A disseminação global de ferramentas de Inteligência Artificial e machine learning, exemplificada pela adoção massiva do ChatGPT, não se traduz automaticamente em ganhos de eficiência. A verdadeira promessa tecnológica concretiza-se apenas quando informação e dados são estrategicamente aplicados para melhorar processos, programas e políticas, particularmente no contexto crítico da transição energética.
A eletrificação da mobilidade ilustra este princípio de forma paradigmática. Com a penetração de veículos elétricos (VEs) a superar estimativas oficiais no Brasil, o crescimento desordenado apresenta riscos distributivos significativos. Dado o custo inicial elevado dos VEs, a sua adoção tende a concentrar-se em regiões mais afluentes, onde o carregamento residencial pode exigir reforços na rede elétrica local. Se estes custos de infraestrutura forem socializados através da tarifa energética, o impacto recairá desproporcionalmente sobre consumidores de menor renda que utilizam menos estes serviços.
A experiência californiana oferece uma solução analítica inspiradora. Um extenso experimento na Universidade da Califórnia em San Diego demonstrou que incentivos financeiros modestos, combinados com informação clara sobre impactos sistémicos, podem redirecionar significativamente o carregamento para horários de menor pressão na rede e maior disponibilidade de energia solar. Esta abordagem baseada em dados permite otimizar a infraestrutura existente antes de investir em reforços físicos dispendiosos, reduzindo simultaneamente pressões económicas e ambientais.
Um segundo exemplo paradigmático emerge da digitalização das redes de distribuição eléctrica. A instalação de mais de 2 milhões de medidores inteligentes pela Copel no Paraná gerou ganhos operacionais significativos, mas a experiência internacional revela que estes dispositivos não produzem benefícios automaticamente. Programas de smart meters enfrentaram por vezes rejeição pública, com resultados heterogéneos entre consumidores.
É precisamente nesta heterogeneidade que a inteligência artificial revela o seu valor analítico. Como demonstram Michael Knittel e Sebastian Stolper, ferramentas de machine learning podem identificar com precisão quais consumidores têm maior probabilidade de responder positivamente a programas de eficiência energética. Num experimento com 900 mil consumidores da Eversource nos Estados Unidos, a seleção baseada em machine learning multiplicou por até cinco vezes os benefícios sociais líquidos em comparação com métodos tradicionais aleatórios.
Estes exemplos convergem numa lição crucial para a transição energética brasileira: a mera adoção tecnológica é insuficiente. A governação baseada em evidência, através do uso estratégico de dados, experimentação controlada e inteligência analítica, permite desenhar programas mais eficientes que reduzem desperdícios, melhoram a aceitação pública e protegem os segmentos mais vulneráveis de custos mal distribuídos.
Num contexto de restrições fiscais e debates intensos sobre tarifas e acessibilidade energética, a questão central já não é se devemos investir na transição, mas como podemos fazê-lo de forma mais inteligente. A tecnologia está disponível; o que determinará o sucesso será a qualidade do desenho dos programas baseados em evidência empírica.
Fonte: Folha de S.Paulo
