Inteligência artificial e julgamento humano: o gargalo da automação no projeto estrutural

Tema: Inteligência Artificial — Panorama Geral

Um ponto de conexão onde oito vigas se encontram. Nenhum serralheiro no mundo solda isso com facilidade, nenhum fabricante o produz em série, nenhum orçamento o absorve sem sobressalto — e, ainda assim, um algoritmo de otimização topológica o cospe sem hesitar, porque do ponto de vista puramente matemático ele é elegante: máxima rigidez com mínimo material. O exemplo não é hipotético: o comunicado do MIT sobre o trabalho cita projetos com oito ou mais barras conectadas num único ponto, difíceis de fabricar no mundo real, como sintoma do impasse que os pesquisadores tentam resolver — programas cada vez melhores em gerar formas e pouco capazes de convencer um engenheiro a assiná-las [1].

A proposta que Josephine Carstensen, Dat Ha e colegas publicaram na Communications Engineering faz algo mais sutil do que "usar IA para projetar". Ela transforma a intervenção humana em parte do laço computacional: enquanto a otimização acontece, o sistema prevê quais regiões do desenho um engenheiro provavelmente gostaria de alterar e pergunta. Nos exemplos apresentados pela equipe, o método gerou estruturas mais fabricáveis e, num dos casos, uma carga de flambagem linear 39% maior que a do desenho inicial, acrescentando apenas 15 segundos ao tempo total de projeto em relação à otimização convencional [1][2].

A tese deste artigo é que o número de 39% é o dado menos interessante da notícia. O que importa é o reconhecimento explícito de que, na construção civil, o gargalo da automação nunca foi poder computacional — foi o carimbo. E que um sistema capaz de negociar com quem assina pode valer mais do que um sistema capaz de projetar melhor sozinho.

Da otimização topológica ao beco sem saída do pós-processamento

A otimização topológica é, em definição, um método matemático que busca a distribuição espacial ideal de material dentro de um domínio de projeto [3]. Na prática, funciona por iteração: o programa preenche e esvazia o espaço disponível sucessivamente até chegar a uma geometria que atenda ao objetivo declarado — rigidez, frequência natural, resistência à flambagem. Não é tecnologia nova. Já rendeu peças para aeronaves ultraleves, antenas de alta largura de banda e carros de Fórmula 1, como lembra o próprio comunicado do MIT [1].

Na construção civil, o percurso foi outro. No Brasil, um trabalho voltado ao ensino de arquitetura aplicou o método ao projeto estrutural de um edifício vertical, uma passarela, um pilar de ponte em martelo e um edifício em balanço [4]. A demonstração, porém, raramente vira obra. E a razão aparece no modo como o processo está montado: o usuário define o problema, espera — às vezes horas de cálculo — e só então recebe o desenho final. Se não gostar, recomeça. Toda a inteligência do engenheiro sobre o comportamento real da estrutura, sobre o que a fábrica consegue executar e sobre o que o cliente aceita pagar entra tarde demais, quando o custo de mudar já é alto.

"Hoje o humano não tem agência nem controle sobre o processo de projeto enquanto ele acontece", diz Ha, que fez o doutorado no MIT e hoje é projetista estrutural na LeMessurier [1]. A frase descreve um problema de fluxo de trabalho, mas também um problema epistemológico. Engenheiros desconfiam de programas que entregam desenhos estranhos: segundo Ha, a natureza de caixa-preta do método fez com que ele fosse menos adotado na indústria, e Carstensen acrescenta que a falta de controle e de autoria também inibe seu uso [1].

Como o copiloto decide quando perguntar

A solução técnica é engenhosa e vale entender seu mecanismo, porque é nele que mora a maior parte das promessas e das fragilidades do sistema.

Tentativas anteriores de incorporar o julgamento humano tornavam o processo dramaticamente mais lento [1]. Em vez de deixar o engenheiro procurar, por tentativa e erro, as regiões a modificar, o sistema usa aprendizado de máquina para prever onde a intervenção humana seria mais provável e concentra ali as perguntas [1]. Para treinar esse modelo, a equipe construiu um conjunto de dados sintético com feedback humano provável para milhares de projetos, cobrindo critérios estéticos, de desempenho e de fabricabilidade [1].

A lógica declarada é quase comportamental: "pensamos que, se conseguíssemos criar um registro de onde humanos fizeram mudanças nesses programas, talvez houvesse um padrão nessas escolhas, o que não é muito diferente de outros tipos de abordagem de aprendizado de máquina", explica Ha [1]. A interface com o usuário, hoje, é deliberadamente pobre: só permite engrossar ou afinar as regiões identificadas. Nada de mover nós, fundir barras ou trocar o material [1].

Aqui aparece a primeira limitação que o comunicado menciona de passagem e que merece ser dita com clareza: um copiloto que só sabe ajustar espessura é um copiloto com um único pedal. As decisões estruturais mais consequentes — mudar o sistema estrutural, redistribuir vãos, alterar a ligação — continuam fora do laço. O sistema devolve agência, mas uma agência estreita.

Trinta e nove por cento de quê, exatamente

Os números são o ponto em que a cobertura jornalística costuma escorregar, e este caso não é exceção.

O comunicado do MIT diz que a abordagem "melhorou a fabricabilidade e a carga de flambagem linear em 39%", com acréscimo de apenas 15 segundos ao tempo total de projeto [1]. Lida assim, a frase sugere um ganho único em duas frentes. O artigo científico é mais preciso: os 39% se referem só à carga de flambagem linear de um exemplo (uma peça em L), comparada ao desenho inicial, e os 15 segundos são a diferença entre 344 s e 329 s de tempo total em relação à otimização convencional [2]. Vale separar as coisas. A flambagem linear é — uma análise que lineariza o comportamento e superestima a capacidade real de peças esbeltas, especialmente diante de imperfeições geométricas iniciais, que são justamente o que governa o colapso de cascas e perfis delgados na prática. Já a fabricabilidade não tem uma métrica percentual: no paper, ela é avaliada de forma descritiva, por exemplo pelo número de barras que chegam a cada nó, que caiu de seis para cinco num dos exemplos [2].

Nada disso desqualifica o trabalho, publicado em acesso aberto na Communications Engineering [1][2]. Mas desloca a ênfase. Um ganho de 39% em flambagem linear é um resultado de bancada promissor, não uma promessa de 39% menos aço em obra. E o acréscimo de só 15 segundos só é notável contra o pano de fundo certo: o método só faz sentido porque as alternativas de intervenção humana custavam muito mais. Ou seja, o feito real não é tornar o projeto rápido; é tornar a colaboração computacionalmente barata.

Por que a ponte é mais difícil que o avião

A pergunta que o artigo do MIT não responde — e que nenhum artigo sobre otimização topológica responde bem — é por que a construção civil resiste onde a aeronáutica avançou.

Parte da resposta é institucional. Um componente aeronáutico é certificado dentro de uma cadeia fechada, com ensaios destrutivos e responsabilidade distribuída entre fabricante e autoridade aeronáutica. Uma viga de ponte é assinada por um engenheiro com registro profissional, e esse registro concentra responsabilidade civil e criminal. A assimetria é decisiva: o engenheiro que adota um desenho algorítmico herda todo o risco e quase nenhum dos louros.

Parte da resposta é de escala material. O setor de edificações e construção responde por 37% das emissões globais e por quase 50% da extração mundial de materiais, segundo o Global Status Report for Buildings and Construction 2025–2026 do PNUMA [5]. Um estudo publicado em 2025 estima que a pegada de carbono da construção dobrou nas últimas três décadas e deve mais que dobrar até 2050; em 2022, mais da metade das emissões do setor vinha de materiais cimentícios, tijolos e metais [6]. É um setor cuja ineficiência tem consequências planetárias — e cuja estrutura de incentivos ainda paga pelo material, não pela inteligência que economizaria material.

Há, por fim, uma resposta cultural, documentada em estudos de prática profissional: numa pesquisa com 16 entrevistas na Suécia, arquitetos e engenheiros que usam projeto computacional apontaram como obstáculos uma curva de aprendizado íngreme e a pouca compreensão do assunto por parte de clientes e colegas [7]. Revisões sobre IA generativa no setor de arquitetura, engenharia e construção (AEC) descrevem um campo em rápida expansão, cujas implicações para a prática e para a formação profissional ainda estão sendo mapeadas [8].

A confiança não é um problema de interface

Aqui convém assumir uma posição, porque a leitura neutra dos fatos esconde o ponto principal. A indústria e a academia tratam a desconfiança do engenheiro como um problema de experiência do usuário: se o sistema explicar melhor, se mostrar o passo a passo, se permitir ajustes, a adoção vem. Está errado. A desconfiança do engenheiro estrutural não é estética nem cognitiva — é jurídica e econômica. Ele não desconfia porque não entende o desenho; desconfia porque entende o contrato.

Vista por esse ângulo, a contribuição mais relevante do copiloto do MIT não é a predição de regiões de intervenção, e sim a criação de um registro auditável de decisões humanas dentro de um processo algorítmico. Cada ajuste de espessura é um ponto em que uma pessoa exerceu juízo profissional. Numa cultura de responsabilidade técnica, isso vale mais do que qualquer explicação gerada automaticamente: é a diferença entre "o programa decidiu" e "eu decidi, com apoio do programa".

O risco dessa leitura é o oposto do entusiasmo ingênuo. Se o copiloto serve principalmente para produzir rastro de autoria humana sobre desenhos que continuam sendo gerados por máquina, ele pode se converter num mecanismo de conformidade cosmética — o equivalente estrutural do "clique aqui para aceitar". A pergunta que separa os dois cenários é simples e ainda sem resposta: as intervenções que o sistema solicita mudam materialmente o resultado, ou apenas ratificam o que o algoritmo já havia escolhido?

O que o experimento não cobre

Três lacunas merecem ser nomeadas com precisão.

A primeira é a origem do treinamento. O modelo aprendeu com um conjunto sintético de feedback humano provável, construído pelos próprios pesquisadores [1]. Isso significa que ele não aprendeu o que engenheiros de fato fizeram em milhares de projetos reais — aprendeu o que a equipe do MIT acredita que engenheiros fariam. Há aí um risco circular difícil de exorcizar sem dados industriais: o copiloto pode estar reproduzindo o gosto dos seus autores e apresentando-o como intuição coletiva da profissão.

A segunda é o escopo da validação. Flambagem linear e fabricabilidade não são o universo das verificações estruturais. Fadiga, incêndio, sismo, fluência, estados limites de serviço, custo de montagem e disponibilidade de perfis comerciais ficam fora da demonstração. A própria Carstensen reconhece que o sistema hoje só permite engrossar ou afinar regiões [1], e que ampliar as opções de modificação é trabalho futuro.

A terceira é a mais interessante conceitualmente. O artigo se posiciona como complementar, não substituto, das abordagens totalmente automatizadas: "estamos argumentando que há espaço para as duas", diz Carstensen [1]. É uma posição madura, mas também revela que a comunidade ainda não sabe medir quando vale a pena gastar capital humano. Se um escritório tem poder computacional de sobra, o caminho totalmente algorítmico pode render resultados melhores; se precisa de adesão institucional, o laço humano compensa. Falta a métrica que diga onde fica essa fronteira — e ela provavelmente não é técnica, e sim contratual.

O carimbo como variável de projeto

O sistema do MIT não resolve o problema da adoção da otimização topológica na construção civil. Ele faz algo mais interessante: redefine o problema em termos honestos. Ao inserir o julgamento humano

dentro do laço, e não depois dele, os pesquisadores tratam a aceitação do engenheiro não como ruído a ser eliminado, mas como restrição de projeto — tão real quanto a tensão admissível do aço.

Três direções parecem mais promissoras do que a corrida por porcentagens maiores de desempenho. A primeira é alimentar esses modelos com dados industriais reais, e não com feedback sintético, transformando o copiloto de um espelho dos autores num repositório de prática profissional acumulada. A segunda é ampliar o espaço de ações para além da espessura, incorporando decisões de topologia de ligação e escolha de perfil, onde está a maior parte do custo de fabricação. A terceira, e mais difícil, é acompanhar a cadeia até o fim: medir se estruturas nascidas dessa colaboração efetivamente chegam à obra, e com que economia de material. Enquanto essa última pergunta não tiver resposta, o copiloto permanece uma elegante solução de meio de caminho — e o setor que mais precisa reduzir material continuará assinando os desenhos de sempre.

Referências

[1] Zach Winn (2026). New AI "copilot" helps engineers design better structures. MIT News. https://news.mit.edu/2026/new-ai-copilot-helps-engineers-design-better-structures-1113

[2] Dat Q. Ha, Ferdous Alam, Markus J. Buehler, Faez Ahmed, Josephine V. Carstensen (2026). AI-Guided Human-In-the-Loop Inverse Design of High Performance Engineering Structures. Communications Engineering. https://www.nature.com/articles/s44172-026-00818-x (preprint: https://arxiv.org/abs/2601.10859)

[3] Maiara G. Montaute, Hugo Luiz Oliveira, Thomaz E. T. Buttignol (2024). Strategies and Design Challenges for Topology Optimization of Ultra-High-Performance Fiber-Reinforced Concrete Precast Beams. International Journal of Civil Infrastructure, v. 7. https://ijci.avestia.com/2024/010.html

[4] Charles Jaster de Oliveira, Luna O. Steffen, Carlos Alberto de M. Vasconcellos, Pablo Fernando Sanchez (2018). Otimização de topologia estrutural como ferramenta de ensino na arquitetura. Revista de Ensino de Engenharia, v. 37, n. 3. https://revista.abenge.org.br/abenge/article/download/1469/853

[5] PNUMA / GlobalABC (2026). Global Status Report for Buildings and Construction 2025–2026. United Nations Environment Programme. https://zenodo.org/records/20316373

[6] Chaohui Li, Prajal Pradhan, Guoqian Chen, Jürgen P. Kropp, Hans Joachim Schellnhuber (2025). Carbon footprint of the construction sector is projected to double by 2050 globally. Communications Earth & Environment, v. 6, 831. https://www.nature.com/articles/s43247-025-02840-x

[7] Rasmus Mikaelsson (2022). Computational Design in the AEC industry: Applications and Limitations. Luleå tekniska universitet. https://www.uppsatser.se/uppsats/5b70a788f5/

[8] Damilola Onatayo et al. (2024). Generative AI Applications in Architecture, Engineering, and Construction: Trends, Implications for Practice, Education & Imperatives for Upskilling. Architecture (MDPI), v. 4, n. 4. https://www.mdpi.com/2673-8945/4/4/46

Fale com a Eliza
E

Eliza

Agente assistente