Encontrar o carbono
de cada compra —
em segundos.

Um trabalho que era feito à mão, linha por linha, virou uma pergunta que o banco de dados responde sozinho.

Setembro de 2026 Planton · Nimbus Network · Oracle

02

O trabalho
que a Planton faz

Inventário de carbono (Escopo 3): quanto CO₂ cada compra de uma empresa gera.

A empresa compra

Resina, papelão, soda cáustica, energia, frete. Milhares de linhas numa planilha do ERP — tudo em português.

Cada item ganha um fator

Um analista acha o item equivalente numa base científica internacional — a ecoinvent, que está em inglês.

Sai a emissão

Quantidade × fator = kgCO₂eq. Mais o nível de confiança: o quanto se pode acreditar naquele número.

Resultado esperado · fator em kgCO₂eq · nível de confiança · explicação em português

03

Item por item.
Na mão.

Duas línguas, dois vocabulários, nenhuma ponte automática. São milhares de linhas por inventário — cada uma pesquisada, decidida e justificada por uma pessoa.

Planilha de compras — em português

RESINA PP H503 BRASKEM

CAIXA PAPELÃO ONDULADO 600x400

SODA CÁUSTICA

Base de fatores — em inglês

polypropylene, granulate

corrugated board box

sodium hydroxide

O nome que sai do ERP não é o nome do catálogo científico: tem código de fornecedor no meio, abreviação, acento faltando. É lento, cansativo e difícil de auditar — duas pessoas podem escolher itens diferentes para a mesma compra.

04

A busca comum
compara letras.

Não o que as palavras querem dizer.

SODA CÁUSTICA ≠ sodium hydroxide

Mesma substância. Nenhuma palavra em comum. Para um computador que procura por letra, são dois textos que não têm nada a ver.

0%

de acerto da busca por palavra (LIKE),
medido na base de teste

O mesmo produto aparece com nomes diferentes, em idiomas diferentes, com ou sem acento. Comparar letras não resolve. É preciso comparar significado.

Até aqui

O problema
era da Planton.

Conhecimento de carbono, catálogo, critério de confiança — tudo isso já existia. Faltava a ponte entre o que a empresa compra e o que a ciência mede.

A partir daqui

A Nimbus
construiu a ponte.

Busca por significado rodando dentro do Oracle Autonomous Database — junto do dado de negócio, sem mandar nada para fora.

A solução · conceito

O que é busca semântica

Em vez de comparar letras, o sistema compara significado.

Um modelo de IA lê cada texto e o transforma em um ponto num mapa. Esse ponto se chama embedding.

Textos que significam a mesma coisa ficam perto um do outro nesse mapa — mesmo escritos em idiomas diferentes.

Buscar vira uma pergunta simples: quais pontos estão mais perto deste aqui?

O MAPA DE SIGNIFICADOS

Perto = mesmo significado. Longe = coisas diferentes.

NIMBUS · NETWORK IT SOLUTIONS · CASE PLANTON SEMÂNTICA 06

A solução · como funciona

Uma escada de quatro degraus

Cada degrau só é usado se o anterior não resolveu. A maioria dos itens para nos dois primeiros — que não custam nada.

1

Já respondemos isso antes?

Itens já revisados por um analista voltam da memória.

custo zero · na hora

2

Modelo próprio da Planton

Treinado com o catálogo da Planton, rodando dentro do banco Oracle. Resolve os casos claros.

custo zero · ~30 ms

3

IA generativa decide os duvidosos

Interpreta o nome do produto, reordena os candidatos e classifica a confiança.

centavos · 2 a 6 s

4

Resgate para casos raros

Um modelo com conhecimento mais profundo de produtos comerciais entra só quando nada resolveu.

raro · ~20 s

SAÍDA fator kgCO₂eq + confiança (Alta / Média / Baixa) + justificativa em português

NIMBUS · NETWORK IT SOLUTIONS · CASE PLANTON SEMÂNTICA 07

A solução · Oracle Cloud

O conhecimento mora dentro do banco

Antes, cada consulta pagava uma IA externa para traduzir do português para o inglês. Agora essa tradução vive no Oracle Autonomous Database.

AUTONOMOUS DATABASE

dado de negóciocompras, quantidades

base de fatoresecoinvent 3.12

modelo de significadocarregado no banco

memória de decisõesok / não ok dos analistas

A busca por significado virou um comando SQL, ao lado do dado que já estava ali.

O dado não sai da Oracle Cloud Transformar o texto em ponto, buscar e calcular o fator acontece no mesmo banco. Nenhuma consulta comum passa por serviço externo.

O gasto virou um ativo O que antes era pago a cada tradução ficou guardado uma vez, dentro do modelo. O caminho comum não chama nenhuma API.

NIMBUS · NETWORK IT SOLUTIONS · CASE PLANTON SEMÂNTICA 08

A solução · treinamento

Como o modelo aprendeu a língua da Planton

Pegamos um modelo multilíngue pronto e o treinamos com exemplos do próprio catálogo.

4.176pares de exemplo

Cada par junta o nome como aparece no ERP e uma frase natural com o mesmo sentido, gerados a partir do catálogo.

2 minde treino

O ajuste é rápido. Dá para re-treinar sempre que o catálogo mudar ou as revisões dos analistas acumularem.

29 de 30buscas iguais com e sem acento

“SODA CAUSTICA” e “SODA CÁUSTICA” levam ao mesmo resultado. Erro de digitação não derruba a busca.

1 bancomodelo carregado dentro do Oracle

O modelo vive no Autonomous Database, junto do dado de negócio — sem servidor de IA à parte.

NIMBUS · NETWORK IT SOLUTIONS · CASE PLANTON SEMÂNTICA 09

A solução · resultados medidos

Os números

Base de demonstração, 20 consultas reais. Acerto = o primeiro resultado já era o certo.

100%de acerto com o modelo próprio da Planton

~35 mspor resposta, dentro do banco

R$ 0por consulta no caminho comum

Método	Acerto	Tempo	Custo por consulta
Busca por palavra (LIKE)	0%	19 ms	quase zero
Embedding genérico em inglês, no banco	67%	60 ms	zero
Embedding multilíngue, no banco	92%	30 ms	zero
Modelo Planton treinado, no banco	100%	~35 ms	zero
Pipeline anterior (IA externa, 2 chamadas por consulta)	92–96%	~1 s	pago sempre

NIMBUS · NETWORK IT SOLUTIONS · CASE PLANTON SEMÂNTICA 10

11

O que muda
para quem usa

Quatro efeitos práticos do sistema em produção.

O analista revisa, não pesquisa

O sistema já chega com o item equivalente escolhido. A pessoa confere e decide — em vez de garimpar linha por linha.

Cada resposta diz o quanto confiar

A confiança só é Alta quando quatro checagens passam: nome específico, similaridade forte, confirmação exata e nada inferido.

O sistema aprende com o uso

Quando o analista marca ok ou não ok, isso vira memória e novo exemplo de treino. Item igual responde na hora; item parecido melhora o modelo.

O dado fica onde já estava

Tudo acontece dentro da Oracle Cloud da Planton. Nenhuma consulta comum passa por serviço externo.

Demonstração

Quer ver funcionando?

Na demo você digita o nome de um item e compara três motores de busca lado a lado, ao vivo. A base usada é fictícia, com 1.000 materiais.

Klaos Lacerda

Nimbus Network

Diego Assis Brasil