O Brasil vai treinar inteligência artificial com o dado geotécnico de quem?

Por Maurício Malanconi*

Há uma pergunta técnica que o entusiasmo com inteligência artificial no setor de infraestrutura ainda não enfrentou: com qual dado esses modelos serão treinados?

A conversa pública se concentra na ferramenta, no algoritmo, na plataforma que promete prever, otimizar e antecipar. Quase nunca se discute a matéria-prima sobre a qual tudo isso opera.

E, no caso da engenharia geotécnica e de pavimentos, a resposta incomoda.

Grande parte do dado brasileiro, na forma como é produzida hoje, simplesmente não está pronta para ser utilizada em escala por modelos de inteligência artificial.

O problema não é falta de dado. É a incapacidade de transformar dado produzido em dado reutilizável.

E o motivo é estrutural e começa no campo. Uma campanha de sondagem gera boletim em um formato. A campanha seguinte, na obra vizinha, gera em outro. O laboratório A reporta granulometria de um jeito, o laboratório B de outro e a consultoria, que recebe os dois, transcreve tudo para uma terceira planilha, quase sempre à mão.

Cada projeto termina com um acervo próprio, fechado e incompatível com o acervo do projeto ao lado.

O dado existe, em profusão. O que não existe é a possibilidade de lê-lo em conjunto. E dado que não se lê em conjunto não é acervo. É arquivo morto.

Modelos de inteligência artificial podem processar dados heterogêneos. Mas modelos confiáveis de engenharia dependem de volume, consistência, contexto e rastreabilidade.

Um algoritmo que pretenda prever o comportamento de um subleito ou antecipar a evolução de uma patologia de pavimento precisa de milhares de registros comparáveis entre si. Precisa conhecer a estrutura do dado, suas unidades, seu contexto técnico e sua origem.

É exatamente aí que está o problema.

Não por falta de informação. O Brasil executa sondagens e ensaios em profusão. Mas por falta de padrões que tornem esses dados interoperáveis e reutilizáveis em escala.

Estamos gerando terabytes que não conversam entre si e confundindo volume com base de conhecimento.

São coisas distintas: uma se acumula e a outra se constrói.

Tomemos um dado aparentemente simples como o resultado de um SPT.

O número registrado em determinada profundidade, isoladamente, tem valor limitado. Para que esse registro possa integrar uma base de conhecimento, é preciso preservar seu contexto: localização, coordenadas, cota, profundidade, descrição do material, nível d’água, método e condições de execução, equipamento, data, responsável técnico e histórico de eventuais revisões.

Estruturar dado não é apenas retirar informação do PDF e colocá-la em uma planilha. É preservar, de forma legível por máquinas, o contexto técnico que dá significado à informação.

O problema não é desconhecido fora do Brasil. Outros mercados já desenvolveram estruturas específicas para o intercâmbio de informações geotécnicas e geoambientais, como o AGS Data Format, no Reino Unido, e o DIGGS, Data Interchange for Geotechnical and Geoenvironmental Specialists, nos Estados Unidos.

Em paralelo, os princípios FAIR consolidaram uma lógica importante para a gestão de ativos digitais: os dados devem ser encontráveis, acessíveis sob regras definidas, interoperáveis e reutilizáveis.

A discussão brasileira não precisa necessariamente copiar um padrão estrangeiro, mas precisa reconhecer que interoperabilidade não surge espontaneamente do acúmulo de PDFs e planilhas. Ela precisa ser projetada.

A consequência mais grave desse descompasso é temporal.

Cada campanha não estruturada hoje é uma série histórica que talvez não exista amanhã.

O dado que poderia ajudar a treinar modelos brasileiros no fim desta década está sendo produzido agora. E boa parte dele perde valor no próprio ato de geração: arquivado em PDF, preso em planilhas proprietárias ou registrado em estruturas que exigirão enorme esforço de interpretação e transformação para serem recuperadas em escala.

É verdade que novas tecnologias de OCR, processamento de documentos e modelos multimodais ampliam nossa capacidade de recuperar informações antigas.

Mas recuperar dado não é o mesmo que ter produzido dado estruturado desde a origem.

Existe custo. Existe perda de contexto. Existe ambiguidade. E, principalmente, existe o risco de transformar interpretação automatizada em verdade técnica sem preservar adequadamente a fonte.

Enquanto se discute qual ferramenta de inteligência artificial contratar, descarta-se diariamente parte da matéria-prima que poderia torná-la realmente útil no contexto nacional.

É um desperdício silencioso… Não aparece em nenhuma linha de orçamento porque ninguém contabiliza o valor de um dado que deixou de ser reutilizável.

Há ainda uma dimensão que o setor precisa encarar e que separa promessa de responsabilidade: a auditabilidade.

Na infraestrutura, uma decisão técnica sustenta contratos de décadas e estruturas das quais dependem vidas.

Um modelo treinado sobre dados inconsistentes pode entregar uma conclusão inconsistente com aparência de precisão. E isso a torna mais perigosa, não menos… Porque transfere confiança para onde talvez não devesse haver.

Se a proveniência e a linhagem do dado de origem não são rastreáveis, a saída do modelo também não é plenamente auditável.

Precisamos conseguir responder: quem produziu esse registro? Quando? Com qual método? Em qual equipamento? Sob qual procedimento? O dado foi alterado? Qual era a versão original? Que transformações sofreu até chegar ao modelo?

Uma recomendação de engenharia que ninguém consegue auditar até a fonte não é inovação. É passivo à espera de uma perícia.

A pergunta que deveria anteceder qualquer adoção de inteligência artificial em engenharia é simples:
O dado que alimenta esse modelo sobreviveria a uma auditoria técnica?

Enquanto a resposta for não, a sofisticação da ferramenta apenas maquia a fragilidade da base.

O desafio também é semântico. Não basta digitalizar campos e criar colunas em um banco de dados.

Uma empresa registra “areia fina argilosa”. Outra abrevia como “AF ARG”. Uma terceira utiliza uma descrição diferente para representar um material de características semelhantes.

Os três registros podem ser digitais e ainda assim não conversar entre si.

Interoperabilidade exige estrutura, mas também exige vocabulários comuns, regras de classificação, metadados e preservação do significado técnico.

Esse talvez seja um dos pontos menos discutidos quando se fala em inteligência artificial aplicada à engenharia.

Máquinas conseguem ler dados. Mas, para aprender com engenharia, precisam também compreender o contexto em que esses dados foram produzidos.

É por isso que a distinção entre adotar e construir é decisiva.

Adotar uma ferramenta é uma decisão de compra: rápida, visível e fácil de anunciar.

Construir uma base de dados confiável é uma decisão de processo. É lenta, muitas vezes invisível e exige disciplina diária no campo, no laboratório e no registro. Não rende a mesma manchete, mas constrói a vantagem real.

As empresas e os setores que entenderem essa diferença vão largar na frente não porque compraram inteligência artificial antes.

Vão largar na frente porque construíram antes a matéria-prima necessária para que ela funcione.

As demais poderão descobrir, tarde, que a inteligência nunca esteve inteiramente à venda na plataforma.

Estava também no dado que escolheram, ou não, produzir com rigor ao longo dos anos.

A correção, portanto, não começa na tecnologia, começa na disciplina. Passa por padronizar a coleta em campo, definir estruturas e vocabulários comuns, preservar metadados e proveniência, adotar formatos interoperáveis e tratar cada boletim de sondagem e cada ensaio como um registro técnico estruturado que precisa sobreviver ao projeto que o gerou.

Essa agenda não pertence a uma única empresa. Contratantes precisam começar a exigir entregáveis estruturados. Empresas de investigação e laboratórios precisam produzir dados digitais desde a origem. Projetistas precisam reduzir a dependência da transcrição manual. Universidades podem contribuir para a construção de ontologias e modelos de referência. Entidades técnicas e de normalização precisam liderar a discussão sobre padrões de interoperabilidade adequados à realidade brasileira.

A infraestrutura brasileira ainda discute qual inteligência artificial vai usar, mas talvez esteja fazendo a pergunta na ordem errada.

Porque o modelo que poderá prever o comportamento de nossos solos, pavimentos e ativos daqui a dez anos dependerá do dado técnico que estamos produzindo hoje e esse dado já está sendo gerado.

A pergunta é se estamos construindo uma base de conhecimento ou apenas mais um arquivo morto.

*Maurício Malanconi é engenheiro civil, fundador e CEO da Suporte Infra.