Transição do carvão: como a IA evita choque social

A fase de encerramento do carvão não falha por falta de discurso ambiental. Ela falha quando o território sente o impacto antes de ver o benefício. É aí que a região da Silésia (Polónia) vira um estudo de caso difícil de ignorar: é uma das maiores concentrações de “regiões do carvão” na União Europeia e está a desenhar cenários de saída do carvão com horizonte até 2049.

O ponto mais útil do trabalho recente de investigadores ligados à economia regional e à engenharia mineira é este: a velocidade do phase-out não é um detalhe técnico — é uma variável que muda o mercado de trabalho, a capacidade fiscal dos municípios, a coesão social e a legitimidade política da transição. E, honestamente, muita empresa e muito governo ainda toma decisões como se isso fosse uma linha reta.

Nesta publicação da série “IA na Mineração e Recursos Naturais”, eu pego nas lições da Silésia e traduzo-as para um dilema que o Brasil conhece bem: como planear a transição de uma atividade intensiva (carvão, minério, petróleo, fertilizantes, cimento, siderurgia) sem criar um buraco económico e social. A tese é simples: IA aplicada a planeamento e operação pode reduzir a improvisação — e improviso, em transição, custa caro.

O que a Silésia ensina: a transição é um problema de cenários

A lição central é direta: não existe “um” phase-out; existem vários caminhos possíveis, com custos e benefícios diferentes. O artigo constrói cenários para mudanças no mercado de trabalho nas regiões carboníferas da Silésia até 2049, comparando variantes de encerramento e os seus efeitos.

Dois elementos metodológicos chamam a atenção:

• Backcasting: em vez de “projetar o futuro” a partir do presente, define-se um futuro-alvo (por exemplo, nível de emprego, estrutura económica, metas climáticas) e trabalha-se de trás para a frente para mapear quais decisões e políticas tornam esse futuro viável.
• Método de portfólio: trata as alternativas como um conjunto de apostas (políticas públicas, reconversão industrial, requalificação, atração de investimento), buscando equilíbrio entre risco, tempo e impacto.

Isto muda a conversa. Em vez de “fecha rápido vs fecha devagar”, passa a ser: “qual combinação de medidas mantém o território funcional durante a descida?”

Por que isto interessa a decisores no Brasil

No Brasil, a discussão sobre descarbonização e transição justa aparece em vários setores e geografias — e costuma bater no mesmo muro: dados dispersos, decisões em silos e pouca simulação de efeitos indiretos.

A Silésia mostra que o essencial não é ter uma opinião forte sobre a velocidade. É ter um modelo forte sobre consequências.

O erro mais comum: subestimar o mercado de trabalho “invisível”

A forma mais rápida de perder apoio para uma transição é focar apenas nos empregos diretos da mina. A realidade é mais ampla: cada posto direto sustenta uma rede de serviços, fornecedores, transporte, comércio e receitas municipais.

Quando o encerramento acelera, três coisas costumam acontecer em cadeia:

1. Queda de renda local → menos consumo → retração do comércio e serviços.
2. Efeito dominó em fornecedores → contratos cancelados → falências e desemprego indireto.
3. Pressão sobre o município → menos impostos/royalties → menos capacidade de investir em requalificação e infraestrutura.

O artigo reforça a necessidade de reconhecer impactos negativos para mitigá-los — alinhado à ideia de transição justa que também aparece na agenda europeia.

Como a IA entra aqui (na prática)

Se eu tivesse de escolher um lugar onde a IA entrega valor rápido, seria este: mapear e antecipar impactos no emprego e na renda com granularidade.

Aplicações objetivas:

• Modelos de previsão de emprego por ocupação (não só por setor): estimar quais funções desaparecem, quais migram e quais surgem.
• Análise de redes de fornecedores com grafos: identificar empresas críticas (aquelas cujo colapso quebra cadeias locais).
• Simulação de cenários com múltiplas restrições: metas ambientais, orçamento público, tempo de requalificação, absorção por novos setores.

O resultado esperado não é “prever o futuro com 100% de certeza”. É reduzir surpresas e permitir um plano com gatilhos: se X acontecer, faz-se Y.

Backcasting + IA: como sair do discurso e entrar no plano

A ideia de backcasting é poderosa porque obriga a definir o que “bom” significa. E é aí que muita transição fica vaga.

Um futuro-alvo para uma região mineira pode incluir, por exemplo:

• desemprego abaixo de um teto (ex.: 8–10%);
• renda média local não cair mais do que um limite;
• percentagem de trabalhadores requalificados e recolocados;
• base fiscal municipal estabilizada;
• redução gradual de emissões compatível com a política energética.

O papel da IA no backcasting

IA ajuda a transformar “alvos” em “trajetórias” através de:

• Otimização multiobjetivo: encontrar combinações de políticas que maximizem emprego e receita local, minimizando emissões e custos.
• Deteção precoce de risco social: sinais em dados administrativos (pedidos de subsídio, inadimplência, evasão escolar, demanda por saúde mental) para priorizar intervenção.
• Planeamento de requalificação orientado a demanda: ligar cursos e certificações a vagas prováveis (e não a modas), usando dados de mercado.

Uma transição justa não é um slogan: é um cronograma com orçamento, responsáveis e métricas.

Exemplo aplicável a mineração e recursos naturais

• Se a região quer atrair indústria de equipamentos para energia eólica/solar, a IA pode estimar:
  • número de técnicos necessários por ano;
  • tempo de formação;
  • custo por trilha de requalificação;
  • taxa de absorção realista pelo setor.

Isso evita a armadilha comum: formar milhares de pessoas para um mercado que não chega.

Portfólio de transição: menos apostas únicas, mais resiliência

O método de portfólio, usado no estudo, é uma forma adulta de lidar com incerteza. Em vez de apostar tudo num “projeto âncora” (um grande investimento que “vai resolver”), a abordagem combina frentes.

Um portfólio típico numa região de carvão pode incluir:

• reconversão de áreas e infraestrutura (logística, parques industriais);
• incentivos a PME locais (para diversificar);
• atração de investimento externo (com critérios claros);
• requalificação e recolocação (com metas mensais, não anuais);
• mitigação social (proteção de renda, saúde, apoio familiar);
• remediação ambiental (que também gera emprego no curto prazo).

Onde a IA melhora o método de portfólio

Duas melhorias práticas:

1. Priorização baseada em impacto e tempo: modelos estimam o “tempo até gerar emprego” de cada iniciativa e o risco de execução.
2. Gestão dinâmica do portfólio: um painel (dashboard) com indicadores permite reequilibrar investimentos trimestralmente, não só no fim do mandato.

Aqui entra um ponto que eu considero decisivo: transição não é projeto; é operação contínua. E operação contínua pede dados contínuos.

O que empresas de mineração podem fazer já (mesmo sem uma “saída do carvão” formal)

Nem toda empresa brasileira está a fechar minas de carvão. Mas muitas estão sob pressão para:

• reduzir emissões (Escopo 1 e 2 e, em alguns casos, 3);
• aumentar eficiência energética;
• responder a investidores e clientes com exigências ESG;
• gerir risco social em territórios dependentes de uma operação.

A partir das lições da Silésia, um plano de ação realista (90–180 dias) pode ser:

1. Criar um “mapa de empregos e competências”

   • inventário de funções, idade média, tempo de casa, certificações;
   • risco de substituição e risco de escassez.

2. Modelar cenários de produção x emprego

   • o que muda no efetivo se a produção cair 10%, 20%, 30%?
   • quais terceirizados sofrem primeiro?

3. Construir um piloto de IA para previsão e alocação

   • previsão de demanda de manutenção e operação;
   • realocação interna antes de demissões;
   • trilhas de requalificação para funções adjacentes.

4. Abrir um “painel de transição” com métricas simples

   • recolocação, rotatividade, horas de treino, incidentes, absenteísmo;
   • compras locais, saúde financeira de fornecedores críticos.

5. Governança: quem decide e com que cadência

   • comitê mensal com RH, Operações, Sustentabilidade e Relações Institucionais;
   • rituais de revisão (tipo S&OP, mas para transição).

Este tipo de disciplina costuma gerar um efeito colateral positivo: melhora a produtividade e a segurança, porque reduz improviso e aumenta previsibilidade.

Perguntas que aparecem sempre (e respostas diretas)

“IA vai tirar mais empregos numa região já vulnerável?”

IA mal aplicada pode acelerar cortes. IA bem aplicada faz o oposto: antecipa gaps e cria tempo para requalificar e realocar. A variável não é a tecnologia — é a governança e os objetivos.

“Dá para planear transição sem dados perfeitos?”

Dá, desde que você comece pequeno e melhore o modelo a cada ciclo. O pior cenário é esperar “o dataset ideal” e só então agir.

“Qual é a métrica que separa transição justa de marketing?”

Para mim, é esta: percentual de trabalhadores efetivamente recolocados (com renda próxima) em prazos definidos — e não “número de pessoas treinadas”. Treino sem recolocação é custo político.

Próximo passo: da Silésia para o seu território

A Silésia não oferece uma receita pronta para o Brasil. Mas oferece algo mais valioso: uma forma de decidir. Cenários com horizonte longo (até 2049), construídos por backcasting e tratados como portfólio, tornam a conversa menos emocional e mais operacional.

Se a sua empresa atua em mineração, energia, siderurgia ou em cadeias ligadas a recursos naturais, a pergunta que vale fazer agora é bem objetiva: quais são os três cenários de transição que você consegue explicar em cinco minutos — e quais dados você precisa para escolher entre eles com confiança?

Se quiser, eu posso ajudar a desenhar um blueprint de 30 dias para um piloto de IA aplicada a cenários de força de trabalho e risco territorial, com métricas e governança desde o início.