[pt] A Indústria 4.0 (I4.0) e a transformação digital estão revolucionando a manutenção nas indústrias, impulsionando-a rumo a uma abordagem mais inteligente e proativa, conhecida como manutenção inteligente (smart maintenance – SM). Recentemente vive-se a transição para a Manutenção 4.0, em que decisões baseada em dados e análises avançadas trazidas com a SM permitem aumentar a eficiência, reduzir os custos operacionais e têm um grande impacto no desempenho operacional. Com a crescente digitalização dos processos e a disponibilidade de novas tecnologias, as decisões estão se tornando mais inteligentes, o que requer ter um processo de tomada de decisão estruturado. No entanto, tomar decisões gerenciais pode ser complexo devido a múltiplos critérios e pontos de vista envolvidos. Por exemplo, podem existir trade-offs e prioridades competitivas diferentes entre equipes funcionais como de manutenção, de produção e financeira. Nessa perspectiva, é crucial ter uma metodologia que combine esses aspectos conflitantes e, na era da Manutenção 4.0, a consideração de múltiplos critérios e pontos de vista, justifica a necessidade de um framework de apoio a decisão que combine técnicas de apoio multicritério a decisão (multi-criteria decision making - MCDM) e Machine Learning (ML). A partir da revisão de escopo observou-se a ausência de metodologias (e frameworks) de apoio a decisão combinando essas abordagens em estudos empíricos e em países emergentes. Diante disso, a presente pesquisa propoe aplicar um framework de apoio à decisão para SM em empresa de manufatura brasileira. Como método empírico foi realizado um estudo de caso, utilizando dados reais de manutenção, observação participante e entrevistas, além de análise documental. Uma abordagem multicritério híbrida é proposta por meio dos métodos AHP, MOORA, MULTIMORA e de Borda com dados qualitativos e quantitativos, para resolver um problema de ranking de impressoras para fazer parte do início das manutenções preditivas. A implementação computacional compõem a metodologia ocorreu em Python. Ao final foi possível observar que a combinação de MCDM e ML pode ser uma abordagem eficaz para aprimorar a tomada de decisão na manutenção, considerando a complexidade dos dados envolvidos. / [en] Industry 4.0 (I4.0) and digital transformation are revolutionizing maintenance in industries, pushing it towards a more intelligent and proactive approach, known as smart maintenance (SM). Recently, the transition to Maintenance 4.0 has been experienced, where maintenance decisions based on data and advanced analytics brought about by SM make it possible to increase efficiency, reduce operating costs and have a major impact on operational performance. With the increasing digitalization of processes and the availability of new technologies, decisions are becoming smarter, which requires having a structured, data-driven decision-making process for efficient decisions. However, making management decisions can be complex due to the multiple criteria and points of view involved. For example, there can be trade-offs and different competing priorities between functional areas such as maintenance, production and finance. From this perspective, it is crucial to have a methodology that combines these conflicting aspects, and in the Maintenance 4.0 era, the consideration of multiple criteria and points of view justifies the need for a decision support framework that combines multi-criteria decision making (MCDM) and Machine Learning (ML) techniques. A scoping review showed that there is a lack of decision support methodologies (and frameworks) combining these approaches in empirical studies and in emerging countries. In view of this, this research aims to propose and apply a decision support framework for MS in a Brazilian manufacturing company. A case study is used as the empirical method, using real maintenance data, participant observation and interviews, as well as document analysis. A hybrid multi-criteria approach is proposed using AHP, MOORA, MULTIMORA and Borda methods with qualitative and quantitative data, to solve a problem of ranking printers to be part of the start of predictive maintenance. The computational implementation of the approaches that make up the methodology took place in Python. At the end of the research, it was possible to observe that the combination of MCDM and ML can be an effective approach to improve decision-making in asset maintenance, considering multiple criteria and the complexity of the data involved.