IA e reassentamento na mineração: medir o que importa

A parte mais difícil de um reassentamento causado pela mineração não é construir casas novas. É reconstruir uma vida. Um estudo publicado em 2025 sobre comunidades reassentadas na região de Ahafo South, no Gana, mostrou exatamente esse contraste: alta satisfação com infraestrutura (habitação, estradas, eletricidade, escola e saúde) e, ao mesmo tempo, sinais claros de empobrecimento econômico por perda de terra e de trabalho.

Esse tipo de “resultado misto” aparece com frequência em projetos de mineração no mundo todo — e também no Brasil, onde a pressão por licenciamento responsável, transparência e desempenho ESG fica ainda mais intensa no fim do ano (quando relatórios anuais e metas para 2026 entram na mesa). A questão prática, para quem lidera operações, sustentabilidade, compliance ou inovação, é direta: como acompanhar condições de vida com rigor, rapidez e previsibilidade, sem depender apenas de pesquisas pontuais?

Minha aposta (e a do tema desta série IA na Mineração e Recursos Naturais) é simples: IA não serve só para otimizar produção; ela serve para evitar que a operação “pague barato” em infraestrutura e “cobre caro” em perda de renda e dignidade. Quando bem aplicada, IA ajuda a medir impacto social, antecipar riscos e direcionar investimentos que realmente melhoram a vida de pessoas reassentadas.

O que o caso Ahafo South ensina (e por que dói tanto)

O ponto central do estudo é claro: o reassentamento pode melhorar serviços e moradia, mas piorar o bolso — e, sem bolso, a casa nova vira um prêmio com taxa de manutenção impossível.

Os pesquisadores analisaram duas comunidades reassentadas (Ntotroso e OLA) com 90 respondentes, usando o modelo IRR (Impoverishment Risks and Reconstruction), de Cernea, que descreve riscos típicos de empobrecimento em deslocamentos involuntários.

Infraestrutura “nota alta” não garante bem-estar

O estudo encontrou alta satisfação com:

• Habitação (provisão de casas)
• Rede viária
• Eletricidade
• Acesso a escola e serviços de saúde

Isso é um recado útil para o setor: entregar obra funciona. É visível, auditável, fotografável e costuma entrar bem em relatórios.

O problema real: terra e emprego

Ao mesmo tempo, surgiu evidência de:

• Perda de terra (landlessness)
• Desemprego/subemprego (joblessness)
• Dificuldade econômica nas comunidades reassentadas

Esse é o tipo de risco que passa batido quando o monitoramento social é fraco. E aqui entra uma frase que eu repito em projetos: “Se você só mede a entrega, você premia a obra; se você mede resultado, você protege a vida.”

Por que reassentamento falha no “pós-chaves”: métricas erradas

O erro mais comum em programas de reassentamento é monitorar insumos e outputs (casas, postes, quilômetros de estrada) e não outcomes (renda, segurança alimentar, tempo de deslocamento, estabilidade de emprego, permanência escolar).

No modelo IRR, o empobrecimento pode vir por várias portas — mas duas são especialmente críticas em contextos rurais e semi-rurais:

1. Economia baseada em terra: quando a família perde acesso a solo produtivo, perde o “seguro informal” contra crises.
2. Transição ocupacional mal planejada: trocar agricultura, comércio local e trabalho sazonal por empregos formais exige tempo, capacitação e, principalmente, mercado.

Sem um sistema de dados consistente, a empresa descobre o problema tarde: quando a comunidade já está endividada, quando cresce conflito, quando o poder público entra sob pressão e quando o licenciamento passa a custar mais (em tempo, em condicionantes e em reputação).

Onde a IA entra: do diagnóstico tardio à prevenção

A contribuição mais valiosa da IA em sustentabilidade na mineração é trocar o modo “fiscalização reativa” por gestão preditiva de impacto social.

1) Monitoramento contínuo de condições de vida

Em vez de depender apenas de pesquisas anuais, dá para combinar:

• Pesquisas curtas e frequentes (micro-surveys via celular)
• Registros de atendimento (saúde, educação, assistência social, quando disponíveis)
• Dados de programas corporativos (treinamentos, contratações, compras locais)
• Observações de campo estruturadas (checklists digitais)

Com IA, especialmente modelos de classificação e séries temporais, você consegue construir um Índice de Bem-Estar do Reassentamento atualizado mensalmente, com alertas quando um indicador foge do padrão.

Indicador social bom é o que muda rápido o suficiente para permitir correção de rota.

2) Previsão de risco de empobrecimento (early warning)

O caso do Gana sugere um padrão replicável: satisfação com infraestrutura não elimina riscos econômicos. IA ajuda a identificar quem está mais vulnerável e por quê, cruzando variáveis como:

• Tamanho e composição familiar
• Fonte principal de renda antes/depois
• Acesso a terra e distância até áreas produtivas
• Participação em programas de capacitação
• Tempo até recolocação

O resultado pode ser um score de risco por família ou por grupo (por exemplo, mulheres chefes de família, jovens sem qualificação, agricultores sem terra equivalente). Isso direciona ações sem dispersar orçamento.

3) Planejamento de “emprego alternativo” com base em dados

O estudo recomenda explicitamente: trabalho alternativo sustentável e terras alternativas para agricultura e atividades baseadas em terra. Só que “criar emprego” vira promessa vazia quando não está ancorada em demanda real.

IA pode apoiar com:

• Mapeamento de cadeias locais (fornecedores, serviços, agricultura, transporte)
• Modelos de correspondência (matching) entre perfis de pessoas e vagas/ocupações
• Análise de lacunas de habilidades para desenhar trilhas de capacitação
• Otimização de compras locais para gerar renda previsível

Aqui, o critério é pragmático: emprego alternativo precisa ter fluxo de caixa. Se não tiver, a comunidade volta para bicos e informalidade — e a tensão volta junto.

Um “playbook” prático: como aplicar IA em reassentamentos no Brasil

A seguir, um caminho que tenho visto funcionar quando a empresa quer ser séria (e não só “cumprir condicionante”).

1) Defina um conjunto mínimo de indicadores (10–15)

Menos é mais — desde que sejam os certos. Um pacote eficiente costuma incluir:

• Renda familiar (faixas) e estabilidade (variação mês a mês)
• Situação ocupacional (formal/informal/sazonal)
• Acesso a terra produtiva (sim/não) e distância
• Segurança alimentar (pergunta simples e recorrente)
• Frequência escolar e evasão
• Acesso a saúde (tempo e custo de deslocamento)
• Percepção de segurança e conflito
• Endividamento (faixas)

2) Garanta governança e consentimento de dados

Sem isso, o projeto morre (ou vira risco jurídico). Três regras:

• Consentimento informado e linguagem simples
• Minimização de dados (coletar só o necessário)
• Acesso controlado (quem vê o quê, e por quê)

IA aplicada a pessoas exige disciplina. ESG sem ética de dados é só marketing caro.

3) Use modelos explicáveis e decisões auditáveis

Para impacto social, prefira abordagens que expliquem “o que pesou” no risco:

• Árvores de decisão / gradient boosting com explicabilidade
• Regras de negócio complementares (ex.: “sem terra equivalente = alerta alto”)

O objetivo não é impressionar com complexidade. É dar segurança para agir e justificar decisões para auditorias, comunidades e órgãos públicos.

4) Feche o ciclo: alerta → ação → verificação

Um sistema bom não termina no dashboard. Ele dispara resposta:

1. Alerta de risco de desemprego crescente
2. Ação: mutirão de colocação + treinamento + priorização em compras locais
3. Verificação em 30–60 dias: renda estabilizou? Emprego voltou?

Essa lógica transforma reassentamento em gestão contínua, não em evento.

“Perguntas que todo gestor deveria fazer” (e que a IA ajuda a responder)

Quais famílias estão piorando, agora?

Resposta direta: as que apresentam queda simultânea de renda e aumento de endividamento, geralmente associadas à perda de terra e baixa recolocação.

O que explica a piora: falta de emprego, falta de terra ou ambos?

Resposta direta: modelos explicáveis conseguem separar fatores e orientar investimento (terra alternativa vs. programa de renda).

Quanto custa não agir?

Resposta direta: costuma custar mais em atraso, conflito, judicialização e condicionantes adicionais do que em prevenção. IA ajuda a quantificar essa curva.

O que é “sucesso” de reassentamento?

Resposta direta: não é só casa pronta; é renda sustentável, acesso a serviços e baixa vulnerabilidade econômica ao longo do tempo.

Um recado final para 2026: infraestrutura é começo, não vitória

O estudo de Ahafo South deixa uma lição incômoda: dá para reassentar “bem” e ainda assim empobrecer pessoas. E, quando isso acontece, a mineração perde duas vezes — primeiro no impacto humano, depois no risco operacional e reputacional.

Na série IA na Mineração e Recursos Naturais, a gente fala muito de eficiência, manutenção preditiva e segurança. Só que a mineração do próximo ciclo (2026 em diante) vai ser cobrada por outra coisa também: capacidade de provar, com dados, que o território está melhorando — e não só mudando de lugar.

Se você já tem programas sociais e relatórios, ótimo. A pergunta que fica é: se os indicadores econômicos de uma comunidade reassentada começarem a cair em janeiro, você vai descobrir em fevereiro ou só no fim do ano?