O que este artigo cobre
- A ponte entre matriz elétrica renovável e curtailment (o corte de geração limpa por limite de rede), e por que nem o setor ainda tem um número único para o tamanho real dessa perda
- A diferença entre um caso de manutenção preditiva já medido nos Estados Unidos e um caso brasileiro (CESBE/UFPR) ainda em fase de pesquisa
- O que a plataforma EnergyGPT da Cemig revela sobre construir inteligência artificial própria, treinada sobre norma da ANEEL (o regulador do setor elétrico), em vez de comprar ferramenta genérica
- Por que smart grid não é um produto que se compra pronto, e onde a Resolução ANEEL 502/2012 sobre medidor inteligente se encaixa nessa conta
- O vácuo regulatório que ANEEL e ONS ainda não fecharam sobre quem responde quando um modelo de IA erra numa decisão do sistema elétrico
- O cronograma já decretado da abertura do mercado livre de energia (2027 para baixa tensão comercial e industrial, 2028 para residencial) e por que ele muda o prazo de decisão sobre IA de previsão de demanda
Este artigo complementa o e-book gratuito O Mapa do Explorador, que mostra como decidir onde investir em tecnologia setor por setor sem precisar estar no time técnico, aplicado aqui à decisão de priorizar frentes de inteligência artificial no setor de energia.
A inteligência artificial no setor de energia já ajuda a operar melhor a rede elétrica: gerar, transmitir e distribuir eletricidade com menos desperdício e mais previsibilidade.
Quanta energia a própria inteligência artificial consome para funcionar é a pergunta inversa, que já respondi em Energia para Inteligência Artificial, sobre o gargalo de energia que os data centers de IA criam, e em Data centers no Brasil, sobre os galpões que hospedam essa IA e o que eles de fato consomem e empregam. Se essa é a sua dúvida, comece por ali.
O Brasil opera a matriz elétrica (o conjunto de fontes, hidrelétrica, solar, eólica, gás e outras, que juntas geram toda a eletricidade que o país consome) mais limpa entre as grandes economias do mundo: 88,2% da capacidade instalada vem de fonte renovável, segundo o Balanço Energético Nacional 2025 da EPE (Empresa de Pesquisa Energética, o órgão federal de planejamento do setor). Hidrelétrica ainda responde por mais da metade dessa capacidade, com solar e eólica crescendo rápido ao lado dela.
Trabalhando com times de liderança de energia e infraestrutura, vejo o mesmo padrão se repetir: intenção de investir em IA sobra, e critério para separar o que já reduz custo do que ainda é prova de conceito falta.
Esse critério orienta cinco decisões que o setor já enfrenta hoje por causa da inteligência artificial:
- Aproveitar melhor a energia renovável que a rede não consegue escoar.
- Prever quebra de equipamento antes que ela pare a operação.
- Conectar geração e consumo numa rede mais inteligente.
- Calcular quanta energia vai ser consumida amanhã.
- Decidir quem responde quando o sistema erra.
Este é o oitavo artigo de uma série sobre inteligência artificial aplicada a setores específicos, cada um com seu próprio regulador e seu próprio tipo de erro em jogo.
A vantagem estrutural que o Brasil desperdiça
A eletricidade não se guarda em galpão. Ela precisa ser consumida no instante em que é gerada, e para isso viaja da usina até a tomada por uma rede de linhas de transmissão com capacidade limitada. Quando uma usina solar ou eólica gera mais energia do que essa rede consegue escoar naquele momento, alguém precisa mandar a usina reduzir a geração, mesmo com sol forte ou vento bom lá fora.
Esse corte forçado tem nome técnico: curtailment, o descarte de energia limpa já gerada, mas que não chega a ser usada por falta de linha de transmissão ou de demanda suficiente naquele instante.
Quem decide, em tempo real, quanto cada usina gera e quanto cada linha transporta é o ONS (Operador Nacional do Sistema Elétrico), a entidade que coordena o funcionamento do sistema elétrico brasileiro inteiro, minuto a minuto. Em 2025, o ONS abriu um portal público dedicado a rastrear o curtailment, sinal de que o problema virou item de monitoramento permanente.
O próprio tamanho do corte já é motivo de disputa: um comitê de investimento precisa de um número só para decidir com precisão, e hoje não existe um indicador único, público e comparável para isso. O ONS publica o dado bruto de corte, geração eólica e solar reduzida por limite de rede, em GWh e MWmed, por subsistema e por motivo, mas não fecha isso num percentual nacional único.
Em cima desse mesmo dado bruto, consultorias e veículos do setor calculam percentuais diferentes de corte sobre a geração eólica e solar, variando de 17% a mais de 20% conforme o período medido e a metodologia de cada um. Sem indicador padronizado, cada relatório mede a perda de um jeito diferente, e o comitê de investimento que busca “o número” do curtailment brasileiro não vai achar um só.
É aqui que a inteligência artificial entra como ferramenta de operação, não de geração. Modelo de previsão de geração solar e eólica com poucas horas de antecedência, cruzado com modelo de previsão de demanda (quanto o sistema vai consumir na hora seguinte), permite decidir com mais precisão quando vale reforçar uma linha, quando vale guardar energia em bateria e quando o corte é mesmo inevitável.
Construir mais linha de transmissão reduz parte do curtailment, mas o processo leva anos e passa por licenciamento ambiental. A parte que dá para resolver agora é operar com menos margem de erro a rede que já existe, e é aí que um modelo de IA bem calibrado devolve energia que hoje se perde por decisão conservadora.
Manutenção preditiva: da prova de conceito à decisão de investimento
Manutenção preditiva é usar sensor e inteligência artificial para prever quando um equipamento vai falhar antes da falha acontecer, em vez de trocar peça por calendário fixo ou esperar quebrar para consertar. O sensor mede vibração, temperatura ou som do equipamento, e o modelo de IA aprende o padrão que costuma anteceder uma pane.
Nos Estados Unidos, o Argonne National Laboratory (um dos laboratórios de pesquisa aplicada do governo americano) testou o método em inversor de energia solar e mediu o resultado: redução de 43% a 56% no custo total de manutenção, corte de 60% a 66% nas visitas de equipe que não eram necessárias, e aumento de 3% a 4% no lucro da operação. São números com metodologia e fonte declaradas.
Eles são específicos daquele equipamento: inversor tem padrão de falha diferente do de uma linha de transmissão ou de um gerador, então o percentual não se transporta sozinho para outro tipo de ativo.
No Brasil, o caso mais próximo é a parceria entre o Grupo CESBE e a Universidade Federal do Paraná, aplicando aprendizado de máquina à manutenção preditiva de linha de transmissão. O projeto, com doze meses de duração, ainda está em fase de construção de base de dado e validação de algoritmo. É prova de conceito.
A diferença entre os dois casos é de estágio, não de execução brasileira: um já tem anos de operação medida atrás dele, o outro está construindo agora a base que um dia vai gerar esse tipo de número.
O teste que separa esses dois estágios é simples: piloto medido tem operação real por trás; promessa de fornecedor, não. Vale aplicar esse filtro antes de aprovar orçamento em qualquer caso parecido.
Um problema vizinho, e mais restrito a quem distribui energia, também entra nessa conversa de manutenção: perdas não técnicas, o nome técnico para furto de energia (o “gato” na rede) e fraude de medição. Distribuidoras já usam IA para cruzar padrão de consumo, histórico de pagamento e leitura de medidor e apontar onde a perda foge do padrão esperado, uma aplicação madura, mas de escopo mais estreito do que a manutenção da rede como um todo.
Smart grid: como a inteligência artificial no setor de energia conecta geração, consumo e armazenamento
A rede elétrica tradicional funciona numa única direção: a usina gera, a linha de transmissão carrega, o consumidor recebe. Smart grid (rede elétrica inteligente, em tradução direta) é o nome para uma rede que passa a funcionar nos dois sentidos, com sensor e software conversando o tempo todo entre geração centralizada (a usina grande, tradicional), geração distribuída (o painel solar no telhado de uma casa ou empresa), consumo e armazenamento em bateria.
Um painel solar residencial pode devolver energia à rede no meio do dia; uma bateria pode guardar energia mais barata à noite para usar na hora de pico; um medidor pode avisar a distribuidora sobre uma queda de energia antes do consumidor telefonar reclamando.
O Brasil já tem norma federal para parte disso. A Resolução Normativa 502/2012 da ANEEL (Agência Nacional de Energia Elétrica, o regulador federal do setor elétrico, que fiscaliza distribuidora e edita norma técnica) definiu os requisitos para o medidor inteligente, o equipamento que troca a leitura manual mensal por comunicação digital em tempo real entre a casa e a distribuidora.
Mais de uma década depois, a instalação em escala nacional ainda avança devagar, e boa parte do parque de medidores do país segue no modelo antigo, sem essa comunicação.
Ninguém compra rede elétrica inteligente pronta, numa caixa: a distribuidora integra, peça por peça, medidor inteligente, previsão de geração solar e eólica, gestão de bateria e resposta automática a falha na rede. O papel da inteligência artificial em cada peça dessas é o mesmo: cruzar mais dado, mais rápido, do que um operador humano consegue sozinho.
Previsão de demanda: onde a IA já ajuda e onde ainda é aposta
Prever quanto o sistema elétrico vai consumir na hora seguinte, no dia seguinte ou no mês seguinte é tarefa antiga do setor, hoje cada vez mais apoiada por modelo de aprendizado de máquina que cruza histórico de consumo, temperatura, calendário e, mais recentemente, geração solar distribuída (a energia que sai direto do painel solar do próprio consumidor, sem passar pela usina).
O ganho fica no curto prazo, próximas horas ou próximo dia: previsão mais precisa ajuda a decidir despacho de usina (quanto cada usina gera, a cada instante, para atender a demanda) com menos margem de segurança conservadora, mesmo sem um percentual público consolidado desse ganho.
A aposta ainda em aberto é o horizonte mais longo: prever, com anos de antecedência, onde vai nascer nova demanda de energia (expansão industrial, novo polo de data center, eletrificação de frota) para planejar expansão de rede antes do gargalo aparecer. Aqui o modelo de IA ainda compete com a mesma incerteza que sempre existiu em qualquer planejamento de longo prazo: dado histórico prevê bem o padrão de ontem, e não garante o mesmo acerto quando o padrão muda de forma abrupta.
O case brasileiro: o que a plataforma de IA da Cemig mostra sobre construir por dentro
A Cemig (Companhia Energética de Minas Gerais, uma das maiores distribuidoras e geradoras do país) apresentou a primeira plataforma de inteligência artificial da América Latina construída especificamente para o setor elétrico: o EnergyGPT. Foi durante o festival South by Southwest (SXSW), em Austin, no Texas, em março de 2026, segundo cobertura do Diário do Comércio. O investimento declarado foi de R$ 26 milhões, e a ferramenta já integra a rotina de mais de 200 profissionais da empresa, em fase de validação em condição operacional real.
O que separa esse case da maioria dos anúncios de IA no setor é a escolha de construir, não comprar. O EnergyGPT nasceu de uma parceria com o CEIA (Centro de Excelência em Inteligência Artificial) da Universidade Federal de Goiás (UFG), e o modelo foi treinado sobre norma regulatória da ANEEL, padrão técnico e documentação própria do setor elétrico, não sobre um modelo genérico adaptado às pressas.
A aplicação inicial cobre leitura automatizada de norma, apoio jurídico, interpretação de dado de medição e simulação regulatória. Um assistente virtual já está em teste nas áreas jurídica, de auditoria, de relacionamento com cliente e regulatória.
A decisão de treinar um modelo sobre a própria base regulatória, em vez de aplicar um modelo genérico por cima dela, é o que torna esse case relevante. Regra e norma do setor elétrico mudam por resolução da ANEEL e por procedimento do ONS, texto que um modelo genérico não tem motivo para conhecer em profundidade. Uma empresa que constrói esse conhecimento regulatório internamente cria uma vantagem que um concorrente não compra pronta de um fornecedor.
A Cemig afirma pretender, depois de validado, disponibilizar a tecnologia a outras empresas do setor elétrico. É intenção declarada, ainda sem produto disponível.
O vácuo regulatório: ANEEL e ONS ainda não escreveram a regra
Em outros setores, já existe norma que define quem responde quando um modelo de IA erra numa decisão daquele setor. No setor elétrico, essa norma ainda não existe.
O Plano Estratégico Quinquenal de Inovação (PEQuI) 2024-2028, aprovado pela ANEEL, lista inteligência artificial entre os temas estratégicos de inovação do setor elétrico para os próximos anos. É reconhecimento de prioridade, não diretriz de uso: o plano não define, por exemplo, quem responde quando um modelo de previsão de demanda erra e causa corte de energia, ou qual auditoria uma distribuidora precisa fazer antes de deixar IA decidir onde cortar geração renovável.
Uma pesquisa da consultoria Grant Thornton, a AI Impact Survey 2026, aponta um sintoma parecido pelo lado da comprovação: o setor de energia registra uma das maiores lacunas do estudo entre capturar ganho operacional com IA e comprovar, de forma auditável, que esse uso atende às exigências de governança já existentes. ANEEL e ONS aparecem nomeados, no estudo, como os órgãos supervisores em jogo.
A pesquisa não afirma que os dois reguladores estão parados: mostra empresa de energia com dificuldade de provar que está em conformidade.
Esse achado, somado à ausência de diretriz específica no plano estratégico, sustenta a minha opinião: quem decide investimento em inteligência artificial no setor de energia hoje decide num espaço aberto, sem um regulador para apontar depois.
Um segundo movimento regulatório caminha em paralelo e muda o cenário competitivo de quem distribui energia: o decreto que abre o mercado livre de energia, segundo o Canal Solar, libera a escolha de fornecedor para consumidor comercial e industrial de baixa tensão a partir de novembro de 2027, e para consumidor residencial a partir de novembro de 2028. A abertura ainda não chegou, mas já muda o horizonte de decisão de qualquer distribuidora que esteja pensando em IA para previsão de demanda e retenção de cliente.
Esse é o tipo de mudança regulatória que também reposiciona carreiras dentro do setor. Quem trabalha com energia e quer se preparar para decidir ou executar esse tipo de projeto encontra a curadoria de cursos que dou na ESPM na página de cursos.
Onde começar amanhã
Nem toda ação boa em inteligência artificial no setor de energia depende de aprovação de orçamento novo: critério pesa mais do que ineditismo.
O que você já pode fazer amanhã, sozinho, sem esperar aprovação: pegue um relatório de manutenção ou de perda que sua equipe já produz todo mês e peça a um modelo de IA generativa que aponte o padrão que se repete nos últimos seis meses. Antes de enviar, diga ao modelo quem ele deve simular ao responder (um analista de manutenção, por exemplo), o contexto do seu setor, o tom que você espera e o que ele deve evitar dizer: pedido vago devolve resposta genérica, pedido bem montado devolve análise que se usa. O ganho é pequeno, mas mostra em uma tarde se o seu dado atual já sustenta um projeto maior.
O que depende de decisão de área, mas não do conselho: separar, entre os projetos de IA que estão na fila da sua operação, quais têm caso de referência com número datado e fonte nomeada, como o do Argonne citado neste artigo, e quais só têm promessa de fornecedor. Para separar os dois, peça três respostas antes de qualquer proposta comercial: qual foi o período medido, em qual equipamento exato o teste rodou, e se o resultado veio de cliente real ou de ambiente controlado do próprio fornecedor. Promessa sem essas três respostas é material de venda, não caso de referência. Prioridade vai para o primeiro grupo.
O que depende do conselho: perguntar, antes de aprovar qualquer projeto de IA que toque geração, transmissão ou distribuição, quem responde se o modelo errar. A pergunta que falta é quem assume a conta quando a tecnologia não funcionar, não se ela funciona.
A vantagem aqui pertence a quem separa, camada por camada, a aplicação que já reduz custo da aplicação que ainda é prova de conceito, não a quem simplesmente adotou inteligência artificial primeiro.
Perguntas frequentes
Qual é o retorno real de investir em manutenção preditiva com inteligência artificial numa usina ou subestação no Brasil?
Depende do estágio do projeto que serve de referência. Nos Estados Unidos, o Argonne National Laboratory mediu, num caso aplicado a inversor de energia solar, redução de 43% a 56% no custo de manutenção e queda de 60% a 66% nas visitas de equipe desnecessárias, com metodologia e fonte declaradas. No Brasil, o caso mais próximo, a parceria entre o Grupo CESBE e a UFPR em manutenção preditiva de linha de transmissão, ainda está em fase de pesquisa. Antes de orçar com base num caso, confirme se o número vem de operação real ou de piloto em construção.
Curtailment de energia renovável no Brasil tem solução com inteligência artificial, ou só depende de mais linha de transmissão?
As duas coisas, em proporções diferentes. Construir mais linha de transmissão resolve o gargalo físico, mas leva anos e passa por licenciamento ambiental. Modelo de IA que cruza previsão de geração solar e eólica com previsão de demanda de curto prazo ajuda o ONS a operar a rede que já existe com menos margem de segurança conservadora. Essa margem menor já reduz parte do corte, sem esperar obra nova. Nenhuma das duas resolve o problema sozinha.
Quem responde se um modelo de inteligência artificial errar numa decisão que afeta geração, transmissão ou distribuição de energia no Brasil?
Ainda não existe regra específica da ANEEL ou do ONS que responda essa pergunta para o setor elétrico, diferente do que já acontece em outros setores regulados. O Plano Estratégico Quinquenal de Inovação (PEQuI) 2024-2028 da ANEEL cita inteligência artificial como tema estratégico, mas não define responsabilidade em caso de erro. Enquanto essa norma não existe, a responsabilidade contratual entre empresa, fornecedor de tecnologia e operador do sistema precisa ser formalizada internamente antes de qualquer projeto entrar em produção.
Vale a pena esperar a abertura do mercado livre de energia para investir em IA de previsão de demanda?
Não, pelo cronograma já definido em decreto: a abertura para consumidor comercial e industrial de baixa tensão começa em novembro de 2027, e para consumidor residencial em novembro de 2028. Quem espera a abertura acontecer para começar a organizar dado de consumo e modelo de previsão chega atrasado no primeiro ano de concorrência real por cliente.
O que diferencia smart grid da automação de rede que distribuidoras brasileiras já usam há anos?
Automação de rede tradicional resolve uma tarefa isolada, como religar um circuito depois de uma falha. Smart grid é o conjunto integrado dessas peças, incluindo medidor inteligente, previsão de geração distribuída, gestão de bateria e resposta automática a falha, trocando dado em tempo real entre geração, consumo e armazenamento nos dois sentidos. A diferença é de integração e de direção do fluxo de dado, não só de quantidade de sensor instalado.
O EnergyGPT da Cemig vai ficar disponível para outras empresas do setor elétrico?
Segundo cobertura do setor, essa é a intenção declarada pela Cemig depois que a plataforma terminar a fase de validação em condição operacional real. Até a publicação deste artigo, a ferramenta segue em uso interno, integrada à rotina de mais de 200 profissionais da empresa, sem data pública de disponibilização externa.
Perdas não técnicas, o furto de energia na distribuição, também se resolvem com o mesmo tipo de inteligência artificial usado em manutenção preditiva?
É uma aplicação vizinha, não a mesma. Manutenção preditiva analisa sinal de equipamento, como vibração, temperatura ou som, para prever falha física. Detecção de perda não técnica cruza padrão de consumo, histórico de pagamento e leitura de medidor para apontar onde o consumo foge do esperado, um problema de dado de cliente, não de saúde de equipamento. As duas aplicações usam IA, mas resolvem problemas diferentes, com dado diferente.
Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo em tecnologia, IA, dados e inovação. Participou da criação de sete startups ao longo da carreira. É professor na ESPM, Insper, PUCRS, USP e IBGC. É autor de vários e-books gratuitos sobre tecnologia, marketing, liderança e inovação, disponíveis para download no site.
