Toda vez que alguém fala "machine learning" ou "análise preditiva" pra um profissional de SST, eu vejo uma de duas reações: ou os olhos brilham como se fosse a solução definitiva pra acabar com acidentes, ou a pessoa fecha a cara e muda de assunto porque parece coisa de outro planeta.
As duas reações estão erradas. E eu quero explicar por quê.
O conceito sem jargão
Análise preditiva em segurança do trabalho é basicamente o seguinte: o computador olha pros dados do passado e tenta identificar padrões que aconteceram antes de um acidente. Quando ele encontra esses padrões se repetindo no presente, ele avisa.
É isso. Não é mais complicado que isso na essência.
Pensa assim: um técnico de segurança experiente, com 20 anos de canteiro de obra, olha pro ambiente e sente que algo vai dar errado. Ele não sabe explicar direito, mas percebe que a combinação de chuva na véspera, equipe nova e prazo apertado costuma dar problema. Isso é reconhecimento de padrão. A análise preditiva faz a mesma coisa, só que com mais dados e sem depender da memória ou da intuição de uma pessoa.
Você não precisa saber o que é "Random Forest" ou "Gradient Boosting" pra usar isso no seu trabalho. Assim como você não precisa saber como funciona o motor de combustão interna pra dirigir um carro.
Que tipo de dado alimenta isso
O modelo preditivo precisa de dados. E aqui começa o problema real pra maioria das empresas brasileiras.
Em tese, os dados que alimentam análise preditiva em SST são:
- Registros de acidentes e quase-acidentes (CATs, relatórios de investigação)
- Resultados de inspeções de segurança
- Dados de manutenção de equipamentos
- Informações de RH (turnover, absenteísmo, horas extras, tempo de empresa)
- Dados operacionais (produção, turno, tipo de atividade)
- Condições ambientais (temperatura, umidade, iluminação)
Em teoria, parece ótimo. Na prática, a maioria das empresas tem dados fragmentados, inconsistentes ou simplesmente inexistentes. Vou dar um exemplo concreto.
Quase-acidentes. Todo mundo sabe que registrar quase-acidentes é fundamental pra prevenção. A pirâmide de Bird tá em todo treinamento de integração. Mas quantas empresas realmente registram quase-acidentes de forma consistente? Poucas. E quando registram, costuma ser numa planilha Excel que alguém perde, ou num sistema que ninguém alimenta direito.
Sem dados de qualidade, qualquer modelo preditivo é chute. É aquele princípio básico da computação: garbage in, garbage out. Se os dados de entrada são ruins, a previsão vai ser ruim.
O que funciona hoje
Dito isso, existem aplicações reais que já funcionam. Não vou ficar listando 20 empresas pra parecer que é tendência consolidada. Vou focar no que é concreto.
Manutenção preditiva
Essa é de longe a aplicação mais madura. Sensores em equipamentos (vibração, temperatura, pressão, corrente elétrica) alimentam modelos que preveem quando a máquina vai falhar. A indústria de petróleo e gás usa isso há anos. A mineração também.
A lógica pra SST é direta: equipamento que falha de surpresa causa acidente. Se você prevê a falha e faz a manutenção antes, elimina o risco. Empresas como a GE e a Siemens vendem plataformas inteiras pra isso.
O ponto importante é que manutenção preditiva funciona bem porque os dados são bons. Sensor não mente, não esquece de preencher formulário, não arredonda valor. É dado limpo, contínuo, em volume alto. Condição ideal pra machine learning.
Visão computacional
Câmeras com IA que identificam se o trabalhador está sem EPI, se alguém entrou numa área restrita, se tem objeto no caminho de passagem. Já existem produtos comerciais razoáveis pra isso.
A limitação é que a câmera vê, mas não entende contexto. O cara tirou o capacete pra coçar a cabeça por dois segundos e o sistema gera alerta. Muitos falsos positivos cansam a equipe e o sistema perde credibilidade. Está melhorando, mas ainda não é perfeito.
Análise de texto em relatórios
Processamento de linguagem natural aplicado a relatórios de incidentes, ordens de serviço, DDS. A ideia é extrair informação estruturada de texto livre. Por exemplo, classificar automaticamente o tipo de risco descrito, identificar causas recorrentes, detectar quando um relatório descreve uma situação mais grave do que a classificação oficial indica.
Funciona razoavelmente quando os relatórios são bem escritos e detalhados. Funciona mal quando o relatório é "trabalhador escorregou e caiu" sem mais contexto.
O que ainda não funciona direito
Agora a parte que pouca gente fala.
Prever acidentes específicos
Nenhum sistema consegue dizer "amanhã vai ter um acidente no setor B às 14h". Acidentes de trabalho são eventos relativamente raros e com muitas variáveis envolvidas. O que um bom modelo faz é dizer "as condições no setor B esta semana são parecidas com condições que, historicamente, precederam incidentes". Isso é útil, mas é diferente de previsão precisa.
Funcionar com poucos dados
Machine learning precisa de volume. Se a empresa tem 50 funcionários e registrou 8 acidentes nos últimos 5 anos, não tem dado suficiente pra treinar um modelo confiável. Pra empresas menores, análise estatística simples e bom senso do profissional de SST ainda são mais eficazes que qualquer algoritmo.
Substituir investigação de causa
O modelo pode correlacionar fatores, mas correlação não é causalidade. Se o algoritmo identifica que acidentes aumentam nas segundas-feiras, isso não significa que segunda-feira é perigosa. Pode ser que a manutenção do fim de semana deixa equipamentos em condições piores, ou que os trabalhadores estão mais cansados, ou que o turno de segunda tem profissionais menos experientes. Descobrir a causa real ainda depende de investigação humana.
O problema dos dados no Brasil
Preciso falar disso porque é o elefante na sala.
A cultura de registro em SST no Brasil melhorou muito nos últimos anos, mas ainda tem um caminho longo. Muita empresa subnotifica acidente. Quase-acidente então, nem se fala. Os sistemas de gestão de SST que existem nem sempre conversam entre si. Dados de RH ficam num sistema, dados de manutenção ficam em outro, relatórios de inspeção ficam numa pasta no SharePoint.
Antes de pensar em análise preditiva, a empresa precisa resolver a questão básica: os dados estão sendo coletados? Estão completos? Estão num formato que permite análise?
Eu sei que isso é menos empolgante do que falar de inteligência artificial. Mas é a realidade. A empresa que organiza bem seus dados de SST num sistema integrado, mesmo sem nenhuma IA, já está à frente de 90% do mercado.
Por onde começar de verdade
Se você leu até aqui e quer aplicar algo na sua empresa, minha sugestão é pragmática:
Primeiro, organize seus dados. Garanta que acidentes, quase-acidentes, inspeções e manutenções estão sendo registrados de forma consistente, num sistema centralizado, com campos padronizados. Isso sozinho já vai melhorar sua gestão.
Segundo, comece com análise simples. Cruze dados de absenteísmo com setor e turno. Veja se acidentes se concentram em algum horário, dia da semana, tipo de atividade ou perfil de trabalhador. Você não precisa de machine learning pra isso. Uma tabela dinâmica no Excel já resolve.
Terceiro, se a empresa for grande (centenas ou milhares de funcionários, múltiplas unidades), aí sim faz sentido pensar em ferramentas mais sofisticadas. Mas comece com um projeto piloto numa unidade específica, com um problema bem definido. "Quero reduzir acidentes com empilhadeira no CD de Campinas" é muito melhor que "quero usar IA pra melhorar a segurança".
Quarto, envolva o profissional de SST desde o início. O data scientist sozinho não vai construir um bom modelo porque não entende o contexto. O técnico de segurança sozinho não vai construir um bom modelo porque não entende de dados. Precisa dos dois juntos.
Uma ferramenta, não uma revolução
Análise preditiva é uma ferramenta. Como qualquer ferramenta, funciona bem quando usada da maneira certa, no problema certo, com os insumos certos. E funciona mal quando você compra a ferramenta antes de entender o problema.
A gente tem o hábito no Brasil de importar tendência tecnológica sem adaptar pra nossa realidade. A realidade da maioria das empresas brasileiras hoje não é "como implemento deep learning no meu SESMT". É "como faço meus encarregados registrarem quase-acidentes de verdade".
Resolve o segundo problema e o primeiro fica muito mais viável.
