Uma auditoria de bem-estar animal no abate costuma ser uma fotografia. O auditor chega, observa um número definido de animais, anota quantos foram atordoados com um único disparo, quantos escorregaram, quantas vezes o bastão elétrico foi usado, e vai embora com um retrato daquele turno. O que acontece no dia seguinte, ou às três da tarde de uma sexta-feira de produção apertada, fica fora do quadro.
E se houvesse uma câmera que nunca vai embora? Essa é a pergunta prática por trás de um estudo publicado em maio de 2025 que comparou, lado a lado, o julgamento de um sistema de inteligência artificial e o de observadores humanos sobre o manejo de bovinos em um frigorífico. A resposta é animadora em parte, e justamente por isso merece leitura cuidadosa: o algoritmo concordou quase perfeitamente com o auditor mais experiente nos eventos objetivos, mas tropeçou quando a cena exigia interpretação.
O que a ciência encontrou
O trabalho foi conduzido por Lily Edwards-Callaway, Huey Yi Loh, Carina Kautzky e Paxton Sullivan, do Departamento de Ciência Animal da Colorado State University (Estados Unidos), e publicado na revista Animals. Os dados, porém, vieram de uma única planta de abate de bovinos no Reino Unido, que já operava um sistema de visão computacional voltado ao bem-estar animal.
Segundo os autores, esse sistema havia sido treinado com mais de 7.000 horas de vídeo revisadas por especialistas humanos e validado por um auditor com certificação PAACO, a organização norte-americana que certifica auditores de bem-estar animal. O artigo não identifica o fornecedor comercial da ferramenta.
O desenho foi direto. A equipe selecionou 112 clipes de cinco minutos com cenas de manejo e atordoamento. Três avaliadores humanos assistiram aos mesmos vídeos e registraram cinco tipos de evento, e as respostas foram comparadas às da IA:
- atordoamento: se o animal recebeu um único disparo ou mais de um (27 clipes);
- uso de bastão elétrico: quando o manejador toca o animal com o bastão (31 clipes);
- quedas: quando o animal perde subitamente a posição em pé e alguma parte do corpo além dos membros toca o chão (50 clipes);
- lotação de piquetes: ocupação acima do previsto nas tabelas de densidade da própria planta (45 clipes);
- eventos questionáveis: situações potencialmente graves de bem-estar que exigem revisão humana (112 clipes).
A concordância foi medida pelo índice de Jaccard, que vai de 0 (nenhuma coincidência entre os registros) a 1 (coincidência total). Os perfis dos avaliadores importam aqui. Dois deles não tinham experiência em auditoria, embora conhecessem o trabalho com animais e o funcionamento de um abatedouro. O terceiro tinha mais de dez anos de auditoria, treinou os outros dois e revisou as discrepâncias.
Os números relatados foram estes. Para atordoamento, bastão elétrico e quedas, a concordância entre a IA e os dois avaliadores menos experientes ficou acima de 0,90; com o auditor experiente, chegou a 1,0. Para lotação de piquetes, ficou acima de 0,80 com os três. Para os eventos questionáveis, o índice caiu para valores a partir de 0,50 com todos os avaliadores, o que indica discordância relevante.
O estudo não diz que a IA é melhor que o auditor. Diz que, nos eventos com definição clara e visível, o sistema registrou praticamente o mesmo que o olhar humano mais treinado da equipe.
Os limites do estudo
Os próprios autores deixam claro que o trabalho foi feito em uma única planta, com um layout de instalações e um método de atordoamento específicos, o que limita a generalização. Uma planta com outro desenho de seringa, outra iluminação, outro ângulo de câmera ou outro volume de abate pode produzir resultados diferentes. O número de clipes por desfecho também é modesto: 27 para atordoamento, 31 para bastão elétrico.
Há ainda uma limitação de desenho que vale explicitar. A referência de comparação são observadores humanos assistindo a vídeos, e não a observação presencial. E o sistema avaliado já tinha sido treinado na própria planta, com imagens daquele ambiente. Isso favorece o desempenho e não diz quanto ele cairia em um frigorífico onde nunca “esteve”. Por fim, o estudo não avalia custo, tempo de implantação nem o que acontece quando a câmera é obstruída, suja ou mal posicionada.
O que já se sabia
A ideia de medir bem-estar no abate com indicadores objetivos não é nova. Desde o fim dos anos 1990, sistemas de pontuação objetiva como o proposto por Temple Grandin em 1998, depois incorporados a diretrizes de auditoria da indústria norte-americana, transformaram percepções subjetivas em contagens: quantos animais vocalizaram, quantos caíram, quantos precisaram de segundo disparo. É exatamente esse tipo de indicador, contável e definido, que a visão computacional consegue replicar com mais facilidade.
No Brasil, o manejo pré-abate e o abate humanitário de animais de açougue são regulados pela Portaria MAPA nº 365, de 16 de julho de 2021, que exige dos estabelecimentos programas de autocontrole e procedimentos de monitoramento do bem-estar animal, verificados pelo serviço oficial. Ou seja: o espaço normativo para registrar indicadores já existe. O que a tecnologia propõe é mudar a frequência e a forma do registro, não a obrigação.
Também já se sabia que a IA tem dificuldade com o que não é claramente definido. Em segurança dos alimentos e em saúde animal, esse padrão se repete: algoritmos funcionam bem onde a categoria é nítida e degradam onde a classificação depende de contexto. O algoritmo vê o que foi treinado para ver. Um “evento questionável” é, por definição, uma cena em que até humanos podem discordar entre si.
O que isso pode mudar na prática
Os autores não recomendam substituir o auditor. Recomendam o que chamam de abordagem de “IA reforçada por humanos”: o sistema monitora continuamente e sinaliza os eventos questionáveis, e uma pessoa treinada decide. É uma divisão de trabalho sensata e coerente com a evidência apresentada.
Para a realidade brasileira, isso abre três frentes de reflexão.
A primeira é operacional. Um sistema que observa todos os turnos pode transformar o bem-estar animal de fotografia em filme. Desvios que hoje passam despercebidos entre uma verificação e outra (um manejador que usa o bastão com frequência, um piquete sistematicamente lotado) aparecem como tendência nos dados.
A segunda é de responsabilidade. Quando a máquina registra, quem responde pelo que ela deixou de registrar? Um falso negativo em queda ou em atordoamento ineficaz não é um erro estatístico abstrato: é um animal que sofreu sem que ninguém fosse alertado. Na inspeção oficial brasileira, a verificação dos programas de autocontrole continua sendo atribuição do serviço oficial, e nenhuma norma vigente delega esse julgamento a um algoritmo.
A terceira é formativa. Se a IA assume a contagem repetitiva, o valor do profissional se desloca para os casos difíceis, justamente aqueles em que o estudo mostrou maior discordância. Isso exige auditores e médicos-veterinários ainda mais bem preparados, não menos.
Antes de qualquer adoção em larga escala no Brasil, faltam estudos em plantas nacionais, com diferentes layouts, espécies, métodos de atordoamento e escalas de produção, e critérios claros sobre como um sistema desses seria validado e verificado dentro do autocontrole.
Conclusão
O estudo de Colorado State traz algo raro no debate sobre IA no abate: evidência medida, publicada e com limites declarados, em vez de promessa de fornecedor. Ele mostra que a máquina já acompanha o melhor olhar humano naquilo que é contável. E mostra, com a mesma clareza, que o julgamento continua sendo humano. O futuro mais provável da auditoria de bem-estar não é a câmera no lugar do auditor, mas a câmera trabalhando para ele, nas 24 horas em que ele não está lá.
Por trás de um carimbo existe ciência, responsabilidade e saúde pública. E, cada vez mais, dados que alguém precisa saber interpretar.
Referências
- Edwards-Callaway, L., Loh, H.Y., Kautzky, C., Sullivan, P. (2025). A Comparison of Artificial Intelligence and Human Observation in the Assessment of Cattle Handling and Slaughter. Animals, 15(9), 1325. DOI: 10.3390/ani15091325 — https://doi.org/10.3390/ani15091325
- Ministério da Agricultura e Pecuária. Portaria MAPA nº 365, de 16 de julho de 2021 — Regulamento técnico de manejo pré-abate e abate humanitário — https://wikisda.agricultura.gov.br/dipoa_baselegal/port_365-2021_abate_humanitário.pdf
- Grandin, T. (1998). Objective scoring of animal handling and stunning practices at slaughter plants. Journal of the American Veterinary Medical Association, 212(1), 36–39 — https://grandin.com/references/scoring.ab.html
- Professional Animal Auditor Certification Organization (PAACO) — https://animalauditor.org/
Leia também no Além do Carimbo: “98% de acerto em quê? O que a IA já faz no abate de aves — e o que ainda não provou” e “Revisão científica: IA deve ser suporte de decisão, não substituto do inspetor de POA”.
Deixe uma resposta