Durante décadas, a indústria automotiva aprendeu a controlar máquinas, instrumentos de medição, processos especiais e sistemas tradicionais de visão. O problema é que a inteligência artificial introduziu um componente diferente dentro do sistema produtivo. Um equipamento pode permanecer exatamente igual e, ainda assim, sua capacidade de tomar decisões pode mudar em função do modelo, dos dados, das imagens utilizadas para treinamento ou das condições encontradas na produção. Essa é justamente a lacuna que a CQI 38 começa a preencher.
Publicada pela Automotive Industry Action Group em junho de 2026, a primeira edição da CQI 38, AI Vision Inspection Application and Assessment Guideline, estabelece uma abordagem comum para aplicação e avaliação de sistemas de inspeção visual baseados em IA na cadeia automotiva. O documento foi concebido para OEMs, fornecedores dos diferentes níveis da cadeia e fabricantes ou integradores de equipamentos de inspeção, complementando o sistema de gestão estruturado pela IATF 16949 (AIAG, 2026).
Sua importância vai muito além de uma nova checklist de Qualidade. A CQI 38 representa uma mudança conceitual. Quando a inteligência artificial passa a decidir se uma peça está boa ou defeituosa, dados, modelos e algoritmos passam a fazer parte do sistema de controle do processo industrial.
Nos sistemas convencionais de visão, boa parte das decisões é construída por meio de regras previamente programadas. Limites geométricos, contraste, dimensões, posição, intensidade de pixels e outros parâmetros produzem regras relativamente determinísticas. A CQI 38 concentra sua atenção em outro tipo de aplicação, sistemas que utilizam imagens para reconhecimento de características, classificação de defeitos e avaliação da condição de produtos por meio de modelos de IA.
Essa diferença parece técnica, mas possui profundas consequências para a Gestão da Qualidade. Um algoritmo treinado para identificar defeitos depende da representatividade das imagens utilizadas durante seu desenvolvimento. Perguntas que praticamente não existiam em uma inspeção convencional passam a ser obrigatórias. O conjunto de treinamento representa adequadamente as condições reais da fábrica. Todas as categorias relevantes de defeitos estão representadas. A classificação das imagens está correta. Os dados usados para validação são suficientemente independentes dos dados empregados no treinamento. Esses aspectos fazem parte da lógica de avaliação associada à CQI 38.
Imagine um sistema de IA treinado para identificar defeitos superficiais em uma peça metálica. Durante o treinamento, as imagens foram obtidas utilizando determinada iluminação, determinado posicionamento da peça e determinada configuração de câmera. Meses depois, a iluminação da célula é substituída, o fornecedor altera discretamente o acabamento superficial ou uma câmera é recalibrada. A máquina continua funcionando, mas a distribuição das imagens recebidas pelo modelo pode ter mudado. Esse tipo de fenômeno está relacionado ao chamado drift, situação na qual as condições encontradas em produção deixam de representar adequadamente aquelas consideradas durante desenvolvimento e validação do modelo.
Essa característica explica um dos princípios mais relevantes da CQI 38. Validar um sistema de IA apenas no momento de sua instalação não é suficiente. A AIAG estabelece uma abordagem baseada no ciclo de vida, envolvendo planejamento, implementação na manufatura, aceitação do sistema e do processo, manutenção da capacidade e melhoria contínua. Também enfatiza validação baseada em risco e controle de mudanças envolvendo equipamento, modelo de IA, dados e ambiente operacional (AIAG, 2026).
A lógica converge com uma preocupação mais ampla da engenharia de sistemas de IA. O NIST recomenda que sistemas sejam avaliados antes da implantação e monitorados regularmente durante sua operação. Seu AI Risk Management Framework também destaca que modelos podem apresentar degradação de desempenho à medida que condições operacionais mudam, tornando necessários mecanismos de monitoramento, resposta a incidentes, gerenciamento de mudanças e melhoria contínua (NIST, 2026).
Isso muda inclusive a maneira de discutir capacidade de inspeção. Não basta dizer que o sistema possui noventa e nove por cento de acurácia. Em manufatura, os erros possuem consequências diferentes. Um falso positivo pode rejeitar uma peça boa e aumentar sucata, retrabalho e custo da não qualidade. Um falso negativo pode liberar uma peça defeituosa para a próxima operação ou para o cliente. Por isso, a CQI 38 direciona atenção para a avaliação de classificações incorretas, critérios de desempenho e validação documentada do modelo, em vez de reduzir sua avaliação a uma única métrica agregada (TopQM, 2026).
Existe ainda outra transformação relevante. Com a CQI 38, a fronteira entre Qualidade, Engenharia de Processo, Automação, Tecnologia da Informação e Ciência de Dados fica muito menor. A AIAG posiciona suas orientações sobre inspeção visual por IA dentro de uma disciplina mais ampla envolvendo qualidade digital, software e dados. A organização destaca explicitamente a necessidade de conectar desenvolvimento de produto, garantia de software, gestão de dados, Qualidade, Engenharia e Manufatura dentro de uma abordagem coordenada.
Isso tem consequências importantes para fornecedores automotivos. Um Tier 1 ou Tier 2 que compra uma câmera com IA não está simplesmente adquirindo um equipamento. Está incorporando ao Plano de Controle um sistema cuja capacidade depende simultaneamente de hardware, software, modelo, dados e condições ambientais. A responsabilidade pelo desempenho não termina na aprovação inicial do fornecedor da tecnologia. Ela precisa ser administrada durante a operação industrial.
Também muda a lógica do Change Management. Trocar uma lente, modificar uma iluminação, alterar o posicionamento da peça, atualizar o software ou retreinar o modelo deixam de ser alterações isoladas de engenharia. Dependendo do risco, podem afetar a capacidade de inspeção e exigir análise, verificação ou nova validação. A própria AIAG coloca controle de mudanças de equipamentos, modelos, dados e ambiente operacional entre os elementos centrais da CQI 38.
A consequência para auditorias é igualmente relevante. A discussão tende a sair da pergunta simples sobre a existência do equipamento e avançar para evidências sobre qualidade dos dados, desempenho do modelo, controle das mudanças, verificação, monitoramento e capacidade ao longo do tempo. A programação do AIAG Quality Summit de 2026 já identifica exatamente esses elementos como pontos críticos para aplicação e auditoria da CQI 38, incluindo qualidade de dados, model drift, change control, verification e audit readiness.
A CQI 38 também resolve um problema crescente de escala. Sem uma referência comum, cada montadora, fornecedor ou integrador poderia desenvolver seu próprio método para qualificar sistemas de visão por IA. A AIAG posiciona o documento justamente como uma abordagem padronizada para OEMs e diferentes níveis da cadeia, permitindo uma linguagem comum para capacidade, precisão, confiabilidade, validação e gestão de risco desses sistemas.
A importância da CQI 38 está em reconhecer uma realidade que a transformação digital tornou inevitável. IA industrial não pode ser tratada apenas como tecnologia. Quando um algoritmo participa da decisão sobre conformidade de um produto, ele passa a fazer parte do Sistema de Gestão da Qualidade.
A pergunta deixa de ser apenas se a câmera está funcionando. Passa a ser se o modelo continua capaz de reconhecer corretamente aquilo para o qual foi desenvolvido, se os dados continuam representativos, se as mudanças foram controladas, se o desempenho permanece dentro dos critérios definidos e se existem evidências suficientes para demonstrar tudo isso ao cliente e ao auditor. Essa abordagem de ciclo de vida é justamente o núcleo da CQI 38.
Talvez esse seja seu maior impacto para a indústria automotiva. A CQI 38 cria uma ponte entre duas disciplinas que até recentemente caminhavam quase separadas, Inteligência Artificial e Qualidade Automotiva. Ela transforma a discussão de quem possui a melhor câmera ou o algoritmo mais sofisticado para uma questão muito mais relevante para a manufatura, quem consegue demonstrar que aquele sistema continua confiável depois de milhares ou milhões de decisões realizadas no processo.
Depois de décadas desenvolvendo métodos para garantir a capacidade de máquinas e processos, a indústria automotiva começa a estruturar algo igualmente necessário, a capacidade dos seus modelos de inteligência artificial.
