IA no controle: o que a engenharia elétrica ensina sobre risco e autonomia

Li com interesse o artigo O quarto escuro da IA, de Edvaldo Santana ^[1]. A provocação é oportuna. Sistemas de inteligência artificial estão ficando mais capazes, mais autônomos e, em alguns casos, menos previsíveis. Não há como garantir que um modelo suficientemente complexo jamais falhará, produzirá um comportamento inesperado ou encontrará uma forma não prevista de atingir o objetivo para o qual foi desenvolvido. Minha divergência começa na consequência que tiramos dessa constatação.

A ausência de garantia absoluta nunca foi, para a engenharia, razão suficiente para rejeitar uma tecnologia. Aviões podem cair, equipamentos elétricos falham, linhas saem de operação, previsões erram e sistemas de proteção também podem atuar de maneira inadequada. Ainda assim, construímos sistemas extraordinariamente confiáveis porque segurança não depende da expectativa de que cada componente seja infalível. Ela depende da arquitetura criada para lidar com a falha. Essa distinção muda bastante a forma de pensar a inteligência artificial.

Risco zero nunca foi o critério

Um engenheiro de sistemas de potência não projeta uma rede supondo que nada dará errado. Trabalha justamente com a hipótese contrária. Geradores podem sair de operação, transformadores podem falhar, linhas podem ser desligadas, descargas atmosféricas acontecem e a carga real raramente coincide exatamente com aquilo que foi previsto. Por isso existem critérios de contingência, proteção principal e de retaguarda, redundância, seletividade, limites operativos, reserva e procedimentos de recomposição.

Ninguém espera levar a probabilidade de falha matematicamente a zero. O objetivo é reduzir a combinação entre probabilidade e consequência até um nível aceitável e criar mecanismos capazes de impedir que uma falha localizada se transforme em perda sistêmica. A pergunta relevante, portanto, não é simplesmente se uma IA pode errar. É o que acontece quando ela erra.

Se exigirmos certeza absoluta antes de permitir que um sistema inteligente participe de uma função crítica, teremos criado para a IA um requisito que não aplicamos às demais tecnologias críticas. Se, ao contrário, a tratarmos como componente de uma arquitetura maior, passamos a discutir limites de atuação, redundância, observabilidade, validação, contenção e modos seguros de falha. A conversa deixa de ser sobre uma confiança quase psicológica na máquina e volta para um terreno bastante conhecido pela engenharia.

O sistema elétrico já funciona mais rápido do que nós

Há um argumento recorrente nessa discussão: se um sistema toma decisões numa velocidade que nenhum ser humano consegue acompanhar, o humano deixou de estar no controle. Para sistemas elétricos de potência, a relação entre velocidade e controle é mais complicada.

Um curto-circuito não espera que um operador avalie calmamente a situação. O sistema de proteção detecta a condição anormal e pode abrir um disjuntor em uma escala de tempo incompatível com a reação humana. Reguladores automáticos, controles de conversores, esquemas especiais de proteção e vários outros automatismos também operam continuamente sem solicitar autorização a uma pessoa para cada comando.

Nem por isso estão fora de controle. O controle humano ocorreu em outro nível, quando engenheiros definiram lógicas, parâmetros, limites, proteções, intertravamentos e o comportamento esperado diante de situações anormais. O ser humano pode estar fora da malha de controle de milissegundos e continuar responsável pela arquitetura que governa aquela malha. Em algumas aplicações, aliás, a máquina toma a decisão justamente porque esperar pelo ser humano tornaria o sistema menos seguro.

Automação convencional e inteligência artificial são coisas diferentes. Um relé de proteção clássico não é uma IA, assim como um regulador automático de tensão também não é. O ponto aqui é histórico: a delegação de decisões operacionais a máquinas não começou com a inteligência artificial. A IA acrescenta capacidade de reconhecer padrões, aprender relações complexas, prever estados e otimizar decisões em ambientes muito mais variáveis. A autoridade delegada pode aumentar, e com ela crescem também as exigências de governança.

Essa evolução conversa diretamente com o conceito de smart grid. O NIST define a rede inteligente como um sistema que integra informação, comunicação bidirecional segura e inteligência computacional ao longo do sistema elétrico, incluindo sensores distribuídos, softwares avançados e controladores inteligentes e autônomos ^[2]. Smart grid não é sinônimo de inteligência artificial. Mas a IA também não inaugura a inteligência no sistema elétrico. Ela amplia uma trajetória de digitalização, sensoriamento, automação e inteligência computacional que já fazia parte do conceito de rede inteligente.

Minha relação acadêmica com esse tema também antecede em muito a atual onda de IA generativa. No mestrado utilizei algoritmos genéticos e, no doutorado, redes neurais em pesquisas relacionadas ao sistema elétrico. As ferramentas mudaram enormemente desde então, mas a questão de fundo continua reconhecível: como extrair valor de sistemas capazes de buscar, aprender, prever e decidir sem perder segurança, controle e responsabilidade?

A IA já começou a sair do laboratório

Durante o curso Regulation of the Power Sector, da Florence School of Regulation, procurei exemplos concretos de inteligência artificial no setor elétrico. Naquele momento, chamou minha atenção como a quantidade de casos claramente documentados ainda parecia pequena diante do volume do discurso sobre IA. Era preciso separar expectativa, prova de conceito e operação efetiva.

A fronteira avançou rapidamente. Em Portugal, a E-REDES utiliza a plataforma GridWise na análise de grandes volumes de dados da rede de baixa tensão, combinando IA, IoT, Big Data e processamento distribuído para identificar avarias, anomalias e perdas ^[3]. Na Grã-Bretanha, o National Energy System Operator desenvolveu um sistema probabilístico de machine learning para estimar dinamicamente a reserva necessária ao sistema ^[4]. O modelo usa valores SHAP, um método que mostra quanto cada variável pesou no resultado. A ideia vem da teoria dos jogos, que reparte o ganho de uma partida entre os jogadores conforme a contribuição de cada um. No modelo, os jogadores são as variáveis de entrada. Assim, junto com o número da reserva, o engenheiro da sala de controle vê quanto dele se deve à previsão de vento, à geração solar e aos demais fatores.

Na Finlândia, a Fingrid passou a utilizar machine learning na determinação dinâmica da capacidade de suas linhas de 400 kV, e esses valores já participam da determinação das restrições de transmissão fornecidas ao mercado day-ahead ^[5].

Nenhum desses exemplos significa entregar uma rede nacional inteira a uma inteligência artificial autônoma. O que eles mostram é algo menos espetacular e mais importante: a IA está entrando gradualmente em funções concretas de previsão, diagnóstico, otimização e suporte à operação à medida que seu desempenho pode ser demonstrado e seus riscos podem ser controlados.

E o Brasil?

Essa história também está sendo construída aqui. Muito antes da atual popularização da IA generativa, o Programa de Pesquisa e Desenvolvimento regulado pela ANEEL já indicava entre seus subtemas prioritários o desenvolvimento de técnicas de inteligência artificial aplicadas ao controle, operação e proteção de sistemas elétricos ^[6]. No PEQuI 2024-2028, o plano estratégico quinquenal de inovação da ANEEL, a inteligência artificial aparece explicitamente entre as novas tecnologias estratégicas para o setor elétrico ^[7]. Os projetos mostram que essa diretriz não ficou apenas no papel.

No projeto Metodologia e Ferramenta para Análise Automática de Ocorrências Utilizando Algoritmos de Aprendizado de Máquina ^[8], a TAESA e a Concert Technologies desenvolveram uma ferramenta que utiliza aprendizado de máquina para analisar automaticamente oscilografias de desligamentos em linhas de transmissão. O sistema identifica a causa da ocorrência, localiza a falta e fornece suas características elétricas para auxiliar operadores, equipes de manutenção e engenharia. É uma aplicação particularmente interessante porque a IA entra numa atividade ligada ao diagnóstico de eventos do sistema de potência.

O projeto Análise Preditiva de Falhas por Inteligência Artificial: Sistema para Identificação e Predição de Falhas em Equipamentos de Potência Baseado em Redes de Sensores e IA ^[9], da TAESA com o Instituto de Pesquisa Eldorado, levou a inteligência para dentro das subestações. Redes de sensores, câmeras, IoT e algoritmos de aprendizado de máquina foram combinados para reconhecer estados atuais e futuros de equipamentos e identificar anomalias antes que evoluam para falhas. A proposta é permitir monitoramento contínuo e orientar manutenção preventiva e preditiva.

O projeto Robô de Inspeção de Subestações ^[10], desenvolvido pelo Lactec para a State Grid e do qual resultou o Lacbot, dá mais um passo na direção da autonomia. O robô foi concebido para realizar inspeções em subestações de alta tensão, deslocando-se de forma autônoma ou teleoperada, coletando imagens visuais e térmicas e identificando condições que precisam de intervenção. Em vez de colocar trabalhadores continuamente em ambientes de risco, a inteligência e a automação são usadas para aumentar a segurança.

Há aplicações ainda mais próximas da coordenação energética. No projeto Plataforma IA para Gestão de BESS + DG em Utility Scale ^[11], a CTG Brasil desenvolve uma plataforma com inteligência artificial para gerenciar conjuntamente armazenamento em baterias e geração fotovoltaica. O ambiente experimental está conectado à rede e inclui um EMS destinado a testar redução de picos, suavização de potência e controle de tensão, entre outros serviços. O projeto ainda está em desenvolvimento, mas a direção é clara: a IA passa da observação de equipamentos para a coordenação de recursos energéticos.

Esses casos são importantes porque evitam dois exageros. O Brasil não entregou o controle do sistema elétrico a uma IA autônoma. Também não está parado esperando que outros países descubram como utilizar a tecnologia. Estamos acumulando experiência em aplicações de diferentes níveis de criticidade, exatamente o tipo de aprendizado necessário antes de avançar para autonomias maiores.

IA no controle não é IA fora de controle

A evolução regulatória europeia ajuda a entender essa diferença. O AI Act classifica como de alto risco sistemas de IA destinados a atuar como componentes de segurança na gestão e operação de infraestrutura crítica, incluindo o fornecimento de eletricidade ^[12]. A escolha diz muito: em vez de proibir essas aplicações, o regulamento as submeteu a requisitos mais rigorosos.

O mesmo regulamento exige supervisão humana para sistemas de alto risco, mas relaciona essa supervisão aos riscos, ao nível de autonomia e ao contexto de uso. Também exige precisão, robustez e cibersegurança adequadas ^[12]. Isso é bem diferente de exigir que uma pessoa aprove manualmente cada decisão tomada por uma máquina.

A Ofgem adotou raciocínio semelhante no setor energético britânico. Sua orientação trata de segurança, governança, responsabilidade, competências, transparência e explicabilidade, e as exigências crescem com o risco da aplicação ^[13]. É a ideia de regular a IA em níveis. O próprio AI Act segue essa lógica, ao separar os sistemas em quatro níveis de risco: inaceitável, alto, de transparência e mínimo ^[12]. Um modelo que sugere o melhor horário para carregar um veículo elétrico não precisa carregar o mesmo peso regulatório de um algoritmo que participa da operação da rede.

Para aprender junto com o mercado, a Ofgem criou o AI Reg Lab, um laboratório regulatório em que empresas do setor testam usos reais ou hipotéticos de IA contra a orientação e as regras vigentes, diante de um painel independente de especialistas. Em janeiro de 2026, decidiu também montar um sandbox técnico, como piloto de doze meses: um ambiente digital seguro e controlado para testar aplicações de IA no setor de energia ^[14]. No IX World Forum on Energy Regulation, em Tbilisi, representantes da Ofgem, do regulador japonês, da Australian Energy Market Commission e da FERC discutiram como conciliar aplicações de IA em previsão, planejamento, manutenção e mercados com accountability e proteção do sistema. A própria Ofgem apresentou ali essa abordagem, baseada em resultados e proporcional ao risco ^[15].

Na plenária sobre transformação tecnológica, apresentei uma arquitetura semelhante na proposta de Conservação de Energia 2.0. Nela, a AI Fabric é uma camada distribuída, sem uma inteligência central mandando na rede inteira. Ela conecta previsão, otimização, controle adaptativo e verificação em diferentes níveis. No nível residencial, pode estimar consumo, geração solar e disponibilidade de baterias. No agregador, pode prever quanta flexibilidade milhares de consumidores conseguem oferecer. Na rede, pode ajudar a localizar congestionamentos e coordenar quando e onde essa flexibilidade tem maior valor. Tudo isso condicionado a cibersegurança, privacidade, auditabilidade e limites definidos externamente ^[16].

É aí que a expressão “IA no controle” precisa ser interpretada com cuidado. Um algoritmo pode controlar determinada função sem receber autoridade irrestrita sobre o sistema. Pode atuar dentro de um envelope operacional definido, sujeito a limites físicos, proteções independentes, intertravamentos, registros para auditoria e condições automáticas de retirada de operação. A IA escolhe dentro de um espaço de decisão que ela própria não define.

Não precisamos escolher entre uma pessoa autorizando cada ação e uma máquina livre para decidir qualquer coisa. Entre esses extremos existem vários níveis de autonomia, e cada função pode receber aquele compatível com sua criticidade, maturidade tecnológica e capacidade de supervisão.

Também existe risco em não usar IA

O debate costuma fazer uma comparação injusta. De um lado aparece uma inteligência artificial sujeita a falhas. Do outro, quase implicitamente, um processo humano confiável. Esse segundo sistema não existe.

Operadores também falham. Previsões tradicionais erram. Equipes humanas não conseguem identificar todos os padrões presentes em milhões de medições. Há fadiga, vieses, limitações cognitivas e restrições de tempo. A comparação tecnicamente honesta coloca lado a lado duas arquiteturas imperfeitas, uma com IA e outra sem ela.

Se um modelo prevê melhor a disponibilidade de geração renovável, pode diminuir a necessidade de reserva. Se identifica degradação de um equipamento antes que ela produza uma falha, pode aumentar a confiabilidade. Se analisa automaticamente uma oscilografia e localiza uma falta mais rapidamente, reduz o tempo necessário para compreender uma ocorrência. E um modelo que estime melhor a capacidade térmica de uma linha permite utilizar com maior eficiência um ativo existente sem ultrapassar seus limites físicos.

Nesse cenário, não utilizar IA também tem custo e também tem risco. Essa dimensão é menos visível porque percebemos facilmente um risco novo introduzido por uma tecnologia, enquanto tratamos os riscos do processo existente como parte natural do ambiente. Só que natural não significa ótimo.

A questão correta passa a ser qual arquitetura produz menor risco total e maior valor para o sistema, considerando inclusive o custo de oportunidade de manter processos inferiores apenas porque são conhecidos.

Um quarto escuro não precisa permanecer escuro

A imagem do quarto escuro funciona porque descreve incerteza. Não conhecemos ainda todos os comportamentos que sistemas futuros de inteligência artificial poderão produzir, nem todas as formas pelas quais serão incorporados às redes, mercados e infraestruturas críticas. Seria imprudente tratar esse desconhecimento como irrelevante.

Mas a resposta histórica da engenharia à incerteza não foi permanecer do lado de fora. Quando não enxergamos suficientemente um sistema, aumentamos a instrumentação, testamos, estabelecemos limites, criamos redundâncias, monitoramos desempenho e comparamos continuamente aquilo que esperávamos com aquilo que realmente ocorreu. Quanto maior a consequência da falha, maior deve ser a proteção.

A transformação das redes elétricas provavelmente exigirá exatamente isso. Sistemas mais distribuídos, milhões de recursos conectados, fontes renováveis variáveis, baterias, veículos elétricos, microrredes e consumidores respondendo a preços e condições da rede criam um problema de coordenação que dificilmente será resolvido simplesmente aumentando a quantidade de operadores diante de telas. A própria União Europeia já lançou o AI.grids para desenvolver modelos de IA destinados ao planejamento e à gestão das redes ^[17].

Parte da inteligência necessária continuará humana. Parte será automação convencional. Uma parcela crescente será inteligência artificial. O trabalho dos engenheiros e reguladores será determinar quais decisões podem ser delegadas, quais limites devem permanecer externos ao algoritmo, como os modelos serão validados, quais evidências serão exigidas, quando haverá supervisão humana direta e quem continuará responsável quando algo der errado.

É possível que realmente estejamos entrando em um quarto que ainda não conhecemos por completo. Mas a engenharia dispõe de instrumentos melhores do que simplesmente manter a porta fechada.

O humano pode sair da malha de controle de milissegundos sem sair do comando da arquitetura.

Referências

1. SANTANA, Edvaldo. O quarto escuro da IA. Valor Econômico, 6 out. 2026. Disponível em: https://valor.globo.com/opiniao/coluna/o-quarto-escuro-da-ia.ghtml. Acesso em: 7 out. 2026.
2. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Smart Grid Communications. NIST. Disponível em: https://www.nist.gov/programs-projects/smart-grid-communications-0. Acesso em: 7 out. 2026.
3. E-REDES. GridWise: A ferramenta que veio revolucionar a gestão da rede de baixa tensão. 4 mar. 2024. Disponível em: https://www.e-redes.pt/pt-pt/noticias/2024/03/04/gridwise-ferramenta-que-veio-revolucionar-gestao-da-rede-de-baixa-tensao. Acesso em: 7 out. 2026.
4. NATIONAL ENERGY SYSTEM OPERATOR. Probabilistic Machine Learning Solution for Dynamic Reserve Setting. Disponível em: https://www.neso.energy/about/innovation/our-innovation-projects/probabilistic-machine-learning-solution-dynamic-reserve-setting. Acesso em: 7 out. 2026.
5. FINGRID. Fingrid introduces Dynamic Line Rating in the transmission grid. 27 abr. 2026. Disponível em: https://www.fingrid.fi/en/news/news/2026/fingrid-introduces-dynamic-line-rating-in-the-transmission-grid/. Relatório semestral da Fingrid, GlobeNewswire, 23 jul. 2026: https://www.globenewswire.com/news-release/2026/07/23/3331934/0/en/fingrid-group-s-half-year-report-1-1-30-6-2026.html. Acesso em: 7 out. 2026.
6. ANEEL. Supervisão, Controle e Proteção de Sistemas de Energia Elétrica. Subtema SC05. Disponível em: https://www.gov.br/aneel/pt-br/assuntos/programa-de-pesquisa-desenvolvimento-e-inovacao/temas-para-investimentos/sc. Acesso em: 7 out. 2026.
7. ANEEL. TE4: Inovações para Transmissão e Distribuição e Novas Tecnologias de Suporte, Inteligência Artificial, Realidade Virtual e Aumentada e Blockchain. PEQuI 2024-2028. Disponível em: https://www.gov.br/aneel/pt-br/assuntos/programa-de-pesquisa-desenvolvimento-e-inovacao/temas-estrategicos-do-pequi/te3-inovacoes-para-transmissao-e-distribuicao-e-novas-tecnologias-de-suporte-2013-inteligencia-artificial-realidade-virtual-e-aumentada-e-blockchain. Acesso em: 7 out. 2026.
8. TAESA. Projeto 0048: Metodologia e Ferramenta para Análise Automática de Ocorrências Utilizando Algoritmos de Aprendizado de Máquina. Código ANEEL PD-07130-0048/2019. Disponível em: https://institucional.taesa.com.br/pesquisa/projeto-0048metodologia-e-ferramenta-para-analise-automatica-de-ocorrencias-utilizando-algoritmos-de-aprendizado-de-maquina/. Acesso em: 7 out. 2026.
9. TAESA. Projeto 0062: Análise Preditiva de Falhas por Inteligência Artificial. Código ANEEL PD-07130-0062/2020. Disponível em: https://institucional.taesa.com.br/pesquisa/projeto-0062-analise-preditiva-de-falhas-por-inteligencia-artificial-sistema-para-identificacao-e-predicao-de-falhas-em-equipamentos-de-potencia-baseado-em-redes-de-sensores-e-ia/. Acesso em: 7 out. 2026.
10. LACTEC. Robô de Inspeção de Subestações, P&D 08106-0002-2017. Disponível em: https://lactec.com.br/2024/08/26/o-que-sao-os-5ds-da-transicao-energetica/. Acesso em: 7 out. 2026.
11. CTG BRASIL. Plataforma IA para Gestão de BESS + DG em Utility Scale. Código ANEEL PD-10381-0024. Disponível em: https://www.ctgbr.com.br/inovacao/nossos-projetos-aprovacao/. Acesso em: 7 out. 2026.
12. UNIÃO EUROPEIA. Regulamento (UE) 2024/1689, Artificial Intelligence Act, especialmente Anexo III e artigos 14 e 15. Texto oficial no EUR-Lex: https://eur-lex.europa.eu/eli/reg/2024/1689/oj. Anexo III no AI Act Service Desk da Comissão Europeia: https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-3. Artigo 14 no AI Act Service Desk: https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-14. Artigo 15 no AI Act Service Desk: https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-15. Níveis de risco do AI Act, página da Comissão Europeia: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai. Acesso em: 7 out. 2026.
13. OFGEM. Ethical AI use in the energy sector, version 2. 2026. Disponível em: https://www.ofgem.gov.uk/guidance/ethical-ai-use-energy-sector. Acesso em: 7 out. 2026.
14. OFGEM. Artificial intelligence. AI Reg Lab, sandbox técnico e garantia de IA (AI assurance) no setor de energia. Disponível em: https://www.ofgem.gov.uk/energy-regulation/technology-and-innovation/artificial-intelligence. Acesso em: 7 out. 2026.
15. INTERNATIONAL CONFEDERATION OF ENERGY REGULATORS; GNERC. IX World Forum on Energy Regulation, 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. Disponível em: https://www.wfertbilisi2026.com/en/programa/day-2. Acesso em: 7 out. 2026.
16. ALCÂNTARA, Márcio Venício Pilar. Energy Conservation 2.0, Plenária 3, Technology as a Driver of Energy Transformation, IX WFER. Tbilisi, 24 set. 2026. Programa oficial da Plenária 3: https://www.wfertbilisi2026.com/en/programa/day-4. Artigo técnico da RELOP: https://relop.org/wp-content/uploads/2025/05/Alcantara-Marcio-Rumo-a-Sustentabilidade-Energetica-Conservacao-de-energia-integrada-ao-consumidor-via-redes-inteligentes-e-reforma-regulatoria.pdf. Acesso em: 7 out. 2026.
17. EUROPEAN COMMISSION. Flagship projects on AI for grids and data centre sustainability. 4 jun. 2026. Disponível em: https://energy.ec.europa.eu/news/flagship-projects-ai-grids-and-data-centre-sustainability-2026-06-04_en. Acesso em: 7 out. 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).