As utilities de IA são ferramentas de IA que usam dados em tempo real de sensores, medidores e imagens para prever demanda, automatizar inspeções, otimizar a distribuição e melhorar o atendimento ao cliente.
Conheça 20 ferramentas e 25 casos de uso reais específicos de utilities de IA:
Este gráfico é baseado nos 47 estudos de caso de utilities de IA que compilamos e agrupamos por seu principal caso de uso:
- Rede e energia: carregamento de VE e flexibilidade, previsão de demanda, simulação de rede, monitoramento de rede e gêmeos digitais
- Cliente e CRM: centros de contato assistidos por IA, coordenação de equipe de campo, insights de vendas, e energia personalizada
- Back-office: faturamento meter-to-cash e automação de processos low-code
- Ativos e meio ambiente: detecção de incêndios florestais, inspeção de ativos, segurança de subestações, qualidade da água, triagem de resíduos e segurança de frotas
- Dados e conhecimento: assistentes internos de IA, plataformas de dados de utilities
- Telecom: automação de rede, otimização de rede, fatiamento de rede e gestão de tráfego de dados
Veja a lista completa de estudos de caso para fontes e detalhes.
Utilities de IA em energia
1. Operações autônomas em usinas de energia
A IA analisa dados de câmeras e sensores em tempo real para identificar vazamentos e outros perigos, de modo que menos inspeções exigem uma pessoa no local.
Exemplo real para usinas de energia
A Duke Energy, que mira emissões líquidas zero de metano até 2030, precisava de uma forma melhor de encontrar vazamentos em seus gasodutos de gás natural. Com Microsoft e Accenture, construiu uma plataforma no Azure e Dynamics 365 que combina dados de satélite, sensores terrestres e IA para detectar vazamentos e enviar equipes de reparo.
- Painéis classificam vazamentos por prioridade de reparo
- A geolocalização precisa envia equipes ao vazamento exato
- A plataforma pode se estender a outras fontes de emissão. 1
2. Previsão de demanda de energia
As utilities compram e despacham energia e água com base na demanda esperada, por isso erros de previsão aumentam diretamente os custos. Os modelos de IA combinam clima, comportamento do cliente e preços de mercado para:
- Prever demanda e planejar o fornecimento
- Prever a produção eólica e solar e equilibrá-la com outras fontes
- Definir preços usando dados históricos e movimentos esperados dos concorrentes
- Alertar os clientes sobre períodos de pico para que desloquem o uso.
Exemplo real para previsão de demanda de energia
A Plenitude, empresa de varejo de energia e renováveis da Eni, usa Databricks para prever a demanda de energia dos clientes e a produção de suas usinas eólicas e solares, e para agrupar clientes por necessidades prováveis.
- Até 60 casos de uso em produção
- Até 500 relatórios e painéis em execução na plataforma.2
3. Prossumo de energia
Prosumidores são clientes que também produzem energia, por exemplo com energia solar no telhado. A IA decide quando eles devem usar, armazenar ou vender essa energia de volta à rede.
- Programa o uso e o armazenamento em torno de picos de consumo e do clima
- Vende ou compartilha a energia excedente com a rede local.
4. Gêmeos digitais industriais para geração de energia
Um gêmeo digital é uma cópia virtual de uma usina ou rede alimentada com dados ao vivo. Os operadores o usam para testar mudanças e prever falhas como corrosão antes que causem interrupções.
Exemplo real para gêmeos digitais industriais
Google DeepMind treinou uma rede neural para prever a produção de um parque eólico, o que aumentou o valor dessa energia eólica em cerca de 20%.4
Exemplo real para geração de energia
A AcegasApsAmga, operadora italiana de rede de distribuição, começou a construir um gêmeo digital da rede de média e baixa tensão de Trieste com o Gridscale X da Siemens. O gêmeo pode simular, monitorar e gerenciar fluxos de energia em tempo real para manter a energia estável para navios conectados no Porto de Trieste.5
5. Simulação de rede elétrica
A simulação de rede modela o fluxo de energia, permitindo que as utilities planejem interrupções e testem como a rede lida com mais energias renováveis antes de fazer mudanças.
Exemplo real para simulação de rede elétrica
A ElektroDistribucija Srbije (EDS), operadora do sistema de distribuição da Sérvia, implementou o EcoStruxure ADMS e o EcoStruxure DERMS da Schneider Electric para digitalizar as operações da rede e modernizar sua rede elétrica legada para apoiar a integração de energias renováveis. 6
Resultados:
- Redução de 10–15% nas perdas de rede
- Redução de ~20% nas interrupções.
6. Casas inteligentes como hubs de energia
Sistemas de casa inteligente baseados em IA ajudam os proprietários a monitorar e ajustar o uso de energia, reduzindo custos e minimizando a demanda na rede por meio de uma melhor gestão de carga.
7. Medidores inteligentes para fluxo de energia em tempo real
Os sistemas de casas inteligentes rastreiam o uso de energia dos eletrodomésticos e deslocam cargas como aquecimento e carregamento de VE para horários mais baratos e fora de pico.
Exemplo real para medidores inteligentes
A SMUD, que atende 1.5 milhão de pessoas, não conseguia ver o carregamento de VE atrás de seus medidores e dependia de dados do DMV para rastrear a adoção de VE. Testou o aplicativo de IA da NET2GRID, que roda dentro dos medidores inteligentes Itron e detecta sessões de carregamento em tempo real.
- Detectou carregamento de VE em 97% das casas com VEs (387 de 840 domicílios)
- 87% detectados em 7 dias, em comparação com mais de 3 meses para ferramentas anteriores
- Os dados agora apoiam a proteção de transformadores e a resposta à demanda8
8. Carregamento de VE gerenciado por IA
Uma vizinhança de veículos elétricos (VEs) pode facilmente sobrecarregar a rede local, mas a IA pode otimizar os horários de carregamento, deslocando o consumo para horários fora de pico e devolvendo energia da bateria durante a demanda de pico. Reunidos, esses carros formam uma usina virtual (VPP): uma frota que o software controla como uma única fonte de energia.
Exemplo real para carregamento de VE gerenciado por IA
A ChargeScape, uma joint venture da BMW, Ford, Honda e Nissan, agrega VEs em uma usina virtual para mais de uma dúzia de utilities dos EUA, usando gestão de carga orientada por IA para deslocar o carregamento e exportar energia armazenada durante eventos de pico na rede.
- Cada veículo entrega ~5 kW de redução de demanda por carregamento gerenciado e até ~20 kW de exportação via carregamento bidirecional (V2G).9
- O agregador EnergyHub reduziu os picos de carregamento de VE em até 50% por meio da otimização da distribuição de IA, deslocando 38.3k+ MWh de carga em sua frota VPP em 202510
A NV Energy usou a detecção de VE baseada em IA da Bidgely em dados de medidores inteligentes para encontrar proprietários de VE carregando durante horários de pico. De 20.241 clientes, a IA identificou 419 usuários de VE e os reduziu a 103 clientes de alto valor responsáveis por 63% do potencial de deslocamento de carga.
- 3x maior deslocamento de carga por carro do que a população média
- ~1 kW por carro em 20+ eventos de carregamento gerenciado, em comparação com 0.2–0.3 kW típico na indústria.11
Utilities de IA em resíduos, água e incêndios florestais
9. Gestão de resíduos
A IA rastreia os tipos e volumes de resíduos, prevê o quão cheias as lixeiras ficarão e usa visão computacional para separar recicláveis. Os coletores usam as previsões para planejar rotas de coleta.
Exemplo real para gestão de resíduos
Instalações de recuperação de materiais (MRFs) enfrentam resíduos de fluxo único contaminados, onde menos da metade do material recebido é normalmente recuperado e a triagem manual é lenta, perigosa e difícil de preencher. A Bryson Recycling e outras MRFs europeias implantaram o Recycleye Vision e o Recycleye Robotics, que usam visão computacional e aprendizado profundo para identificar e coletar roboticamente recicláveis de fluxos mistos, resultando em:
- Aumentou a pureza da saída em uma linha de alumínio em 8% e o valor de mercado da produção em cerca de 20%
- Aumentou a pureza em uma linha de fibra em 12%
- Entregou até 33.000 coletas robóticas em um turno de 10 horas, cerca do dobro da velocidade da triagem manual.12
10. Monitoramento da qualidade da água
A IA pode aprimorar o monitoramento da qualidade da água analisando o fluxo de água e detectando contaminantes em tempo real. Sensores habilitados por IA implantados em sistemas de água identificam bactérias e partículas nocivas, permitindo respostas mais rápidas a possíveis riscos à saúde.
- Monitora a qualidade da água continuamente, detectando contaminantes em tempo real.
- Melhora a transparência e o controle sobre os sistemas de abastecimento de água.
- Apoia ações rápidas em resposta a riscos à saúde.
Exemplo real para monitoramento da qualidade da água
O Departamento de Serviços de Água de Phoenix usa os sensores de esgoto com IA da Kando para monitorar a qualidade do esgoto em tempo real. O sistema sinaliza mudanças repentinas de pH e temperatura causadas por despejo ilegal, para que a equipe encontre a fonte e isole os poluentes antes que cheguem à estação de tratamento.
- 16 sensores instalados na rede de esgoto no piloto inicial
- Alertas automatizados e um painel de pontos críticos de despejo
- Apoia as metas de reutilização de água da cidade.14
11. Detecção e prevenção de risco de incêndios florestais
Câmeras de visão computacional procuram plumas de fumaça, enquanto modelos de ML classificam circuitos por risco de incêndio usando dados de clima, umidade do combustível e vegetação.
Exemplo real para detecção de risco de incêndios florestais
A Pacific Gas & Electric (PG&E), enfrentando severa exposição a incêndios florestais em seu território na Califórnia, implantou 630+ câmeras de detecção com IA da Pano IA e modelos de inteligência de vegetação da Overstory para detectar ignições precocemente em ~90% de seu território de alto risco de incêndio. A empresa relatou uma queda de quase 50% nas ignições com vegetação como causa suspeita em 2025 em relação ao ano anterior.15
Casos de uso de utilities de IA entre setores
12. Manutenção automatizada de ativos
As utilities inspecionam longas redes de linhas, postes e tubulações, e defeitos não detectados levam a interrupções e incêndios. A IA analisa imagens aéreas, LiDAR, drones e dados de satélite para identificar problemas em equipamentos ou riscos de vegetação que possam danificar a infraestrutura.
Exemplo real para manutenção automatizada de ativos
A Exelon, uma grande empresa de energia, buscou melhorar seu processo de manutenção e inspeção da rede. Usando as ferramentas de IA da NVIDIA para inspeções por drone, a Exelon aprimorou suas capacidades de detecção de defeitos, criando exemplos rotulados para avaliação em tempo real.
Essa abordagem orientada por IA melhorou a precisão da manutenção, minimizou as emissões e aumentou a confiabilidade da rede elétrica.
- Detecção aprimorada de defeitos na rede por meio de inspeções com drones orientadas por IA
- Aumento da eficiência da manutenção e da confiabilidade da rede
- Redução de emissões por meio de processos de inspeção otimizados.16
13. Centros de contato assistidos por IA e automação da experiência do cliente
Plataformas legadas de faturamento e atendimento ao cliente forçam os representantes de utilities a alternar entre sistemas desconectados, causando altas taxas de erros de faturamento e resoluções atrasadas. Com os dados do cliente em um único CRM, agentes de IA podem responder perguntas rotineiras na web, no celular e por e-mail, e os representantes humanos recebem resumos automáticos de chamadas.
Exemplo real para plataforma completa e automação de faturamento
A Regional Water Authority (RWA) substituiu sistemas legados por Microsoft Dynamics 365 e Copilot Studio para assistência a agentes, transcrição de chamadas e faturamento de autoatendimento.
- 14.000 erros de faturamento eliminados
- 10 horas economizadas semanalmente por funcionário de atendimento ao cliente
- Tempo de identificação de desconexão reduzido de 30 horas para 7 horas por semana.17
Exemplo real para agentes móveis autônomos de IA
A ENGIE Belgium implantou o Salesforce Agentforce em seu aplicativo móvel para explicar tarifas, analisar o uso e automatizar o carregamento inteligente de VE por meio de APIs.
- 71% de resolução autônoma de casos em mais de 1.500 conversas diárias
- 83% de precisão nas respostas em todas as consultas de clientes.18
Exemplo real para respostas de e-mail com IA generativa
A Octopus Energy usa IA generativa para redigir respostas de e-mail aos clientes. Essas respostas obtiveram 80% de satisfação do cliente, superando os e-mails escritos por funcionários em 15%.19
14. Otimização de frotas para caminhões de utilities
A IA planeja rotas de caminhões e monitora o comportamento dos motoristas em grandes frotas de utilities. Durante interrupções e tempestades, redireciona equipes para reduzir o tempo de viagem e restaurar o serviço mais rapidamente. Dashcams com visão computacional também sinalizam direção distraída ou arriscada, o que é relevante para frotas que trabalham longos turnos sob mau tempo.
Exemplo real para otimização de frotas
A Xylem Kendall, uma empresa de gestão de vegetação que opera mais de 5.500 ativos de frota, enfrentava preocupações de segurança com direção distraída, que os dados ligavam diretamente ao uso de celular.
Para resolver isso, implantaram telemática e dashcams Motive IA para rastrear pontuações de segurança e instalaram suportes para celular mãos-free em todo o país, obtendo os seguintes resultados:
- 5% de melhoria nas pontuações gerais de segurança do motorista
- Alertas na cabine quando um motorista está distraído
- Supervisores usam imagens de câmera para treinamento direcionado.20
15. Segurança e proteção de subestações
A análise de vídeo em subestações detecta intrusos e verifica se os trabalhadores seguem as regras de segurança.
Exemplo real para segurança e proteção de subestações
As utilities elétricas dos EUA enfrentam um aumento acentuado de ataques físicos e roubo de cobre em subestações, aumentando a pressão para cumprir os requisitos de segurança física NERC CIP-014. Alarmes perimetrais convencionais pioram isso inundando os operadores com disparos falsos. Por exemplo, uma grande subestação pode gerar de 50 a 200 alarmes perimetrais por turno, sendo mais de 95% deles acionamentos incômodos causados por vida selvagem, vento ou veículos de patrulha.
Várias utilities estão instalando análise de vídeo com IA e fusion de sensores em câmeras existentes para:
- Classificar o que acionou um alarme (pessoa, veículo, animal), reduzindo os alertas incômodos que causam fadiga de alarmes no operador
- Fundir sensores térmicos e visuais para que um segundo sensor confirme antes que um alerta seja escalado, reduzindo despachos falsos
- Usar o mesmo hardware térmico e visual para detecção precoce de anomalias de temperatura em equipamentos
- Permitir monitoramento remoto em tempo real e coordenação mais rápida com as forças de segurança durante um incidente.21
16. Assistentes internos de IA para local de trabalho e conhecimento
Os funcionários de utilities consultam longos manuais, procedimentos de segurança e políticas de RH todos os dias. Assistentes internos de IA respondem a essas perguntas em uma janela de chat.
Exemplo real para assistentes virtuais
A Ontario Power Generation (OPG) colaborou com a Microsoft para lançar o ChatOPG, um assistente virtual interno com IA projetado para dar aos funcionários acesso rápido a informações operacionais e suporte administrativo. 22
Utilities de IA em telecom
17. Operações de rede Zero-Touch
Nas operações zero-touch, a IA monitora, repara e ajusta a rede sem intervenção humana.
Exemplos reais para operações de rede
A operadora de rede dinamarquesa TDC NET usa o Predictive Cell Energy Management da Ericsson, um sistema de IA que prevê o tráfego e ajusta automaticamente o uso de energia da rede de rádio sem entrada humana. Até 2025, a empresa se tornou a primeira implantação no mundo verificada no nível 4 de autonomia de rede, o segundo nível mais alto na escala do TM Forum para redes autônomas, alcançando 5% menos energia necessária por GB de dados transmitidos.23
18. Otimização e gestão de rede
O software de rede auto-organizada (SON) ajusta automaticamente as configurações de rádio conforme o tráfego muda.
Exemplo real para otimização de rede
A operadora saudita stc implantou o MantaRay Cognitive SON da Nokia com IA em sua rede comercial para otimizar a rede de rádio automaticamente durante a peregrinação do Hajj, um dos picos de tráfego mais extremos do mundo.
- Mais de 10.000 ações de otimização realizadas sem intervenção humana
- Conectividade estável mantida apesar de um aumento de 40% no tráfego.24
19. 5G Fatiamento de rede
O fatiamento de rede divide uma rede 5G em redes virtuais, cada uma com sua própria velocidade e latência garantidas. A IA ajusta cada fatia conforme a demanda muda.
Exemplo real para fatiamento de rede
A Nokia e a AWS lançaram fatiamento de rede 5G orientado por IA, que a du (EAU) e a Orange estão testando em suas redes ativas. Agentes de IA acompanham o desempenho da rede juntamente com dados externos, como eventos, tráfego e mapas, e ajustam cada fatia de rede automaticamente para manter seu nível de serviço garantido.
- As fatias de rede se adaptam automaticamente à demanda do mundo real
- Os casos de uso incluem capacidade extra sob demanda e capacidade reservada para grandes eventos.25
20. Gestão de tráfego de dados
A IA atribui largura de banda com base na demanda ao vivo, para que as velocidades se mantenham durante os horários de pico.
Exemplo real para gestão de tráfego de dados
A Optus testou a adaptação de link nativa de IA da Ericsson, que substitui regras fixas por decisões de IA em tempo real sobre como os dados são enviados pelo enlace de rádio, para melhorar as velocidades de download 5G onde o sinal é fraco.
- Mais de 20% de throughput por célula em condições de sinal médio a ruim
- Nenhum hardware ou espectro extra necessário.26
Utilities de IA em fluxos de trabalho de CRM e atendimento ao cliente
Agentes de IA e copilotos integrados ao gerenciamento de relacionamento com o cliente (CRM) resolvem solicitações rotineiras, summarize interações para agentes humanos e coordenam o trabalho de campo.
21. Otimização da equipe de campo orientada por IA e coordenação de visitas a residentes
Quando o agendamento e as mensagens aos clientes rodam em sistemas separados, os técnicos fazem rotas ineficientes e chegam a casas onde não há ninguém. Plataformas de serviço de campo planejam o despacho e enviam lembretes aos residentes para que as visitas aconteçam.
Exemplo real para despacho interno e otimização de incidentes
A Ukrtelecom consolidou o contact center, a gestão de incidentes e a gestão da equipe de campo na plataforma da Creatio para automatizar o roteamento e a priorização de tarefas.
- 39% maior produtividade operacional
- 30% de aumento na produtividade da equipe de campo
- 25% de redução em incidentes de erro
- 20% de redução nos custos de tempo de serviço.27
Exemplo real para engajamento de residentes e coordenação de agendamentos
A Sureserve implantou o Creatio Service com mensagens a residentes prioritariamente via WhatsApp para enviar lembretes automáticos de visitas, confirmações e opções de reagendamento por autoatendimento.
- Mobiliza 4.000 engenheiros diariamente em 1.2 milhão de propriedades
- Melhorou significativamente as taxas de resolução na primeira visita e a utilização da força de trabalho
- Permitiu atualizações de dados em tempo de reunião que antes levavam semanas de desenvolvimento..28
22. Onboarding de clientes orientado por IA e ativação de contrato
Termos contratuais complexos, confusão sobre datas de início e prazos de ativação de medidores geram alto volume de chamadas recebidas e onboardings de clientes malsucedidos. Agentes de IA no CRM usam dados contratuais e a base de conhecimento para responder perguntas de onboarding logo após a assinatura.
Exemplo real para onboarding de clientes orientado por IA
A ENGIE Italy incorporou o Salesforce Agentforce em e-mails de boas-vindas, oferecendo aos novos clientes um link direto para o portal de autoatendimento para fazer perguntas específicas sobre onboarding e contrato.
Resultados:
- 3x de aumento nas taxas de cliques (chegando a 4,5%) nos e-mails
- Menos onboardings malsucedidos.18
23. CRM unificado para vendas de energia limpa e instalação em campo
Expandir para energia solar, bombas de calor e carregadores de VE exige que as utilities unifiquem os dados dos clientes entre vendas, serviço e equipes de campo. Um CRM central vincula os pipelines de vendas ao agendamento de campo, enquanto resumos de ordens de serviço com IA eliminam tarefas duplicadas de back-office.
Exemplo real para CRM unificado
Para escalar seus serviços de instalação solar e de VE, a E.ON UK precisava conectar os pipelines de vendas ao agendamento de serviço de campo e eliminar ineficiências de back-office. A utility implantou Microsoft Dynamics 365 (Sales e Field Service) juntamente com resumos de ordens de serviço do Copilot orientados por IA para simplificar os fluxos de trabalho dos técnicos.
- Melhoria nas taxas de sucesso de instalação na primeira tentativa nas operações de campo
- 20% de redução na duração dos trabalhos de instalação em campo
- Eliminou um processo manual de transferência de propriedade de 20 minutos por local.29
Utilities de IA em operações de back-office
24. Automação de meter-to-cash e faturamento
O meter-to-cash cobre todas as etapas, da leitura do medidor ao recebimento do pagamento: validação dos dados do medidor, cálculo de contas, envio de faturas e processamento de pagamentos. As utilities executam essas etapas como grandes jobs em lote noturnos, de modo que um job com falha pode atrasar milhares de contas.
Ferramentas de automação de cargas de trabalho executam esses jobs de ponta a ponta e sinalizam atrasos antes que os clientes percebam. Elas também entregam dados de faturamento limpos e pontuais aos modelos de IA que dependem deles.
Exemplo real para automação de meter-to-cash SAP
A Stadtwerke München (SWM) fornece eletricidade, gás, aquecimento urbano e água para Munique. Sua equipe iniciava 60–70 processos de faturamento SAP manualmente todos os dias. A SWM migrou para o RunMyJobs da Redwood para automatizar essas execuções.
Resultados:
- Tempo de processamento do meter-to-cash reduzido de 14 horas para 8 horas
- 100% de precisão na emissão diária de faturas,
- 60–70 processos de faturamento iniciados manualmente por dia substituídos por execuções automatizadas.30
25. Automação de processos low-code
As utilities dependem de muitos pequenos processos manuais, como formulários de segurança, rastreamento de equipamentos e aprovações, que muitas vezes vivem em planilhas e e-mail. Plataformas low-code permitem que os funcionários criem aplicativos e fluxos de trabalho sem esperar pela TI.
Exemplo real para adoção de low-code em toda a empresa
A Pacific Gas & Electric (PG&E) trabalhou com a Cognizant para implementar a Microsoft Power Platform em toda a empresa. Os funcionários criaram aplicativos para rastrear equipamentos em locais de emergência, um chatbot de IA para perguntas ao service desk e bots que reconciliam dados de faturamento.
Resultados:
- 300+ soluções gerando cerca de US$ 75 milhões em economia anual,
- 132 soluções entregues em menos de um ano em nove unidades de negócios.31
Soluções e ferramentas em utilities de IA
Abaixo estão as categorias de ferramentas por trás dos casos de uso acima, com os fornecedores de exemplo:
IA CRM
CRMs de IA conectam o contact center, o meter-to-cash e as operações de campo em um único registro do cliente.
Confira a comparação de preços de CRM para mais detalhes.
Creatio
Creatio é um CRM de IA e plataforma de fluxos de trabalho que permite às equipes de negócios alterar fluxos de contact center, incidentes e campo sem esperar por ciclos de desenvolvimento. Conecta-se a sistemas existentes de faturamento, medição e operação por meio de APIs, MCP e webhooks, e trabalha com o LLM de escolha do usuário.
- Agentes de IA integrados e governados de ponta a ponta: Creatio IA Studio cobre o ciclo de vida completo do agente, gerenciando builds, implantações e aprovações human-in-the-loop, enquanto o IA Twin permite que os funcionários criem agentes pessoais em linguagem natural. Os agentes podem herdar as permissões do usuário e registrar cada decisão. Por exemplo, um agente pode redigir um reagendamento de visita, mas precisa da confirmação do despachante antes de executar.
- Uma plataforma para serviço e trabalho de campo: Unifica contact center, gestão de incidentes e gestão de equipe de campo em um único sistema. No estudo de caso da Ukrtelecom acima, a empresa consolidou as operações de serviço e campo no Creatio.
Salesforce Agentforce Sales (anteriormente Sales Cloud)
Salesforce Sales Cloud foi oficialmente renomeada para “Agentforce Sales”, com agentes de IA autônomos integrados ao núcleo. As utilities geralmente a compram como parte do Agentforce Energy & Utilities, que adiciona um modelo de dados de utilities sobre Sales e Service. Alguns dos recursos do Agentforce Sales são:
- Ações predefinidas para utilities: Subagentes predefinidos podem buscar contas e detalhes de faturamento, criar e atualizar contas de faturamento no sistema externo, iniciar e interromper o serviço e obter ou enviar leituras de medidores. Grande parte do trabalho de integração que outros CRMs exigem já está escopada.
- Casos de uso de energia prontos: O Agentforce resolve consultas de faturamento, atualizações de interrupções e solicitações de serviço, recomenda tarifas e produtos com base no histórico de faturamento e no contexto do caso, e compara planos e incentivos para decisões de energia limpa.
- Modelo de dados de utilities: Agentes do Agentforce referenciam objetos do setor, como contas, pontos de serviço, contas de faturamento e contratos de serviços de energia.
Dynamics 365 Sales
O Dynamics 365 Sales é um aplicativo de vendas orientado por modelos construído no Microsoft Dataverse. Para utilities, o Dataverse é o ponto-chave onde vendas, contact center e equipes de campo trabalham a partir de um único registro do cliente. Alguns de seus recursos são:
- Agentes de vendas para pipelines comerciais e de energia limpa: O Premium inclui acesso ao Sales Qualification Agent, Sales Opportunity Agent, Sales Research Agent e Sales Close Agent (em prévia). Eles atendem a contratos de energia B2B e vendas de energia solar, bombas de calor ou carregadores de VE.
- Copilot incluído em todos os níveis: As capacidades incluídas cobrem insights e recomendações contextuais, resumos de leads e oportunidades, resumos de preparação de reuniões, resumos de e-mails e rascunhos de respostas, e chat em linguagem natural.
- Faturamento de utilities na mesma plataforma: As soluções UMAX da Itineris são desenvolvidas e integradas nativamente à plataforma Dynamics 365, para que o meter-to-cash possa conviver com o CRM. A Regional Water Authority usa essa configuração (ver caso de uso 13).
Ferramentas WLA
Automação de cargas de trabalho e agendamento de jobs corporativos podem executar tarefas de faturamento e dados no prazo com menos erros manuais.
IoT
Dispositivos de IoT, sensores e medidores inteligentes informam como a rede e as usinas estão operando, para que as equipes possam corrigir equipamentos com base em sua condição e não em um cronograma fixo.
ThingWorx
ThingWorx é uma plataforma de IoT industrial para construir painéis de monitoramento, alertas e aplicativos sobre dados de equipamentos. A plataforma foi adquirida pela Velotic.
- Lê equipamentos de utilities diretamente: O Kepware suporta uma biblioteca de mais de 150 drivers e plug-ins avançados. Isso inclui drivers DNP, IEC 61850 MMS e IEC 60870-5-101/104, os protocolos usados em subestações e unidades terminais remotas.
- Detecção de Anomaly por sensor: A detecção de Anomaly é habilitada por padrão para criar um alerta para uma propriedade específica iniciar a detecção, como na vibração de uma bomba ou na temperatura de um trocador de calor.
- Dados operacionais prontos para agentes: ThingWorx IA Assistant, runtime de IA e serviços de agentes, e um MCP Server geralmente disponível que expõe os serviços ThingWorx como ferramentas acessíveis por IA.
Estudo de caso de IoT para utilities
A Vattenfall Heat gerencia cerca de 1.800 ativos de aquecimento na Holanda, como usinas de calor, unidades de produção e usinas de frio, atendendo mais de 120.000 residências. Usou o ThingWorx e o Kepware para monitorar esses locais a partir de um único lugar, começando com um piloto em Amsterdã.
- Monitoramento: Painéis mostram dados de processo e gerenciam alarmes de geradores, pontos de medição remotos e estações de transferência.
- Planejamento: Os dados ajudam a equipe a prever a demanda de calor, planejar a expansão da rede e reduzir o tempo de inatividade da instalação.32
AWS IoT Core
O AWS IoT Core é um serviço gerenciado que conecta dispositivos à AWS sem executar servidores. Para utilities, é principalmente a camada de ingestão de medidores inteligentes e sensores. Analytics e ML rodam em outros serviços da AWS.
- Servidor de rede LoRaWAN gerenciado: O AWS IoT Core for LoRaWAN é um servidor de rede LoRaWAN totalmente gerenciado para dispositivos de baixo consumo e longo alcance. As utilities podem configurar redes LoRaWAN públicas ou privadas sem criar ou executar seu próprio servidor de rede.
- Rules Engine para medidores de múltiplos fornecedores: Regras filtram, transformam e decodificam dados de dispositivos com uma linguagem semelhante a SQL. As mensagens podem ser roteadas para mais de 20 serviços da AWS e de terceiros. O payload de cada fornecedor de medidores pode ser decodificado por sua própria regra.
Estudo de caso do AWS IoT Core para utilities
A Madrileña Red de Gas é a terceira maior distribuidora de gás da Espanha por pontos de fornecimento. Precisava integrar 900.000 medidores inteligentes de diferentes fornecedores em uma única plataforma para atender às regulamentações de telemetria de 2030. Usou a integração nativa do AWS IoT Core com redes LoRaWAN públicas em colaboração com a operadora Everynet, com uma regra do IoT Core para cada fabricante de medidores. Os resultados incluem:
- 25% de redução nos custos operacionais por meio de monitoramento em tempo real e integração de dados
- 30% de redução nos custos de infraestrutura, já que o LoRaWAN evitou a implantação de gateways proprietários
- Mais de 900.000 medidores inteligentes gerenciados sem comprometer o desempenho
- Leituras de medidores, informações de clientes e dados meteorológicos combinados em um único sistema de relatórios.33
Azure IoT Hub
O Azure IoT Hub é o gateway de nuvem gerenciado da Microsoft para conectar, autenticar e gerenciar frotas de dispositivos. É o equivalente direto do AWS IoT Core. Atende frotas de dispositivos distribuídos e autônomos com funções fixas, como estações de monitoramento de água e sensores distribuídos de nível de fluido. Algumas de suas capacidades relevantes para utilities são:
- Controle bidirecional de medidores e sensores: O IoT Hub mantém um gêmeo de dispositivo para cada dispositivo conectado e pode invocar métodos diretos nos dispositivos a partir da nuvem. As utilities podem alterar configurações do medidor, acionar uma leitura sob demanda ou verificar o estado relatado de um sensor sem uma visita ao local.
- Onboarding zero-touch e segurança duradoura: O Device Provisioning Service registra dispositivos usando certificados X.509 ou um Trusted Platform Module. O IoT Hub agora pode renovar certificados de dispositivos diretamente, para que os dispositivos conectados permaneçam autenticados ao longo do tempo sem tempo de inatividade.
- Rotear dados diretamente para analytics e IA: A telemetria do IoT Hub pode ser roteada para plataformas de análise como o Microsoft Fabric para visualização ou modelagem de IA.
Cibersegurança de OT e da rede
Essas ferramentas descobrem ativos de rede e usinas, detectam ameaças em redes OT e controlam o acesso remoto a subestações, estações de bombeamento e usinas de energia.
Claroty
O Claroty é uma plataforma de proteção de sistemas ciberfísicos (CPS). Cobre gerenciamento de exposição, proteção de rede, acesso seguro e detecção de ameaças, e pode rodar na nuvem (Claroty xDome) ou on-premises (Claroty CTD).
- Acesso seguro de fornecedores e funcionários a locais remotos: O Secure Remote Access protege redes industriais contra riscos introduzidos por usuários remotos, incluindo fornecedores terceirizados, contratados e técnicos.
- Priorização de riscos orientada por IA: O xDome usa IA para destacar vetores de ataque específicos e os classifica por probabilidade de exploração, impacto nos negócios e controles compensatórios existentes.
- Agente de IA para trabalho de segurança OT: A Claroty lançou Claire, um agente de segurança de IA criado para sistemas ciberfísicos. Também adicionou painéis e relatórios gerados por IA, uma biblioteca CPS e um servidor Model Context Protocol para o xDome.
Armis
O Armis Centrix é uma plataforma de gerenciamento de exposição cibernética. A plataforma foi adquirida pela ServiceNow, que vincula os dados de ativos da Armis aos fluxos de trabalho de ticketing e correção da ServiceNow.
- Uma visão em TI e OT: Descobre e monitora ativos conectados em TI, OT, dispositivos de IoT, equipamentos médicos, código e ambientes de nuvem.
- Ciclo de vida completo de exposição OT: O Armis Centrix for OT/IoT Security usa o Armis Asset Intelligence Engine orientado por IA e cobre todo o ciclo de vida do gerenciamento de exposição em ambientes OT, ICS e de gestão predial.
Dragos
A Plataforma Dragos é construída apenas para ambientes OT. Combina visibilidade de ativos OT, detecção de ameaças, gerenciamento de vulnerabilidades e investigação e resposta.
- Inteligência de ameaças específica para OT: A inteligência de ameaças WorldView é construída exclusivamente para OT. A Dragos rastreia 26+ grupos de ameaças específicos de OT, de modo que as detecções estão vinculadas a atacantes conhecidos que visam utilities.
- Defesa coletiva entre utilities: O Neighborhood Keeper é uma rede opcional onde os usuários da Plataforma Dragos compartilham inteligência anonimamente. Os clientes podem receber contexto sobre novas vulnerabilidades ou atividades de ameaças, muitas vezes antes de serem divulgadas publicamente.
- Caça a ameaças especializada: O OT Watch adiciona caça a ameaças liderada por especialistas. O OT Watch Complete estende isso para cobertura 24/7, o que ajuda utilities sem uma equipe dedicada de segurança OT.
- IA construída sobre expertise em OT: O EmberAI é construído sobre o Dragos Intelligence Fabric e se baseia em uma década de expertise em cibersegurança OT.
- Adequação regulatória: A Dragos também posiciona seu monitoramento de rede para apoiar a conformidade com o NERC CIP-015, o novo requisito de monitoramento de segurança de rede interna.
Algoritmos de ML e IA
Plataformas de ML constroem, implantam e monitoram modelos para visão computacional (inspeção de ativos), análise preditiva (falhas, demanda), PLN (consultas de clientes), IA generativa, e IA agêntica.
Infraestrutura de dados e plataformas de nuvem
Plataformas de dados unificam dados de medidores, rede inteligente, clientes e clima para que os modelos de IA treinem em uma única fonte consistente. Plataformas de streaming adicionam dados ao vivo para detecção de interrupções e para assistentes baseados em RAG. Como os modelos são tão bons quanto seus insumos, verificações de qualidade de dados pertencem a esta camada.
Estudo de caso de infraestrutura de dados para utilities
A AusNet Services opera redes de eletricidade e gás para 1.5 milhão de clientes em Victoria, Austrália. Seus dados estavam em warehouses separados, por isso não conseguia avaliar a condição dos ativos antes que ocorressem falhas. A AusNet migrou seus dados para o Databricks no Azure e os usou para aprendizado de máquina. Os resultados:
- Os custos da plataforma de dados caíram 50%.
- O processamento de dados ficou 3x mais rápido.
- A manutenção preditiva em três classes de ativos reduziu risco e custo, e a AusNet agora a está expandindo para todos os seus ativos.34
Gestão descentralizada de energia
Soluções de redes inteligentes como ADMS, DERMS e EMS equilibram o fluxo de energia, integram energia solar de telhado, baterias e VEs, e otimizam a produção e o armazenamento. Gêmeos digitais simulam o desempenho da rede e dos ativos em diferentes cenários antes que as mudanças entrem em vigor.
Por que usar IA em utilities?
Aumento da demanda de eletricidade
A demanda está crescendo mais rápido do que as utilities conseguem construir nova capacidade. Melhores previsões e agendamento ajudam a atendê-la com os ativos que já possuem.
- Espera-se que a demanda de eletricidade aumente 1,4% ao ano até 2032, resultando em um aumento cumulativo de 46%.35
- Nos EUA, espera-se 120 GW de demanda adicional de eletricidade até 2030, incluindo 60 GW de data centers, aproximadamente equivalente ao pico de uso de energia da Itália em 2024.36
- Nos EUA, os preços da eletricidade residencial subiram cerca de 13% de 2022 a 2025.37
- Agendamento orientado por IA pode aumentar a produtividade de campo em 25–30%.35
Oportunidades de investimento em utilities
As utilities estão prestes a investir pesadamente em melhorias na rede, e a IA ajuda a decidir para onde esse dinheiro vai.
- Espera-se que as empresas elétricas dos EUA invistam US$ 1.1 trilhão entre 2025 e 2029 para atualizar a infraestrutura envelhecida e expandir a capacidade da rede.38
- A análise de saúde ativos baseada em ML permite que as utilities realoquem até 80% do capital. 35
Os dados de saúde dos ativos também mostram onde não investir, o que ajuda a evitar o excesso de construção à medida que os custos de construção aumentam.
Crescimento da demanda de data centers
Os data centers estão adicionando grandes novas cargas à rede:
- A demanda de eletricidade dos data centers pode dobrar até 2030, com um aumento de 131% esperado até 2032 em um cenário de alto crescimento.35
- Projetos individuais de IA agora precisam de tanta energia quanto uma grande cidade. Por exemplo, a recente parceria de 10 gigawatts de data center entre OpenAI e Nvidia exige o equivalente em eletricidade da cidade de Nova York durante o pico de uso no verão.36
- Projetos renováveis agora representam mais de 90% de toda a nova capacidade aguardando conexão à rede.36
- A IA melhorou a taxa de calor ou o rendimento de ativos de geração fóssil e renovável em 2–5%.35
Desafios das utilities de IA
- Privacidade de dados: Dados de medidores inteligentes mostram quando as pessoas estão em casa e quais eletrodomésticos usam, portanto treinar modelos com esses dados levanta questões de privacidade e consentimento.
- Viés de IA: Modelos que sinalizam fraudes ou priorizam desconexões podem tratar alguns grupos de clientes de forma injusta, portanto essas decisões precisam de revisão humana.
- Integração de sistemas legados: As redes tendem a operar com sistemas SCADA, OT e de faturamento de décadas. Conectar modelos de IA a essa infraestrutura geralmente é o maior custo e atraso em um projeto de IA em utilities.
- Restrições regulatórias e de conformidade: As utilities são reguladas por tarifas. Novos investimentos orientados por IA, preços dinâmicos e decisões automatizadas devem satisfazer as comissões de serviços públicos, requisitos de explicabilidade e auditoria. Isso retarda a implantação em relação a setores não regulamentados. Saiba mais sobre conformidade de IA.
- Qualidade e disponibilidade de dados: Os modelos são tão bons quanto os dados de medidores, sensores e ativos por trás deles. Dados históricos esparsos, inconsistentes ou mal rotulados limitam a precisão das previsões e da manutenção preditiva. Explore mais sobre desafios e soluções de qualidade de dados para IA.
- Cibersegurança e superfície de ataque ampliada: Conectar mais ativos (sensores de IoT, medidores inteligentes, dispositivos de borda) e automatizar ações de controle aumenta a exposição. Os sistemas de IA podem ser alvos de envenenamento de dados ou manipulação de modelos.
Descubra outros riscos e desafios de IA.
Estudos de caso de utilities de IA
Leitura adicional
Explore mais sobre IA em outros setores:
Cite esta pesquisa
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Şimşek, Hazal},
title = {{IA Utilities: Principais 25 Casos de Uso e 48 Estudos de Caso}},
year = {2026},
month = oct,
howpublished = {\url{https://aimultiple.com/ai-utilities}},
note = {AIMultiple. Acessado em 28 outubro 2026}
}Resultados e carimbos de data/hora de 84 pontos de dados. Baixe os dados resumidos exibidos nos gráficos e tabelas deste artigo como um arquivo ZIP contendo 6 arquivos CSV.
Quer os dados granulares por trás disso? Assine o Premium
Registro de alterações
5 atualizaçõesAdicionados dois casos de uso: carregamento de VE com IA e detecção de incêndios florestais.
Removida a Figura 1, o gráfico de busca de palavras-chave do Google sobre AI utilities.
Adicionado um exemplo da vida real à seção sobre casas inteligentes como centros de energia.
Links de referência
O trabalho de Cem na AIMultiple foi citado por publicações globais líderes, incluindo Business Insider, Forbes, Morning Brew e Washington Post, por empresas globais como Deloitte e HPE, ONGs como o World Economic Forum e organizações supranacionais como a European Commission. [1], [2], [3], [4], [5]
Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas sobre suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.
Ele liderou a estratégia de tecnologia e as compras de uma operadora de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de deep tech Hypatos, que atingiu uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia líderes como TechCrunch e Business Insider.
Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou como engenheiro da computação pela Bogazici University e possui um MBA pela Columbia Business School.



Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.