Checklist de veículos com IA: como analisamos mais de 9 mil fotos de frota com GPT-4o e Gemini

Resposta direta: o motorista faz o checklist do veículo pelo WhatsApp, mandando as fotos de sempre. Um agente de IA analisa cada foto com o GPT-4o: identifica o lado do carro, lê a placa e o hodômetro e aponta avarias. Regras de negócio conferem o resultado e a gestão recebe só o que precisa de atenção. Construímos isso para uma empresa de serviços industriais, e o agente já analisou mais de 9 mil fotos em produção.

O problema do checklist de frota feito por foto

Empresa com frota própria ou alocada em contratos costuma pedir ao motorista um checklist diário com fotos do veículo. A ideia é boa: registrar quilometragem, conferir o estado do carro e saber quem estava com ele quando apareceu um dano.

Na prática, as fotos chegam aos montes pelo WhatsApp e alguém precisa abrir uma por uma. Quando a frota cresce, a conferência vira gargalo: a quilometragem é digitada à mão, a avaria nova passa despercebida no meio de dezenas de imagens e o histórico de cada veículo fica espalhado em conversas. O registro existe, mas ninguém consegue usá-lo.

Como funciona a análise de fotos de frota com IA

O motorista não instala nada. Ele manda as fotos no WhatsApp, como já fazia, e o resto acontece em segundo plano.

A montagem tem quatro camadas:

1. Recepção pelo WhatsApp e orquestração no nosso cérebro de IA. As fotos de um mesmo envio chegam separadas. Um buffer junta as fotos de cada motorista por alguns minutos para tratar o lote como um único checklist.
2. Visão computacional em cadeia. Cada foto vai para o GPT-4o, que devolve uma resposta estruturada. Se a OpenAI não devolver a análise, o sistema espera, baixa a imagem de novo e repete; na terceira tentativa, a foto vai para o Gemini 2.5 Flash, do Google. Dois fornecedores garantem que o checklist não fica parado. A CNH do motorista é lida pelo Gemini 2.5 Pro.
3. Regras de negócio. O resultado da IA passa por regras escritas para essa frota: quais fotos são obrigatórias, como confirmar a placa contra o cadastro, quando uma quilometragem é plausível.
4. Banco de dados e painel. Tudo fica registrado no Supabase, com o histórico de cada veículo, e a gestão acompanha por um sistema próprio.

O que a IA lê em cada foto

A resposta de cada foto segue um formato fixo, definido com saídas estruturadas da OpenAI. Em vez de um parágrafo descrevendo a imagem, o modelo devolve campos: lado, placa, quilometragem, avarias com tipo e gravidade. É o que permite comparar a avaria de hoje com a do checklist anterior e aplicar as regras da frota sem ninguém ler texto.

O resultado

O agente já analisou mais de 9 mil fotos de veículos em produção. A conferência foto por foto saiu da rotina da equipe: o checklist fecha sozinho quando está completo, o motorista é avisado na hora quando falta foto e a gestão recebe o que importa, como avaria nova e quilometragem fora do esperado, com o histórico de cada veículo organizado no sistema.

Boas práticas que aplicamos na análise de fotos de frota

1. O hodômetro é identificado pela posição e pelo ícone, nunca pelo tamanho do número. Painel de carro mostra vários números com "km": trip, autonomia, hodômetro. O agente lista todos os candidatos que encontrou, escolhe o hodômetro pelo ícone e pela posição no painel e trata a casa decimal como centenas de metros. Assim a quilometragem gravada é a do veículo, e não a do trecho do dia.

2. O formato da resposta deixa o modelo dizer que tem dúvida. Com saídas estruturadas, o formato é uma instrução tão forte quanto o prompt. Por isso a leitura do painel tem campos para informar a casa decimal, listar os candidatos a hodômetro, declarar o grau de confiança e marcar a leitura como ambígua. Uma leitura incerta é tratada como incerta, em vez de virar número no histórico do veículo.

3. A quilometragem é lida duas vezes, por caminhos diferentes, e só é gravada quando as duas batem. Uma leitura procura o número que tem o ícone do hodômetro; a outra descreve primeiro todos os campos do painel e só então decide. As duas usam o mesmo modelo com instruções e níveis de raciocínio distintos, então uma discordância significa dúvida de verdade. Quando batem, o número é gravado. Quando divergem, a quilometragem vai para revisão de uma pessoa. Por cima disso, a regra de plausibilidade compara com o histórico: hodômetro nunca anda para trás.

4. A placa é confirmada contra o cadastro da frota. Fotos de frente e de trás, que mostram a placa de cara, pesam mais do que as laterais na hora de decidir qual placa foi lida. Depois, a placa é comparada com o cadastro, aceitando correção de no máximo dois caracteres e só quando existe um único veículo possível. Em frota grande há placas que diferem em um caractere, e essa regra garante que o checklist entre no veículo certo.

5. Só trava o motorista o que é essencial. O checklist fecha com frente, traseira, painel e interior. Dúvida sobre qual lateral aparece numa foto vira um alerta interno para a gestão, sem pedir nova foto a quem está dirigindo. O motorista mantém a rotina simples e a gestão recebe o dado completo.

6. A IA sabe o que não é avaria. Sujeira, poeira, barro, reflexo, gota de água, sombra, adesivo, plotagem e desgaste normal estão descritos no prompt como "não é dano". Com essa lista explícita, o alerta de avaria chega à gestão só quando há um dano de verdade: arranhão, amassado, perda de pintura, trinca ou quebra, com a gravidade.

Como a Nexus usa IA nesse tipo de projeto

Para nós, visão computacional em operação começa pela regra de negócio, não pelo modelo. Primeiro levantamos o que a gestão da frota precisa saber todo dia e o que trava o fechamento de um checklist. Depois definimos o formato da resposta de cada foto, escolhemos o modelo principal e o de reserva e escrevemos as regras que decidem o que vira alerta. O GPT-4o e o Gemini enxergam a foto; quem garante que o dado gravado está certo é a combinação de formato estruturado, regra de plausibilidade e comparação com o histórico.

É a mesma lógica da nossa solução de gestão de frotas com IA: o motorista continua no WhatsApp, a conferência repetitiva sai das mãos da equipe e a gestão recebe só o que precisa de decisão. Para ver a leitura de imagens aplicada a outro documento da operação, leia o case de leitura de atestados médicos com IA no RH. A comparação entre Claude, ChatGPT e Gemini na empresa explica a escolha de modelos principais e de reserva nesses projetos.

Perguntas frequentes

A IA consegue ler o hodômetro pela foto do painel? Sim, mas só de forma confiável com regras explícitas: identificar o hodômetro pela posição e pelo ícone, nunca pelo tamanho do número, tratar a casa decimal como centenas de metros e permitir que o modelo declare dúvida em vez de chutar.

Qual modelo de IA vocês usam para analisar as fotos dos veículos? Neste projeto, o GPT-4o da OpenAI faz a análise principal de cada foto, o Gemini 2.5 Flash do Google é a reserva, de outro fornecedor, para a análise nunca parar, e o Gemini 2.5 Pro lê a CNH do motorista.

O motorista precisa instalar algum aplicativo? Não. O checklist é feito pelo WhatsApp: o motorista manda as fotos do veículo e recebe a resposta na mesma conversa, inclusive quando falta alguma foto.

A IA detecta qualquer avaria? Ela detecta danos visíveis na foto, como arranhão, amassado, perda de pintura, trinca e quebra, e classifica a gravidade. Sujeira, reflexo e adesivo estão descritos como “não é dano”, então o alerta só sai quando há dano de verdade.

A IA substitui o gestor de frota? Não. Ela faz a conferência repetitiva de cada foto e entrega para a gestão só o que precisa de atenção: avaria nova, quilometragem fora do esperado e checklist incompleto.