No deserto do Atacama, a SQM opera uma das maiores minas a céu aberto do planeta. Cada linha de irrigação, cada aspersor e cada variação térmica podem afetar o desempenho da extração. No entanto, até recentemente, essas verificações eram manuais, com engenheiros de campo caminhando ou dirigindo quilômetros todos os dias, procurando vazamentos e aspersores desconectados.
A equipe de inovação queria avançar mais rapidamente. Precisavam de inspeções que não dependessem da resistência ou disponibilidade humana. Queriam dados que lhes indicassem, todas as manhãs, exatamente onde agir. Essa necessidade os levou à Adentu, uma integradora chilena especializada em autonomia de drones, e FlytBase, a plataforma empresarial de autonomia criada para operações de drones não tripuladas e orientadas por dados. Juntos, eles se propuseram a responder a uma pergunta que ainda desafia a maioria das operações industriais: como transformar a autonomia de uma prova de conceito em um fluxo de trabalho cotidiano?
O desafio
Durante anos, o processo de inspeção da SQM foi limitado pela escala. As inspeções a pé significavam horas sob o sol do deserto, enquanto as de carro ofereciam pouca precisão e nenhum contexto térmico. Muitas vezes, os problemas passavam despercebidos por dias.
"Cada hora que nossos engenheiros passavam caminhando era uma hora a menos para resolver o problema", lembrou Rodrigo Toler, Gerente Adjunto de Inovação Digital da SQM.
Três questões se destacaram imediatamente:
1. Lacunas de Inspeção - A imensidão da mina tornava impossível detectar vazamentos ou zonas secas com rapidez suficiente para evitar perdas de eficiência.
2. Feedback Atrasado - Quando um aspersor desconectado foi encontrado, partes da pilha já podiam estar há dias sem irrigação.
3. Resistência à mudança - As equipes de campo eram experientes, pragmáticas e céticas em relação a novas tecnologias que prometiam eficiência, mas que aumentavam a complexidade.
Resolver esses desafios exigiu mais do que drones. Significava projetar um sistema de autonomia que pudesse se integrar perfeitamente ao ritmo das operações diárias da SQM.
A solução
Os engenheiros da Adentu começaram em pequena escala: um DJI Dock, uma zona, um caso de uso. O objetivo não era a escalabilidade, mas sim a confiança. Se conseguissem comprovar a qualidade consistente dos dados e a confiabilidade operacional, o sistema poderia crescer naturalmente.
FlytBase tornou-se o cérebro da missão, agendando voos diários, gerenciando a telemetria, lidando com transferências automáticas de imagens e realizando verificações de integridade remotamente. Os drones capturavam imagens RGB e térmicas, enviando-as para a FlytBase, que então as retransmitia para o ambiente Azure da SQM para análise de aprendizado de máquina.
A Adentu desenvolveu um middleware que permitiu o fluxo contínuo de dados entre FlytBase e o Azure. O resultado não foram imagens brutas, mas sim insights: mapas de irrigação e padrões de temperatura transformados em painéis de controle que mostravam às equipes de campo exatamente para onde ir e o que corrigir primeiro.
"A plataforma FlytBase nos permitiu automatizar missões diárias, verificações de integridade e transferências de dados, criando um fluxo de trabalho verdadeiramente sem intervenção manual", disse José Pablo Mujica, Gerente Comercial da Adentu.
Foi a primeira vez que a equipe de inspeção da SQM pôde começar o dia com uma lista de prioridades hierarquizada, gerada inteiramente por sistemas autônomos.
Como funciona
Cada dia começa antes do nascer do sol. FlytBase programa duas missões totalmente autônomas a partir da base DJI, uma ao amanhecer e outra no final da tarde, quando o contraste térmico é mais forte. O drone captura dados visuais e térmicos em zonas de coleta designadas e retorna automaticamente para recarregar.
A partir daí, FlytBase transfere as imagens via API segura para o Data Lake do Azure. Modelos de aprendizado de máquina, treinados com as próprias imagens da SQM, classificam as zonas como ótimas, úmidas ou secas. Em até noventa minutos após a conclusão do voo, os operadores da SQM têm um painel atualizado em suas telas com mapas codificados por cores que destacam anomalias e indicam coordenadas precisas.
Às 8h30 da manhã, as equipes de campo já sabem para onde ir, o que inspecionar e o que reparar, antes mesmo que a maior parte da obra tenha começado a se movimentar.
Implementação
O caminho da ideia à produção seguiu um roteiro bem definido:
Etapa 1 - Verificação da realidade no terreno
A Adentu e a SQM mapearam a área operacional, identificando a localização ideal das docas e levando em consideração o calor, a poeira e o terreno. A conectividade foi gerenciada com o Starlink, escolhido por sua estabilidade em locais remotos.
Etapa 2 - Integração e Validação
As APIs da FlytBase foram configuradas para enviar dados diretamente para o Azure, enquanto os engenheiros da SQM validaram a sincronização e a integridade dos dados após cada voo.
Etapa 3 - Treinamento de IA com feedback humano
A equipe rotulou centenas de imagens iniciais da missão, ensinando o modelo a diferenciar entre reflexos térmicos e problemas reais de irrigação. Esse ciclo de feedback humano melhorou a precisão em mais de 30% no primeiro mês.
Etapa 4 - Aceitação em Campo
O marco cultural ocorreu quando os operadores começaram a solicitar os dados dos drones antes de saírem para trabalhar. "Eles se recusavam a começar sem o painel de controle matinal", lembrou Rodrigo. Esse foi o ponto de virada em que a tecnologia deixou de ser um projeto e se tornou um hábito.
Etapa 5 - Escala e Otimização
Assim que a confiabilidade se estabilizou acima de 95%, a SQM padronizou o fluxo de trabalho e passou a tratar o sistema como qualquer outro ativo operacional.
Os resultados
Em menos de dez meses, a SQM alcançou uma transformação mensurável.
A frequência de inspeção dobrou, passando de quinzenal para duas vezes ao dia. A confiabilidade da missão ultrapassou 95%, mesmo em condições desérticas adversas. O tempo de detecção caiu de vários dias para menos de 90 minutos. A eficiência de extração melhorou em 2%. O investimento total no sistema ficou entre US$ 70.000 e US$ 80.000, com retorno do investimento em menos de um ano.
O impacto operacional foi além das métricas. As rotas de caminhada manuais foram reduzidas drasticamente, permitindo que os engenheiros se concentrassem no projeto da solução em vez da detecção. E com a autonomia cuidando do trabalho repetitivo, as equipes de campo começaram a ver os drones como colaboradores, não como concorrentes.
"Um aumento de 0,5% a 2% na extração de iodo é enorme para um processo dessa escala", disse Rodrigo. "Mas a mudança mais significativa foi a autonomia que nossas equipes passaram a ter para entregar resultados."
O caminho a seguir
Após comprovar o sucesso nas inspeções de irrigação, a SQM está agora expandindo o modelo para outras funções. A empresa encomendou mais plataformas DJI Dock para seu departamento de segurança, planejando realizar missões de vigilância contínua 24 horas por dia, 7 dias por semana. A Adentu está testando o monitoramento de padrões térmicos em tubulações de PEAD para detectar sinais precoces de vazamento ou tensão estrutural.
A próxima evolução envolverá FlytBase AI-R, trazendo análises de IA de ponta diretamente para a base para processamento de dados em tempo real, mesmo quando a conectividade cai. Operações BVLOS (Além da Linha de Visão Visual) também estão no planejamento, permitindo que os drones cubram áreas maiores de forma autônoma.
"Agora estamos explorando até onde a IA de ponta pode nos levar, processando insights localmente, até mesmo offline", acrescentou Rodrigo.
O que começou como um caso de uso isolado tornou-se agora um modelo de como a SQM planeja expandir a autonomia em todo o seu ecossistema de mineração.
Conclusão
A parceria da SQM com a Adentu e FlytBase não se limitou a automatizar uma tarefa; ela redesenhou todo o ritmo operacional. Em menos de um ano, a empresa passou de inspeções a pé para a operação de uma mina com automonitoramento, que fornece informações a cada noventa minutos. FlytBase ofereceu a infraestrutura de autonomia, a Adentu a tornou pronta para uso em campo e a SQM a transformou em uma vantagem estratégica.
" FlytBase cuidou da autonomia; a Adentu fez com que funcionasse no deserto. Juntos, construímos uma mina com automonitoramento", disse Rodrigo Toler, Gerente Adjunto de Inovação Digital da SQM.
Este caso serve como prova de que a autonomia não substitui as pessoas, mas sim as potencializa. O futuro da mineração não é apenas automatizado; é inteligentemente conectado, contínuo e mensurável.
Perguntas frequentes
Como a SQM utilizou FlytBase nesta implementação?
FlytBase oferece agendamento de missões, gerenciamento de telemetria e transferência segura de dados para o Azure, permitindo que a SQM execute inspeções térmicas e visuais totalmente autônomas.
Qual foi o papel desempenhado por Adentu?
A Adentu integrou FlytBase ao ambiente Azure da SQM, implantou a infraestrutura física e personalizou os fluxos de trabalho para atender às necessidades operacionais.
Qual foi o retorno sobre o investimento (ROI) mensurável alcançado?
Confiabilidade da missão de 95%, aumento de duas vezes na frequência de inspeção, ganho de 2% no rendimento de extração e um ciclo de retorno do investimento de 10 meses.
Essa solução pode ser adaptada para outras operações?
Sim. O fluxo de trabalho é modular e independente de hardware, projetado para ser estendido a casos de uso de segurança, irrigação e monitoramento ambiental em locais globais.
