Imagine pedir a uma ferramenta de inteligência artificial que indique quais riscos climáticos deveriam orientar uma obra, um plano de saúde ou a proteção de uma estrada. A resposta chega em segundos, organizada e segura no tom. Mas basta que o sistema confunda o cenário de emissões, escolha o período errado ou trate um dado regional como se fosse local para que a clareza se transforme em risco.
É essa contradição que move um comentário acadêmico publicado em 22 de agosto na npj Climate Action. Pesquisadores da Universidade de Exeter, do Met Office e de outras instituições descrevem dois protótipos de IA generativa para serviços climáticos e perguntam como ampliar o acesso à ciência sem perder credibilidade, contexto e responsabilidade.
O trabalho não é um ensaio controlado nem demonstra que as ferramentas melhoram decisões reais. Ele apresenta arquiteturas em desenvolvimento, reúne lições de uma oficina com especialistas do Reino Unido e propõe princípios para implantação responsável. Essa distinção é central: há potencial técnico, mas ainda falta evidência comportamental de que uma decisão apoiada por esses sistemas seja melhor do que a alternativa.
O problema não é a falta de dados — é transformar dados em decisão
Serviços climáticos conectam observações, projeções e conhecimento sobre impactos às escolhas de governos, empresas e comunidades. Eles ajudam a responder perguntas como: qual horizonte temporal importa para uma infraestrutura? Que combinação de ameaça, exposição e vulnerabilidade deve orientar uma prioridade? Qual projeção é adequada para o território e para o tipo de decisão?
O volume de informação já é grande. O sistema britânico UKCP18, usado como base em um dos protótipos, reúne relatórios científicos, mapas, gráficos, tabelas e extensos conjuntos de dados de modelos climáticos. O próprio Met Office mantém guias sobre limitações, escalas e usos apropriados porque resolução mais alta não significa automaticamente maior confiança.
Essa complexidade cria um gargalo humano. Especialistas precisam interpretar a pergunta, escolher variáveis, comparar cenários, explicar incertezas e relacionar o resultado ao contexto do usuário. A IA generativa parece oferecer uma ponte: permitir consultas em linguagem natural, localizar dados e acelerar análises que antes exigiam apoio especializado.
A urgência da adaptação torna a promessa atraente. O Relatório sobre a Lacuna de Emissões de 2025, do Programa das Nações Unidas para o Meio Ambiente, estima aquecimento de 2,3°C a 2,5°C neste século mesmo com a implementação integral das promessas climáticas então disponíveis, e de 2,8°C sob as políticas atuais. A necessidade de transformar ciência em ação cresce mais rápido do que a disponibilidade de equipes especializadas.
Primeiro protótipo: conversar com projeções sem esconder a fonte
O primeiro sistema descrito no artigo é um chatbot multimodal conectado ao arquivo do UKCP18. Ele combina busca em documentos com acesso a dados brutos. O usuário pode perguntar por uma variável, localidade ou período e receber texto, imagens, gráficos ou conjuntos de dados relacionados.
A arquitetura usa geração aumentada por recuperação, conhecida como RAG. Em vez de responder apenas com o conhecimento geral do modelo, o sistema busca trechos e dados em uma base delimitada. Isso reduz o espaço para invenção, mas não elimina erros. Uma fonte correta ainda pode ser recuperada para a pergunta errada, interpretada fora do contexto ou resumida sem a incerteza necessária.
Por isso o protótipo interrompe o fluxo quando detecta ambiguidade, especialmente na seleção de localização, intervalo de tempo e variável climática. A confirmação humana não aparece como acabamento. Ela faz parte do mecanismo que impede uma pergunta incompleta de produzir uma análise aparentemente precisa.
O sistema também pode gerar código para selecionar, comparar e visualizar dados de modelos. O ganho potencial é concreto: tarefas antes dependentes de um consultor podem ficar mais acessíveis. O risco também é concreto: código executável e gráficos convincentes podem transmitir uma confiança que não foi validada pelo usuário.
Segundo protótipo: uma receita para construir o serviço climático
O segundo exemplo não busca responder diretamente a uma pergunta sobre o clima. Ele monta uma “receita” de serviço: um fluxo de trabalho que relaciona o problema apresentado a modelos, conjuntos de dados, índices, riscos e métodos de análise.
Vários agentes de IA dividem o trabalho. Um supervisor coordena especialistas; um grafo de conhecimento limita as relações possíveis entre variáveis climáticas, cenários de emissão, perigos, setores e bases de dados; e o usuário confirma informações ausentes antes que o sistema avance. A saída pretende orientar o profissional humano, não substituir a execução técnica nem a decisão final.
Os dois protótipos materializam a mesma escolha de projeto. A IA pode ganhar autonomia para pesquisar, decompor tarefas e gerar análises, desde que opere dentro de fontes controladas, exponha a origem do que usa e devolva ambiguidades a uma pessoa. Sem esses limites, flexibilidade vira dificuldade de auditoria.
Relevante, confiável e legítimo são testes diferentes
Os autores organizam a governança em três princípios tradicionais dos serviços climáticos. O primeiro é a relevância: a informação precisa responder ao contexto real da decisão. Uma média anual pode ser inútil para quem precisa planejar drenagem em episódios extremos; uma projeção nacional pode não sustentar uma escolha municipal.
O segundo é a credibilidade. A resposta deve ser consistente com a ciência estabelecida, permitir rastreamento até as fontes e explicitar cenário, escala, período e incerteza. Avaliar apenas se o texto “parece correto” é insuficiente. Ferramentas diferentes também exigem testes diferentes: um sistema para especialistas pode admitir controles e linguagem que seriam inadequados para uso público.
O terceiro é a legitimidade. Quem definiu o problema? Que grupos participaram do desenho? Quais valores e territórios estão representados nos dados? Uma ferramenta pode ser tecnicamente correta e ainda ampliar desigualdades se depender de conectividade, idioma, capacidade analítica ou bases que não cobrem igualmente todas as comunidades.
A oficina relatada no comentário reuniu 34 participantes na etapa de levantamento e 24 pessoas presencialmente, entre academia, governo e setor comercial, todas vinculadas ao contexto britânico. Surgiram preocupações com responsabilização, vieses, apropriação indevida de informações, desigualdade de acesso e alinhamento de valores. Os próprios autores classificam os achados como exploratórios e limitados pela amostra geográfica e pelo método qualitativo.
O Brasil já tem a base; uma camada de IA exigiria novos controles
No Brasil, a plataforma AdaptaBrasil MCTI oferece uma referência concreta de serviço climático baseado em dados. O Painel Cidades, lançado em julho pelo INPE, facilita a consulta de riscos para os 5.570 municípios brasileiros. A plataforma reúne indicadores de recursos hídricos, segurança alimentar e energética, saúde, biodiversidade, infraestrutura e desastres geo-hidrológicos, entre outros setores.
O portal federal também disponibiliza conjuntos de dados abertos por município e cenário. Isso permite auditoria, pesquisa e desenvolvimento de aplicações. O trabalho mais difícil continua sendo formular a pergunta certa, compreender como os indicadores foram construídos e relacionar risco climático às condições locais.
Uma camada conversacional poderia, em tese, ajudar um gestor a localizar indicadores de seca, comparar horizontes ou identificar a documentação metodológica. Mas a resposta não deveria converter automaticamente um índice em prioridade de investimento. Dados climáticos informam parte do risco; exposição, vulnerabilidade, orçamento, conhecimento local e consequências distributivas continuam dependendo de análise institucional.
Diamantina não precisa ser usada como exemplo artificial para reconhecer essa utilidade. A questão relevante para qualquer território é saber se a ferramenta conserva o caminho entre a pergunta, o dado original, a interpretação e a decisão — e se deixa claro onde termina a evidência e começa o julgamento.
Sete perguntas antes de confiar em uma resposta climática da IA
- Qual decisão está sendo apoiada? Uma consulta exploratória admite mais flexibilidade do que uma escolha sobre obra, alerta, saúde ou população vulnerável.
- Que fonte sustenta cada afirmação? O sistema deve apontar documento, conjunto de dados, versão e data de atualização, não apenas produzir referências genéricas.
- O cenário, o período e a escala estão explícitos? Respostas climáticas sem essas três informações podem ser claras e ainda assim inadequadas.
- Como a incerteza aparece? Faixas, divergências entre modelos e limites metodológicos não devem ser apagados para simplificar a leitura.
- Quem valida a interpretação? Uma pessoa com competência no domínio precisa revisar ambiguidades e consequências antes da decisão.
- Quem pode ser prejudicado ou excluído? Idioma, acesso digital, cobertura dos dados e prioridades sociais precisam entrar na avaliação.
- É possível reproduzir e contestar o resultado? Versionamento, registros de fonte e governança clara permitem corrigir o sistema sem transformar a IA em autoridade opaca.
A IA pode reduzir o tempo necessário para encontrar e organizar informação climática. Os protótipos mostram caminhos técnicos plausíveis: bases delimitadas, grafos de conhecimento, rastreabilidade e confirmação humana. Eles não provam, porém, que a automação já melhora decisões em campo.
O melhor uso, por enquanto, é tratar a IA como uma interface de investigação e apoio: rápida para abrir caminhos, disciplinada por fontes e sempre subordinada à responsabilidade humana. Em adaptação climática, uma resposta convincente não basta. É preciso conseguir mostrar de onde ela veio, o que não sabe e quem responde pelo que será feito.
Informações conferidas em 24 de agosto de 2026. A publicação científica foi classificada corretamente como comentário acadêmico, não como estudo experimental.
Fontes
- Williams e colaboradores — Developing trustworthy AI for climate services at scale, npj Climate Action, publicado em 22 de agosto de 2026, DOI 10.1038/s44168-026-00420-z.
- Met Office — guias, relatórios e limitações do UKCP18, versão consultada em 24 de agosto de 2026.
- INPE — lançamento do Painel Cidades do AdaptaBrasil, publicado em julho de 2026.
- MCTI — dados abertos do AdaptaBrasil, página atualizada em abril de 2026.
- Organização Meteorológica Mundial — série State of Climate Services.
- Programa das Nações Unidas para o Meio Ambiente — Emissions Gap Report 2025.