Saneamento: como preparar operadores para a era da IA -

A inteligência artificial começa a ocupar um espaço relevante na operação de sistemas de água e esgoto. Sensores conectados, sistemas supervisórios, modelos preditivos, manutenção baseada em condição, gêmeos digitais e plataformas de apoio à decisão já conseguem transformar milhares de dados operacionais em alertas, previsões e recomendações.

Entretanto, a tecnologia não toma decisões dentro de uma estação de tratamento de forma isolada. Um algoritmo pode identificar um comportamento anormal, prever uma falha ou recomendar uma alteração operacional. Ainda assim, permanece necessária a avaliação de um profissional capaz de compreender o processo, verificar a qualidade dos dados e determinar se a recomendação faz sentido diante das condições reais da unidade.

Surge, portanto, o conceito de operador aumentado: um profissional de saneamento que combina experiência operacional, conhecimento de processo e capacidade de interpretar sistemas digitais. A inteligência artificial não substitui esse trabalhador. Pelo contrário, amplia sua capacidade de perceber riscos, comparar cenários e agir antes que pequenos desvios se transformem em falhas, perdas financeiras, danos ambientais ou problemas de qualidade da água. (Water Online⁠)

O operador aumentado não é um operador automatizado

Existe uma diferença importante entre automatizar uma atividade e substituir a responsabilidade humana.

A automação executa comandos definidos previamente. Um sistema pode ligar uma bomba, ajustar uma válvula, controlar a dosagem de um produto químico ou alterar a velocidade de um soprador. Já a inteligência artificial analisa padrões e pode sugerir a melhor ação com base no histórico disponível.

Porém, uma estação de tratamento está sujeita a situações que nem sempre aparecem nos dados usados para treinar o modelo. Mudanças bruscas na qualidade da água bruta, chuvas intensas, entrada de efluentes industriais, falhas de comunicação, sensores descalibrados e manutenções emergenciais podem criar condições completamente diferentes das situações conhecidas pelo algoritmo.

Nesse contexto, o operador aumentado deve responder a três perguntas antes de aceitar uma recomendação:

Os dados usados pelo sistema são confiáveis?
A recomendação é compatível com o comportamento físico, químico e biológico do processo?
A ação proposta respeita os limites de segurança, qualidade e conformidade?

A função do profissional deixa de ser apenas comandar equipamentos e passa a incluir a supervisão crítica da automação. Assim, o operador precisa interpretar tendências, validar alertas, comparar previsões com resultados laboratoriais e interromper uma ação automatizada quando houver risco operacional.

Essa abordagem é conhecida como human in the loop, ou ser humano dentro do ciclo decisório. O sistema processa os dados e apresenta uma recomendação, enquanto a decisão crítica permanece submetida à análise humana.

Por que a IA exige uma nova formação no saneamento

O aumento da instrumentação trouxe mais informações para as companhias. Entretanto, mais dados não significam, automaticamente, melhores decisões.

Uma estação pode produzir milhares de registros por hora envolvendo pressão, vazão, turbidez, pH, cloro residual, nível, corrente elétrica, vibração, oxigênio dissolvido, sólidos suspensos e outras variáveis. Quando esses dados não são organizados adequadamente, o operador pode enfrentar excesso de alarmes, telas complexas e informações contraditórias.

A inteligência artificial pode priorizar eventos e destacar padrões relevantes. Contudo, caso a equipe não saiba interpretar o resultado, o sistema corre o risco de ser ignorado ou utilizado de maneira incorreta.

Pesquisas da Water Research Foundation indicam que a implantação de sistemas inteligentes muda os requisitos das funções operacionais. Além do conhecimento tradicional, passam a ser necessárias competências relacionadas a dados, automação, análise crítica, integração de sistemas e gestão de riscos tecnológicos. A própria fundação desenvolveu estudos voltados à preparação da força de trabalho para operações inteligentes e à avaliação da maturidade digital das empresas de água e esgoto. (The Water Research Foundation⁠)

Portanto, o treinamento não deve ser tratado como uma etapa posterior à compra do software. Ele precisa fazer parte do projeto desde o diagnóstico inicial.

A maturidade da companhia deve ser avaliada primeiro

Antes de implantar um programa de treinamento em IA, a empresa de saneamento deve analisar sua condição tecnológica e operacional.

Não existe benefício em ensinar o operador a interpretar um modelo sofisticado quando os sensores apresentam falhas frequentes, os procedimentos estão desatualizados ou os sistemas não compartilham informações.

Uma avaliação de prontidão deve considerar pelo menos seis dimensões:

1. Instrumentação

Deve-se verificar quais variáveis são medidas, com que frequência são registradas e qual é o histórico de calibração dos equipamentos.

Um modelo de dosagem química, por exemplo, pode apresentar recomendações inadequadas quando os dados de turbidez ou pH estão incorretos. Da mesma forma, um sistema de manutenção preditiva perde valor quando os sensores de vibração ou temperatura não possuem estabilidade.

2. Qualidade dos dados

Devem ser avaliados dados ausentes, valores repetidos, registros fora da faixa, atrasos de comunicação e diferenças entre o horário dos sistemas.

Uma diferença de poucos minutos entre o registro de uma vazão e o resultado de uma análise pode comprometer a interpretação do processo. Por isso, a sincronização dos dados também precisa ser tratada como requisito operacional.

3. Integração de sistemas

É necessário identificar se o SCADA, o sistema de manutenção, o laboratório, o cadastro de ativos, o sistema geográfico e as plataformas comerciais conseguem trocar informações.

Quando os dados permanecem separados, o sistema pode até emitir alertas, porém não apresenta uma visão completa da ocorrência.

4. Procedimentos operacionais

Os procedimentos devem definir claramente limites, responsabilidades, critérios de intervenção, formas de comunicação e ações de contingência.

A inteligência artificial não substitui um procedimento operacional. Ela deve funcionar dentro dele.

5. Competências da equipe

O levantamento precisa identificar quais profissionais dominam os processos, quais sabem analisar tendências e quais necessitam de maior apoio em automação, estatística ou segurança digital.

6. Governança

Também deve ser definido quem aprova o uso do modelo, quem acompanha seu desempenho, quem pode alterar parâmetros e quem responde quando a recomendação estiver errada.

A avaliação de maturidade evita que a companhia tente pular diretamente para a inteligência artificial sem consolidar fundamentos como instrumentação, manutenção, dados confiáveis e padronização operacional. (The Water Research Foundation⁠)

Quais competências o novo operador precisa desenvolver

O programa de capacitação deve ser organizado de acordo com as atividades reais da unidade. Treinamentos excessivamente teóricos tendem a produzir baixo aproveitamento.

Conhecimento sólido do processo

A competência mais importante continua sendo o conhecimento de tratamento, distribuição, coleta ou esgotamento sanitário.

Para avaliar uma recomendação de IA, o profissional precisa compreender o que acontece dentro do processo. Em uma estação de tratamento de água, por exemplo, devem ser entendidas as relações entre coagulação, pH, alcalinidade, mistura rápida, floculação, sedimentação, filtração e desinfecção.

Em uma estação de tratamento de esgoto, o operador precisa reconhecer as relações entre carga orgânica, oxigênio dissolvido, idade do lodo, sólidos, recirculação, produção de lodo e consumo de energia.

Sem essa base, existe o risco de se confiar excessivamente no sistema.

Leitura de tendências no SCADA

Não basta observar o valor atual de uma variável. É necessário entender sua evolução.

O treinamento deve ensinar como comparar curvas, reconhecer mudanças de padrão, analisar a velocidade de crescimento de um desvio e relacionar diferentes variáveis.

Uma elevação de turbidez acompanhada por mudança de pH, aumento de vazão e chuva intensa possui significado diferente de uma elevação isolada causada por sensor sujo.

Validação de alertas

O operador precisa compreender os conceitos de falso positivo e falso negativo.

O falso positivo ocorre quando o sistema indica um problema inexistente. O falso negativo aparece quando o sistema deixa de identificar uma falha real. Ambos possuem consequências.

O excesso de falsos positivos provoca fadiga de alarmes e reduz a confiança da equipe. Já o falso negativo pode permitir que um problema avance sem intervenção.

Compreensão da deriva de sensores e modelos

A deriva do sensor ocorre quando a medição se afasta gradualmente do valor correto. Já a deriva do modelo acontece quando as condições reais mudam e o algoritmo deixa de apresentar o mesmo desempenho observado anteriormente.

Mudanças no manancial, substituição de equipamentos, ampliação da estação, alteração do padrão de consumo ou entrada de novos efluentes podem exigir recalibração ou novo treinamento do modelo.

Interpretação de recomendações

O profissional deve aprender a questionar por que determinada ação foi sugerida.

Quando possível, a plataforma deve mostrar quais variáveis influenciaram a recomendação. Sistemas totalmente opacos dificultam a validação e podem criar dependência tecnológica.

Segurança cibernética

Os operadores trabalham diretamente com sistemas de tecnologia operacional, conhecidos como OT. Um incidente digital pode afetar bombas, válvulas, dosadores, controladores e sistemas supervisórios.

Por isso, o treinamento deve abordar controle de acesso, senhas, autenticação, dispositivos externos, tentativas de fraude, acesso remoto, atualização de equipamentos e comunicação de incidentes.

A CISA e a EPA recomendam que empresas de água e esgoto mantenham inventários de ativos de tecnologia da informação e tecnologia operacional, além de programas de conscientização em segurança cibernética. (CISA⁠)

Como montar um treinamento prático e eficiente

Um programa moderno pode ser estruturado em oito módulos.

Módulo 1 — Fundamentos da inteligência artificial

O primeiro módulo deve explicar, em linguagem simples, o que a IA consegue e o que não consegue fazer.

Também devem ser apresentados conceitos como modelo preditivo, detecção de anomalias, algoritmo de otimização, inteligência generativa, gêmeo digital e sistema de apoio à decisão.

O objetivo não é formar cientistas de dados, mas permitir que o operador compreenda o funcionamento básico da ferramenta.

Módulo 2 — Qualidade e contexto dos dados

Devem ser apresentados exemplos de dados incorretos, desatualizados ou fora de contexto.

O operador precisa saber identificar sinais de falha de instrumentação e compreender que o algoritmo depende dos dados recebidos.

Módulo 3 — Análise de tendências

Esse módulo deve utilizar telas reais ou simuladas do SCADA.

A equipe pode analisar eventos passados, identificar os primeiros sinais de uma ocorrência e comparar a percepção humana com o alerta emitido pela plataforma.

Módulo 4 — Validação da IA

Devem ser apresentados exercícios nos quais algumas recomendações estão corretas e outras estão erradas.

O objetivo é desenvolver pensamento crítico, evitando tanto a rejeição automática quanto a confiança excessiva.

Módulo 5 — Aplicação por processo

Cada equipe deve receber treinamento relacionado à sua atividade.

Uma ETA pode priorizar dosagem de coagulante, carreira de filtros, turbidez e desinfecção. Uma ETE pode trabalhar com aeração, recirculação, produção de lodo, remoção de nutrientes e consumo energético.

Na distribuição, o foco pode estar em pressão, perdas, rompimentos, bombeamento e reservação. Já na coleta de esgoto, a prioridade pode envolver extravasamentos, infiltração, estações elevatórias e capacidade hidráulica.

Módulo 6 — Resposta a falhas

O profissional deve saber como operar quando o sistema estiver indisponível.

Os exercícios precisam incluir perda de comunicação, falha de sensores, indisponibilidade do servidor, erro do modelo e ataque cibernético.

O modo manual não pode existir apenas no documento. Ele deve ser praticado.

Módulo 7 — Segurança cibernética

O conteúdo deve incluir situações ligadas ao cotidiano da operação, como compartilhamento de senhas, conexão de dispositivos pessoais, acesso remoto de fornecedores e mensagens fraudulentas.

Módulo 8 — Avaliação contínua

O treinamento não termina após a implantação.

Devem ser realizadas avaliações periódicas, reciclagens e exercícios com novos cenários. O NIST recomenda que as organizações estabeleçam responsabilidades claras, treinamento em riscos de IA, monitoramento contínuo e procedimentos de contingência para falhas de sistemas próprios ou de terceiros. (NIST AI Resource Center⁠)

Simulações devem reproduzir situações reais

A aprendizagem tende a ser mais eficiente quando a equipe pratica decisões em um ambiente controlado.

Uma simulação de ETA pode reproduzir uma elevação repentina de turbidez após chuva intensa. O sistema pode recomendar aumento de coagulante, enquanto o operador deve verificar pH, alcalinidade, resultados do teste de jarros e comportamento dos filtros.

Em uma ETE, o exercício pode simular queda de oxigênio dissolvido associada à falha de um soprador. A IA pode prever perda de desempenho, mas a equipe deve avaliar a disponibilidade dos equipamentos, o consumo energético e o risco de comprometimento do processo biológico.

Na distribuição, pode ser simulada uma queda de pressão associada a possível vazamento. O profissional deve diferenciar rompimento, consumo elevado, falha de bombeamento e problema no sensor.

Esses exercícios criam confiança sem comprometer a operação real. Além disso, permitem identificar lacunas nos procedimentos antes de uma emergência.

Casos internacionais mostram o potencial, mas exigem cautela

A EPA apresenta diferentes aplicações de sistemas inteligentes em redes de esgoto.

Em Hawthorne, na Califórnia, sensores foram instalados em aproximadamente 2,5% da rede, abrangendo cerca de 50 poços de visita. Segundo a agência, o sistema evitou aproximadamente US$ 2 milhões em multas e custos relacionados a extravasamentos.

Em Louisville, controles em tempo real reduziram extravasamentos combinados em aproximadamente 1 bilhão de galões por ano, equivalente a cerca de 3,8 bilhões de litros. O projeto também teria evitado aproximadamente US$ 117 milhões em investimentos previstos.

Em South Bend, foram instalados 120 sensores e atuadores. A EPA informa redução superior a 70% no volume de extravasamentos combinados, economia anual de aproximadamente US$ 1,5 milhão em operação e manutenção e cerca de US$ 500 milhões em ampliações evitadas.

Já em Evansville, um sistema de apoio à decisão utiliza sensores, monitoramento e inteligência artificial para prever a capacidade da estação com até uma hora de antecedência. O resultado informado foi uma redução superior a 100 milhões de galões de extravasamentos por ano, aproximadamente 378 milhões de litros. (US EPA⁠)

Esses resultados não devem ser transferidos automaticamente para o saneamento brasileiro. Os benefícios dependem do tamanho do sistema, das condições hidráulicas, da confiabilidade dos equipamentos e do custo das soluções locais.

Entretanto, os casos demonstram que o valor da IA não está somente em gerar relatórios. O ganho aparece quando a informação modifica uma decisão operacional no momento correto.

A governança deve definir até onde a IA pode atuar

Nem todas as recomendações possuem o mesmo risco.

Um sistema que sugere a inspeção de uma bomba apresenta risco diferente de uma plataforma autorizada a alterar automaticamente a dosagem de produto químico.

Por isso, os casos de uso devem ser classificados por criticidade.

Baixa criticidade

Inclui geração de relatórios, organização de documentos, consulta a procedimentos e priorização de ordens de manutenção.

Média criticidade

Abrange previsão de falhas, identificação de anomalias, recomendação de manutenção e otimização de consumo energético.

Alta criticidade

Inclui alterações automáticas em dosagem química, desinfecção, pressão, bombeamento, aeração ou qualquer processo que possa afetar diretamente a qualidade da água, a segurança da equipe, a conformidade ou o meio ambiente.

Quanto maior a criticidade, maior deve ser a supervisão humana, a documentação, a validação e a existência de mecanismos de reversão.

O NIST organiza a gestão de riscos de IA em quatro funções: governar, mapear, medir e gerenciar. Para o saneamento, isso significa estabelecer responsáveis, entender o contexto do uso, medir o desempenho real e manter ações de controle durante todo o ciclo de vida do sistema. (NIST⁠)

Indicadores para medir se o treinamento funciona

O sucesso não deve ser avaliado apenas pela quantidade de pessoas treinadas ou pelo número de acessos à plataforma.

Os indicadores precisam mostrar se a qualidade das decisões melhorou.

Podem ser acompanhados:

Tempo médio para reconhecer um alarme relevante;
Tempo médio para diagnosticar a causa;
Tempo de resposta após uma recomendação;
Percentual de alertas confirmados;
Quantidade de falsos positivos;
Quantidade de ocorrências não identificadas;
Frequência de intervenções manuais;
Número de recomendações rejeitadas;
Justificativas registradas para rejeições;
Disponibilidade de equipamentos;
Consumo energético por metro cúbico;
Consumo de produtos químicos por metro cúbico;
Ocorrências de qualidade;
Extravasamentos e paralisações;
Redução de manutenção emergencial;
Desempenho dos operadores em simulações.

Também é importante acompanhar o chamado viés de automação, que aparece quando a equipe aceita uma recomendação simplesmente porque ela foi produzida pelo sistema.

Por outro lado, rejeições frequentes podem indicar modelo inadequado, baixa qualidade dos dados ou falta de confiança. Portanto, a taxa de aceitação não deve ser analisada isoladamente.

Um roteiro de implantação em 90 dias

Os primeiros 90 dias podem ser utilizados para estruturar um projeto-piloto, sem entregar controle autônomo de processos críticos.

Dias 1 a 30 — Diagnóstico

A companhia deve escolher um problema específico, mapear o processo, identificar dados disponíveis, verificar sensores e avaliar as competências da equipe.

Também devem ser definidos os limites do sistema e os indicadores de sucesso.

Dias 31 a 60 — Configuração e capacitação inicial

O modelo pode ser configurado em ambiente de teste, utilizando dados históricos.

Nesse período, os operadores devem participar da análise dos resultados. Alertas incorretos, limitações e situações não previstas precisam ser documentados.

Dias 61 a 90 — Operação assistida

A ferramenta pode começar a funcionar em paralelo com a operação tradicional.

Ela apresenta recomendações, mas não executa ações automaticamente. A equipe compara as sugestões com as decisões reais e registra divergências.

Somente após a comprovação do desempenho devem ser avaliados níveis adicionais de automação.

Como aplicar o conceito à realidade brasileira

As companhias brasileiras apresentam níveis muito diferentes de digitalização. Algumas possuem centros de controle, telemetria avançada, modelagem hidráulica e sistemas integrados. Outras ainda dependem de registros manuais, equipamentos antigos e baixa cobertura de instrumentação.

Por isso, não existe um único modelo de implantação.

O melhor ponto de partida costuma ser um problema claramente identificado, com impacto operacional ou financeiro mensurável. Entre as possibilidades estão:

Redução do consumo energético em estações elevatórias;
Otimização da dosagem de produtos químicos;
Previsão de falhas em bombas e motores;
Identificação de vazamentos;
Priorização de manutenção;
Previsão de demanda;
Controle de pressão;
Identificação de extravasamentos;
Otimização da aeração;
Detecção de anomalias de qualidade.

A implantação deve começar pequena, com dados confiáveis e envolvimento dos operadores desde a definição do projeto.

Os contratos com fornecedores também precisam tratar de propriedade dos dados, acesso aos modelos, registro de alterações, segurança cibernética, suporte, continuidade do serviço e exportação das informações em caso de encerramento contratual.

Além disso, uma companhia de saneamento não deve depender de um sistema que ninguém dentro da organização compreende. Mesmo quando o algoritmo for fornecido por uma empresa especializada, deve existir uma equipe interna capaz de avaliar os resultados e questionar o desempenho.

A IA precisa preservar o conhecimento dos profissionais

O setor enfrenta um desafio adicional: a saída de profissionais experientes.

Grande parte do conhecimento operacional não está registrada formalmente. Ele permanece na experiência de operadores, técnicos, engenheiros e mantenedores que aprenderam a reconhecer sinais específicos ao longo dos anos.

A inteligência artificial pode ajudar a organizar esse conhecimento. Procedimentos, registros de ocorrências, relatórios, históricos de manutenção e decisões anteriores podem formar uma base consultável.

Projetos recentes da Water Research Foundation estudam sistemas de IA com agentes capazes de representar ativos, analisar informações e apresentar recomendações. A própria fundação destaca que as empresas de água e esgoto possuem muitos dados, mas frequentemente têm dificuldade para transformá-los em conhecimento operacional integrado. (The Water Research Foundation⁠)

Entretanto, a digitalização do conhecimento deve ocorrer com participação dos profissionais. Caso contrário, o sistema pode registrar apenas o procedimento formal e ignorar informações relevantes da operação real.

O maior risco não é a IA errar sozinha

O maior risco aparece quando vários problemas ocorrem ao mesmo tempo: sensor descalibrado, modelo inadequado, operador pouco treinado, procedimento incompleto e ausência de supervisão.

Nesse cenário, a tecnologia pode transmitir uma falsa sensação de precisão.

Por isso, a implantação responsável precisa combinar cinco elementos:

Dados confiáveis;
Conhecimento de processo;
Treinamento prático;
Governança clara;
Capacidade de operar sem a IA.

Quando esses fundamentos estão presentes, a inteligência artificial aumenta a visão do operador e antecipa riscos. Quando estão ausentes, ela pode apenas acelerar decisões incorretas.

O futuro do saneamento será humano e digital

A transformação digital não reduz a importância dos operadores. Ela aumenta a necessidade de profissionais mais preparados, capazes de unir conhecimento técnico e interpretação de dados.

O operador aumentado não é um trabalhador que obedece a algoritmos. É um profissional que utiliza a tecnologia para ampliar sua percepção, testa as recomendações, identifica limitações e mantém o controle sobre as decisões críticas.

Para as empresas de saneamento, o desafio não está apenas em contratar plataformas de inteligência artificial. O verdadeiro desafio está em formar equipes que consigam utilizar essas ferramentas com segurança, autonomia e pensamento crítico.

A companhia que investir somente em software poderá acumular dashboards, alertas e previsões pouco utilizados. Por outro lado, a organização que investir simultaneamente em processos, pessoas, dados e governança poderá reduzir falhas, preservar conhecimento, melhorar a confiabilidade e elevar a eficiência operacional.

Portanto, a inteligência artificial deve ser entendida como uma ferramenta de ampliação da capacidade humana. No saneamento, onde as decisões afetam diretamente a saúde pública, o meio ambiente e a continuidade dos serviços, a experiência profissional continuará sendo indispensável.