O regulador adaptativo: capacidade institucional na era da inteligência artificial

Na manhã da Plenária 3 do IX World Forum on Energy Regulation, em Tbilisi, a discussão girava em torno de transformação tecnológica, digitalização, novos modelos de mercado e do papel dos reguladores diante de um setor elétrico em mudança acelerada.

Em determinado momento, surgiu uma provocação que arrancou risos da sala: se a inteligência artificial está ficando tão capaz, por que ainda precisamos de reguladores? Em algum momento, um agente de IA não poderia ocupar esse lugar? ^[1][2] A pergunta tinha um tom leve, mas o problema por trás dela era sério.

A substituição integral de uma autoridade reguladora por uma máquina não parece hoje uma hipótese realista. O que a pergunta faz é colocar em evidência algo mais importante: o que, afinal, esperamos de um regulador em um ambiente no qual tecnologia, mercados e modelos de negócio mudam cada vez mais rápido?

Essa questão apareceu diversas vezes ao longo do WFER. Em alguns momentos, discutia-se o uso de inteligência artificial pelas empresas. Em outros, a necessidade de o próprio regulador incorporar novas ferramentas, novas competências e novas formas de supervisão.

A conclusão que me pareceu mais consistente foi quase o contrário de uma perda de importância do regulador. Quanto mais complexo se torna o sistema regulado, maior passa a ser a exigência sobre a capacidade institucional de quem regula.

A IA não chega sozinha

É tentador tratar inteligência artificial como mais uma tecnologia que o Estado precisa aprender a regular. Essa é apenas parte da história. A IA também muda o setor regulado, altera a forma como empresas tomam decisões, aumenta a velocidade de determinados processos e começa a ser usada pelo próprio regulador.

No setor de energia, isso já aparece em diferentes frentes. Algoritmos podem ajudar a prever carga, identificar falhas, operar recursos distribuídos, administrar baterias, apoiar atendimento ao consumidor, detectar padrões anormais, avaliar documentos e organizar grandes volumes de informação. Algumas aplicações têm baixo impacto. Outras podem interferir diretamente na operação de sistemas críticos ou no funcionamento de mercados. Essa diferença importa.

Em uma sessão do WFER dedicada especificamente ao impacto da inteligência artificial nos sistemas de energia, Jonathan Thurlwell, da Ofgem, descreveu uma abordagem baseada em resultados e proporcionalidade. O ponto era não tratar toda aplicação de IA como se carregasse o mesmo risco. A intervenção regulatória deveria ser mais intensa onde as consequências de uma falha fossem maiores e mais leve onde o risco fosse limitado. ^[3]

A versão mais recente da orientação da Ofgem para uso ético de IA no setor de energia segue essa lógica. O documento trata de governança, risco, competências, transparência, explicabilidade, segurança e proteção do consumidor, além de diferenciar contextos de uso. ^[4] Isso me parece mais promissor do que a tentativa de criar uma resposta regulatória única para algo tão amplo quanto “inteligência artificial”.

Um modelo usado para resumir manifestações de consumidores não é a mesma coisa que um sistema capaz de coordenar milhares de equipamentos conectados à rede. A palavra IA pode ser a mesma. O risco não é. O regulador precisa aprender a enxergar essa diferença.

Regular tecnologia por tecnologia é uma corrida difícil de vencer

No fechamento da minha participação em Tbilisi, fiz uma brincadeira sobre os “eletrossauros”. A ideia era simples: no setor elétrico, às vezes temos a sensação de que, quando finalmente conseguimos compreender uma tecnologia, ela já mudou de novo. A piada servia para relaxar o ambiente no final da sessão, mas havia um argumento sério por trás dela.

Se a regulação tentar acompanhar a inovação escrevendo uma regra específica para cada tecnologia que aparece, há uma boa chance de chegar atrasada. Regras técnicas continuam necessárias, e em sistemas de infraestrutura muitas delas são indispensáveis. A questão é escolher melhor o nível em que a intervenção regulatória deve ocorrer.

Em vez de começar pela tecnologia, muitas vezes vale começar pelo problema. Qual necessidade do sistema precisa ser atendida? Qual resultado queremos produzir e quais riscos são aceitáveis? Quem responde se algo der errado? Que evidência será necessária para demonstrar que o resultado foi alcançado, e quais limites não podem ser ultrapassados?

Essa lógica apareceu várias vezes nas discussões do WFER. Na sessão sobre inteligência artificial, representantes da Ofgem e da AEMC falaram em abordagens orientadas por princípios, resultados, proporcionalidade e responsabilidade. A questão sobre quem permanece accountable quando existe automação apareceu de forma bastante direta. ^[3]

A OCDE vem usando linguagem parecida ao discutir regulação em ambientes tecnológicos de rápida mudança. O Regulatory Policy Outlook 2025 recomenda abordagens de “adaptar e aprender”, combinadas com antecipação, monitoramento e capacidade institucional. ^[5]

Isso não quer dizer regulação instável. O objetivo deveria ser o oposto: preservar princípios suficientemente estáveis e criar mecanismos que permitam revisão quando as evidências mudarem. Previsibilidade não exige imobilidade.

O regulador também terá de usar IA

Existe outro aspecto dessa transformação que me interessa particularmente. Além de observar empresas usando inteligência artificial, o regulador também será usuário da tecnologia. Isso já começou.

Na sessão do WFER sobre IA, a Ofgem relatou iniciativas voltadas à utilização da tecnologia dentro da própria atividade regulatória, ao mesmo tempo em que desenvolvia orientação, laboratórios regulatórios e ambientes de teste para o setor. O debate chegou a uma questão prática: alguns mercados e sistemas passam a operar em uma velocidade e com um volume de dados que desafiam métodos tradicionais de supervisão. ^[3]

A OCDE também reconhece esse potencial. Em estudo sobre o uso de IA em funções de governo, identifica aplicações que podem melhorar análise, prestação de serviços, detecção de irregularidades e apoio à decisão. Ao mesmo tempo, alerta para problemas de qualidade de dados, transparência, dependência excessiva, infraestrutura legada, escassez de competências e riscos para a accountability. ^[6] É uma combinação incômoda: a mesma tecnologia que pode ajudar o regulador a lidar com a complexidade também pode criar novas formas de dependência.

Imagine uma agência que utiliza IA para analisar milhares de documentos, fiscalizar padrões de comportamento ou apoiar decisões complexas. O ganho de produtividade pode ser enorme. Mas alguém dentro da instituição precisa compreender minimamente o que aquele sistema faz, quais dados utiliza, quais são suas limitações e em que situações sua saída não deve ser aceita. Caso contrário, trocamos uma dificuldade por outra.

Antes dependíamos da capacidade humana de processar informação. Depois podemos passar a depender de sistemas que processam informação sem que ninguém consiga explicar adequadamente como a conclusão foi produzida. Para um regulador, isso é especialmente sensível.

Uma empresa pode usar um modelo porque ele melhora uma decisão comercial. Uma autoridade pública precisa, além disso, justificar suas decisões, preservar direitos, demonstrar coerência e responder por erros. A responsabilidade não desaparece porque uma máquina participou do processo.

Capacitação contínua deixou de ser uma opção

Esse talvez seja o ponto que mais me interessa em toda essa discussão. Ao preparar minha participação na Plenária 3, uma das questões que considerei era justamente se os reguladores teriam capacidade para lidar com tudo aquilo que lhes está sendo exigido.

A resposta passa por uma constatação simples: hoje, temas regulatórios relevantes atravessam áreas como engenharia de potência, economia, sistemas digitais, inteligência artificial, cibersegurança, ciência comportamental e risco climático. A lista pode crescer.

Não se pode simplesmente adicionar responsabilidades a uma instituição sem desenvolver novas capacidades. Para isso são necessários dados, equipes multidisciplinares, treinamento contínuo, cooperação internacional e mecanismos de compartilhamento de conhecimento. ^[2]

Uma das frases que usei para resumir essa ideia foi:

Adaptive regulation requires an adaptive regulator.

Em português: regulação adaptativa exige um regulador adaptativo. A frase parece óbvia até pensarmos no que ela exige na prática.

Um regulador adaptativo precisa aprender de forma permanente e admitir que parte do conhecimento necessário daqui a cinco anos ainda não está completamente disponível hoje. Precisa criar espaço para especialistas diferentes trabalharem juntos, conseguir atrair e reter pessoas com conhecimentos que também são disputados pelo mercado e melhorar sua infraestrutura de dados. Precisa conversar com outras instituições, inclusive fora do próprio setor. E precisa aprender sem terceirizar o julgamento.

A OCDE tem insistido nesse ponto. Ao tratar da governança regulatória da economia digital, identifica assimetrias de informação, velocidade da mudança tecnológica, opacidade de sistemas algorítmicos e modelos de negócio que atravessam fronteiras setoriais como desafios para supervisores públicos. A conclusão é que a transformação digital exige capacidade institucional compatível com a complexidade que se pretende supervisionar. ^[7]

Isso vale para inteligência artificial, mas não apenas para ela. O problema é mais amplo.

A capacitação não pode ser episódica

No serviço público, capacitação ainda é muitas vezes tratada como uma atividade paralela ao trabalho. A pessoa faz um curso, vai a um congresso, assiste a uma palestra. Depois a rotina volta ao normal.

Esse modelo funciona mal quando o objeto regulado está mudando continuamente. Se o conhecimento necessário se altera com rapidez, aprender precisa fazer parte do próprio processo de trabalho. Isso pode envolver cursos formais, mas também passa por comunidades de prática, análise de casos, intercâmbio entre reguladores, acesso a bases de conhecimento, experimentação controlada, revisão de decisões anteriores e contato com pesquisadores e especialistas externos.

O WFER me pareceu valioso justamente por isso. Ninguém vai copiar uma solução britânica, australiana, japonesa ou norte-americana e aplicá-la diretamente no Brasil. Isso seria simplista. O ganho está em perceber como pessoas enfrentando problemas semelhantes formularam suas perguntas, quais riscos encontraram, o que testaram e onde ainda têm dúvidas.

Aprender com outra jurisdição não é importar uma resposta. Às vezes é descobrir uma pergunta melhor.

Sandboxes ajudam porque permitem aprender antes de cristalizar

Um exemplo concreto são os sandboxes. O termo se tornou popular e, às vezes, é usado como se significasse simplesmente “deixar inovar”. Não deveria. Um bom sandbox é um mecanismo de aprendizagem regulatória.

A Ofgem vem utilizando AI Reg Labs para discutir casos de uso com empresas reguladas e parceiros de inovação. Também avançou na construção de um sandbox técnico para testar aplicações de IA em ambiente controlado. ^[4][8]

Isso facilita a vida do inovador, e o regulador também aprende. Ele consegue observar a tecnologia antes que sua adoção seja ampla, identificar riscos, testar exigências, entender limitações e descobrir se as regras existentes são suficientes.

Em tecnologias novas, isso pode ser mais inteligente do que escolher entre dois extremos ruins: proibir por desconhecimento ou liberar por entusiasmo. Experimentar, nesse sentido, é produzir evidência antes de transformar uma hipótese em regra permanente, sem abrir mão de proteção.

Há coisas que a IA faz melhor

Também não vejo sentido em defender o trabalho humano fingindo que pessoas são melhores em tudo. Não são. Máquinas podem processar volumes de dados que seriam impraticáveis para uma equipe. Podem identificar padrões, resumir documentos, comparar textos, organizar evidências e executar tarefas repetitivas com velocidade muito superior. Isso é uma oportunidade real para instituições que convivem com restrições de tempo e pessoal.

O problema começa quando confundimos capacidade de processamento com responsabilidade decisória. Um sistema pode sugerir que determinado comportamento parece anômalo, mas alguém ainda precisa decidir o que fazer com essa informação. Pode comparar milhares de contribuições recebidas em uma consulta pública; alguém precisa avaliar quais argumentos são relevantes. Pode produzir uma minuta, e alguém precisa responder por ela. Pode apontar uma correlação. Alguém precisa perguntar se existe causalidade, viés, erro nos dados ou uma explicação alternativa.

O ganho mais interessante talvez esteja em retirar do servidor que decide parte do trabalho mecânico, para que ele possa dedicar mais tempo ao julgamento que realmente exige contexto. Isso também muda a capacitação necessária. Saber usar uma ferramenta não basta. Será cada vez mais importante saber questioná-la.

O risco de uma nova assimetria

Há uma questão menos confortável nessa história. Empresas de tecnologia e grandes agentes econômicos tendem a ter mais recursos para contratar especialistas, comprar infraestrutura computacional, desenvolver modelos e experimentar novas ferramentas.

Se o regulador não desenvolver capacidade semelhante, ainda que em escala diferente, pode surgir uma nova assimetria, desta vez de capacidade analítica, somada à de informação.

A OCDE observa que autoridades públicas têm dificuldade para competir por competências digitais escassas e caras. O problema aparece justamente quando essas competências se tornam necessárias para supervisionar mercados tecnologicamente sofisticados. ^[6] Esse é um ponto que merece atenção.

O regulador não precisa construir internamente tudo aquilo que regula. Seria impossível. Mas precisa conservar capacidade suficiente para compreender o que está sendo proposto, formular exigências, testar evidências e reconhecer quando precisa buscar apoio especializado.

A fronteira é importante. Cooperação externa fortalece uma instituição quando complementa conhecimento próprio. Dependência externa a enfraquece quando substitui a capacidade de julgamento.

O humano continua no centro por uma razão menos romântica

Quando apareceu em Tbilisi a provocação sobre substituir o regulador por um agente de IA, seria fácil responder falando de sensibilidade humana, experiência ou intuição. Tudo isso tem algum valor, mas não acho que seja o argumento principal. A razão mais forte é responsabilidade.

Regulação distribui custos e benefícios. Uma decisão pode favorecer determinado investimento e inviabilizar outro. Pode alterar tarifas, mudar incentivos, criar barreiras, retirar barreiras, afetar grupos vulneráveis ou deslocar riscos entre consumidores atuais e futuros. Não existe algoritmo que retire dessas escolhas sua dimensão institucional.

Mesmo que uma IA se torne extraordinariamente boa em recomendar a solução tecnicamente mais eficiente, ainda haverá perguntas sobre equidade, legitimidade, prioridades públicas e aceitação de risco. Essas decisões precisam ter responsáveis identificáveis. Precisam poder ser contestadas, ser explicadas e estar submetidas à lei.

Por isso, a pergunta mais útil talvez não seja “a IA substituirá o regulador?”. Prefiro outra: como a inteligência artificial pode ampliar a capacidade do regulador sem diluir a responsabilidade de quem regula? Essa pergunta é mais difícil. Também é mais produtiva.

O regulador adaptativo

Na volta de Tbilisi, fiquei com a impressão de que estamos entrando numa fase em que o conhecimento técnico continuará sendo indispensável, mas não será suficiente. O regulador terá de desenvolver algo próximo de uma capacidade institucional de aprendizagem.

Isso passa por observar tecnologias emergentes, testar antes de consolidar regras quando isso for possível, usar dados melhores e compartilhar conhecimento. Passa por rever hipóteses e trabalhar com especialistas de outras áreas. Por usar inteligência artificial onde ela realmente melhora o trabalho e criar controles quando seu uso produz riscos relevantes. E, talvez o mais difícil, por reconhecer cedo quando uma resposta que funcionou no passado deixou de funcionar.

A OCDE chama atenção para abordagens de antecipação, adaptação e aprendizagem justamente porque estruturas regulatórias muito rígidas tendem a sofrer quando confrontadas com mudanças tecnológicas rápidas. ^[5]

Não acho que isso signifique transformar regulação em algo volátil. Instituições precisam ser previsíveis. Mercados precisam conhecer as regras. Investimentos de longo prazo não combinam com mudanças arbitrárias. O desafio está em combinar princípios estáveis com capacidade de adaptação. Talvez seja essa a diferença entre um regulador que apenas reage à inovação e um regulador que consegue conviver com ela.

A provocação feita em Tbilisi sobre substituir o regulador por uma IA funciona justamente porque exagera uma dúvida real. A inteligência artificial pode ampliar muito a capacidade institucional. Pode acelerar análises, melhorar supervisão, organizar informação e abrir novas possibilidades de atuação.

Mas ela não elimina a necessidade de conhecimento, julgamento e responsabilidade. Talvez faça exatamente o contrário: ao elevar a capacidade tecnológica do sistema regulado, também eleva o padrão de competência que será exigido de quem regula.

Para o regulador, esse é um desafio menos espetacular do que qualquer previsão sobre máquinas substituindo pessoas, mas provavelmente mais importante. Aprender continuamente passou a ser parte da atividade regulatória, e não um complemento dela.

Referências

1. INTERNATIONAL CONFEDERATION OF ENERGY REGULATORS (ICER); GEORGIAN NATIONAL ENERGY AND WATER SUPPLY REGULATORY COMMISSION (GNERC). IX World Forum on Energy Regulation, WFER IX. Programa oficial. Tbilisi, Geórgia, 21 a 24 set. 2026. Disponível em: https://www.wfertbilisi2026.com/en/programa/general. Acesso em: 28 set. 2026.
2. WORLD FORUM ON ENERGY REGULATION, WFER IX. Plenary 3: Technology as a Driver of Energy Transformation. Tbilisi, 24 set. 2026. Referência baseada no programa oficial, nas notas pessoais da sessão e nas notas de preparação do autor.
3. WORLD FORUM ON ENERGY REGULATION, WFER IX. Concurrent Session 2C: The impact of AI on energy systems. Tbilisi, 22 set. 2026. Participações de Jonathan Thurlwell, Ofgem; Hiromichi Tanoue, EGC; Victoria Mollard, AEMC; e Lindsay See, FERC. Referência baseada no programa oficial e em notas pessoais da sessão.
4. OFGEM. Ethical AI use in the energy sector, version 2. Maio 2026. Disponível em: https://www.ofgem.gov.uk/guidance/ethical-ai-use-energy-sector. Acesso em: 28 set. 2026.
5. OECD. OECD Regulatory Policy Outlook 2025. Paris: OECD Publishing, 2025. DOI: 10.1787/56b60e39-en. Disponível em: https://www.oecd.org/en/publications/oecd-regulatory-policy-outlook-2025_56b60e39-en.html. Acesso em: 28 set. 2026.
6. OECD. Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions. Paris: OECD Publishing, 2025. DOI: 10.1787/795de142-en. Disponível em: https://www.oecd.org/en/publications/governing-with-artificial-intelligence_795de142-en.html. Acesso em: 28 set. 2026.
7. PAECH, Philipp; COHEN, Natalie. Regulatory governance of the digital economy: Lessons from the financial services sector. OECD Regulatory Policy Working Papers, n. 24. Paris: OECD Publishing, 2026. DOI: 10.1787/e881273f-en. Disponível em: https://www.oecd.org/en/publications/regulatory-governance-of-the-digital-economy_e881273f-en.html. Acesso em: 28 set. 2026.
8. OFGEM. Artificial intelligence. Informações sobre AI Reg Labs, orientação, assurance e sandbox técnico para o setor de energia. Disponível em: https://www.ofgem.gov.uk/energy-regulation/technology-and-innovation/artificial-intelligence. Acesso em: 28 set. 2026.

As opiniões e análises expressas neste artigo são pessoais e não representam posições, decisões ou entendimentos institucionais da Agência Nacional de Energia Elétrica (ANEEL).