Inteligência Artificial na segurança do trabalho na indústria: aplicações, benefícios e desafios

A digitalização do chão de fábrica trouxe uma nova geração de aplicações de Inteligência Artificial (IA) à Segurança e Saúde no Trabalho (SST). Sensores, robótica colaborativa, sistemas ciberfísicos e decisão assistida por dados estão se tornando parte da estratégia central das empresas, com impactos diretos na prevenção de acidentes, no desenho do trabalho e na interação homem–máquina (HMI) (HOWARD, 2019).

Ao compreender essas possibilidades, a área de SST pode migrar de uma postura reativa para uma atuação proativa, antecipando riscos e mitigando efeitos adversos à saúde, segurança e bem-estar dos trabalhadores.

Este artigo apresenta como a IA tem ajudado a segurança do trabalho na indústria, descrevendo evidências sobre análise preditiva, visão computacional, processamento de linguagem natural e monitoramento inteligente; discute ainda riscos psicossociais e de organização do trabalho, diretrizes de governança e uma abordagem sistêmica para a segurança.

Por que a IA importa para a SST: do reativo ao preditivo

Pesquisas com grandes bases de inspeções e observações de segurança demonstram que incidentes de trabalho podem ser previstos com elevada acurácia antes de acontecerem, desde que haja dados robustos e modelos adequados.

Em um estudo com mais de 112 milhões de observações em 15 mil canteiros, modelos preditivos alcançaram 80% a 97% de acurácia e forte correlação (R² até 0,754) entre incidentes previstos e reais, validando a inspeção como indicador líder de ocorrências futuras (PREDICTIVE SOLUTIONS, 2012).

Essa virada só se sustenta quando as empresas substituem o foco exclusivo em indicadores atrasados (acidentes ocorridos) por indicadores conduzidos por dados de inspeções e observações, estruturando ações preventivas a partir do que os modelos apontam (PREDICTIVE SOLUTIONS, 2012).

Uma síntese prática desses achados são as chamadas “Quatro Verdades da Segurança”: (1) mais inspeções predizem locais mais seguros; (2) mais inspetores e mais diversos, especialmente fora da área de segurança, reduzem a probabilidade de incidentes; (3) muitas inspeções 100% “seguras” sinalizam subnotificação e previsão de risco; e (4) muitas não conformidades persistentes também predizem risco — é preciso corrigi-las rapidamente (PREDICTIVE SOLUTIONS, 2012). Implementadas em conjunto, essas práticas estiveram associadas a duas a três vezes menos incidentes em operações de classe mundial.

Principais aplicações industriais de IA em SST

• Sensoriamento, IoT e Sistemas de Suporte à Decisão: A integração de sensores inteligentes, robótica e Sistemas de Suporte à Decisão (DSS) baseados em Aprendizado de Máquina (AM) tem ampliado a capacidade de detectar condições perigosas, apoiar decisões e automatizar respostas (HOWARD, 2019).
• Visão computacional para riscos críticos: A visão computacional já detecta uso de EPI, derramamentos, focos de incêndio, desordem/housekeeping e posturas de risco (ergonomia), integrando-se a fluxos do software de EHS e até a controles de planta para acionar respostas (por exemplo, bloqueios de área) (WORK TO ZERO/NSC, 2023).
• Processamento de linguagem natural (PLN) e análise de relatórios: PLN permite resumir comunicações e extrair indicadores quantitativos de relatórios de incidente, liberando tempo da equipe de SST e acelerando análises (WORK TO ZERO/NSC, 2023).
• Análise preditiva e prescritiva integrada: Motores de análise preditiva/prescritiva podem verificar permissões de trabalho, estimar risco futuro e sugerir medidas com base em diretrizes e histórico, inclusive integrando-se a sistemas de controle para respostas automáticas (WORK TO ZERO/NSC, 2023).
• Drones, inspeções e direção autônoma de tarefas: Robôs e drones já realizam inspeções em altura e áreas perigosas; modelos com dados de telemática e dashcams avaliam comportamento de motoristas e suportam programas de prevenção (WORK TO ZERO/NSC, 2023).

Evidências de impacto: o que realmente muda

Além dos ganhos de eficiência, as Quatro Verdades mostram um caminho operacional: aumentar o volume de inspeções, ampliar a participação de diferentes áreas, combater a falsa sensação de “100% seguro” e corrigir rapidamente não conformidades reduz incidentes de forma mensurável (PREDICTIVE SOLUTIONS, 2012).

Governança, abordagem sistêmica e políticas

Uma abordagem sistêmica ajuda a evitar dois equívocos comuns: confundir segurança com confiabilidade e analisar acidentes apenas como cadeias de eventos, ignorando fatores organizacionais e de controle. Leveson propõe modelos que incorporam restrições de segurança, feedback e interações em sistemas sociotécnicos complexos — perspectiva decisiva na era da IA (LEVESON, 2011).

No plano de políticas, estratégias nacionais de SST da UE destacam objetivos como enfrentar riscos emergentes (ex.: tecnologias digitais) e aprimorar a base de informação e estatísticas, o que sustenta o uso responsável de dados e IA em programas de prevenção.

Riscos e medidas de mitigação

Sistemas de gestão de trabalhadores baseados em IA (AIWM) geram oportunidades (p. ex., monitorar postura, estresse, personalizar tarefas e treinar melhor), mas também riscos — intensificação do trabalho, perda de autonomia, pressão por desempenho e impactos psicossociais. A literatura e análises do ESENER-3 registram, entre outros, maior pressão de tempo, movimentos repetitivos, necessidade de treinamento contínuo e medo de perda do emprego em ambientes com monitoramento e sistemas que determinam o conteúdo/ritmo do trabalho (EU-OSHA, 2022).

Casos relatam direcionamento algorítmico que reduz pausas, monitoramento intrusivo e discussão insuficiente de impactos em saúde; é crucial tratar responsabilidade e prestação de contas, transparência e robustez técnica como princípios de IA confiável (High-Level Expert Group on AI) aplicados à SST (EU-OSHA, 2022).

Importante notar que, em análise bivariada, o uso de tecnologias digitais não mostrou criar barreiras adicionais significativas para a gestão de riscos psicossociais quando comparado a estabelecimentos sem essas tecnologias — o que indica que o problema é governança e desenho de uso, não a tecnologia por si (EU-OSHA, 2022).

Também é preciso atenção ao cotrabalho com cobots e à responsabilidade por falhas em sistemas IoT/robóticos. Há relatos de riscos quando trabalhadores são empurrados ao “ritmo do robô”, além de dúvidas de responsabilização em colisões e falhas de sensores/software (MOORE, 2019).

Recomendações práticas para a indústria

1. Dados de qualidade primeiro: padronize listas de verificação, registros de observação e near-miss; estruture dados como indicadores líderes para treinar modelos preditivos.
2. Aplique as Quatro Verdades: mais inspeções, inspetores diversos, tolerância zero à “inspeção 100% segura” e correção rápida de achados.
3. Comece por casos de alto impacto: visão computacional para EPI/housekeeping/ergonomia e análise preditiva de SIF; integre com fluxos de EHS.
4. Governança de IA: implemente princípios de transparência, robustez, não discriminação e responsabilidade; avalie impactos psicossociais de AIWM e envolva trabalhadores.
5. Abordagem sistêmica (STAMP): modele restrições de segurança, feedback e controle organizacional; não reduza a análise a cadeias de eventos.
6. Alinhamento a estratégias nacionais: conecte iniciativas de IA às agendas sobre riscos emergentes e melhoria do sistema de informações em SST.

Conclusão

A IA já ajuda concretamente a segurança do trabalho na indústria, habilitando prevenção preditiva, detecção automatizada de riscos e apoio à decisão em tempo quase real. Os resultados mais consistentes surgem quando dados de inspeção alimentam modelos, quando se amplia a participação no processo de observação e quando a governança da IA considera riscos psicossociais, transparência e responsabilidade.

Integrar uma visão sistêmica ao uso dessas tecnologias é essencial para que a transformação digital seja, ao mesmo tempo, produtiva e segura para as pessoas.

Referências

• EU-OSHA – European Agency for Safety and Health at Work. Artificial intelligence for worker management: implications for occupational safety and health. Bilbao: EU-OSHA, 2022. DOI: 10.2802/76354.
• EU-OSHA – European Agency for Safety and Health at Work. OSH and the Future of Work: benefits and risks of artificial intelligence tools in workplaces. Bilbao: EU-OSHA, 2019. (Capítulo de P. V. Moore).
• EU-OSHA – European Agency for Safety and Health at Work. National strategies in the field of OSH in the EU. Bilbao: EU-OSHA, 2019.
• HOWARD, J. Artificial intelligence: Implications for the future of work. American Journal of Industrial Medicine, v. 62, p. 917–926, 2019. DOI: 10.1002/ajim.23037.
• LEVESON, N. G. Engineering a Safer World: Systems Thinking Applied to Safety. Cambridge, MA: MIT Press, 2011. ISBN 978-0-262-01662-9.
• PREDICTIVE SOLUTIONS (AN INDUSTRIAL SCIENTIFIC COMPANY). Predictive Analytics in Workplace Safety. Pittsburgh, 2012. (White paper).
• WORK TO ZERO / National Safety Council (NSC). Using Data and AI to Gain Insights into Your Safety Program. 2023. (White paper).