de confiar nela.
Vale ser preciso sobre o que o agente de IA realmente faz: ele “aprende a intenção” da pergunta e refina a busca de forma iterativa, mas quem interpreta e decide continua sendo o time humano — coerente com o próprio nome da plataforma, HAICoLab, que já embute a ideia de colaboração, não substituição.
Chama atenção a ausência de números concretos de ganho de produtividade no anúncio — nada como “reduz tempo de busca em X%”. Isso é mais moderado do que costuma aparecer em divulgação de IA no setor, e vale acompanhar se a Yokohama vai divulgar métricas quantificadas conforme o sistema amadurece.
Siga @tarcisiomecanicaonline para mais coberturas sobre IA aplicada à engenharia automotiva.
Retrovisor Mecânica Online® – Entenda o que está por trás da notícia
Sistema usa RAG para buscar em documentos técnicos internos: normas regulatórias, manuais, relatórios e estudos de caso.
Faz parte da plataforma HAICoLab, criada em 2020: voltada à colaboração entre humanos e inteligência artificial.
Sistema mostra links para os documentos originais: permitindo à equipe verificar a fundamentação de cada resposta.
Agente de IA aprende a intenção das perguntas: refinando buscas de forma iterativa e autônoma.
Yokohama já usa IA para prever propriedades de compostos de borracha: e para auxiliar no projeto de moldes de pneu.
Não há números de ganho de produtividade divulgados: o anúncio descreve o processo, mas sem métrica quantificada de eficiência.
Mecânica Online® – Mecânica do jeito que você entende
RAG (Retrieval-Augmented Generation): técnica de inteligência artificial que busca informações em uma base de documentos específica antes de gerar uma resposta, em vez de depender só do conhecimento geral do modelo.
Agente de IA: programa de inteligência artificial capaz de executar tarefas de forma mais autônoma, como planejar buscas e avaliar resultados, repetindo o processo até refinar a resposta.
Conhecimento de domínio: conjunto de informações técnicas específicas de uma área ou processo, geralmente disperso em documentos, manuais e relatórios internos de uma empresa.
Metacognição: capacidade de refletir sobre o próprio processo de raciocínio, usada aqui para descrever como os humanos formulam hipóteses a partir dos resultados fornecidos pela IA.
Siga Google Discover – Mecânica Online®