Como superintendente da usina de energia de Martin Lake da Luminant, subsidiária da Vistra Corp, Wayne Brown é um especialista em geração de energia. A Vistra é o maior produtor competitivo de energia dos Estados Unidos, operando usinas em 12 estados e produzindo mais de 39GW de energia elétrica, o suficiente para atender quase 20 milhões de residências. A empresa iniciou uma jornada para levar excelência operacional para todo seu portfólio de geração. Lançada em 2016, sua Iniciativa de Performance Operacional trouxe uma mudança de patamar na eficiência de seus ativos, gerando centenas de milhões em EBITDA incremental ao longo da jornada.
Para manter e melhorar sua posição, a Vistra busca constantemente as ferramentas, tecnologias e abordagens que a ajudarão a atingir o próximo nível de performance. Recentemente, a empresa se concentrou em digital e analytics, incluindo machine intelligence (MI). Na usina de Martin Lake, Brown e sua equipe usam a taxa de calor como a principal métrica de eficiência. Ela mede quanta energia elétrica é gerada por tonelada de combustível consumido pela usina. No entanto, otimizar a taxa de calor é extremamente complexo. Anteriormente, os operadores precisavam monitorar e ajustar constantemente centenas de pontos de referência, incluindo pressão e temperaturas de vapor, níveis de oxigênio e velocidade de bombas e ventiladores. Esse é um esforço muito grande para qualquer operador ter precisão 100% do tempo, especialmente quando as condições ambientes e a disponibilidade de diferentes peças de equipamentos mudam constantemente.
Agora, esses operadores têm um novo aliado inteligente na busca pela eficiência. Brown e um grupo de cientistas de dados construíram um otimizador de taxa de calor para a Martin Lake. Ele analisa automaticamente centenas de dados em tempo real usando IA. A cada 30 minutos, o sistema gera recomendações de trocas e ajustes que os operadores podem aplicar para maximizar a performance da usina. O otimizador de taxa de calor já funciona há cerca de nove meses e a usina tem operado consistentemente com 1% mais eficiência. Embora possa não parecer muito, esse aumento vale milhões de dólares por ano, reduz as emissões de gases de efeito estufa e libera tempo dos funcionários para que se dediquem a outras tarefas. Replicado no grande e diverso grupo de usinas de energia da Vistra e aplicado em dezenas de outras oportunidades operacionais, o potencial de MI no negócio é gigantesco.
O surgimento da machine intelligence
A experiência da Vistra na aplicação de tecnologias avançadas de produção está ocorrendo em empresas de diferentes setores. Uma nova pesquisa da McKinsey e do programa Machine Intelligence for Manufacturing and Operations (MIMO) do Massachusetts Institute of Technology (MIT) mostra que empresas líderes estão usando tecnologias de MI para mover o ponteiro em uma ampla gama de indicadores de performance, atingindo três ou quatro vezes o impacto dos players médios.
O trabalho, que foi concluído na primeira metade de 2021, focou em onde, quando e como essas tecnologias estão sendo implementadas nas organizações e em seu impacto na performance operacional (leia a coluna “Sobre a pesquisa”).
Analisamos as nossas conclusões para identificar as relações entre ações adotadas e investimentos feitos e os resultados tangíveis e sustentáveis. Por exemplo, os líderes em nossa pesquisa relataram mais que o dobro do impacto na metade do tempo em comparação com os players no início da jornada.
Como eles estão alcançando esses resultados? Eles estão escolhendo casos de uso diferentes? Eles usam uma abordagem única? À medida em que examinamos a fundo em nossas entrevistas e analisamos detalhadamente nos dados da pesquisa, os reais geradores de resultados e da performance foram mais diferenciados.
Do insight à autonomia
Nossa pesquisa analisou cinco diferentes formas com as quais as empresas estão usando dados e analytics para melhorar a velocidade, agilidade e performance da tomada de decisão operacional. Essa evolução da maturidade digital começa com ferramentas simples, como dashboards para ajudar na tomada de decisão humana, e termina com MI real, máquinas que podem ajustar sua própria performance de forma autônoma a partir de dados históricos e em tempo real.
A jornada que vai de dashboards digitais até MI puramente depende de uma série de fatores. O primeiro é ter dados confiáveis e disponíveis1: 92% das empresas classificadas como líderes em nossa pesquisa tinham um processo implementado para rastrear dados incompletos e imprecisos. Conforme as empresas caminham para MI, a oportunidade e os riscos aumentam (não apenas em termos de habilidades e investimentos necessários, mas também da possibilidade de erro). Muitas empresas utilizarão apenas machine learning ou IA porque seus resultados são intuitivos e transparentes e, em algumas indústrias, explicáveis aos reguladores externos. A importância dessa transparência se mostrou clara em nossa pesquisa: 67% dos líderes acompanham a rastreabilidade dos resultados, em comparação com apenas 14% dos demais.
Porém, o impacto da autonomia (retirando o humano da questão) em casos de uso bem definidos pode ser substancial, como observamos em muitas empresas que ouvimos. Consideremos, por exemplo, analytics de previsão, nos quais as líderes normalmente usam abordagens muito mais sofisticadas. Essas empresas relatam uma melhoria de 13% na média de nível de serviço e precisão da demanda, enquanto as empresas no início da jornada costumam usar dashboards e ter melhoria média de apenas 3%.
Ser pioneiro: O que faz a diferença?
O objetivo real desse trabalho foi olhar além dos números gerais e explorar as alavancas de sucesso por trás do uso dessas novas tecnologias. Algumas empresas são naturalmente melhores na aplicação de tecnologias digitais avançadas ou elas adotam estratégias e abordagens que as outras podem replicar?
Para entender essas alavancas, analisamos três grupos de atributos para cada empresa de nossa pesquisa. Em primeiro lugar, avaliamos os resultados que elas atingem em seus programas digitais, medidos por fatores como o número de funções que aplicam essas tecnologias, o número de KPIs melhorados e o tamanho dessas melhorias. Em segundo lugar, analisamos a implementação, medida por fatores como gastos, o número de anos em que as empresas têm trabalhado com essas tecnologias, a maturidade de suas implementações e métodos analíticos e o número de organizações parceiras envolvidas. O interessante é que os líderes investem constantemente mais em suas implementações, com orçamentos 30 a 60% maiores (como porcentagem do total) em manufatura, atendimento ao cliente, desenho de produto e supply chain. Estima-se que os orçamentos dos líderes aumentem 10 a 15% no próximo ano, enquanto os das outras empresas devem permanecer estagnados.
Em terceiro lugar, analisamos um conjunto de capacitadores, incluindo a maturidade da estratégia digital da organização, sua infraestrutura de dados e a presença de centros de excelência ou de programas estruturados de capacitação. Alguns desses capacitadores não são surpresa: as empresas líderes têm estratégias claramente definidas e utilizam centros de excelência a uma taxa duas vezes maior que as outras. As líderes também têm probabilidade cinco vezes maior que as demais de treinar funcionários da linha de frente em digitalização e Internet das Coisas (IoT). À medida que amadurecem, essas empresas tendem a testar soluções diferentes, procurando melhorar os resultados do negócio desde a eficiência dos equipamentos até a aquisição de talentos, em vez de focar demasiadamente em alguns casos de uso (leia a coluna “Como uma empresa aumentou a ambição de seus casos de uso”).
Usando esses conjuntos de atributos, aplicamos um algoritmo2 de clusterização aos nossos dados para identificar quatro grupos de empresas com características distintas (Quadro 1).
No canto superior direito do quadro, estão as empresas líderes, que capturaram os maiores ganhos de seus esforços de MI e que têm o maior nível de capacidades e infraestrutura de apoio.
No canto inferior esquerdo, está um grupo de empresas emergentes, que têm o menor nível de maturidade de capacitadores e os menores ganhos. Algumas dessas empresas tiveram sucesso moderado com alguns casos de uso. Muitas apenas começaram sua jornada, mas ainda não têm a escala ou infraestrutura de outras e profissionais de MI mais maduros. Algumas empresas emergentes têm dificuldade para identificar onde investir corretamente. Por exemplo, uma empresa emergente que entrevistamos buscou manutenção preventiva porque ouviu a respeito de seu amplo uso (não necessariamente porque era uma prioridade de negócio). O esforço teve pouco ou nenhum impacto. Porém, quando a empresa focou mais em suas maiores prioridades de negócio (como melhoria dos níveis de serviço), foi muito bem-sucedida.
O grupo intermediário é mais disperso. No centro do gráfico, identificamos dois grupos distintos. Um grupo de empresas que chamamos de planejadoras mostra um nível de maturidade em capacitadores que está alinhado com o das empresas do grupo de líderes. As planejadoras ainda precisam atingir os mesmos resultados que suas pares líderes, mas algumas já estão perto de se tornarem líderes. Entrevistamos várias planejadoras que tinham implementações de muito sucesso e que estão perto de implementar casos de uso na escala das líderes. Mas também observamos planejadoras que não conseguiram atingir o impacto de nosso grupo de líderes, mesmo tendo investido tempo e recursos significativos em projetos digitais.
Outro grupo de empresas, que chamados de executoras, já alcançou ganhos significativos apesar de ter menos infraestrutura que as líderes ou planejadoras e menos até que algumas empresas do grupo emergente. As executoras costumam identificar alguns casos de uso de alto impacto, fazer parcerias com outras para criar uma solução, e começar um caminho para implementar essas soluções pontuais o mais amplamente possível. Uma empresa executora que entrevistamos relatou que uma estrutura robusta de governança que rapidamente identificava e implementava casos de uso promissores teve um papel crítico em seu sucesso.
Esse padrão reflete como MI tem sido industrializado nos últimos anos. Uma década atrás, qualquer empresa que desejasse aplicar MI às suas operações tinha poucas escolhas além de construir a infraestrutura e os sistemas internos necessários. Hoje, as organizações têm a opção de comprar ferramentas e expertise de um grande ecossistema de provedores. Isso possibilita que as executoras alcancem ganhos significativos em casos de uso específicos sem ter muito trabalho desde o início.
Enquanto isso, o grande número de empresas no grupo de planejadoras indica que várias organizações ainda precisam decifrar o código de aplicação de tecnologias de MI em escala nos casos de uso realmente significativos. Algumas delas ainda estão buscando escapar do purgatório de pilotos, como os nossos colegas da McKinsey descreveram pela primeira vez em 2018.
Mas isso não significa que as planejadoras estão no caminho errado. As empresas em nosso estudo que atingiram os melhores resultados com seus esforços de MI também atingiram altos níveis de maturidade em infraestrutura e capacidades. Nossa pesquisa sugere que qualquer empresa que tenha o objetivo de atingir as fronteiras de performance de MI precisará utilizar os capacitadores certos.
As empresas emergentes, por sua vez, têm uma escolha estratégica a fazer. Elas seguem o caminho das planejadoras, investindo desde o início em capacitadores que apoiarão sua jornada de longo prazo? Ou elas buscam ganhos rápidos, comprando tecnologia e know-how de parceiros e construindo apenas os capacitadores necessários para apoiar casos de uso específicos?
Qual é o tamanho do prêmio para as empresas líderes?
O prêmio acaba sendo substancial. Em nossa amostra, isolamos as empresas de melhor desempenho e as comparamos com aquelas no grupo 50% inferior em várias dimensões.
As doze empresas de melhor performance em nossa pesquisa obtiveram melhorias significativamente maiores que o restante em 20 dos 21 KPIs avaliados (Quadro 2). Em 11 desses KPIs, a melhoria média obtida pelas líderes foi de 10% ou mais. E sua melhoria média geral, de 9,5%, foi quase 3 três vezes os 3,5% obtidos pelos players de menor performance.
Os resultados de ações selecionadas podem ser substanciais. Por exemplo, a Wayfair, uma empresa de e-commerce, antecipou-se e migrou seus dados para nuvem e usa machine learning em várias funções. Durante a crise da COVID-19, como a demanda do consumidor mudou rapidamente nas diversas regiões, a empresa conseguiu otimizar a logística de navios de contêineres ao ajustar continuamente que produtos iam para quais portos. Com o aumento dos preços do frete sendo mais relevante, a Wayfare economizou cerca de 7,5% em custos de logística como resultado.
O que as líderes fazem bem
Seja planejadora, executora ou organização emergente, hoje qualquer empresa com o objetivo de ganhar com tecnologias digitais avançadas tem a oportunidade de aprender com abordagens de melhores práticas. Nossa pesquisa identificou cinco áreas nas quais as empresas de melhor performance se destacam.
Governança: Processos e capacidades para ganhar escala rapidamente
MI é uma prioridade estratégica para empresas líderes. Muitas dessas organizações construíram centros de excelência dedicados para ajudar nos esforços de MI, seja nas unidades de negócio seja como uma função centralizada para apoiar toda a organização (Quadro 3), assegurar padrões e acelerar a implementação. Uma empresa da área da saúde utilizou um processo de governança bem documentado para implementar diversos casos de uso em uma de suas instalações, o que ela implementou em toda sua rede, resultando em um aumento de receita.
As empresas líderes também contam com forte governança para monitorar seus programas digitais. Por exemplo, elas têm uma probabilidade muito maior que as demais empresas de ter um processo definido de avaliação e implementação de inovação digital. Elas costumam seguir esse processo regularmente e atualizá-lo com frequência conforme conhecem melhor o que funciona e o que não funciona (Quadro 4).
Implementação: Visão ambiciosa e casos de uso complexos
As organizações líderes aplicam MI mais extensamente e usam abordagens mais sofisticadas. Por exemplo, todas as líderes que participaram de nossa pesquisa estão usando MI em três áreas: previsão, otimização de manutenção e logística e transporte (Quadro 5). Entre as empresas de performance mais baixa, apenas metade está trabalhando as duas primeiras áreas e menos de um terço trabalha a última. E dos 17 casos de uso que identificamos em nossa pesquisa, mais de três quartos das empresas líderes estão trabalhando em pelo menos 14. Outro aspecto relevante é que, embora dashboards simples sejam a ferramenta digital mais comum usada por empresas com performance mais baixa, as líderes têm uma tendência muito maior de adotar abordagens mais avançadas (como métodos preditivos ou prescritivos) ou MI. Muitas optam por subir o patamar de sofisticação quando têm mais capacitadores disponíveis.
As líderes conseguiram pavimentar o caminho para as empresas que estão em etapas anteriores de sua jornada. Existe um claro consenso entre as líderes quanto a focar não apenas em sofisticação, mas também nos principais casos de uso.
Algumas empresas enfrentam muitos desafios ao fazer seus programas ganharem escala, incluindo a falta de histórico de dados de alguns produtos e a necessidade de cumprir requisitos estritamente regulatórios. Em alguns casos, o tempo necessário para verificar e documentar novas ferramentas digitais pode ser quatro vezes o necessário para seu desenvolvimento. Apesar dessas barreiras, mesmo empresas altamente reguladas têm retornos significativos dos investimentos em MI.
Uma conquista recente notável foi a aplicação de machine vision à garantia de qualidade de produtos. A empresa biofarmacêutica Amgen concluiu que as operações de sistemas de inspeção visual ofereciam ótimas oportunidades de automatizar e usar tecnologias de IA para reduzir o tempo de inspeção de lotes de horas e dias para minutos.
Formação de parcerias: Um amplo ecossistema de parceiros
O desenvolvimento e a implementação de ferramentas digitais avançadas tornaram-se um esporte de equipe. A maioria das empresas de nossa pesquisa afirma que fazem parceria com outras organizações em seus projetos de MI, tendo academia, start-ups, atuais provedores de tecnologia e consultores externos como as escolhas mais comuns. Os motivos variam. De acordo com um diretor de tecnologia, as “linhas de manufatura são inerentemente únicas; não temos dados consistentemente bem estruturados como os que são extraídos de sistemas padrão de ERP. Identificamos que soluções de IA de propósito geral não têm capacidade ou o custo é muito alto para customizar para a nossa aplicação. Start-ups e a academia têm expertise melhor de domínio. Elas estão tentando resolver um problema específico para nós.”
As organizações líderes têm maior probabilidade que as outras de procurar essas parcerias e colaboram com uma variedade maior de tipos de organização. Mais de 80% das líderes têm parceria com grupos da academia e start-ups, por exemplo, enquanto menos de um terço das outras organizações têm esse tipo de parceria (Quadro 6).
Colgate-Palmolive e Frito-Lay da PepsiCo estão trabalhando com o provedor de sistemas de MI Augury para implementar diagnósticos de machine health utilizando IA em suas linhas de produção. Usar a abordagem para detectar e prevenir paradas não programadas resultou em economias significativas para ambas as empresas, normalmente a partir de um único incidente; em um caso, isso evitou uma parada de oito dias.
O trabalho de dispositivos analógicos no controle de qualidade em tempo real demonstra por que as líderes podem recorrer à academia e a start-ups para agregar expertise técnica aprofundada. Falhas nos processos de fabricação de semicondutores são extraordinariamente caras. Já que há exemplos suficientes de processos com falhas que resultam em peças “ruins”, os modelos de MI podem ser treinados para identificar as falhas em tempo real. Porém, os semicondutores têm um rendimento muito alto, o que significa que há muito poucas falhas ou wafers ruins para treinar um modelo de MI. Dispositivos analógicos produzem uma ampla variedade de semicondutores, tornando ainda menos provável que haja exemplos suficientes de falhas para qualquer receita ou ferramenta para treinar um modelo convencional. Portanto, os dispositivos analógicos precisam de algo que possa aprender a identificar processos com falhas usando apenas dados de sensores a partir de lotes de produção de wafers “bons”. Com um novo método de MI desenvolvido em colaboração com o MIT, os dispositivos analógicos foram capazes de identificar que etapas e ferramentas de produção apresentaram falhas. Essa identificação significa que engenheiros de processos experientes precisavam revisar apenas 5% dos dados de processos em comparação com números anteriores, resultando em melhor foco e em uma redução de 20 vezes na carga de trabalho.
Pessoas: Autonomia do funcionário
Nas empresas líderes, as abordagens digitais avançadas não são a preocupação apenas de alguns especialistas. De acordo com essas organizações, MI é importante para os stakeholders de todo o negócio e elas tomam medidas para garantir que o maior número possível deles tenha as habilidades e os recursos necessários para utilizar essas técnicas. Mais da metade delas treinam seus funcionários de linha de frente em fundamentos de MI, em comparação com apenas 4% das outras empresas.
O McDonald’s, uma organização global e altamente descentralizada, utilizou MI para melhorar uma grande variedade de tarefas operacionais, de previsão da resposta do consumidor em promoções até a previsão do fluxo de clientes em tempo real em seus restaurantes. A empresa adotou uma abordagem híbrida: um centro de excelência corporativo testa e desenvolve novas abordagens de modelagem, que a empresa reúne em ferramentas fáceis de usar e disponibiliza a organizações e restaurantes operacionais regionais. Finalmente, os funcionários de mercado usam essas ferramentas. Essa abordagem ajuda os membros da equipe em campo a conhecer a importância de contar com bons dados, desenvolver um entendimento do processo e aperfeiçoar as habilidades de identificação de problemas.
Execução de dados: Dados que elas podem usar
As líderes facilitam o acesso aos dados. Todas as organizações líderes dão acesso a dados ao pessoal de linha de frente, em comparação com apenas 62% das demais. Todas as líderes adquirem dados de clientes e fornecedores e 89% delas também compartilham seus próprios dados com esses grupos. Entre outras empresas, esses números são de 73 e 46%, respectivamente. As líderes têm uma probabilidade quase duas vezes maior que as outras de criar acesso remoto a dados e de armazenar uma parte significativa deles na nuvem.
A democratização dos dados é um aspecto crítico em muitas empresas. O fornecedor automotivo Cooper Standard, por exemplo, pede que as equipes se dediquem à estratégia de dados desde o início no processo de desenvolvimento ágil da organização para novas aplicações de MI. Essa demanda ajuda a garantir que todos os casos de uso sejam construídos a partir de dados robustos e bem gerenciados, servindo então como um alicerce para futuros avanços ou novos casos de uso.
A Vistaprint, uma empresa de design, digital e impressão que atende pequenas empresas, também coloca a estratégia de dados na vanguarda de seus esforços de analytics. A organização de MI da empresa reporta-se ao diretor de dados, o que lhe dá um ótimo ponto de partida com um capacitador crítico para o sucesso. Uma de suas aplicações mais ambiciosas e bem-sucedidas, analytics de entrega pontual, exigia tie-ins em múltiplas funções (incluindo gerentes de operadoras, equipe de website, grupo de produtos e supply chain) com uma estratégia alinhada de dados. A plataforma de analytics reduziu os atrasos nas entregas da empresa em mais de 50% e é a espinha dorsal do lançamento de opções de frete que são líderes de e-commerce, como a entrega no dia seguinte.
Qual é o próximo passo?
A corrida para utilizar dados e analytics pode ser vencida com diversas ações coordenadas em vez de apenas um movimento ousado. Todos os quatro segmentos (empresas líderes, planejadoras, executoras e emergentes) operam em um espaço dinâmico no qual a barra está subindo e o número de casos de uso de machine learning deve continuar aumentando, incorporando-se rapidamente ao business as usual.
Por exemplo, as planejadoras normalmente são fortes em pessoas e têm expertise considerável em execução de dados, enquanto as executoras conseguem resultados sólidos com um foco preciso nas oportunidades mais promissoras de seus negócios. Dependendo de seu ponto de partida, o caminho de cada empresa será diferente, pois ela busca capitalizar suas fortalezas e atuar nas fraquezas em termos de capacidades de MI.
Já que nem todas podem aspirar serem líderes imediatamente, elas podem almejar o patamar seguinte. Entre empresas executoras, planejadoras e emergentes, vemos três pontos de alavancagem: foco em oportunidade, governança e orçamento.
Em nosso estudo, as executoras estão obtendo ótimos resultados e focando nos problemas certos. No entanto, para serem mais semelhantes às líderes, elas podem investir mais e tomar como exemplo a governança e o orçamento das líderes. As planejadoras colocaram muitos dos processos corretos em prática e podem focar mais em oportunidades específicas e em gerar resultados nas diferentes áreas no mesmo ritmo por meio de uma melhor governança. Empresas emergentes, por sua vez, podem focar em selecionar as oportunidades iniciais certas e em obter resultados para se tornarem mais executoras, acumulando vitórias rapidamente para gerar ímpeto e o caso para maior investimento.
Em nossas entrevistas, identificamos que muitas das líderes atingiram seu nível de excelência seguindo quatro passos:
- Identificar a métrica-chave de sucesso da organização e fazer um exercício de visão que descreva uma versão ideal de sua operação em três ou quatro anos. Isso requer analisar a infraestrutura de legado e as limitações de habilidades. Trata-se de um exercício que depende de buscar melhores práticas em outros setores. Por exemplo, a Vistaprint organizou seus primeiros esforços em função da entrega pontual como um objetivo prioritário.
- Realizar uma avaliação transparente do ponto de partida da organização em diferentes dimensões. As empresas costumam superar a expectativa em algumas dimensões em seus primeiros êxitos, mas encontram dificuldade de manter o ímpeto sem uma mudança no modelo operacional. Muitas empresas concluem que um diagnóstico objetivo e externo é a escolha pragmática para entender onde elas realmente estão em relação a seus concorrentes e, mais importante, seu potencial.
- Definir o escopo de um plano de transição, levando em conta as barreiras à mudança e a infraestrutura crítica (como migração de dados para nuvem), e estabelecer metas realistas de médio prazo. A maioria das líderes em nossa pesquisa começou usando dados para tomar decisões com ferramentas mais simples que MI. Ganhando maturidade e familiaridade com seus dados, elas podem avançar para técnicas mais avançadas.
- Identificar alguns casos de uso para gerar ímpeto inicial e, ao mesmo tempo, definir (e possivelmente autofinanciar) as mudanças necessárias em infraestrutura, talentos e suportes relacionados. A empresa da área da saúde que mencionamos anteriormente investiu em casos de uso que tinham aplicabilidade em sua rede de produção, ajudando a gerar ímpeto no engajamento com uma base mais ampla de usuários.
Apesar dos recentes avanços em MI, é cada vez mais claro que toda a escala da oportunidade criada pelo uso incorporado de dados e analytics nas operações de negócios está apenas começando a se revelar e deve continuar à medida que mais casos de uso evoluem de simples dashboards para níveis maiores de autonomia. Conforme as empresas entendem melhor como direcionar seus esforços de MI para atuar nas determinantes de valor mais prementes, a lacuna entre as líderes e as demais pode começar a aumentar: as líderes investem continuamente mais em MI e projetam que seus orçamentos aumentarão 10 a 15% no ano seguinte, enquanto as demais podem permanecer estagnadas.
Na Vistra, após 18 meses da transformação que se seguiu ao trabalho que Wayne Brown liderou, a empresa identificou ainda mais potencial de impacto e passou a escalar modelos de analytics no negócio, continuando a melhorar a eficiência operacional. A próxima fronteira é o portfólio de recursos renováveis da Vistra, incluindo energia e baterias solares, o que pode, por sua vez, tornar-se o maior impacto de MI na empresa.
