A prevenção de acidentes de trabalho não começa pelo capacete, pela luva ou pelo treinamento. Esses elementos são importantes, mas ocupam as últimas posições na lógica clássica da engenharia de segurança: a hierarquia de controles. Essa hierarquia, difundida por instituições como Niosh e Osha, organiza as medidas preventivas da mais efetiva à menos efetiva: eliminação, substituição, controles de engenharia, controles administrativos e equipamentos de proteção individual. A ideia central é simples e rigorosa: quanto mais próximo o controle estiver da fonte do perigo, maior tende a ser sua efetividade; quanto mais dependente estiver do comportamento humano, maior tende a ser sua fragilidade operacional. (CDC)
No contexto industrial, essa lógica é decisiva. Uma máquina sem proteção adequada, uma fonte de energia perigosa não bloqueada, uma operação de manutenção mal planejada ou uma atmosfera perigosa em espaço confinado não devem ser tratados apenas com treinamento e EPI. O objetivo técnico deve ser remover o perigo, substituir a condição perigosa, projetar barreiras físicas e funcionais, organizar procedimentos robustos e, por último, proteger o trabalhador quando ainda houver risco residual.
A inteligência artificial entra nesse cenário não como substituta da engenharia de segurança, mas como uma nova camada de capacidade analítica, preditiva e operacional. A IA pode ajudar a identificar padrões de risco, antecipar falhas, recomendar controles, analisar imagens, interpretar relatórios, apoiar decisões e monitorar desvios. Porém, sua aplicação precisa respeitar a hierarquia de controles. Usar IA apenas para “avisar” o trabalhador de que está em risco é muito diferente de usá-la para redesenhar o processo e eliminar a exposição.
1. Eliminação: quando a melhor proteção é retirar o perigo
A eliminação é o nível mais alto da hierarquia. Significa remover fisicamente o perigo do ambiente de trabalho. É a forma mais efetiva de controle porque, se o perigo deixa de existir, a exposição também deixa de existir. Exemplos clássicos incluem eliminar uma etapa manual perigosa, retirar uma substância tóxica de um processo, automatizar uma operação que colocava o trabalhador em contato direto com uma zona de esmagamento ou redesenhar um fluxo produtivo para que uma intervenção de manutenção não precise ocorrer com energia perigosa presente.
Aqui, a IA pode atuar antes mesmo da operação acontecer. Algoritmos de análise de dados podem identificar atividades com maior frequência de incidentes, quase acidentes, paradas não planejadas ou desvios operacionais. Modelos de aprendizado de máquina podem cruzar informações de ordens de serviço, inspeções, checklists, registros de manutenção, imagens, dados de sensores e históricos de acidentes para indicar onde a eliminação do perigo é tecnicamente justificável.
Em uma indústria com grande volume de dados, por exemplo, a IA pode revelar que determinada atividade de limpeza requer acesso frequente a uma zona perigosa de uma máquina. A resposta mais fraca seria treinar melhor o trabalhador. A resposta mais forte seria redesenhar o equipamento para permitir limpeza externa, enclausurar a área, automatizar a remoção de resíduos ou eliminar a necessidade de intervenção manual. Nesse caso, a IA não é o controle em si; é o mecanismo que ajuda a identificar onde o redesenho é necessário.
Essa visão é coerente com abordagens sistêmicas de segurança, como a proposta de Leveson, que critica a ideia de tratar acidentes apenas como falhas lineares de componentes. Em sistemas sociotécnicos complexos, acidentes podem emergir de interações inadequadas entre pessoas, máquinas, software, processos, gestão e ambiente. Por isso, a prevenção efetiva exige olhar para o sistema como um todo, e não apenas para a falha isolada.
2. Substituição: trocar o perigoso por algo menos perigoso
A substituição consiste em substituir uma condição, material, equipamento, processo ou tecnologia por uma alternativa menos perigosa. Se a eliminação não for possível, substitui-se a fonte de risco por outra de menor severidade ou menor probabilidade de causar dano.
A IA pode apoiar essa decisão por meio de uma análise comparativa. Sistemas inteligentes podem avaliar alternativas de processos, materiais, equipamentos, layout e métodos de trabalho, considerando o histórico de acidentes, a severidade potencial, a exposição, a confiabilidade, o custo operacional e o impacto produtivo. Em segurança de máquinas, por exemplo, a IA pode ajudar a comparar soluções: trocar uma operação manual por alimentação automática, substituir um equipamento obsoleto por outro com recursos de segurança integrados, substituir uma substância inflamável por outra menos agressiva ou substituir uma prática de manutenção corretiva por manutenção preditiva baseada em sensores.
Esse ponto é particularmente importante porque muitas organizações ainda decidem sobre controles de forma reativa. Após um acidente, revisam procedimentos. Após uma autuação, instalam proteções. Após uma falha grave, a equipe é treinada novamente. A IA permite deslocar parte dessa lógica para uma abordagem preditiva. Relatórios do National Safety Council destacam que dados industriais em diferentes formatos — formulários, imagens, vídeos, áudios e registros textuais — podem ser utilizados por sistemas modernos de análise e IA para gerar previsões e recomendações acionáveis em EHS.
Na prática, a substituição orientada por IA pode responder perguntas como: qual tecnologia reduz mais a exposição humana? Qual processo alternativo reduz a frequência de intervenções? Qual equipamento apresenta menor recorrência de falhas críticas? Qual combinação de sensores, intertravamentos e automação reduz o risco residual de forma mais eficaz?
3. Controles de engenharia: projetar barreiras entre o trabalhador e o perigo
Os controles de engenharia são medidas físicas, técnicas ou funcionais que isolam as pessoas dos perigos. Incluem proteções fixas, proteções móveis intertravadas, enclausuramentos, ventilação local exaustora, sensores de presença, cortinas de luz, comandos bimanuais, sistemas de parada de emergência, dispositivos de bloqueio, sistemas instrumentados de segurança, robôs colaborativos com limitação de força e de velocidade, entre outros.
É neste nível que a IA começa a se aproximar diretamente da automação industrial. Sistemas de visão computacional podem detectar a presença humana em zonas perigosas, a ausência de EPI, aproximação indevida de empilhadeiras, vazamentos, fumaça, fogo, derramamentos ou obstruções nas rotas de fuga. O NSC aponta a visão computacional como um dos usos relevantes de IA em EHS, com aplicações no reconhecimento automático de objetos, na aderência ao uso de EPI, em inspeções e na identificação de condições perigosas.
A manutenção preditiva também se encaixa aqui. Modelos de IA podem analisar vibração, temperatura, corrente elétrica, pressão, ruído, ciclos de operação e anomalias para antecipar falhas em componentes críticos. Uma falha mecânica em prensa, guilhotina, transportador, caldeira, compressor ou sistema hidráulico pode representar um risco grave. Quando a IA antecipa a degradação e permite uma intervenção planejada, ela contribui para manter íntegro o controle de engenharia antes que a falha se transforme em exposição perigosa.
Entretanto, há uma ressalva técnica relevante: a IA não deve ser automaticamente confundida com uma função de segurança. Uma câmera com IA que “detecta pessoas” não equivale, por si só, a um dispositivo de segurança certificado. Para que uma solução atue como controle de engenharia relacionado à segurança, ela precisa atender a requisitos normativos, arquitetura adequada, confiabilidade, validação, desempenho funcional e critérios de falha segura. A IA pode apoiar o controle, enriquecer a detecção e melhorar a supervisão, mas a função de segurança deve ser projetada com rigor de engenharia.
Essa distinção evita um erro comum: transformar IA em uma camada de confiança informal, sem validação. Em ambientes críticos, a explicabilidade, a rastreabilidade e a documentação do modelo tornam-se indispensáveis. Trabalhos como Model Cards defendem que modelos de aprendizado de máquina usados em contextos de impacto relevante devem ser acompanhados de documentação sobre uso pretendido, limitações, métricas, condições de avaliação e possíveis vieses.
4. Controles administrativos: organizar o trabalho para reduzir a exposição
Os controles administrativos mudam a forma como o trabalho é planejado, executado, monitorado e auditado. Incluem procedimentos, permissões de trabalho, treinamentos, inspeções, checklists, rodízio de tarefas, sinalização, bloqueio e etiquetagem, análise preliminar de risco, investigação de incidentes, auditorias, gestão de mudanças, planejamento de manutenção e gestão documental.
Embora estejam abaixo dos controles de engenharia na hierarquia, os controles administrativos são essenciais em sistemas industriais reais. Muitas situações de risco persistem mesmo após as proteções físicas: manutenção, setup, limpeza, inspeção, ajustes, entrada em espaços confinados, trabalho em altura, energias perigosas e intervenções não rotineiras. Nesses casos, a qualidade da decisão administrativa pode ser a diferença entre um trabalho controlado e uma exposição grave.
A IA tem grande potencial nesse nível. Sistemas de processamento de linguagem natural podem analisar descrições de acidentes, quase acidentes, inspeções e observações de segurança para identificar causas recorrentes, fatores contribuintes e tendências. Motores preditivos podem apontar quais áreas, equipes, máquinas ou tipos de tarefa apresentam maior probabilidade de ocorrerem eventos graves. Sistemas prescritivos podem sugerir medidas com base em normas, boas práticas, histórico de recomendações e evidências coletadas em campo.
Esse uso é consistente com a transição de indicadores reativos para indicadores preditivos. Um white paper sobre predictive analytics em segurança relata pesquisas com dados de inspeções e observações de segurança, indicando que modelos preditivos podem antecipar incidentes e que os dados de inspeção atuam como indicadores antecedentes relevantes.
A IA também pode apoiar as políticas de trabalho. Antes de liberar uma atividade, o sistema pode verificar se os riscos foram avaliados, se as fontes de energia foram identificadas, se o bloqueio foi previsto, se há registros anteriores de falhas naquela máquina, se a equipe está treinada, se há recomendações pendentes e se a atividade ocorre em condições anormais. Em vez de tratar o procedimento como um formulário burocrático, a IA pode transformá-lo em uma barreira ativa à tomada de decisão.
Mas os controles administrativos baseados em IA exigem cuidado ético. A EU-Osha alerta que sistemas de gestão de trabalhadores baseados em IA podem trazer oportunidades para monitorar perigos e apoiar treinamentos, mas também podem gerar riscos, como aumento da intensidade do trabalho, pressão por desempenho, perda de autonomia, vigilância excessiva, redução da transparência, estresse, ansiedade e burnout. Moore também observa que a implementação de IA no local de trabalho pode agravar riscos psicossociais quando associada a monitoramento intensivo, microgestão e aumento da pressão sobre os trabalhadores.
Portanto, IA em controles administrativos deve ser human-centered: apoiar o trabalhador e o profissional de segurança, não apenas vigiar, punir ou acelerar o ritmo de trabalho. O objetivo deve ser melhorar a qualidade da decisão preventiva, não criar uma fábrica de alertas ou uma estrutura algorítmica de culpabilização.
5. Equipamentos de proteção individual: a última barreira
O EPI ocupa a última posição na hierarquia porque não elimina o perigo. Ele apenas reduz a consequência da exposição quando todas as demais barreiras falham ou quando ainda há risco residual. Capacetes, luvas, óculos, protetores auditivos, respiradores, calçados, vestimentas especiais e cintos de segurança continuam fundamentais, mas não devem ser tratados como solução principal para riscos que poderiam ser eliminados, substituídos ou controlados por engenharia.
A IA pode atuar no uso de EPI por meio de visão computacional, sensores vestíveis e sistemas de monitoramento contextual. Câmeras podem identificar ausência de capacete, óculos ou colete em áreas obrigatórias. Wearables podem monitorar a exposição ao calor, a gases, a fadiga, quedas, postura, localização em áreas perigosas e sinais de imobilidade. Em espaços confinados, sensores conectados podem alertar sobre atmosfera perigosa. Em trabalhos em altura, os sistemas podem detectar a permanência em zonas críticas sem ancoragem adequada.
Esse uso, porém, deve ser entendido corretamente. Detectar ausência de EPI é útil, mas não deve mascarar falhas superiores na hierarquia. Se a IA identifica continuamente trabalhadores expostos a ruído, calor, poeira, partes móveis ou energias perigosas, a pergunta correta não é apenas “por que o trabalhador não está usando EPI?”, mas “por que esse perigo ainda depende de EPI para ser controlado?”. A função mais madura da IA é transformar detecções repetidas em aprendizado organizacional, orientando melhorias de engenharia, substituições ou eliminações.
IA como camada transversal: da coleta de dados à decisão preventiva
A IA não pertence a um único nível da hierarquia. Ela pode atravessar todos os estágios, do projeto à operação. No projeto, ajuda a identificar onde eliminar ou substituir perigos. Na engenharia, apoia sensores, automação, visão computacional e manutenção preditiva. Na administração, aprimoram-se a análise de risco, as permissões de trabalho, as auditorias, os treinamentos e as recomendações. No EPI, monitoram-se o uso e a exposição residual.
John Howard, do Niosh, argumenta que as aplicações de IA no trabalho incluem sensores, robótica, dispositivos inteligentes e sistemas de apoio à decisão, e que a área de segurança e saúde ocupacional precisa compreender essas possibilidades para passar de uma postura reativa a uma mais proativa. Essa é uma mudança conceitual importante: a segurança deixa de depender apenas da análise posterior ao acidente e passa a usar dados para antecipar estados perigosos.
Ainda assim, a IA precisa ser governada. Modelos podem errar, reproduzir vieses, superestimar padrões, falhar em contextos raros ou gerar excesso de confiança. Em segurança do trabalho, um falso negativo pode deixar um risco crítico passar despercebido; um falso positivo recorrente pode banalizar alertas e reduzir a confiança dos usuários. Por isso, sistemas de IA para segurança devem ter supervisão humana, validação técnica, rastreabilidade, explicabilidade, gestão de mudanças, monitoramento de desempenho e limites claros de uso.
O ponto central: IA não substitui a hierarquia; ela deve obedecê-la
O erro estratégico seria usar IA para sofisticar controles fracos. Uma indústria pode instalar câmeras inteligentes para detectar pessoas próximas a uma zona perigosa, mas, se a zona puder ser enclausurada, a melhor solução continua sendo o controle de engenharia. Pode criar alertas para lembrar o trabalhador de bloquear uma fonte de energia, mas, se o sistema puder ser projetado para impedir a partida inesperada, a engenharia deve prevalecer. Pode-se monitorar EPI com visão computacional, mas, se a exposição puder ser eliminada, o EPI não deve ser a principal barreira.
A IA mais valiosa para a segurança do trabalho não é aquela que apenas observa o trabalhador. É aquela que ajuda a organização a compreender riscos de forma sistêmica, antecipar falhas, priorizar intervenções, recomendar controles mais rigorosos, reduzir a variabilidade nas análises e transformar dados dispersos em decisões preventivas.
A hierarquia de controles continua sendo a bússola. A inteligência artificial amplia a capacidade de enxergar, prever e decidir. Quando as duas abordagens são integradas com rigor técnico, governança e centralidade humana, a prevenção de acidentes deixa de ser apenas uma prática documental e se aproxima de um sistema inteligente de controle de riscos.
Referências
- European Agency for Safety and Health at Work. (2022). Artificial intelligence for worker management: Implications for occupational safety and health. EU-OSHA.
- Howard, J. (2019). Artificial intelligence: Implications for the future of work. American Journal of Industrial Medicine, 62(11), 917–926.
- Leveson, N. G. (2011). Engineering a safer world: Systems thinking applied to safety. MIT Press.
- Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., Spitzer, E., Raji, I. D., & Gebru, T. (2019). Model cards for model reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency.
- Moore, P. V. (2019). OSH and the future of work: Benefits and risks of artificial intelligence tools in workplaces. In V. G. Duffy (Ed.), Digital Human Modeling and Applications in Health, Safety, Ergonomics and Risk Management. Springer.
- National Institute for Occupational Safety and Health. (2024). Hierarchy of controls. Centers for Disease Control and Prevention. (CDC)
- National Safety Council. (2023). Using data and AI to gain insights into your safety program. Work to Zero.
- Occupational Safety and Health Administration. (2023). Identifying hazard control options: The hierarchy of controls. U.S. Department of Labor. (Segurança e Saúde Ocupacional)
- Predictive Solutions. (2012). Predictive analytics in workplace safety: Four “safety truths” that reduce workplace injuries. Industrial Scientific Company.
Gostou? Então compartilhe:
