IA na exploração: lições de uma grande descoberta

A 24/12/2025, a CNOOC anunciou uma descoberta “maior” no Mar de Bohai, na China, com recursos estimados acima de 100 milhões de toneladas equivalentes de petróleo. O poço de descoberta foi perfurado até 1.688 metros, encontrou 66,7 metros de zonas com óleo e foi testado a cerca de 2.560 barris de petróleo por dia. Números destes não aparecem por acaso — aparecem quando geologia, tecnologia e decisão rápida andam juntas.

O detalhe mais interessante não é só o tamanho do achado. É o como: a empresa atribui o resultado a modelos melhorados de migração e acumulação de hidrocarbonetos, com inovação tecnológica, em zonas de talude onde durante anos muita gente olhava mais como “corredor” do que como “depósito”. Esta mudança de leitura do subsolo é exactamente o tipo de problema em que inteligência artificial (IA) costuma trazer vantagem: reduzir incerteza, acelerar ciclos de interpretação e transformar sinais fracos em decisões fortes.

E é aqui que Angola entra. O nosso sector de energia e petróleo & gás vive uma pressão dupla: entregar produção com eficiência e, ao mesmo tempo, baixar custos, risco e emissões. Nesta série “Como a IA Está Transformando o Setor de Energia e Petróleo & Gás em Angola”, eu gosto de ser directo: a IA não serve para “fazer bonito” em apresentações; serve para perfurar menos poços errados, parar menos produção e negociar melhor com dados.

O que a descoberta da CNOOC ensina (e por que isto importa em Angola)

A lição principal é simples: exploração moderna é um problema de dados, não só de geologia. A CNOOC descreve um avanço em “modelos de migração e acumulação” em formações relativamente rasas (Neogénico, Formação Minghuazhen) e em contexto de falhas com extensão e strike-slip. Em português claro: eles refinaram a forma de ligar pistas (sismica, estrutura, estratigrafia, propriedades do reservatório, história de carregamento) até chegar a um alvo com probabilidade alta.

Em Angola, as condições geológicas variam (onshore e offshore, pré-sal e pós-sal, turbiditos, sistemas de canais, etc.), mas o padrão operacional é semelhante:

• Volumes massivos de dados sísmicos (2D/3D/4D), muitas vezes em formatos e qualidades diferentes.
• Dados de poços (logs, testemunhos, perfis, testes de formação) que nem sempre estão harmonizados.
• Decisões caras e irreversíveis: cada poço de exploração custa muito, e o custo do erro é brutal.

A descoberta no Bohai mostra que, mesmo em áreas “maduras”, ainda há valor escondido quando se melhora a interpretação. Angola também tem activos maduros e oportunidades de brownfield onde a IA pode ser o motor da próxima optimização.

“Área madura” não significa “sem espaço para descobrir”

A própria CNOOC diz que este é o segundo campo de classe 100 milhões de toneladas encontrado numa área madura (Shijiutuo Uplift). Isto desmonta um mito comum: “já está tudo mapeado”. Na prática, o que está “mapeado” é a leitura antiga. Uma leitura nova pode mudar o jogo — e é aí que IA (com bons dados) ajuda.

Onde a IA entra: do sinal fraco ao alvo perfurável

A resposta curta: IA aumenta a qualidade e a velocidade da decisão exploratória quando combinamos modelos geocientíficos com aprendizagem automática.

A resposta útil: há quatro frentes onde a IA pode replicar (e muitas vezes melhorar) o tipo de capacidade que levou ao anúncio da CNOOC.

1) Interpretação sísmica com IA (menos tempo, mais consistência)

Sismica é onde se ganha ou se perde meses. Modelos de deep learning já fazem bem:

• Segmentação de falhas e horizontes com consistência entre intérpretes
• Classificação de fácies sísmicas (padrões associados a canais, lobos, taludes, etc.)
• Detecção de anomalias (por exemplo, indicadores directos de hidrocarbonetos), com validação humana

O ganho não é “tirar o geocientista da equação”. É tirar o geocientista das tarefas repetitivas para ele fazer o que interessa: construir hipótese e testar risco.

Em Angola, isto pode significar encurtar o ciclo “carregar dados → interpretar → mapear risco → decidir” em semanas ou meses, principalmente em blocos com muitas campanhas históricas.

2) Modelos preditivos de migração/armadilha (probabilidade, não opinião)

A CNOOC fala explicitamente de migração e acumulação. Em termos práticos, projectos de IA podem ajudar a construir “mapas de probabilidade” ao integrar:

• atributos sísmicos
• estrutura (falhas, dobras, compartimentação)
• dados petrofísicos e testes
• história térmica e de maturação (quando disponível)

O resultado que interessa ao decisor é: qual a probabilidade de (i) presença de carga, (ii) reservatório, (iii) selo, (iv) trap e (v) deliverability — e como isso muda com novas evidências.

Isto reduz discussões intermináveis baseadas em “eu acho” e aumenta discussões baseadas em “o modelo indica X, por causa de Y, e a incerteza é Z”.

3) Planeamento e perfuração assistidos por IA (menos NPT, mais segurança)

Mesmo quando a exploração acerta, a execução pode estragar valor. IA em perfuração costuma focar:

• previsão de eventos (perdas, stuck pipe, kicks) a partir de dados em tempo real
• optimização de parâmetros (WOB, RPM, fluxo) com limites operacionais claros
• manutenção preditiva para equipamentos críticos

Isto é especialmente relevante para Angola por um motivo simples: tempo não produtivo (NPT) custa caro e consome janelas logísticas. Reduzir NPT em pontos percentuais é dinheiro real, não teoria.

4) IA para produção e brownfields: explorar o que já existe

Descobertas “maiores” chamam atenção, mas a maior parte do caixa muitas vezes está em:

• optimização de elevação artificial
• previsão de water cut
• detecção de anomalias em bombas, válvulas e compressores
• modelos de decline e priorização de intervenções

A lógica é parecida com a exploração: usar dados para decidir melhor e mais cedo. Campos maduros em Angola podem ganhar extensão de vida e melhoria de recuperação com abordagem disciplinada de IA + engenharia.

Um roteiro realista para aplicar IA no petróleo & gás em Angola

A resposta directa: comece por casos de uso com dados disponíveis e impacto mensurável em 90 dias, depois escale.

Aqui vai um roteiro que tenho visto funcionar (e que evita projectos que viram “pilotos eternos”):

1) Escolher 1–2 casos de uso com “dono” e KPI

Exemplos práticos:

• Interpretação sísmica: reduzir tempo de picking de horizontes em 40–60%
• Perfuração: reduzir NPT em 5–10% em campanha específica
• Produção: detectar anomalias 48h antes do evento e reduzir paragens não planeadas

Sem KPI, vira discussão filosófica.

2) Fazer a base: dados, governança e segurança

IA no upstream falha por três razões repetidas:

• dados sem catálogo e sem qualidade (metadados fracos)
• acesso lento (aprovações intermináveis)
• ausência de trilho de auditoria (ninguém confia no resultado)

O básico bem feito inclui:

• dicionário de dados e padrões (nomenclaturas, unidades, versões)
• pipelines de ingestão e validação
• camadas de acesso por perfil
• MLOps (versionamento de modelos e reprodutibilidade)

3) Equipas híbridas, não “IA isolada”

O padrão vencedor é:

• geociência/engenharia (problema e validação)
• ciência de dados (modelos e métricas)
• TI/segurança (infra, acesso, compliance)
• gestão (priorização e mudança)

Se a equipa de IA trabalha sozinha, o resultado pode até ser “bonito”, mas não vira decisão de poço.

4) Escalar com biblioteca de modelos e activos

Quando o primeiro caso entrega, o próximo fica mais rápido. O objectivo é construir:

• repositório de features reutilizáveis (atributos sísmicos, indicadores de perfuração, etc.)
• modelos modulares por bacia/activo
• painéis operacionais que cabem na rotina do time

É aqui que a IA começa a “pagar” de forma cumulativa.

Perguntas comuns (e respostas sem rodeios)

A IA substitui geólogos e engenheiros?

Não. Substitui tarefas repetitivas e interpretações pouco consistentes, e aumenta a exigência sobre quem decide. O profissional bom fica melhor; o processo fraco fica exposto.

Preciso de dados perfeitos para começar?

Não, mas precisa de dados suficientes e bem catalogados para um caso de uso específico. “Esperar perfeição” é um atraso caro.

IA funciona em ambientes offshore como os nossos?

Funciona desde que o projecto respeite a realidade: conectividade, latência, segurança, integração com sistemas legados e uma estratégia clara de edge vs cloud.

O que fazer agora: transformar descoberta global em vantagem local

A descoberta da CNOOC no Mar de Bohai, anunciada a 24/12/2025, mostra que modelos melhores + inovação tecnológica continuam a gerar valor mesmo em áreas maduras. Em Angola, onde cada decisão de exploração e desenvolvimento pesa muito no CAPEX e no risco, a IA tem um papel prático: aumentar taxa de acerto, reduzir custo por barril e acelerar o ciclo de decisão.

Se eu tivesse de resumir numa frase para uma direcção de E&P: IA no petróleo não é sobre “automatizar tudo”; é sobre escolher melhor onde perfurar, como perfurar e como produzir — com menos incerteza e mais velocidade.

Se a sua equipa quisesse começar em Janeiro de 2026, eu começaria por uma pergunta simples: qual decisão de alto valor vocês tomam hoje com baixa confiança — e que dados já existem para elevar essa confiança nas próximas 8 a 12 semanas?