Inteligência artificial para engenheiros é o uso de machine learning, visão computacional, IA generativa e outros métodos computacionais em tarefas técnicas. Essas tecnologias apoiam projetos, simulações, inspeções, manutenção, otimização e documentação. Elas ampliam a análise e automatizam parte do trabalho. Porém, não substituem o conhecimento técnico, a validação nem a responsabilidade profissional.
Na prática, o valor da IA depende da escolha de um problema adequado. Também exige dados confiáveis, métricas claras e controle de riscos. Este guia explica as principais aplicações, as diferenças entre tecnologias e os critérios para escolher ferramentas. Também apresenta um processo de implantação, cuidados com a LGPD e uma trilha de aprendizagem.
O que é inteligência artificial para engenheiros?
Inteligência artificial aplicada à engenharia usa sistemas que geram previsões, classificações, recomendações, alternativas ou conteúdo. Esses sistemas podem auxiliar várias atividades técnicas. Um modelo pode identificar anomalias em sensores. Um assistente também pode organizar documentos de projeto.
O termo reúne tecnologias distintas. Cada uma possui capacidades e limites próprios:
| Conceito | O que significa na engenharia | Exemplo de uso |
|---|---|---|
| Machine learning | Métodos que aprendem padrões a partir de dados | Prever desgaste com base em vibração e temperatura |
| Deep learning | Subcampo do machine learning baseado em redes neurais profundas | Identificar trincas em imagens de estruturas |
| IA generativa | Modelos que produzem texto, código, imagem, geometria ou dados | Criar a primeira versão de um relatório ou script |
| Visão computacional | Processamento de imagens e vídeos para detectar, medir ou classificar elementos | Inspecionar soldas ou acompanhar uma obra |
| Projeto generativo | Exploração de alternativas segundo objetivos e restrições | Comparar geometrias com base em massa e fabricação |
| Gêmeo digital | Representação digital atualizada por dados de um ativo ou processo físico | Monitorar uma linha industrial em operação |
| RAG | Recuperação de documentos para dar contexto a um modelo de linguagem | Consultar procedimentos internos com indicação das fontes |
A ISO/IEC 22989:2022 reúne termos e conceitos de IA. Mesmo assim, o nome comercial de uma solução não mostra como ela funciona. Também não prova que ela serve para uma decisão técnica. O engenheiro deve avaliar entradas, premissas, limites de uso e método de validação.
IA generativa e projeto generativo são a mesma coisa?
Não. A IA generativa cria conteúdo com base em padrões aprendidos. O projeto generativo explora soluções com base em objetivos e restrições técnicas.
Um modelo de linguagem pode sugerir requisitos ou explicar uma rotina de cálculo. Uma ferramenta de projeto generativo pode avaliar geometrias por massa, rigidez, custo ou fabricação. Esse processo pode usar otimização, simulação e IA, mas não é sinônimo de chatbot. Nos dois casos, uma alternativa gerada pelo software ainda precisa de análise e aprovação.
Qual é o papel do conhecimento de engenharia?
O conhecimento técnico transforma uma saída computacional em evidência útil. Ele também permite identificar quando a saída deve ser rejeitada. O engenheiro confere condições de contorno, coerência física, unidades, tolerâncias, segurança e normas.
Um resultado estatístico pode falhar fora das condições presentes nos dados. Da mesma forma, uma resposta convincente pode conter uma equação errada. A IA apoia a análise. O domínio técnico define o que medir, quais erros aceitar e quando interromper a automação.
Onde a IA já pode ser usada na engenharia?
A IA pode apoiar várias etapas do ciclo de vida de produtos, sistemas, instalações e obras. O benefício e o risco mudam conforme a aplicação. Classificar documentos, por exemplo, é diferente de liberar a operação de um equipamento.
Projeto e otimização
Algoritmos podem explorar alternativas, organizar requisitos e apoiar otimizações com vários objetivos. As aplicações incluem otimização topológica, análise de configurações e estimativa inicial de desempenho. Também incluem a automação de tarefas repetitivas em CAD ou BIM.
Os objetivos devem virar restrições que possam ser verificadas. Uma geometria leve talvez não possa ser fabricada. Uma solução eficiente na simulação pode violar requisitos de manutenção, custo, segurança ou norma. Por isso, o processo deve registrar as premissas. As alternativas também devem passar por métodos técnicos adequados.
Simulação e modelos substitutos
Modelos substitutos, ou surrogate models, aproximam o comportamento de uma simulação ou de um processo caro. Quando validados em uma faixa definida, eles podem acelerar análises paramétricas e estudos de cenários.
Essa aproximação não é um solver universal. Suas respostas devem ser comparadas com simulações de referência, ensaios ou dados experimentais. Essa verificação é ainda mais importante nos limites do domínio. Plataformas de CAE oferecem esses recursos. Porém, resultados divulgados por fabricantes não devem ser generalizados para outras condições.
Manutenção preditiva e detecção de anomalias
Na manutenção preditiva, modelos analisam vibração, temperatura, pressão, corrente e vazão. O objetivo pode ser detectar desgaste, classificar condições ou estimar a vida útil restante.
Uma revisão de 2024 examinou 106 estudos sobre deep learning aplicado à manutenção preditiva. O trabalho discutiu a adequação das arquiteturas aos dados e também suas limitações. A variedade de métodos mostra que não existe uma arquitetura única para todos os equipamentos. A revisão está em Engineering Applications of Artificial Intelligence.
O resultado depende do histórico de falhas, dos sensores e da presença de vários regimes de operação. Uma anomalia estatística não indica sempre uma falha física. A falta de alerta também não prova que o ativo está seguro.
Inspeção e visão computacional
A visão computacional pode localizar trincas, corrosão, defeitos e ausência de componentes. Câmeras fixas, drones, robôs e sistemas de microscopia podem fornecer as imagens.
A avaliação deve medir falsos positivos e falsos negativos. Os falsos negativos merecem atenção especial quando existe risco. Luz, posição da câmera, sujeira, resolução, clima e material podem mudar o desempenho. Um modelo treinado em um ambiente precisa de novos testes antes de operar em outro.
Gêmeos digitais
Um gêmeo digital liga uma representação digital aos dados de um ativo, processo ou sistema físico. A IA pode acrescentar previsão, detecção de anomalias ou otimização. Porém, nem todo gêmeo digital usa IA.
Uma revisão sistemática de 2024 analisou 149 estudos sobre IA e gêmeos digitais. Os autores encontraram muitas aplicações, mas também limites na modelagem do próprio gêmeo. Isso ajuda a diferenciar uma arquitetura técnica de um simples painel operacional. O estudo foi publicado em Data & Knowledge Engineering.
Planejamento, energia e processos
Modelos podem prever demanda, consumo ou produção. Também podem otimizar recursos, estoques, rotas, cronogramas e processos.
A métrica deve refletir a decisão real. Um erro médio baixo pode esconder falhas nos períodos de pico. Uma solução de cronograma pode ignorar restrições que não foram registradas. O modelo precisa ser comparado com o processo atual. Também deve ser testado nas condições relevantes.
Código, pesquisa e documentação
Assistentes generativos podem estruturar relatórios, resumir documentos e criar checklists. Eles também podem explicar código ou produzir a primeira versão de scripts. Quando ligados a bases controladas, podem ajudar na busca por conhecimento técnico.
Essas saídas são rascunhos. Referências, normas, equações, unidades, bibliotecas e APIs devem ser conferidas na fonte original.
Aplicações de IA por modalidade de engenharia
As mesmas tecnologias têm usos distintos em cada área. A tabela mostra possibilidades sem presumir que estejam prontas para toda organização.
| Modalidade | Aplicações possíveis | Dados frequentes | Cuidados centrais |
|---|---|---|---|
| Civil | Inspeção, BIM, planejamento, previsão de custos e acompanhamento de obras | Imagens, modelos BIM, cronogramas e medições | Normas, condições locais, segurança e rastreabilidade |
| Mecânica | Manutenção preditiva, otimização, CAE acelerado e controle de qualidade | Vibração, temperatura, geometria e simulação | Fadiga, materiais, fabricação e limites de uso |
| Elétrica e eletrônica | Análise de sinais, previsão de carga, proteção e diagnóstico | Corrente, tensão, frequência, imagens térmicas e eventos | Qualidade de energia, latência, segurança e estabilidade |
| Produção | Previsão, programação, qualidade, estoques e otimização | Ordens, tempos, demanda, perdas e paradas | Mudanças de processo, restrições reais e integração |
| Ambiental | Monitoramento, previsão, classificação de imagens e análise espacial | Sensores, clima, imagens de satélite e séries históricas | Cobertura espacial, sazonalidade e incerteza |
| Computação e automação | Edge AI, robótica, controle, agentes e integração | Telemetria, logs, imagens, sinais e código | Cibersegurança, confiabilidade e permissões |
Quais ferramentas de inteligência artificial para engenheiros são úteis?
Uma ferramenta útil deve ser compatível com o problema, os dados, o ambiente e o nível de risco. Uma lista de marcas sem esses critérios envelhece rápido. Ela também pode levar a uma escolha inadequada.
| Necessidade | Categoria de ferramenta | Exemplos | O que verificar |
|---|---|---|---|
| Analisar dados e treinar modelos | Linguagens e plataformas científicas | Python e MATLAB | Reprodutibilidade, bibliotecas, integração e competência da equipe |
| Acelerar simulações | CAE com IA ou modelos substitutos | Ansys e alternativas do mercado | Erro contra solver ou experimento e faixa validada |
| Explorar geometrias | CAD, otimização e projeto generativo | Autodesk Fusion e ferramentas especializadas | Restrições, fabricação, materiais e normas |
| Modelar controles e sistemas embarcados | Model-based design | MATLAB e Simulink | Testes, hardware, latência e segurança |
| Inspecionar imagens | Frameworks e plataformas de visão computacional | PyTorch, TensorFlow e soluções industriais | Dataset, falsos negativos e estabilidade em campo |
| Elaborar texto ou código | Assistentes generativos | Modelos gerais ou especializados | Fontes, sigilo, licenças, unidades e revisão |
| Consultar documentação interna | Busca semântica e RAG | Soluções corporativas | Acesso, versões e citações rastreáveis |
| Analisar operações | IIoT, analytics e gêmeos digitais | Plataformas industriais | Integração, disponibilidade e cibersegurança |
Python ou MATLAB: qual escolher?
Python possui um amplo ecossistema para dados, machine learning, automação e integração. MATLAB é comum em cálculo numérico, sinais, controle e modelagem. Ele também oferece fluxos integrados com Simulink.
A escolha depende da aplicação, do ambiente atual e da capacidade de manter a solução. Uma equipe que usa Simulink pode ganhar mais ao preservar essa integração. Um serviço web pode aproveitar melhor o ecossistema aberto de Python. Em muitos locais, as duas opções coexistem.
É necessário saber programar?
Não em todos os usos. Porém, saber programar amplia a capacidade de avaliar e integrar soluções. Ferramentas prontas permitem resumir textos, analisar tabelas e criar automações simples sem código.
A programação se torna mais importante para desenvolver modelos ou tratar grandes volumes de dados. Ela também ajuda a colocar uma solução em produção. Mesmo sem programar, o engenheiro deve entender dados, métricas, limites e critérios de validação.
Como começar a usar inteligência artificial na engenharia?
Comece por um problema limitado, mensurável e de baixo risco. Mantenha a revisão humana. O primeiro piloto deve ser comparado com um processo conhecido. Ele não deve depender de uma promessa vaga de produtividade.
1. Escolha um problema verificável
Procure uma tarefa repetitiva, com dados acessíveis e uso autorizado. Prefira tarefas com baixo impacto direto sobre a segurança. Bons exemplos incluem classificar documentos e pesquisar uma base interna. A detecção inicial de anomalias e a preparação de relatórios não conclusivos também podem servir.
Evite decisões autônomas que liberem equipamentos, aprovem estruturas ou emitam laudos. O mesmo cuidado vale para alterações em sistemas críticos.
2. Defina objetivo, baseline e métrica
Registre o resultado esperado antes do teste. A baseline pode ser o processo humano atual ou uma regra simples. Também pode ser um método estatístico, uma simulação reconhecida ou um ensaio.
As métricas devem refletir o uso:
- precisão, recall, F1 e falsos negativos para classificação;
- erro absoluto ou percentual para regressão;
- antecedência e falsos alarmes para manutenção;
- tempo total, com a revisão humana, para documentos;
- retrabalho, disponibilidade ou custo para processos operacionais.
Um modelo complexo só se justifica quando supera a baseline de forma relevante e demonstrável.
3. Avalie os dados
Verifique origem, autorização, representatividade, erros de medição, desequilíbrio e controle de versões. Identifique dados pessoais e segredos industriais. Faça o mesmo com informações de clientes e materiais protegidos por contrato.
Separe treino, validação e teste de modo adequado ao problema. Em séries temporais, uma divisão aleatória pode vazar dados do futuro. Em manutenção, registros do mesmo evento devem ficar no mesmo conjunto.
4. Construa um piloto controlado
Comece com um escopo pequeno e mantenha a revisão humana. Registre versões dos dados, parâmetros, modelos, prompts e ferramentas. Teste primeiro em um ambiente que não afete a operação.
Inclua casos normais, extremos e conhecidos por causar erros. Se o sistema não souber tratar uma entrada, ele deve recusar ou emitir um alerta. Outra opção é encaminhar o caso para análise humana.
5. Valide tecnicamente
Compare os resultados com princípios físicos, cálculos reconhecidos, simulações, ensaios ou avaliações independentes. Confira unidades, sinais, condições de contorno, ordens de grandeza e hipóteses.
Não use apenas uma métrica agregada. Analise onde o modelo falha e quais regimes têm pior desempenho. Verifique ainda se a incerteza é aceitável para a decisão.
6. Implante com controles
Defina responsáveis, permissões, registros e um procedimento para incidentes. Mantenha também uma alternativa operacional. Monitore mudanças nos dados, no equipamento, no processo e na ferramenta.
O NIST AI Risk Management Framework organiza a gestão de riscos em quatro funções: Govern, Map, Measure e Manage. O framework é voluntário e não impõe uma sequência. Ainda assim, ele ajuda a governar o uso, entender riscos, medir resultados e responder a problemas.
Exemplo: piloto de detecção de anomalias em uma bomba
Considere uma equipe que deseja detectar um comportamento anormal antes da parada de uma bomba industrial.
Problema: detectar sinais de condição anormal sem autorizar uma intervenção de forma automática.
Dados: vibração, temperatura, corrente, pressão, vazão, carga e histórico de manutenção.
Baseline: limites definidos por especialistas e um método estatístico simples.
Modelo candidato: algoritmo de detecção de anomalias ou classificador de condições conhecidas.
Métricas: recall dos eventos relevantes, falsos alarmes, antecedência e desempenho por regime de carga.
Validação: separar os dados por tempo e manter eventos relacionados no mesmo conjunto. Comparar o resultado com falhas anteriores. Especialistas devem revisar os alertas.
Limitações: podem existir poucos exemplos de falha. Sensores podem apresentar defeitos. Uma manutenção pode mudar o padrão normal. Além disso, uma anomalia estatística pode não indicar defeito mecânico.
A decisão não deve depender só da acurácia. Alertas falsos em excesso reduzem a confiança dos operadores. Se falsos negativos forem críticos, proteções determinísticas devem permanecer. A equipe também pode adotar outro método.
Como validar resultados de IA na engenharia?
Valide o resultado conforme o uso pretendido, mesmo quando ele parece plausível. A validação cobre dados, baseline, testes técnicos, incerteza, rastreabilidade e monitoramento.
Use este checklist antes de adotar uma saída:
- A origem dos dados é conhecida e o uso está autorizado?
- Dados pessoais e informações sigilosas receberam tratamento adequado?
- As hipóteses e condições de contorno estão claras?
- Unidades, dimensões, sinais e ordens de grandeza foram conferidos?
- Existe uma baseline relevante?
- O teste está separado do treino, sem vazamento de dados?
- Casos extremos e condições novas foram avaliados?
- O resultado respeita princípios físicos e dados experimentais?
- Normas, leis e referências foram consultadas na fonte original?
- Falsos positivos e falsos negativos foram analisados em separado?
- A incerteza é compatível com o impacto da decisão?
- Dados, modelo, parâmetros e versões estão registrados?
- Um profissional competente pode rejeitar a saída?
- Existe monitoramento após a implantação?
- Há um plano para falhas, incidentes e retorno ao processo anterior?
A ISO/IEC 23894:2023 orienta a integração da gestão de riscos de IA. A ISO/IEC 42001:2023 define requisitos para sistemas de gestão de IA. Essas normas podem apoiar a governança. Sua aplicação, porém, depende do contexto, dos contratos e das regras do setor.
Quando não usar IA?
Não use IA quando uma regra simples entrega resultado equivalente. Evite também quando os dados não representam a operação. O uso não é adequado se o erro não puder ser detectado. O mesmo vale quando a organização não consegue manter os controles.
Outros sinais de inadequação incluem:
- falta de objetivo ou métrica;
- ausência de autorização para usar os dados;
- origem pouco clara de uma decisão crítica;
- serviço externo incompatível com sigilo ou disponibilidade;
- custo de validação e manutenção maior que o benefício;
- automação de uma decisão que exige aprovação profissional.
Quais são os riscos da IA para engenheiros?
Os principais riscos incluem respostas erradas, dados ruins e vazamento de informações. Também incluem degradação do modelo, excesso de confiança, ataques e uso fora do domínio validado.
Alucinações, cálculos e referências falsas
Modelos generativos podem inventar normas, referências, APIs, equações e citações. Também podem manter um texto convincente após cometer um erro numérico.
Um chatbot pode ajudar a formular um cálculo ou escrever código. Sua resposta, porém, não é um cálculo validado. Equações, unidades, arredondamentos, hipóteses e condições de contorno exigem conferência.
Sigilo, propriedade intelectual e LGPD
Não envie documentos técnicos a serviços externos sem verificar a autorização e os termos de uso. Confira retenção, uso das entradas em treinamento, local dos dados e controle de acesso.
Esse cuidado vale para projetos inéditos, desenhos, segredos industriais e código confidencial. Também abrange propostas, dados de clientes e relatórios protegidos por contrato. Uma operação possível do ponto de vista técnico pode violar contratos ou direitos.
Quando existe tratamento de dados pessoais, aplica-se a Lei Geral de Proteção de Dados Pessoais. A LGPD não proíbe a IA de forma geral. Ela define princípios, bases legais, direitos e deveres para o tratamento. O artigo 20 trata de certas decisões baseadas apenas em processos automatizados.
A ANPD incluiu IA e tecnologias emergentes entre os temas prioritários de fiscalização para 2026–2027. A prioridade aparece no contexto do tratamento de dados pessoais.
Drift, viés e explicabilidade insuficiente
Mudanças de sensor, material, clima, manutenção, operador ou regime podem reduzir o desempenho após a implantação. Esse deslocamento exige monitoramento e, quando necessário, uma nova validação.
Dados limitados também podem favorecer certas instalações ou condições. Um método de XAI pode ajudar a investigar o modelo. Porém, sua explicação não prova causa, correção ou segurança.
Cibersegurança
A integração entre modelos, agentes, bases internas, CAD, CAE e sistemas industriais amplia a área exposta a ataques. Os riscos incluem prompt injection, permissões excessivas e vazamento. Também incluem dados adulterados, dependências vulneráveis e execução indevida de ferramentas.
Sistemas que executam ações precisam de privilégios mínimos, isolamento e aprovação em etapas críticas. Eles também precisam de registros e meios de interrupção. A revisão humana exige competência, informação, tempo e autoridade para recusar a recomendação.
Quem responde pelo uso de IA em um projeto de engenharia?
A ferramenta não assume responsabilidade técnica profissional. O engenheiro e a organização continuam responsáveis pelo controle, pela revisão e pela validação. Eles devem observar atribuições, contratos, normas e leis.
O Código de Ética Profissional do Sistema Confea/Crea continua aplicável aos profissionais abrangidos pelo sistema. Em orientação publicada em 2026, o Confea afirmou que a IA não assume responsabilidade técnica. O profissional continua responsável pela validação e pelas consequências de suas decisões.
Criar uma minuta ou classificar um documento não equivale a aprovar uma estrutura. Também não equivale a liberar um equipamento ou assinar um laudo. O processo deve indicar quem analisa e quem aprova. Os registros precisam demonstrar que houve revisão.
Em 20 de agosto de 2026, o PL 2.338/2023 ainda não era uma lei geral de IA. A ficha oficial da Câmara dos Deputados indicava análise por uma comissão especial. Por isso, o texto do projeto não deve ser apresentado como obrigação vigente. A LGPD, as regras profissionais, os contratos e as normas setoriais já podem alcançar o uso de IA.
Responsáveis técnicos devem avaliar os usos sensíveis. Conforme o caso, jurídico, compliance, encarregado de dados e segurança da informação também devem participar.
A inteligência artificial vai substituir engenheiros?
Não existe uma resposta única. A IA tende a automatizar e mudar tarefas. O efeito em cada função depende do setor, do risco, das regras e da capacidade de validar sistemas.
O Future of Jobs Report 2025 consultou mais de mil empregadores. Eles representavam mais de 14 milhões de trabalhadores em 55 economias. Os participantes citaram IA e big data entre as competências com maior crescimento. Também estimaram mudanças em 39% das habilidades atuais entre 2025 e 2030.
Esses números mostram expectativas de empregadores. Eles não tratam apenas de engenheiros nem representam só o Brasil. Portanto, não permitem calcular quantos profissionais serão substituídos.
A vantagem do engenheiro está na união entre conhecimento técnico, dados, estatística, automação, validação e comunicação. Saber usar um chatbot sem conferir o resultado não basta para uma atividade de engenharia.
O que estudar sobre inteligência artificial para engenheiros?
Uma formação útil combina computação com os fundamentos da modalidade de engenharia. A progressão pode seguir oito etapas:
- fundamentos de IA, estatística e qualidade de dados;
- Python ou MATLAB, conforme o ambiente profissional;
- tratamento, visualização e controle de versões dos dados;
- machine learning supervisionado e não supervisionado;
- validação, incerteza, explicabilidade e experimentação;
- aplicação em sinais, visão, controle ou manutenção;
- implantação, cibersegurança e governança;
- portfólio com problema, baseline, métricas e limites.
As Diretrizes Curriculares Nacionais de Engenharia exigem uma formação crítica, ética, técnica e multidisciplinar. Elas também incluem a capacidade de desenvolver, adaptar e usar novas tecnologias. Aprender IA não elimina matemática, física, materiais, controle, estruturas ou processos. A IA amplia as ferramentas usadas nesses campos.
Um bom projeto de portfólio não mostra apenas um notebook com alta acurácia. Ele explica a origem dos dados e compara opções. Também investiga erros, registra limites e mostra como usar o resultado com segurança.
Como este guia foi produzido
Este guia usa fontes normativas e institucionais brasileiras. Também consulta organismos internacionais, normas de gestão de IA e estudos revisados por pares. Documentos de fabricantes servem apenas para confirmar funções técnicas.
A seleção priorizou fontes primárias, como Confea, Câmara dos Deputados, Planalto, ANPD, MEC, NIST e ISO. Estatísticas de mercado aparecem com seus limites. Alegações promocionais não foram tratadas como resultados gerais.
A situação normativa e factual foi verificada em 20 de agosto de 2026. Leis, orientações, frameworks e ferramentas podem mudar. Antes de uma decisão profissional, confira novamente as fontes.
Perguntas frequentes
O que é inteligência artificial aplicada à engenharia?
É o uso de modelos computacionais para prever, classificar, recomendar ou gerar conteúdo em tarefas de engenharia. O resultado precisa de validação compatível com seu uso e seu risco.
É preciso saber programar para usar IA na engenharia?
Não em todas as tarefas. Ferramentas prontas atendem a usos simples. Programação, porém, aumenta a capacidade de avaliar dados, integrar sistemas e desenvolver soluções próprias.
Como validar uma resposta gerada por IA?
Compare a resposta com fontes originais, princípios físicos, cálculos, ensaios ou uma baseline adequada. Confira unidades, hipóteses, limites, incerteza e registros do processo.
Quem responde por um resultado de IA em engenharia?
A IA não assume responsabilidade técnica. O profissional e a organização devem controlar, revisar e aprovar o uso conforme as normas, os contratos e as leis aplicáveis.
Quando a IA não deve ser usada?
Ela não deve ser usada quando uma regra simples resolve o problema. Também deve ser evitada quando faltam dados válidos, métricas, controles ou meios de detectar erros.
Conclusão
A inteligência artificial para engenheiros gera valor quando parte de um problema claro. Ela também exige dados autorizados, uma baseline, métricas úteis e validação técnica. Pode apoiar projeto, simulação, inspeção, manutenção, planejamento e documentação. Sua confiabilidade, porém, depende do processo de engenharia aplicado ao uso.
Começar com uma aplicação pequena e mensurável reduz o risco. O resultado deve respeitar princípios físicos e superar uma referência adequada. Ele também deve ser rastreável e passível de rejeição por um profissional competente. Sem esses controles, a automação pode apenas acelerar um erro e dificultar sua identificação.