Um PLC comanda uma linha de produção. Quando uma IA escreve o programa de controle, “o código parece certo” não é uma entrega aceitável — o programa precisa compilar em um projeto real, se comportar corretamente em um runtime de tempo real, falhar de forma segura quando algo anormal acontece e continuar legível para o eletricista de chão de fábrica. Essa é a barreira que a maioria das ferramentas de codificação com IA nunca atravessa, e é exatamente o que uma nova estrutura de pesquisa chamada SemaPLC foi construída para resolver.
Desenvolvida por uma equipe da Universidade Jiao Tong de Xangai junto com o grupo de pesquisa Sema, a SemaPLC faz algo deliberadamente sem glamour: ela move todo o ciclo de engenharia de PLC — compilar, implantar, executar, verificar, simular — para o navegador, e submete o agente de IA a esse ciclo em vez de confiar na própria confiança dele. O resultado é uma mudança de “IA pode gerar código PLC” para “IA pode entregar código PLC que passa por verificações de engenharia”. No caminho, ela demonstra uma descoberta que vai muito além da automação industrial: quando um loop de verificação é quem julga, modelos pequenos podem competir de igual para igual com modelos muito maiores.
Por que PLCs são o caso mais difícil para IA de código
Os LLMs ficaram surpreendentemente bons em elaborar programas de PLC a partir de linguagem natural. Descreva uma sequência de partida e parada de motor, um controlador de nível de tanque ou um controlador de elevador de quatro andares, e um modelo produzirá código de Texto Estruturado (ST) plausível sob a norma IEC 61131-3. Essa parte funciona.
A parte difícil é tudo o que vem depois. Diferente de um serviço web, um programa de PLC opera fisicamente linhas de produção, válvulas, elevadores e intertravamentos de segurança. Ele vive dentro de um projeto pré-existente com variáveis compartilhadas, restrições de temporização e interfaces de hardware específicas. Código que compila isoladamente pode falhar na integração; código que integra pode se comportar mal em tempo de execução; um comportamento que parece correto em operação normal pode estar errado justamente quando uma falha ocorre. Na automação industrial, “parece correto” não é um critério de qualidade — é o começo do problema.
Por dentro da SemaPLC: o agente se torna um ciclo de engenharia
A arquitetura da SemaPLC é simples no conceito e exigente na execução. O agente de IA é desacoplado da toolchain de PLC, que é exposta como um conjunto de ferramentas de engenharia: compilação, implantação e execução, leitura/escrita de variáveis (incluindo forçamento), gravação de traces, verificação de comportamento e geração de simulação de processo. Tudo roda em um WebIDE baseado em navegador, onde um engenheiro pode inserir requisitos, inspecionar o código gerado, ler diagramas ladder e monitorar variáveis em uma única janela.
A escolha de design decisiva é o gating por verificação. O agente não declara a tarefa concluída quando acredita que o resultado é suficiente. Ele só conclui quando verificações externas confirmam a correção: o código atende à especificação, compila e se comporta corretamente em um ambiente de execução real. O modelo propõe; a toolchain dispõe.
Os resultados dão peso ao design. Em 117 tarefas de POU (Program Organization Unit) autônomas alinhadas a benchmarks existentes, a SemaPLC alcançou a maior taxa de aprovação em verificação estrita entre todos os sete modelos testados, com média de 72,6% — cerca de nove pontos acima de baselines de referência como Agents4PLC e AutoPLC. Em uma trilha mais difícil, com 65 tarefas em contexto de projeto, em que a lógica gerada precisa compilar e rodar dentro de um projeto de PLC real, liderou em compilação integrada, comportamento estático e comportamento dinâmico.
Essa última categoria merece atenção especial. A descoberta mais instrutiva do artigo é o gap entre estático e dinâmico: as abordagens baseline normalmente pontuam cerca de 70% em análise estática, e então despencam para 20–30% quando o mesmo código é executado em um ambiente de tempo real. A SemaPLC manteve uma média de 52,2% de confiabilidade dinâmica — porque seu gate verifica o comportamento em runtime, não apenas se o código é parseado. A verificação dinâmica em runtime, argumentam os autores, é a medida mais discriminante de se o código de controle gerado é genuinamente confiável.
O padrão: código com gating por verificação
Vista de longe, a SemaPLC é uma instância concreta de um padrão mais amplo. A codificação com IA até agora tem sido aproximadamente “autocomplete em escala”: o modelo gera, um humano revisa e — nas melhores configurações — um pipeline de CI roda os testes. Para software comum, testes são um proxy de correção. Para lógica de controle, o proxy não basta; o gate precisa ser o runtime real, comparando os traces de execução da lógica gerada com a lógica de referência.
Pense na diferença entre um copiloto confiante e uma checklist de voo. A confiança do copiloto não é o que pousa um avião em segurança; é a checklist. Agentes com gating por verificação tratam a checklist como a fonte da verdade, e o modelo como um motor de propostas que pode ser trocado. É também por isso que o resultado dos “modelos pequenos” não é um paradoxo: quando um loop externo faz a checagem, o tamanho do modelo deixa de ser a variável decisiva. Um modelo menor com um loop de verificação pode alcançar taxas de aprovação que um modelo maior sem um não consegue — e por uma fração do custo.
O que isso sinaliza para a indústria
A automação industrial tem sido um dos últimos redutos resistentes à codificação com IA, por um motivo óbvio: o custo da falha é físico. Uma função alucinada em um app web é um bug; um intertravamento alucinado em um circuito de segurança é um acidente. Agentes com gating por verificação mudam a equação de risco, e é isso que torna o padrão importante — não o domínio de PLC em si.
A mesma lógica se generaliza para sistemas embarcados, avionica, dispositivos médicos e conciliação financeira — em qualquer lugar onde o código gerado precisa ser provado, não apenas plausível. O gargalo da engenharia assistida por IA está se deslocando da qualidade de geração para a infraestrutura de verificação: quem constrói o loop capaz de testar a saída da IA contra a realidade, de forma barata e contínua. Isso é um problema de moat, e está aberto tanto para empresas de ferramentas quanto para laboratórios de modelos. O design de chips já produziu seu primeiro engenheiro de IA Nível 5 a passar por sign-off de nível de engenharia, e a mesma lógica está se espalhando para mais domínios de engenharia difícil.
Há também um ângulo de democratização. Se um loop de verificação permite que modelos pequenos e baratos passem por verificações de nível de engenharia, então integradores de médio porte e equipes de fábrica sem orçamento para modelos de fronteira também têm acesso à engenharia assistida por IA. O mesmo diagnóstico se aplica à produção em massa de robôs travada na barreira das 10 mil unidades: o que falta é infraestrutura de verificação, não o modelo. O padrão do setor também melhora: benchmarks que reportam taxas de aprovação dinâmicas, em vez de pontuações estáticas, dão aos compradores uma métrica que de fato prevê o desempenho em campo.
O que fazer com isso
- Engenheiros de automação: a elaboração de código ST por linguagem natural está pronta para ser experimentada, mas nunca faça merge de saída de IA sem checagens de compilação, verificação de traces em runtime e simulação contra cenários anormais. Trate “gerado” como rascunho e “verificado” como a entrega.
- Equipes de plataforma: construa gates de verificação — compilação, trace em runtime, simulação — como ferramentas de primeira classe, não como detalhes secundários. O modelo é intercambiável; o loop é o moat.
- Compras: ao avaliar ferramentas de codificação com IA para uso industrial, peça taxas de aprovação em verificação dinâmica em projetos reais. Vídeos de demonstração não são evidência.
- Pesquisadores e entusiastas: o artigo da SemaPLC (arXiv 2608.18565) e seu benchmark valem a leitura; a simulação de PLC no navegador também funciona como um campo de treinamento rápido e seguro para engenheiros aprendendo lógica de controle — parte da mesma infraestrutura de simulação que a Veeda está construindo para treinamento de robôs.
A conclusão é simples: a próxima etapa da codificação com IA não trata de geração mais inteligente. Trata de fechar o loop entre o que um modelo propõe e o que a realidade aceita. A SemaPLC é uma prova inicial, bem medida, de que o loop — não o modelo — é onde está a alavancagem hoje.
