Digital twins began as virtual counterparts to physical systems. In aerospace, manufacturing, and other high-stakes environments, they gave engineers a safe way to observe behaviour, test scenarios, and reduce risk before making real-world changes. That framing now feels incomplete.
Digital twins began as virtual counterparts to physical systems. In aerospace, manufacturing, and other high-stakes environments, they gave engineers a safe way to observe behaviour, test scenarios, and reduce risk before making real-world changes. That framing now feels incomplete.
To that point, a 2024 survey of C-suite executives by Hexagon found nearly two-thirds (62%) get immense value from digital twins. The bottleneck has shifted from whether to deploy them to how to make them trustworthy enough for autonomy. That shift matters because the moment a twin becomes a place where software makes recommendations, tests strategies, or guides action, the technical center of gravity changes. Visualization still matters. Simulation still matters. The harder problem sits underneath. A serious digital twin has to hold together current state, historical state, relationships, constraints, external inputs, and, increasingly, the context and reasoning that underpins all this. For developers and architects, that makes the data backbone far more consequential than it has ever been.
AI agents quickly sharpen that problem. A human operator can tolerate a degree of architectural mess. While comparing dashboards, we can skim logs, open a maintenance note, all the while remembering that one source tends to lag — and mentally stitch the rest together.
An AI agent, operating within a twin, is far less forgiving. If it is trying to understand why a cooling loop is underperforming, or whether a maintenance intervention should be delayed until after a production peak, the layers of data needed to make that decision are huge. Live sensor data, equipment dependencies, work-order history, and a lot more — all in the same decision path. Some of that information is relational. Some is document-shaped. Some is graph-shaped. Some is temporal. Some may arrive as embeddings or unstructured operator notes. If that context is fragmented across too many stores and too many APIs, the application layer ends up rebuilding meaning every time the agent asks a serious question.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: InfoWorld
- Published: 27/08/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por que importa
A conversa sobre inteligência artificial ficou barulhenta, e isso dificulta enxergar o que importa. O que importa quase nunca é o modelo: é qual processo concreto fica mais barato, mais rápido ou mais confiável, e quem responde quando a resposta sai errada.
O que olho primeiro não é a capacidade do modelo, e sim o dado que o alimenta. Quase todos os projetos que vi fracassar não fracassaram pelo algoritmo: fracassaram porque o dado estava em três sistemas com três definições diferentes e ninguém quis ser quem arrumaria isso.
O que costuma dar errado
O ponto em que costuma quebrar é a passagem para a operação. A equipe que fez o piloto sabe interpretar os resultados; a que recebe, não. Sem capacitação e sem critérios escritos, as pessoas passam a aceitar tudo o que o modelo diz ou a ignorá-lo por completo, e as duas coisas custam igual.
O que observar
- Qual processo concreto é tocado e como se mede antes e depois; sem linha de base não há resultado, há opinião.
- Quem revisa as saídas do modelo e com que frequência — o ponto em que a IA se torna auditável.
- O custo por consulta em volume real, não o do piloto: é a variável que mais dá surpresas.
Como leio esta publicação
Se eu tivesse que levar isto a uma organização, começaria por um processo chato e mensurável — conciliação, atendimento de primeiro nível, revisão documental — e o deixaria rodando com métrica antes de tocar em qualquer coisa vistosa. A credibilidade para os projetos grandes se compra com um resultado pequeno que ninguém pode discutir.
A notícia original está publicada em outro idioma; o trecho é citado como o veículo o entrega e o comentário é escrito em português.
Está vivendo isso na sua equipe?
Abra o chat e me conte como estão lidando com isso. Tenho interesse em comparar notas.
