Adoção de IA no setor de petróleo e gás brasileiro

A adoção de IA no setor de petróleo e gás brasileiro já saiu da fase de piloto isolado em pelo menos três frentes: modelagem geológica do pré-sal, manutenção preditiva de ativos críticos e monitoramento de segurança operacional em plataformas. O que sustenta essa frente de investimento é um mecanismo regulatório que nenhum outro setor da economia brasileira tem — a cláusula de Pesquisa, Desenvolvimento e Inovação (P,D&I) da ANP, que já mobilizou mais de R$ 34 bilhões em 27 anos. Este artigo é para o C-level de óleo e gás — upstream, midstream ou downstream — que precisa decidir onde a IA já entrega retorno mensurável nessa indústria e onde o risco físico e regulatório do setor exige um ritmo de adoção diferente do resto da economia.

O que já está em produção: dado geológico, manutenção preditiva e segurança

Três aplicações concentram a maturidade real de IA no setor no Brasil hoje — não anúncio de intenção, mas projeto em execução com escopo, prazo e orçamento definidos.

Aplicação	O que resolve	Caso confirmado
Modelagem geológica assistida por IA	Reduz tempo e incerteza na caracterização de rocha-reservatório antes de decidir onde perfurar	Petrobras/Consórcio Libra — projeto Libra Rocks, campo de Mero
Manutenção preditiva de ativos críticos	Antecipa falha de equipamento em plataforma e planta antes da parada não programada	Deloitte 2026 Oil & Gas Industry Outlook: até 40% menos falhas
Segurança operacional e monitoramento de risco	Detecta degradação de barreira de segurança e fadiga humana antes do incidente	Shell Brasil — Shape Reef (MODEC/Unicamp) e pulseira de fadiga (SENAI/Dersalis)

Modelagem geológica: o caso Libra Rocks, no campo de Mero

O caso mais bem documentado de IA aplicada a dado geológico no Brasil é o projeto Libra Rocks, da Petrobras e dos parceiros do Consórcio Libra, com investimento superior a R$ 151 milhões ao longo de quatro anos no campo de Mero, no pré-sal da Bacia de Santos. O projeto usa IA para automatizar o processamento de dado geológico e construir modelos conceituais detalhados de rochas carbonáticas — a rocha-reservatório típica do pré-sal — em parceria com a Universidade de Brasília (UnB), a Universidade Federal do Paraná (UFPR) e a PUC-RS. Fonte: Agência Petrobras e TI Inside. É o mesmo tipo de ganho de precisão na fase mais incerta do negócio — decidir onde perfurar antes de comprometer capital — que discutimos, em outro recurso natural extrativo, em Adoção de IA na mineração brasileira: da ambição à ação, a propósito da modelagem geológica assistida por IA na fase de exploração mineral.

Manutenção preditiva: onde o número de negócio é mais fácil de defender

Manutenção preditiva é, no petróleo e gás como em qualquer indústria de ativo físico caro, o caso de uso com métrica mais direta — porque cada hora de parada não programada em uma plataforma ou planta de processamento tem custo imediato. Segundo o relatório 2026 Oil & Gas Industry Outlook, da Deloitte, soluções avançadas de manutenção combinando sensores, drones e robótica podem reduzir falhas de equipamento em até 40%, com economia anual de até US$ 10 milhões em ativos de alta complexidade. Fontes: CPG Click Petróleo e Gás e Deloitte Insights — 2026 Oil and Gas Industry Outlook. A mesma lógica de baseline definida antes, métrica de negócio acompanhada depois, já detalhamos para o chão de fábrica em Adoção de IA na indústria brasileira: por que só 2% medem ROI — no petróleo e gás, o ativo parado custa mais caro, e a exigência de rigor na medição é maior, não menor.

Segurança operacional: o risco que só este setor carrega neste tamanho

Nenhum outro setor coberto nesta série de verticais combina o mesmo nível de risco de acidente fatal — atmosfera explosiva, pressão, ambiente confinado, operação offshore — com a mesma escala de capital por unidade operacional. É onde a Shell Brasil concentra dois projetos distintos de IA aplicada a segurança:

• Shape Reef — parceria da Shell Brasil com a Shape Digital, a MODEC e a Unicamp, com 36 meses de duração, para identificar degradação de barreiras de segurança e detectar vazamento de gás em unidades offshore, combinando análise de risco (Fuzzy BowTie) e rede neural para detecção de vazamento, com visualização em tempo real para apoiar decisão. Fonte: Portos e Navios.
• Pulseira de detecção de fadiga — desenvolvida com SENAI e a startup capixaba Dersalis, opera sem depender de conectividade, monitora estágios progressivos de cansaço e movimento brusco sugestivo de queda, e alerta o próprio trabalhador em tempo real — testada em operação onshore e depois estendida a offshore. Fonte: Petronotícias.

Os dois projetos têm em comum o que diferencia segurança operacional de eficiência operacional como caso de uso de IA: o objetivo não é reduzir custo, é reduzir a chance de um evento catastrófico — e é por isso que a diretoria de óleo e gás tende a aprovar orçamento para IA de segurança com menos fricção do que para IA de produtividade administrativa.

O papel da ANP: o mecanismo que já financia IA no setor

O petróleo e gás é o único setor extrativo brasileiro com regulador próprio dedicado — diferente da mineração, regida pela ANM, ou da indústria em geral, sem cláusula de inovação obrigatória. A ANP exige, em contratos de concessão e de partilha de produção, investimento de 1% da receita bruta de campos de grande volume em Pesquisa, Desenvolvimento e Inovação (a cláusula de P,D&I); em contratos de cessão onerosa, a obrigação cai para 0,5%. Esse mecanismo já mobilizou mais de R$ 34 bilhões em investimentos ao longo de 27 anos, incluindo boa parte do que hoje aparece como IA aplicada a processamento de dado geológico e automação. Fonte: IBP — Inteligência Artificial no setor de petróleo e gás.

Isso muda o cálculo de investimento para o C-level do setor: na maior parte da indústria brasileira, o orçamento de IA compete linha a linha com outras prioridades de capital; no petróleo e gás, uma fatia relevante já está contratualmente obrigada. A decisão real não é "se" investir, é para onde direcionar essa obrigação com o maior retorno técnico e de segurança — ponto de partida mais favorável do que em quase qualquer outro setor desta série, incluindo o setor elétrico e de utilities, que não tem mecanismo equivalente.

O mesmo artigo do IBP, ao situar o setor globalmente, cita dois números de cautela: segundo o relatório State of AI 2024, da McKinsey, cerca de 81% dos projetos de IA generativa não saem da fase de piloto; e o State of AI in Business 2025, do MIT, encontrou que 95% dos projetos de IA generativa em empresas não geraram retorno mensurável. O petróleo e gás não é imune a esse padrão — a diferença é que, com orçamento de P,D&I já garantido, gastar essa obrigação em piloto sem métrica definida desperdiça um recurso que a maioria das indústrias nem tem. O framework para evitar isso está em Como implementar IA na empresa: da estratégia à adoção e o método para medir o retorno, em ROI de IA: como medir o retorno da capacitação.

Dados geológicos sensíveis: o risco que este setor tem e a maioria não tem

Todo dado técnico de exploração e produção no Brasil — sísmica, perfil de poço, amostra de rocha e fluido, estudo interpretativo — é centralizado no Banco de Dados de Exploração e Produção (BDEP) da ANP, um dos maiores acervos técnicos centralizados do mundo nesse segmento. Esse dado não é público por padrão: as Resoluções ANP nº 889/2022 e nº 880/2022 estabelecem prazos de sigilo que variam de 2 anos (dado de poço) a até 30 anos (levantamento não exclusivo em área de exploração da União), dependendo do tipo de informação. Fonte: ANP — Acervo de Dados Técnicos.

Essa camada de sigilo regulatório muda a pergunta que a diretoria de tecnologia precisa fazer antes de contratar qualquer fornecedor de IA para processar dado geológico ou de reservatório: não é só "esse fornecedor tem certificação de segurança da informação", é "esse fornecedor, ou o modelo que ele usa, tem alguma rota de exposição de dado ainda dentro do prazo de sigilo da ANP — inclusive por fine-tuning ou retenção de prompt em provedor terceiro". É o tipo de avaliação que detalhamos, para qualquer setor com dado sensível, em Gestão de risco de fornecedores de IA: guia prático — aqui, o fornecedor que toca dado sísmico ou de poço deve entrar, por padrão, no nível mais alto da matriz de classificação, não ser decidido caso a caso por quem está com pressa de rodar um piloto.

O mesmo cuidado vale quando a IA entra na conversa de fusões, farm-outs ou venda de participação em consórcio — operações frequentes neste setor. Antes de assinar, vale mapear se a maturidade de IA e a exposição de dado sensível da empresa-alvo ou do parceiro de consórcio foram avaliadas com o mesmo rigor da due diligence financeira e ambiental — processo descrito em Due diligence de maturidade em IA em fusões e aquisições.

Por que o piloto de plataforma não pode seguir o playbook do escritório

A tentação natural, depois de um piloto bem-sucedido de IA generativa em uma área administrativa, é replicar o mesmo ritmo de "testar rápido, ajustar depois" na operação de campo. No petróleo e gás isso é um erro caro por três motivos específicos do setor:

1. Ambiente de risco físico direto. Um modelo que erra uma recomendação em um escritório gera retrabalho; o mesmo erro aplicado a uma decisão de parada ou de válvula em plataforma offshore pode gerar acidente. Por isso os dois projetos da Shell descritos acima apoiam a decisão humana em vez de automatizá-la — a IA sinaliza risco, a decisão final continua com o operador.
2. Conectividade e infraestrutura desiguais. Plataforma offshore, unidade remota terrestre e sistemas legados de automação industrial (SCADA, CLPs) não foram desenhados para expor dado em tempo real — o mesmo obstáculo que discutimos para operações remotas de mineração em Adoção de IA na mineração brasileira.
3. Dado geológico sob sigilo regulatório. Boa parte do dado mais valioso para IA de exploração está sob prazo de confidencialidade da ANP — o que exige contrato e arquitetura técnica desenhados para isso, não um piloto genérico de fornecedor de nuvem.

O resultado prático: o setor com mais orçamento contratualmente destinado à inovação (via P,D&I) é também o que menos pode se dar ao luxo de pilotar sem governança — cenário em que um diagnóstico estruturado, antes do primeiro piloto, evita o desperdício que o setor já documenta globalmente (os 81% de pilotos que não escalam, citados pela McKinsey).

Como adotar IA com governança no upstream, midstream e downstream

As três barreiras específicas do setor — risco físico, infraestrutura desigual e dado sob sigilo regulatório — não se resolvem comprando mais sensor ou mais licença de plataforma de IA. Resolvem-se com diagnóstico do que a operação já tem capacidade de medir com segurança, seguido de capacitação do time que vai interpretar o modelo depois que o fornecedor for embora. É esse o papel do método Flight Plan, da Jetpacks, parceira oficial da Replit no Brasil para conduzir imersões e workshops de vibecoding com governança dentro de grandes empresas:

1. Launchpad (Diagnóstico) — mapeia, por frente (exploração, produção, refino, logística, segurança), onde já há dado suficiente e dentro do prazo permitido de uso para medir retorno de IA, e onde falta infraestrutura básica antes. Output: mapa de impacto.
2. Flight Plan (Plano por área) — define qual caso de uso entra primeiro e com qual métrica — não "testar manutenção preditiva", mas "reduzir X horas de parada não programada em um trem de compressão específico". Output: trilha por área.
3. Booster (Capacitação) — forma engenheiro de processo, geólogo, técnico de manutenção e operador de sala de controle para validar o que o modelo recomenda, com certificação Jetpack Certified, sem depender de um único fornecedor externo. Output: time capacitado.
4. Mission Control (Acompanhamento) — acompanha as métricas de adoção com o mesmo rigor de auditoria que o setor já aplica a segurança operacional. Output: métricas de adoção.

O diagnóstico dura de 30 a 45 minutos e é o primeiro passo antes de qualquer novo modelo entrar em produção em uma plataforma, planta ou área de exploração — evita repetir, com orçamento de P,D&I, o mesmo padrão de piloto sem escala que a McKinsey documenta globalmente.

Capacitar quem opera, não só comprar a ferramenta

O erro mais caro em setores de infraestrutura crítica — e o petróleo e gás não é exceção — é tratar IA como aquisição de software: comprar a licença, treinar meia hora, esperar adoção espontânea. Isso funciona ainda menos aqui do que em áreas administrativas, porque quem valida a recomendação de um modelo de manutenção preditiva ou de caracterização geológica é um engenheiro, um geólogo ou um técnico de operação — profissional que precisa entender os limites do modelo tanto quanto sua saída, não só clicar em "aceitar". Enablement técnico, nesse contexto, é treinar esse profissional para questionar o modelo, não para confiar cegamente nele — a mesma disciplina que sustenta décadas de cultura de segurança operacional no setor.

Na outra ponta da cadeia, veja adoção de IA na indústria química brasileira.

FAQ

Qual é o estágio atual da adoção de IA no setor de petróleo e gás no Brasil?

O setor já tem projetos de IA em produção, não só piloto: modelagem geológica (Petrobras/Libra Rocks, R$ 151 milhões no campo de Mero), manutenção preditiva de ativos críticos e segurança operacional (Shell Brasil, com o Shape Reef e a pulseira de detecção de fadiga). A cláusula de P,D&I da ANP garante financiamento contínuo, já tendo mobilizado mais de R$ 34 bilhões em 27 anos.

O que é a cláusula de P,D&I da ANP e como ela financia IA?

É a obrigação, prevista em contratos de concessão e partilha de produção de campos de grande volume, de investir 1% da receita bruta em Pesquisa, Desenvolvimento e Inovação (0,5% em contratos de cessão onerosa). Parte desse investimento já financia diretamente projetos de IA aplicada a processamento de dado geológico e automação, como o Libra Rocks.

Como a IA reduz o risco de acidente em plataformas de petróleo?

Principalmente monitorando sinais que precedem um incidente: degradação de barreiras de segurança e vazamento de gás (caso do Shape Reef, da Shell Brasil, com MODEC e Unicamp) e fadiga do trabalhador, via pulseira com IA que identifica estágios progressivos de cansaço e movimento sugestivo de queda antes que o acidente aconteça.

Por que o dado geológico do petróleo e gás é mais sensível do que o de outros setores?

Porque todo dado técnico de exploração e produção passa pelo Banco de Dados de Exploração e Produção (BDEP) da ANP, com prazos de sigilo regulatório que variam de 2 a 30 anos conforme o tipo de dado (Resoluções ANP nº 889/2022 e nº 880/2022). Qualquer fornecedor de IA que processe esse dado precisa ser avaliado quanto ao risco de exposição durante o período de confidencialidade.

Quanto uma empresa de petróleo e gás pode economizar com manutenção preditiva baseada em IA?

Segundo a Deloitte (2026 Oil & Gas Industry Outlook), soluções de manutenção combinando sensores, drones e robótica podem reduzir falhas de equipamento em até 40%, com economia anual de até US$ 10 milhões em ativos de alta complexidade — números de referência de mercado, a validar contra a métrica de cada ativo.

Qual a diferença entre adotar IA no petróleo e gás e em outros setores extrativos, como mineração?

Ambos compartilham risco físico alto e infraestrutura de dado desigual entre operações. A diferença central é regulatória: o petróleo e gás tem a ANP e a cláusula de P,D&I, com orçamento de inovação contratualmente obrigado e dado geológico sob sigilo regulamentado por prazo — um mecanismo que a mineração, regida pela ANM, não tem no mesmo formato.

IA generativa pode ser usada em dado sísmico e de poço sob sigilo da ANP?

Pode, mas exige due diligence de fornecedor mais rigorosa: verificar se o modelo retém prompt ou dado de entrada em provedor terceiro, se há isolamento adequado do ambiente de processamento, e se o contrato cobre o cenário de dado ainda dentro do prazo de sigilo da ANP.

Conclusão: a decisão que você consegue tomar agora

O setor de petróleo e gás brasileiro combina duas condições raras: orçamento de inovação contratualmente garantido pela ANP e tolerância a erro operacional mais baixa do que quase qualquer outro setor da economia. A pergunta certa para a diretoria não é "quanto investir em IA" — a obrigação de P,D&I já responde parte disso — é "qual fração desse orçamento vai para um caso de uso com métrica definida, dado dentro do prazo permitido de uso e time capacitado para validar a saída do modelo, e qual fração vira mais um piloto que nunca escala".

Se sua empresa já testa IA em modelagem geológica, manutenção preditiva ou monitoramento de segurança de forma pontual, mas não consegue apontar o número que esse uso está gerando — ou não tem clareza sobre o risco de dado sensível envolvido —, o próximo passo é um diagnóstico estruturado. Fale com a Jetpacks e agende um diagnóstico gratuito de 30 a 45 minutos para mapear onde sua operação tem base pronta para medir ROI de IA com segurança — ou monte o business case para a liderança com o método Flight Plan, do Launchpad (diagnóstico) ao Mission Control (métricas de adoção).