Portfolio
Estudo de caso · MAT-IA
Engenharia de Produção aplicada a software

Eu não construí um site. Construí uma linha de produção que fabrica diagnóstico.

O MAT-IA descobre onde um aluno de Engenharia está travado em matemática e devolve um plano de estudo. Por dentro, ele é um processo: entra matéria-prima, passa por operações, tem pontos de inspeção, tem limite de retrabalho e tem custo por peça. É por essa lente que eu escrevo aqui.

Meu papelCoordenação de produto e desenvolvimento
ContextoInovaGrad · UTFPR
SituaçãoEm produção
Desdeabr / 2026
A lente

Software normalmente é discutido por ferramenta: qual framework, qual banco. Engenharia de Produção pergunta outra coisa: onde está o desperdício, o que garante a qualidade e quanto custa cada unidade produzida. As três situações abaixo são exatamente isso.

Situação 01Uma linha com inspeção e custo por peça
Situação 02Medir peça, não lote
Situação 03Quem decide é a regra, não a IA
01A linha de correção

O aluno fotografa a resolução no papel. A partir daí, é uma linha de produção.

Corrigir atividade manuscrita era trabalho manual do professor. Hoje o aluno tira uma foto, o sistema lê a resolução por visão computacional, aplica o critério de correção e entrega a nota, e o professor entra só quando discorda. Não é mágica: é uma linha com operações, inspeções e um registro de custo em cada peça que passa.

Três decisões de processo importam mais que a tecnologia usada:

3
Tentativas por questão
Teto de retrabalho. Sem limite, o aluno tenta no chute e a linha vira fila.
−30%
Critério escrito
A penalidade por desorganização e as faixas de nota estão no código, não na cabeça de alguém.
US$
Custo por correção
Cada peça registra o próprio custo de IA. É o número que decide se dá para atender mais uma turma.
Fluxo da correção · da foto à nota lançada
Operação Inspeção
Entrada
O aluno fotografa a resolução
Inspeção 1
Já usou as 3 tentativas?
Se sim, o envio é bloqueado antes de gastar processamento.
Operação
Ler a resolução e aplicar o critério
Visão computacional + o gabarito do professor. Erro eliminatório zera; desorganização custa 30%.
Inspeção 2
A nota faz sentido?
Se a questão não foi identificada ou a nota saiu fora da faixa, vira não conformidade e o aluno pode reenviar; ele nunca recebe erro na tela.
Operação
Apontar o custo da peça
Cada correção grava o próprio consumo de IA, com professor e submissão de referência.
Inspeção 3
Humana, e só por exceção
O professor não revisa tudo: ele intervém quando discorda, e a alteração fica registrada com autor e horário.
Saída
Nota lançada e devolvida ao aluno com feedback

O que eu levaria para uma fábrica: inspeção antes de gastar recurso, critério de aceitação escrito, e apontamento de custo na peça, não no fim do mês.

02Medir peça, não lote

Eu media o lote. E o lote escondia justamente quem desistia.

Existe um jogo de operações matemáticas na plataforma. Ele mandava um resumo só quando a criança terminava a fase: pontuação, total de acertos, lista de contas erradas. Quem acertava tudo gerava uma linha quase vazia. Quem fechava a aba no meio não gerava nada. Eu tinha o resultado do lote e nenhuma informação sobre o processo.

Reescrevi o apontamento para um evento por questão respondida: qual conta apareceu, o que a criança respondeu, se acertou e quanto tempo levou. A diferença apareceu no primeiro teste:

Antes · por lote
150
pontos na fase
Um número que não diz onde ela travou, nem se ela travou.
Depois · por questão
OperaçãoAcertosTempo/questãoSubtração0/49,1sAdição6/84,2s

Mesma criança, mesma sessão. Ela não é ruim em matemática: ela trava em subtração, e leva mais que o dobro do tempo ali. O tempo por questão revelou a dificuldade que o acerto sozinho escondia.

Amostra de teste controlado, 12 eventos: o jogo em produção ainda envia no formato antigo. É medição de validação, não de turma real.

O que eu levaria para uma fábrica: se o apontamento é por lote, o problema aparece só depois de pronto. Apontamento por peça é o que transforma refugo em causa.

03Quem decide é a regra

A IA escreve. Ela não decide.

Depois do diagnóstico, o aluno recebe um plano de estudo explicado em linguagem humana. Usar IA para escrever essa explicação é fácil; o risco é ela inventar número, citar assunto que não existe ou contradizer a tela. Tratei a IA como fornecedor externo: útil, mas de qualidade variável, e por isso não entra na especificação.

O servidor decide tudo que é número: quais assuntos entram, em que ordem e quantas questões cada parada tem. E a ordem não é opinião: obedece pré-requisito, como roteiro de fabricação:

Precedência de operações · não se pula etapa
números inteirosfraçõespotênciasraízesequação 1º grauequação 2º grau
23Testes · 23 passando

Um teste reprovou a minha regra, e a regra mudou

Testei o caso do aluno que erra tudo. Com nota zero, todos os assuntos empatavam, e o critério de desempate era alfabético, então “números inteiros”, que é a base de toda a cadeia, era descartado e o plano começava em equação. Um teste vermelho apontou isso antes de qualquer aluno ver. Corrigi o desempate para respeitar o pré-requisito.

O que eu levaria para uma fábrica: fornecedor variável não define especificação: ele passa por inspeção de recebimento. E regra de decisão se testa antes de entrar em produção, não depois da reclamação.

O que a plataforma mede

Indicador que ninguém usa é enfeite. Estes existem porque respondem a uma pergunta de decisão:

Acerto por bloco de conteúdoMostra o assunto a retomar em aula. Faixas declaradas: abaixo de 65 é crítico, 65 a 79 é reforço, 80 ou mais está bom.
Acerto por questãoSepara conteúdo difícil de questão mal escrita, que é defeito meu, não do aluno.
Custo de IA por correçãoÉ o custo que cresce com o número de alunos. Governa a resposta de “dá para atender mais uma turma?”.
Tentativas por atividadeRetrabalho por peça. Muitas tentativas indicam enunciado ambíguo ou critério mal calibrado.
Aderência ao diagnósticoQuantos fizeram, pularam ou estão pendentes. Sem cobertura, todo indicador acima perde representatividade.
O que eu ainda não sei medir

A parte mais útil de um levantamento é saber onde ele não alcança.

Eu poderia escrever aqui que reduzi o tempo de correção do professor em algum percentual. Ficaria bonito, e eu não conseguiria sustentar numa entrevista, porque nunca cronometrei o processo manual. Então:

Não afirmo

Que reduzi X% do tempo de correção: o tempo manual nunca foi medido.

Que melhorei o desempenho dos alunos: não há segunda medição nem grupo de comparação.

Que está validado em turma real: as métricas existem, a validação com turma ainda não aconteceu.

A divergência entre a nota da IA e a nota final do professor. Os dois campos já são gravados, e ninguém calcula a diferença. É o indicador de confiança do processo automático: sem ele, dizer que a correção é confiável é fé, não engenharia.

É isso que eu quero fazer em operações.

Estou no 3º período. Não tenho anos de fábrica, mas tenho um sistema em produção onde precisei decidir onde inspecionar, o que padronizar, quanto custa cada unidade e o que eu ainda não posso afirmar. É a mesma conversa de uma linha de montagem, num objeto que eu conseguia construir sozinho.