IA na linha SMT em 2026: a inspeção dá retorno, os robôs incorporados podem esperar

A revisão por IA das falsas chamadas do AOI se paga em meses. Um braço robótico só para retirar placas ruins nunca. Aqui está o que encontrei, com o relatório completo e os slides.

Resumo

As fábricas de eletrônica estão sendo vendidas com duas histórias de IA ao mesmo tempo: a visão que inspeciona placas, e os braços robóticos que aprendem. Examinei ambas para as linhas SMT e PCBA na China continental, Taiwan, sudeste asiático e Estados Unidos, usando relatórios anuais, normas, regras de exportação, tarifas, benchmarks e listas de preços até 11 de novembro de 2026. A parte que funciona é estreita. Cerca de 97–99 % dos alarmes que um AOI levanta são falsas chamadas que uma pessoa confirma uma a uma, e modelos supervisionados treinados com as próprias imagens do AOI reduzem esse trabalho em 60–90 % segundo os fornecedores; uma grande empresa EMS relata uma redução de 85 % em seu relatório anual. A 50.000 RMB por linha, isso se paga em cinco a oito meses nos EUA, Taiwan e Shenzhen. Os braços cobot que carregam e descarregam estações de teste se pagam em pouco mais de um ano. Um braço robótico adicionado apenas para retirar placas ruins nunca se paga em lugar nenhum. Modelos multimodais gerais ainda não são inspetores: nenhum dos carros-chefe de 2026 tem pontuação publicada em um benchmark de defeitos industriais. Eles são úteis como professores que pré-rotulam dados para pequenos modelos locais. A implantação local sem conexão é viável. O mercado de retrofit é real, mas pequeno: cerca de 320 milhões de RMB na China continental, distribuídos ao longo de cerca de cinco anos.

Por que examinei isso

Isso começou com uma pergunta de uma pequena equipe de hardware que conheço. Eles constroem e montam eletrônica, e estavam considerando entrar em inspeção por IA e braços robóticos para fábricas. Os fornecedores contavam uma história, os investidores outra, e cada demonstração parecia boa. Eles queriam saber pelo que uma fábrica realmente pagaria em 2026, quanto custa operar dentro de uma planta e o que ainda é um projeto de pesquisa.

Passei mais de vinte anos entre chips, hardware e as fábricas que os constroem, então me ofereci para olhar. Li os relatórios anuais e prospectos de empresas listadas de AOI, visão de máquina, robótica e EMS, as normas e regulamentos pertinentes, as classificações de controle de exportação e tarifas, as páginas de benchmark e os artigos, e as listas de preços públicas. Também conferi um conjunto de afirmações de entrevistas com a indústria contra esse registro. Onde o registro público acaba, eu digo.

Cada número abaixo é de 11 de novembro de 2026. O dinheiro está em RMB a 6,7188 por dólar americano, salvo indicação em contrário. A maioria dos números vem do relatório completo, que você pode baixar no final.

Resultados de relance

Figura 1. Onde a IA se encaixa hoje no chão de fábrica. Mais alto significa retorno mais rápido para o comprador.

Onde estão as pessoas em uma linha SMT

Uma linha SMT de volume já é altamente automatizada. As placas passam por impressão de pasta, inspeção 3D de pasta de solda (SPI), colocação, um AOI opcional antes do refluxo, refluxo, AOI após o refluxo, raio-X (AXI) em uma amostra quando há BGAs, e então teste em circuito e funcional, inspeção visual e embalagem. O takt é de cerca de 13–22 segundos por placa, e uma linha geralmente tem de três a cinco AOIs. Um ODM de notebooks orçou 30,6 milhões de RMB para AOIs em 18 linhas.

Figura 2. Uma linha SMT de volume. As pessoas ficam sentadas atrás dos AOIs.

As pessoas não estão na esteira. Elas ficam sentadas atrás dos AOIs. Um AOI é ajustado para nunca deixar passar um defeito, então sinaliza demais: nos casos que encontrei, cerca de 97–99 % de seus alarmes são falsas chamadas em placas que estão boas. Um revisor olha cada uma, o que leva 42–55 segundos. Em uma linha movimentada, isso são cerca de 448 falsas chamadas por turno, ou 5,2–6,8 horas do turno de uma pessoa. A planta nesse caso empregava dois revisores por turno.

Figura 3. De cada 100 alarmes do AOI, cerca de 97–99 são falsas chamadas.

Esse posto de revisão é onde a IA entra, e ela entra de três maneiras. Os fabricantes de AOI a integram às máquinas novas: a Jutze diz que seu AOI 3D com IA «remove a revisão humana na inspeção», a ViTrox lançou um AOI com IA, e a Sinic-Tek está desenvolvendo um em conjunto com a Tencent. As maiores empresas EMS constroem a sua. E terceiros acoplam uma caixa e software aos AOIs que uma planta já tem.

O que funciona: a revisão por IA sobre as próprias imagens do AOI

A abordagem que funciona não é glamourosa. Um modelo supervisionado, treinado nos recortes que o AOI já salva, fica logo após o AOI e responde OK, NG ou «pergunte a uma pessoa». Os fornecedores afirmam que ele reduz as falsas chamadas ou as horas de revisão em 60–90 %. A melhor evidência pública que encontrei está em um relatório anual de EMS: o sistema interno da DBG cobre pelo menos 95 % das peças que seus AOIs sinalizam, mantém os escapes abaixo de 20 PPM e reduziu a revisão humana em pelo menos 85 %. Se você quer vender para uma EMS de primeiro nível, essa é a barra pela qual será medido.

Dois detalhes importam mais que o modelo.

O primeiro é a imagem. As pessoas costumam perguntar se uma boa câmera e um modelo grande poderiam substituir o AOI. Uma câmera 4K geral olhando um painel inteiro de 300 mm obtém cerca de 78 µm por pixel; um AOI trabalha a 8–20 µm. A 78 µm, um resistor 0402 tem cerca de 13 por 6 pixels, o suficiente para saber se ele está lá, mas não se suas soldas estão boas, e um 01005 tem cerca de 5 por 3 pixels, ou seja, invisível. A IA trabalha com as imagens do AOI. Ela não substitui a ótica.

O segundo é o que acontece quando ela falha. A caixa deve falhar em aberto: se travar ou ficar insegura, cada chamada vai para uma pessoa e a linha continua rodando. Uma planta não aceitará uma caixa que possa parar uma linha, e não deveria aceitar uma que possa deixar passar uma placa ruim em silêncio.

Modelos multimodais são professores, não inspetores

A pergunta óbvia em 2026 é se um modelo multimodal de fronteira pode simplesmente olhar para a placa. Ainda não. Em 11 de novembro de 2026, nenhum dos carros-chefe lançados entre setembro e novembro (GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 e outros) tinha pontuação publicada em MMAD, MVTec AD 2, VisA, Real-IAD ou UniPCB, os benchmarks que testam defeitos industriais.

Figura 4. As pontuações de detecção genéricas dobraram em uma geração. Faltam as pontuações de defeitos industriais.

Suas pontuações de detecção genéricas de fato aproximadamente dobraram em uma geração, mas desenhar uma caixa em torno de uma pessoa ou de um carro não é o mesmo que julgar uma solda. No MMAD, que pergunta «há um defeito?», especialistas humanos pontuam 95,2 e o melhor resultado de um modelo geral que encontrei é 83,1. No desafio PCBA da ACM MM 2026, os cinco melhores sistemas, incluindo um ajustado em 6.600 imagens reais de linha, pontuaram 77–82 em defeito-ou-não, mesmo que contar peças e ler atributos tenha chegado a 95–100. A produção precisa de 99 % e mais.

Então eu os usaria como professores. Um modelo de fronteira pré-rotula e tria as imagens novas, por cerca de US$ 23–196 por modelo por rodada. As pessoas adjudicam: dois ou três rotuladores trabalham às cegas e um engenheiro sênior decide. Os rótulos vão para um conjunto dourado, e um pequeno modelo de 8 bits é treinado neles para rodar na caixa da linha. Ele roda em modo sombra por duas a quatro semanas, registrando decisões mas sem mudar nada, e entra em produção somente após passar pelos portões.

Figura 5. Dois pipelines professor-aluno. Para os braços, os professores ainda são pessoas.

O portão é a parte que a maioria dos projetos pula, e é principalmente aritmética. Para mostrar 99 % de recall a 95 % de confiança com zero falhas, você precisa de 299 defeitos reais dessa classe no conjunto dourado. Para 95 % você precisa de 59. Para 99,9 % você precisa de 2.995, o que nenhum comprador consegue reunir antes de uma compra. Minha regra: aceitar os rótulos do professor automaticamente apenas para classes de defeito que superem 299 com zero falhas, e somente se o modelo concordar com a verdade de referência pelo menos tão bem quanto duas pessoas concordam entre si. Para qualquer outra classe, o professor pré-rotula e uma pessoa decide.

Para os braços robóticos, os professores ainda são pessoas. Uma política pequena aprende com 10–300 demonstrações humanas, cerca de 15–70 minutos dirigindo o braço, e depois melhora com 1.000–3.000 ensaios com robô real, cerca de 6–22 horas-robô. Os modelos de fronteira ajudam offline: reescrevem programas de robô (corretos em 77–99,7 % em tarefas ABB RAPID, verificados em simulação antes da implantação), planejam trocas de linha e explicam falhas. Eles não ficam no laço de controle.

Executando dentro da planta

Muitas plantas de eletrônica são isoladas da rede, e os contratos de seus clientes muitas vezes exigem isso. Isso é menos problemático do que parece, porque a restrição é o processo, não a computação.

Figura 6. Uma implantação isolada. A caixa na linha decide; a sala de servidores responde perguntas.

Uma sala SMT comum é uma área protegida contra ESD, aproximadamente equivalente a ISO 8, não uma sala limpa classificada. Uma caixa sem ventoinha, aterrada, com menos de 100 W ao lado do AOI lida com decisões em linha em 0,5–3 segundos por recorte. Os servidores GPU ou NPU ficam na sala de servidores, onde lidam com perguntas, análise e retreinamento para toda a planta. As atualizações chegam offline, por aprovação e importação de mídia. O conjunto dourado, as versões de modelo e os hashes de pesos vivem em um cofre, e os dados nunca saem da planta.

Qual hardware você pode usar depende primeiro de onde você está. Na China continental, apenas modelos domésticos ou pesos abertos hospedados localmente estão disponíveis. Sob as próprias classificações de exportação da NVIDIA, o Jetson Thor e o DGX Spark podem ser vendidos a uma fábrica continental comum sem licença dos EUA, enquanto o DGX Station e a RTX PRO 6000 não. Um kit de desenvolvedor Thor custa 59.104 RMB na China com impostos incluídos e consome 40–130 W. Uma estação de trabalho grande também não é um bom assistente compartilhado: em testes independentes, um DGX Station rodando um modelo de 743 bilhões de parâmetros deu a 32 usuários 139 tokens por segundo no total, cerca de 4 cada.

Sobre precisão, 8 bits é seguro. O 4 bits com quantização consciente dos fornecedores geralmente serve para modelos de 70 bilhões de parâmetros ou mais. Em 3 bits e abaixo, as pontuações caem 7–15 pontos em média e 20–34 pontos em gráficos. Os maiores riscos estão na pilha de servidor. Em um estudo, com o cache de prefixos ativado, 82,5 % das execuções repetidas de um modelo de 4 bits divergiram, contra 37,4 % em 16 bits. Em outro, 7 das 305 tags oficiais de modelos de código do Ollama estavam praticamente quebradas mesmo com os arquivos intactos, e nenhum dos 198 repositórios GGUF populares registrava como seus arquivos foram construídos. Minha regra é simples: reexecutar o conjunto dourado após qualquer mudança de precisão ou de motor de inferência.

Quanto custa, e o que se paga

O caso de negócio se resume a salários. Um trabalhador de inspeção ou manuseio com carga completa custa cerca de US$ 70.000 por ano nos EUA, US$ 19.600 em Taiwan, US$ 12.700 em Shenzhen, US$ 9.100 na Malásia e US$ 5.300 no Vietnã. Os EUA são cerca de 5,5 vezes Shenzhen.

Figura 7. Retorno por região para o comprador.

A 50.000 RMB por linha, a revisão por IA se paga em 0,46 ano nos EUA, 0,53 em Taiwan e 0,65 em Shenzhen, e em 1,1–2,8 anos no sudeste asiático. Uma célula cobot que carrega e descarrega uma estação de teste em dois turnos, a 200.000 RMB ou US$ 140.000, se paga em 1,1–1,3 ano nos EUA, Taiwan e Shenzhen. Um AOI novo comprado para substituir os controles visuais manuais se paga em menos de um ano nos EUA, mas leva 3,3 anos em Shenzhen.

O que não se paga é um braço robótico cujo único trabalho é retirar placas ruins de uma linha SMT. Acima de 90 % de rendimento na primeira passagem, a retirada leva entre 2,5 e 100 minutos por turno, ou seja, 0,003–0,14 de uma pessoa. Um desviador de NG ou um buffer já faz esse trabalho.

Duas ressalvas sobre o preço. Nenhum terceiro publica um preço em RMB para a revisão por IA; os fornecedores orçam caso a caso após um teste gratuito. Minha melhor estimativa do que um comprador de médio porte na China continental pagará a um terceiro é de 10.000–30.000 RMB por linha de uma vez, ou 5.000–10.000 RMB por ano, de modo que os 50.000 RMB no modelo de retorno são um limite superior, não um preço de tabela. E para quem vende aos EUA, importa onde o hardware é fabricado: os braços robóticos feitos na China continental pagam cerca de 40 % de tarifa americana combinada, contra 10–15 % do sudeste asiático ou Taiwan.

Um mercado real, mas pequeno

Os tamanhos publicados para «inspeção visual por IA» diferem em mais de dez vezes, porque cada empresa conta algo diferente, de câmeras a serviços de teste. Nenhum deles é útil para decidir se vale a pena construir um produto de revisão. Então contei de baixo para cima.

Figura 8. Mercado de baixo para cima para a revisão por IA de terceiros na China continental.

A China continental tem cerca de 40.000 linhas SMT e cerca de 44.000 AOIs em linha sem revisão por IA. Pegue a parcela sem IA e a parcela que um terceiro consegue alcançar de fato, e cerca de 16.000 linhas são atendíveis. A 20.000 RMB por linha, isso é um mercado único de cerca de 320 milhões de RMB (faixa de 105–705 milhões). A janela dura cerca de cinco anos, porque os fabricantes de AOI agora entregam IA nas máquinas novas e a base instalada sem ela encolhe 8–12 % ao ano.

O nicho também está lotado. Os fabricantes de AOI estão integrando a revisão, as maiores empresas EMS constroem a sua, e fornecedores de plataforma como Hikvision e SmartMore vendem com agressividade. Um dos principais fornecedores de visão por IA relatou receita de 2025 de 1,086 bilhão de RMB e prejuízo líquido de 991 milhões de RMB, após uma guerra de preços. As margens ficam no hardware produtizado: as plataformas de visão e os fabricantes de AOI obtêm 46–67 % de margem bruta, enquanto os fornecedores de soluções de IA obtêm 35–37 % e perdem dinheiro. O caixa também é lento. As condições usuais são 30 % na assinatura, 60 % após a aceitação e 10 % retidos por um ano, de modo que o pagamento integral leva de dois a três anos. Os recebíveis variam de 51–99 dias para produtos padrão e de 188–319 dias para equipamentos por projeto.

O espaço que resta é específico: empresas EMS de médio porte com 10–40 linhas, AOIs mais antigos ou de marcas mistas e sem upgrade de IA do fabricante do AOI, mais as inspeções que os AOIs cobrem mal, como soldagem passante e manual, revestimento conformal, cabos, conectores e FPCs, e aparência final e parafusos.

Braços robóticos e IA incorporada

O controle robótico aprendido funciona hoje onde a estação é estruturada. Com dispositivos e uma peça conhecida, políticas pequenas alcançam 90–99,4 % de sucesso, 10–15 % mais lentas que uma pessoa. Tire a estrutura e os números caem: 29–67 % em conectores que a política não viu, 37–59 % pegando de uma esteira em movimento, e 0–5,5 % quando um modelo de linguagem de fronteira aciona diretamente as articulações.

Figura 9. Os alunos robôs ficam perto do nível de produção apenas quando a estação é estruturada.

As implantações em planta divulgam menos do que as manchetes sugerem. Das implantações em fábrica que acompanhei, a maioria publica apenas por quanto tempo ou quanto rodou. Nenhuma publica taxa de sucesso, takt e taxa de intervenção juntos, e alguns dos números de manchete são metas, não resultados. Quando converto os números publicados em mão de obra realmente substituída, a lacuna é grande: uma célula de braço estruturada substitui cerca de 0,82 trabalhador por turno; um humanoide a 40 % da velocidade humana, cerca de 0,26; um humanoide teleoperado 40 % do tempo, cerca de 0,05.

Figura 10. Mão de obra líquida substituída por robô e por turno.

A pilha está se assentando em camadas. Os modelos de fronteira planejam e escrevem programas offline, em uma escala de segundos a minutos. Políticas pequenas como ACT, políticas de difusão e VLAs pequenos rodam na célula com blocos de ação de 100–300 ms; pelos números do fornecedor, uma política ACT pequena roda em cerca de 50 ms em uma placa de borda. O controle de movimento permanece com o controlador do robô em taxas de milissegundos, e a segurança permanece determinística. As normas concordam: sob o Regulamento de Máquinas da UE, uma função de segurança que usa aprendizado de máquina precisa de uma avaliação de um organismo notificado a partir de 20 de janeiro de 2027, e as normas que dariam à IA um caminho de certificação dentro das funções de segurança não devem se consolidar antes de 2027–2029.

Para os próximos dois anos, então, eu compraria braços certificados, colocaria percepção aprendida e políticas pequenas dentro deles, manteria a segurança determinística e esperaria dados de produção de 2027 e 2028 antes de apostar em humanoides.

O que eu construiria e o que não construiria

O fio condutor é chato de propósito: escolher uma tarefa estreita com um responsável claro, medi-la nas próprias imagens da planta e deixar que as máquinas existentes da planta continuem fazendo o que já fazem bem.

O que não consegui verificar

Esta é pesquisa de gabinete. Não testei nenhum produto em uma linha. Os números de base instalada e a parcela de AOIs que já rodam IA são minhas estimativas a partir de documentos públicos e dados de mercado, e os números de disposição a pagar são estimativas que apenas orçamentos reais podem confirmar. Muitos números de robôs são afirmações de fornecedores, e eu as marquei como tais no relatório. Modelos, preços, tarifas e regras de exportação mudam rápido; cada número aqui é de 11 de novembro de 2026. O relatório lista as perguntas em aberto e como um piloto resolveria cada uma.

Downloads

• Relatório completo (PDF): AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment, edição pública, com todas as figuras, tabelas e fontes.
• Slides (PDF): os mesmos achados em uma apresentação curta.

Sobre o autor

Tan Shuai é tecnólogo e fundador com mais de vinte anos de trabalho em chips, hardware e software de sistema, e 20 patentes concedidas. Seu trabalho o levou pelo Vale do Silício, Nova York, Chicago, Taiwan, a Grande Baía (Shenzhen e Hong Kong), Vietnã e Malásia, com um longo foco em manufatura avançada e cadeias de suprimento. Hoje trabalha como pesquisador e desenvolvedor de IA, concentrando-se em como a IA é realmente usada no chão de fábrica.

Ele recebe bem conversas com pessoas que constroem nesse espaço, seja para montar uma equipe, procurar um parceiro ou trocar ideias: i@tanshuai.com.