Quanto da água tratada chega de fato à torneira? No Brasil, a perda média na distribuição foi de 40,3% em 2023, segundo o SINISA citado pelo Instituto Trata Brasil. É a pergunta que mais aparece quando uma operadora fala em inteligência artificial, e também a que mais expõe o que falta antes do algoritmo: medidor, sensor, registro de ocorrência e alguém que confira o resultado em campo.
A inteligência artificial no saneamento é o uso de modelos de dados para detectar vazamentos, prever demanda e falhas, operar estações e bombas com menos energia e organizar o conhecimento técnico e regulatório. Para o fornecedor de equipamentos, medição, automação, químicos ou serviços, ela muda a proposta: o cliente passa a comprar também o dado que o produto gera e a capacidade de usá-lo com segurança.
Este artigo separa o que a literatura aberta mostra do que ainda é promessa, explica por que as perdas começam antes do modelo, resume o que duas revisões acadêmicas dizem sobre detecção de vazamentos, trata de estações, documentos e regulação e propõe governança e um método para priorizar casos de uso. O tema se conecta ao hub de agentes de IA e automação de vendas e à página do segmento, Saneamento, Água e Meio Ambiente.
Onde a IA tem evidência no saneamento, e onde ainda não?
A detecção de vazamentos tem literatura acadêmica própria e limites conhecidos. Outros usos dependem mais de dado de operação do que de pesquisa publicada, e pedem cautela ao vender.
Cinco famílias de casos de uso
Os usos que aparecem com mais frequência na conversa entre operadoras e fornecedores cabem em cinco famílias. A tabela indica, de forma editorial, o grau de apoio que as fontes lidas para este artigo dão a cada uma.
| Caso de uso | Dado de que depende | O que as fontes lidas dizem | Cautela principal |
|---|---|---|---|
| Detecção e localização de vazamentos | Vazão, pressão, ruído e histórico de ocorrências | Tarefa central em duas revisões de 2024, com dado escasso como gargalo | Pouco dado rotulado de vazamento real |
| Previsão de demanda e de consumo | Séries de consumo, clima e calendário | Não tratada nas fontes lidas para este texto | Mudança de comportamento e de base de medição |
| Manutenção preditiva de bombas e motores | Vibração, corrente, temperatura e ordens de serviço | Não tratada nas fontes lidas para este texto | Falhas raras e registro incompleto |
| Operação de estações de tratamento | Qualidade de água bruta, dosagem e sensores de processo | Não tratada nas fontes lidas para este texto | Responsabilidade sanitária da decisão |
| Documentos técnicos e regulatórios | Normas, contratos, manuais e procedimentos | Uso apoiado em recuperação de fontes, com revisão humana | Resposta errada sobre obrigação regulada |
Como ler a tabela
Ausência de fonte lida aqui não quer dizer ausência de pesquisa no mundo. Quer dizer que o fornecedor não deve afirmar resultado sem estudo que ele mesmo possa mostrar. A regra vale para proposta, apresentação e página de produto.
Perdas de água: por que o problema começa antes do algoritmo?
A perda é a soma de vazamento, medição imprecisa e consumo não faturado. Sem medir as partes, nenhum modelo sabe o que está prevendo, e o piloto vira demonstração.
O tamanho do problema
Um texto de 2016 do blog de água do Banco Mundial chama de água não faturada aquela que é bombeada e depois perdida ou não contabilizada. O mesmo texto cita um estudo da instituição que estima as perdas físicas no mundo em 32 bilhões de metros cúbicos por ano, metade nos países em desenvolvimento. Os autores apontam capacidade fraca, falta de incentivo e o esforço de encontrar vazamentos como razões do avanço lento.
Em novembro de 2025, o Banco Mundial publicou o primeiro relatório global de monitoramento de água, que estima perdas de água doce de 324 bilhões de metros cúbicos por ano, por seca e uso insustentável. É outra medida, mais ampla que a perda nas redes, e o comunicado recomenda gerir a demanda com tecnologia, regulação e conscientização.
Contratos por desempenho
O texto de 2016 descreve contratos por desempenho como forma de a operadora acessar capacidade e equipamento que não tem, com pagamento ligado ao resultado. Para o fornecedor de IA ou de medição, isso muda o argumento: quem promete redução de perda precisa de linha de base medida e verificação independente. A forma desses contratos com o poder público tem regras próprias: confirme com o jurídico.
O limite regulatório como referência
O release do Trata Brasil cita a Portaria 490/2021 como referência de 25% de perdas na distribuição para fins de universalização, e informa que só 20 dos 100 maiores municípios estavam abaixo disso em 2023. A aplicação dessa referência a cada contrato depende de norma e de regulação: confirme com o jurídico antes de usá-la em proposta.
Na perda de água, o modelo só enxerga o que a rede mede e o que a equipe de campo registra.

Detecção de vazamentos com aprendizado de máquina: o que a literatura revela?
As revisões de 2024 mostram métodos promissores e um gargalo repetido: há pouco dado de vazamento real, e rotular cada evento é manual, lento e caro.
O que a revisão da Water Research encontrou
Yipeng Wu, Shuming Liu e Zoran Kapelan publicaram em 2024, na Water Research, uma revisão sobre limitações de dados na detecção de vazamentos em sistemas de distribuição. Segundo o resumo, os métodos baseados em dados exigem grande volume de informação, mas o dado de vazamento costuma ser limitado, e a rotulagem é trabalhosa. Os autores agrupam os métodos em detecção de anomalias não supervisionada, semissupervisionada e classificação supervisionada.
Para contornar a falta de dados, a revisão resume três estratégias: criar dados, reduzir a quantidade de dados que o modelo exige e transferir conhecimento entre sistemas ou modelos. Entre as lacunas, aponta aumento de dados de vazamento e métodos semissupervisionados.
O que o levantamento da ICANN 2024 acrescenta
Um levantamento de Valerie Vaquet e coautores, apresentado na conferência ICANN 2024, lembra que a maioria das abordagens de planejamento e controle de redes ainda se apoia em hidráulica e experiência de engenharia. Os autores veem no aumento de sensores a condição para o aprendizado de máquina avançar e oferecem uma visão estruturada da detecção e localização de vazamentos, com bases de avaliação.
O que isso pede de quem fornece
- Registro de ocorrência: cada vazamento encontrado precisa entrar com local, data, causa, material e diâmetro, ou o modelo não aprende.
- Sensores com propósito: instalar onde a pergunta é clara, como em setores de medição definidos.
- Modelo hidráulico junto: o conhecimento de engenharia continua no circuito, e um gêmeo digital da rede só vale com cadastro técnico atualizado.
- Validação em campo: o alerta só é acerto quando a equipe encontra o vazamento.
Estações, bombas e energia: onde entram previsão e manutenção?
Estações e elevatórias geram dado de processo e de equipamento todos os dias. O uso de IA é plausível, mas o fornecedor deve tratá-lo como hipótese a testar, não como resultado a vender.
Bombeamento e manutenção
Bombas e motores somam boa parte do custo de energia de uma operação, e falhas param o abastecimento. A manutenção preditiva depende de vibração, corrente e temperatura, mas também de ordens de serviço que descrevam o que falhou. Sem esse registro, o modelo aprende só a reconhecer a troca programada. O texto sobre automação industrial explica como o chão de operação se liga ao software.
Tratamento de água e esgoto
Dosagem de químicos, aeração e desaguamento de lodo têm variáveis medidas e custo direto. A decisão, porém, tem consequência sanitária e ambiental. Qualquer recomendação automática precisa de limites operacionais definidos por engenharia, de modo manual sempre disponível e de responsável identificado. Alegações sobre conformidade com padrões de potabilidade ou de lançamento são reguladas: confirme com o jurídico e com a engenharia antes de publicá-las.
Efluente industrial e reúso
Na indústria, a estação de efluente é uma utilidade da fábrica, e o gerente responde à licença ambiental. O dado costuma ser menos abundante que o de uma operadora, com análises de laboratório em intervalos longos e poucos sensores em linha. Antes de falar em modelo, vale perguntar se a frequência das análises permite enxergar a variação que se quer prever. Se não permite, o primeiro investimento é em medição, e não em algoritmo.
O que o fornecedor pode oferecer com honestidade
- Coleta e organização de dados do equipamento que ele vende.
- Painéis de indicadores antes de qualquer previsão.
- Piloto com protocolo escrito, critério de parada e relatório aberto ao cliente.
Documentos, regulação e atendimento: onde entra a recuperação de fontes?
Operadoras e fornecedores lidam com normas, contratos, manuais e procedimentos. Um assistente que busca a resposta em documentos aprovados e cita a origem ajuda, desde que alguém revise o que é regulado.
Recuperação primeiro, geração depois
Na geração com recuperação de fontes, o assistente procura o trecho em uma base controlada, como manuais de produto ou procedimentos internos, e só então redige a resposta, citando de onde ela veio. Para o fornecedor, um uso direto é responder dúvidas técnicas de engenharia de cliente com base no próprio acervo de fichas e manuais.
Onde a resposta automática não basta
Perguntas sobre obrigações contratuais, metas do marco legal, normas de referência ou exigências de edital têm consequência jurídica. O assistente pode localizar o documento, mas a interpretação é de quem responde por ela. Configure esses temas para sempre encaminhar a uma pessoa e confirme com o jurídico o que pode ser respondido sem revisão.
Atendimento ao cidadão
Fornecedores de software para operadoras recebem pedidos de assistentes de atendimento. Aqui pesam proteção de dados pessoais, clareza sobre o que é automático e caminho rápido para atendimento humano. São temas de contrato e de lei: confirme com o jurídico.
Que governança e que dados organizar antes de um piloto?
Defina dono do dado, quem valida, como medir e o que encerra o piloto. Em contratos regulados, a propriedade e o uso do dado precisam estar escritos antes da primeira coleta.
Uma estrutura de risco de uso voluntário
O NIST, dos Estados Unidos, lançou em 26 de janeiro de 2023 uma estrutura de gestão de riscos de IA para uso voluntário, organizada nas funções governar, mapear, medir e gerenciar. Em julho de 2024 publicou um perfil para IA generativa. A estrutura não é obrigação no Brasil, mas oferece um roteiro conhecido para organizar a conversa.
Perguntas de governança para a primeira reunião
- De quem é o dado gerado pelos medidores e sensores: da operadora, do poder concedente ou do fornecedor?
- Quem valida um alerta em campo e em quanto tempo?
- Qual é a linha de base medida antes do piloto?
- O que encerra o piloto, com sucesso ou sem ele?
- Que decisões o modelo só sugere e quais nunca toma sozinho?
A primeira pergunta depende do contrato de concessão e da regulação aplicável: confirme com o jurídico. O tema de governança de dados é a base das outras.
Como apresentar IA em uma proposta ao cliente
Na proposta, descreva o que o sistema faz, com que dado, quem valida e o que acontece quando ele erra. Separe o que já está pronto do que será testado no piloto e anexe o protocolo. Evite números de desempenho tirados de outros contextos, como estudos de bancada ou redes de outro país. A operadora e o regulador valorizam a clareza sobre limites mais do que a promessa de ganho.
Um piloto de IA bem desenhado termina com uma resposta, mesmo quando a resposta é não seguir.
Como priorizar casos de uso: método, cenário ilustrativo e indicadores
Priorize pelo valor do problema, pela qualidade do dado e pelo risco da decisão. Comece pelo caso em que o dado já existe e o erro custa pouco.
Método em 5 etapas
- Inventário de problemas: perdas, energia, falhas, dosagem, atendimento, com o custo estimado de cada um pelo próprio cliente.
- Diagnóstico de dados: o que é medido, com que frequência, por quem e com que registro de ocorrência.
- Matriz de prioridade: valor, qualidade do dado e risco da decisão para cada caso.
- Protocolo de piloto: linha de base, área, duração, validador, critério de parada e plano para falha.
- Governança e escala: dono do dado, revisão periódica do modelo e decisão escrita de seguir ou parar.
Cenário ilustrativo
Considere um fabricante hipotético de medidores e sensores de pressão que recebe de uma concessionária o pedido de uma proposta para detectar vazamentos com IA em um setor da cidade. O cenário é ilustrativo e não relata um projeto real.
O diagnóstico, também hipotético, mostra que o setor tem medição de entrada confiável, mas o registro de vazamentos consertados é feito em papel, sem diâmetro nem causa. A tentação é propor o modelo de imediato. A leitura da revisão de 2024 sugere outro caminho: primeiro organizar o registro digital das ocorrências por alguns meses, depois testar um método de detecção de anomalias que não depende de muitos rótulos.
A diretoria do fabricante leva para a concessionária uma proposta em duas fases, com linha de base, critério de validação em campo e cláusula sobre o uso do dado a ser revisada pelo jurídico das duas partes. Não promete percentual de redução.
Indicadores para acompanhar
- Proporção de ocorrências registradas com local, data, causa, material e diâmetro
- Alertas emitidos, alertas verificados em campo e alertas confirmados
- Tempo entre o alerta e a verificação
- Disponibilidade dos sensores e lacunas na série de dados
Erros comuns
- Vender redução de perdas com base em demonstração de bancada
- Começar pelo modelo antes do registro de ocorrências
- Deixar a propriedade do dado para depois do piloto
- Automatizar resposta sobre obrigação regulada
- Medir sucesso pelo número de alertas, e não pelos confirmados
O que levar para a próxima reunião sobre IA e dados
Leve o inventário de problemas, o diagnóstico de dados e as cinco perguntas de governança. Com isso, a conversa sai da ferramenta e vai para a decisão.
O essencial deste artigo
No saneamento, a IA com mais apoio na literatura aberta é a detecção de vazamentos, e o gargalo está no dado escasso e na rotulagem. Estações, bombas e documentos são usos plausíveis que pedem piloto com protocolo. Governança vem antes da coleta, e tudo que toca obrigação regulada passa pelo jurídico.
O próximo passo
A frente de Consultoria de IA da Trilion trata desse trabalho, e a página de mais detalhes do serviço mostra como ele é conduzido. Para o mesmo segmento, o artigo de branding trata do papel e das provas da marca, o de design estratégico, de demanda e visibilidade, e o de tecnologia e RevOps, do funil por contrato e por edital.
Leituras vizinhas estão em IA para química e petroquímica e em IA para equipamentos elétricos e energia, e o índice está em Indústrias. O texto sobre indústria 4.0 e o de serviços de IA B2B complementam a leitura, e a consultoria de inteligência artificial descreve como o diagnóstico começa.
A Trilion, agência de São Paulo fundada em 1995, atende empresas de outros estados em reuniões presenciais ou on-line. O mesmo time cuida da estratégia, do desenho e da aplicação digital, e a proposta é escrita depois do briefing e do diagnóstico.
Sobre este texto
Este artigo foi preparado para a frente de Consultoria de IA da Trilion. A perda média brasileira e a referência da Portaria 490/2021 vêm do release do Ranking do Saneamento 2025 do Instituto Trata Brasil. As perdas físicas globais e os contratos por desempenho vêm do blog de água do Banco Mundial, e as perdas de água doce, do comunicado do relatório global de 2025.
As afirmações sobre detecção de vazamentos vêm do registro da revisão de 2024 na Water Research e do resumo do levantamento apresentado na ICANN 2024. A estrutura de risco vem da página do NIST. A tabela de casos de uso, os quadros, o cenário, os indicadores e o método em 5 etapas são leitura editorial e não relatam projeto da Trilion no setor. As fontes foram consultadas em 20/11/2026.
- Instituto Trata Brasil, Ranking do Saneamento 2025, release de julho de 2025: https://tratabrasil.org.br/wp-content/uploads/2025/07/Release-Ranking-2025_final1-1.pdf (consulta em 20/11/2026)
- Banco Mundial, Water Blog, What is non-revenue water? How can we reduce it for better water service?, 31/08/2016: https://blogs.worldbank.org/en/water/what-non-revenue-water-how-can-we-reduce-it-better-water-service (consulta em 20/11/2026)
- Banco Mundial, World's annual fresh water losses could supply 280 million people, comunicado de 04/11/2025: https://www.worldbank.org/en/news/press-release/2025/11/04/world-annual-fresh-water-losses-could-supply-280-million-people (consulta em 20/11/2026)
- Yipeng Wu, Shuming Liu e Zoran Kapelan, Addressing data limitations in leakage detection of water distribution systems, Water Research, 2024 (registro da TU Delft): https://repository.tudelft.nl/record/uuid:cfead685-5f97-4df4-9069-8500bf040614 (consulta em 20/11/2026)
- Valerie Vaquet e outros, Challenges, Methods, Data, a Survey of Machine Learning in Water Distribution Networks, ICANN 2024 (arXiv): https://arxiv.org/abs/2410.12461 (consulta em 20/11/2026)
- NIST, AI Risk Management Framework, página institucional: https://www.nist.gov/itl/ai-risk-management-framework (consulta em 20/11/2026)

