IA e CCS: o sinal que Angola não pode ignorar

No dia 25/12/2025, a Eni concluiu a venda de 49,99% do seu negócio de captura e armazenamento de carbono (CCS/CCUS) à Global Infrastructure Partners (GIP), da BlackRock. Não é só mais um acordo financeiro: é um sinal claro de que captura e armazenamento de CO₂ virou “ativo de infraestrutura” — e, quando isso acontece, entram capital, métricas duras e pressão por execução.

Para Angola, que continua a depender do petróleo e gás mas precisa de uma trajectória credível de descarbonização, há uma leitura prática: o CCS está a deixar de ser promessa e a passar a projecto com cronograma, capacidade e retorno. E aqui entra o ponto central desta série (“Como a IA Está Transformando o Setor de Energia e Petróleo & Gás em Angola”): IA é o motor que torna CCS operável, eficiente e auditável — do desenho do reservatório à monitorização do CO₂, passando por custos, risco e reporte.

Uma frase que resume bem o momento: CCS não falha por falta de tecnologia; falha por falta de dados confiáveis, controlo de risco e disciplina operacional. IA resolve precisamente isso.

O que o acordo Eni–GIP diz sobre o futuro do CCS

A principal mensagem é que o mercado já está a tratar CCS como infraestrutura escalável, com portfólio e expansão por fases. A Eni manteve controlo conjunto com a GIP, e a empresa resultante (Eni CCUS Holding) reúne projectos em vários países: Liverpool Bay e Bacton (Reino Unido), L10 (Países Baixos) e Ravenna (Itália).

Na prática, isto mostra três tendências que interessam directamente ao sector em Angola:

1. Portfólios, não “projectos isolados”: investidores preferem “cestas” de activos, diluindo risco.
2. Capacidades e datas: Liverpool Bay/HyNet, por exemplo, foi comunicado com metas concretas — 4,5 milhões de toneladas/ano até 2028, com ambição de crescer para 10 milhões/ano.
3. Licenças e engenharia madura: Bacton fala em cerca de 300 milhões de toneladas de capacidade potencial em campo esgotado; L10 está em fase de engenharia (FEED); Ravenna já iniciou injecção e tem fase 2 planeada para até 4 milhões/ano até 2030.

Este tipo de clareza é exactamente o que o mercado começa a exigir. E, para entregar isto com segurança e custo controlado, a operação precisa de automação, analytics e modelos preditivos.

Por que a IA é o “sistema operativo” do CCS (e não um extra)

A resposta directa: CCS é um problema de dados e incerteza geológica, e a IA reduz incerteza mais depressa e com menos custo. Num activo de CCS, há quatro perguntas que precisam de resposta contínua:

• Onde o CO₂ está a ir no subsolo?
• O armazenamento está a manter integridade ao longo do tempo?
• Quais são os riscos operacionais e ambientais (pressão, falhas, fugas)?
• Quanto CO₂ foi efectivamente armazenado (MRV) para fins regulatórios e comerciais?

IA na caracterização do reservatório e selecção de locais

O maior erro em CCS é escolher um sítio “bom no papel” e caro na execução. Modelos de machine learning ajudam a combinar dados sísmicos, históricos de produção, perfis de poços e propriedades petrofísicas para:

• identificar zonas com melhor capacidade e confinamento;
• estimar injectividade e pressão com cenários;
• priorizar poços candidatos para reconversão.

Em Angola, onde muitos campos maduros têm histórico de dados (e lacunas também), isto é valioso: IA não substitui geociência; ela acelera a triagem e melhora a decisão.

IA para optimização de injecção e energia consumida

Capturar e comprimir CO₂ custa energia — e energia custa dinheiro. IA aplicada a controlo avançado (APC) e optimização pode:

• ajustar taxas de injecção para minimizar picos de pressão;
• reduzir consumo de compressão e paragens não planeadas;
• antecipar instabilidades em bombas e compressores com manutenção preditiva.

Resultado esperado: menos downtime e menos custo por tonelada armazenada — o indicador que, no fim, decide se o CCS escala.

IA para MRV (Monitoring, Reporting & Verification)

Sem MRV robusto, CCS não tem credibilidade nem financiamento barato. E MRV não é um relatório bonito: é um sistema contínuo.

IA ajuda a integrar dados de:

• sensores de pressão e temperatura;
• medições sísmicas repetidas;
• detecção acústica/ fibra óptica (quando disponível);
• balanços de massa na planta;
• dados meteorológicos e ambientais.

Com isso, é possível produzir trilhas de auditoria e alertas de anomalia (ex.: deriva de pressão fora do envelope), reduzindo tempo de resposta e risco reputacional.

O que isto muda para Angola: estratégia, não moda

A leitura para Angola é simples: quem dominar CCS + IA cria uma nova linha de negócio e protege activos existentes. O país tem uma posição única: infraestrutura de O&G, experiência operacional offshore e necessidade de diversificação com pragmatismo.

1) CCS como extensão natural de campos maduros

O modelo europeu citado no acordo Eni–GIP baseia-se em armazenar CO₂ em campos esgotados. Angola tem activos maduros onde uma abordagem faseada faz sentido:

• Fase 1: estudos e “piloto” com volumes menores;
• Fase 2: expansão com contratos de transporte/armazenamento;
• Fase 3: hub para indústrias “hard-to-abate”.

A IA entra desde o início para reduzir tempo de engenharia e evitar que o piloto vire um “projecto eterno”.

2) CCS para manter competitividade do petróleo angolano

Mercados e financiadores estão cada vez mais atentos à intensidade carbónica. Na prática, reduzir emissões associadas à produção e ao processamento protege margens e acesso a capital.

Uma estratégia realista para Angola combina:

• redução de flaring com optimização e detecção de perdas;
• electrificação e eficiência energética;
• CCS onde fizer sentido económico;
• reporte digital e auditável.

Sem dados e modelos, isto vira PowerPoint. Com IA, vira rotina operacional.

3) CCS como plataforma de crescimento industrial

O argumento mais forte a favor de CCS é apoiar sectores difíceis de descarbonizar. Em Angola, isso pode incluir:

• cimento e materiais de construção;
• refinação e petroquímica;
• gás natural (processamento) e LNG;
• geração térmica em transição.

Se Angola conseguir estruturar “hubs” com captura de múltiplas fontes e armazenamento partilhado, o custo por tonelada desce. IA é crucial para planeamento de rede (rotas, compressão, disponibilidade) e para MRV multi-operador.

Como começar: um roteiro prático de IA para CCS (90–180 dias)

A forma mais rápida de gerar valor é tratar IA como produto operacional, não como projecto de TI. Eis um roteiro que tenho visto funcionar em energia, adaptado ao contexto angolano.

1) Definir 3 casos de uso com dono e métrica

Escolha casos com impacto e dados disponíveis. Exemplos:

• Detecção de anomalias de pressão no reservatório (alertas em tempo real)
• Manutenção preditiva de compressores de CO₂ (redução de falhas)
• Reconciliação de massa (captura vs injecção vs perdas) para MRV

Métrica simples, antes/depois. Sem isso, a IA vira “experiência”.

2) Preparar dados e governança mínima

O “mínimo viável” de dados para CCS+IA normalmente inclui:

• inventário de poços e integridade;
• séries temporais de pressão/temperatura/fluxo;
• histórico de intervenções e falhas;
• modelos geológicos existentes (mesmo incompletos);
• regras de qualidade e acesso.

Aqui, a decisão estratégica é: um “data layer” industrial único (mesmo que comece pequeno) para não reinventar integração em cada piloto.

3) Construir modelos com validação operacional

Modelos bons em laboratório falham no campo. Valide com equipas de operação e subsuperfície:

• limiares de alarme que façam sentido;
• explicabilidade (por que o modelo disparou?);
• procedimentos de resposta (quem actua, em quanto tempo?).

4) Industrializar: dashboards + alertas + auditoria

O produto final não é o modelo. É o “loop” operacional:

• alertas integrados com manutenção/produção;
• dashboards simples para gestão;
• registos automáticos para auditoria e MRV.

Se não entrar no turno e na rotina, não escala.

Perguntas frequentes que surgem quando CCS encontra IA

“CCS é mesmo uma tecnologia madura?”

O processo de captura e armazenamento é conhecido e já aplicado há décadas em diferentes contextos. O desafio está em escala, custo, licenciamento e monitorização contínua. IA ataca justamente custo e monitorização.

“IA substitui engenheiros e geocientistas?”

Não. IA reduz trabalho repetitivo e melhora previsão, mas decisão de poço, integridade e risco continua a exigir especialistas. Na prática, as equipas passam a gastar mais tempo em decisões e menos tempo a “limpar dados”.

“Qual é o maior risco de aplicar IA em CCS?”

Confiar em modelos sem governança e sem validação operacional. O risco não é “a IA errar”; é a organização não ter processo para detectar, corrigir e aprender com o erro.

O passo seguinte para Angola: transformar intenção em execução

O acordo Eni–GIP deixa um recado: o capital está a premiar quem consegue transformar descarbonização em activos operáveis. Angola não precisa copiar projectos europeus, mas precisa copiar a disciplina: portfólio, fases, MRV e eficiência.

Na prática, eu apostaria em duas frentes paralelas em 2026: (1) pilotos de CCS com desenho faseado e (2) uma camada de dados e IA aplicada desde o primeiro dia, começando por monitorização e manutenção preditiva. É aí que o valor aparece rápido — e é aí que a credibilidade nasce.

Se a sua empresa em Angola quer avançar com CCS (ou preparar-se para ele), a pergunta certa não é “vamos usar IA?”. É outra: qual parte do CCS vai falhar primeiro sem IA — e quanto isso vai custar?