Imagine duas ferramentas de inteligência artificial oferecidas ao mesmo frigorífico. As duas exibem, no material de venda, um número de acerto acima de 95%. Uma foi testada com fotos selecionadas em laboratório. A outra rodou durante meses em três plantas diferentes, com alertas registrados, decisões humanas documentadas e um plano para quando o sistema falhar. No folheto, elas parecem iguais. Na linha de inspeção, não poderiam ser mais diferentes.
É essa distância entre o número bonito e a evidência que sustenta uma decisão sanitária que um grupo de pesquisadores húngaros tentou medir. A pergunta que o trabalho responde interessa a qualquer RT, auditor fiscal ou gestor de qualidade que já recebeu a visita de um fornecedor de tecnologia: quais usos da IA no controle de alimentos de origem animal já têm evidência suficiente para entrar na rotina, e quais ainda são promessa?
O que a ciência encontrou
A revisão foi publicada em 11 de junho de 2026 na revista Veterinary Sciences, por autores da Universidade de Medicina Veterinária de Budapeste (Departamento de Higiene dos Alimentos), da Universidade de Szeged, da Universidade de Debrecen e de uma empresa do setor, a CERES Holding. O foco é o controle pós-colheita, ou seja, o que acontece do abate e do processamento em diante: carnes, leite, ovos, pescado e derivados.
O desenho importa para entender o alcance das conclusões. Não se trata de uma revisão sistemática nem de uma meta-análise, e os próprios autores fazem questão de dizer isso. É uma revisão narrativa com mapeamento estruturado da literatura: buscas em Scopus, Web of Science, PubMed e Google Scholar, concentradas em trabalhos publicados principalmente entre 2020 e 2025, com triagem de títulos, resumos e textos completos. Para entrar na análise, um estudo precisava tocar em pelo menos um elemento concreto, como um ponto de controle definido, um método de referência, validação externa ou rastreabilidade. O artigo não informa quantos estudos foram incluídos nem calcula nenhum efeito agregado.
A contribuição central é uma escala prática de maturidade da evidência, em cinco níveis:
- Nível 1: prova de conceito em laboratório, simulação ou conjunto de dados muito selecionado, sem fluxo real de operação.
- Nível 2: análise retrospectiva de dados de um único local, planta, equipamento ou base estreita, mesmo com validação cruzada interna.
- Nível 3: avaliação prospectiva em fluxo operacional real, com regra de alerta definida antes, mas limitada a um local, período ou tipo de produto.
- Nível 4: testes em vários locais, estações, anos, equipamentos ou produtos, ou em conjuntos de dados claramente separados no tempo.
- Nível 5: sistema embutido em um fluxo de apoio à decisão auditável, com supervisão humana documentada, tratamento de erros, ações corretivas, controle de versões e procedimento alternativo para falhas. Os autores descrevem esse nível como “ainda raro”.
Quando um estudo cabia em dois níveis, recebia o mais baixo, salvo se as condições do mais alto estivessem explicitamente demonstradas. É uma régua conservadora de propósito.
Com ela, os autores apontam as posições mais fortes do campo. A visão computacional em abatedouros e plantas, usada como pré-triagem e apoio à verificação, aparece como uma das áreas mais maduras. O monitoramento de anomalias na cadeia do frio e de risco de deterioração, por sensores e IoT, ganha força quando o alerta está ligado a uma intervenção definida. E as arquiteturas de rastreabilidade por lote se sustentam quando encurtam, de fato, a reconstrução do lote ou a janela de um recall.
Na outra ponta, a evidência é mais fraca para a IA usada como ferramenta de liberação de produto, como classificador automático de conformidade ou como substituta de decisões oficiais. O mesmo vale para soluções de blockchain sem resultado demonstrado em segurança dos alimentos e para painéis de APPCC digital em que não fica claro quem decide o quê. A IA generativa é tratada como camada secundária de documentação, não como arquitetura de controle.
O estudo não diz que a IA funciona ou não funciona na inspeção. Diz que ela funciona sob condições, e que essas condições raramente são relatadas.
Os limites do estudo
Os próprios autores reconhecem possível viés de seleção da literatura, sub-representação de trabalhos fora do inglês e de experiências de implantação não publicadas, e provável viés de publicação a favor de aplicações bem-sucedidas. A síntese é interpretativa: não há estimativa de efeito, não há avaliação formal de risco de viés, e a escala de cinco níveis é uma categorização prática, não um sistema de graduação validado. Também não há números de desempenho agregados que permitam comparar ferramentas entre si.
Há ainda um detalhe que o leitor merece conhecer: os autores declaram ter usado o ChatGPT para redação e revisão de linguagem, assumindo a responsabilidade pelo conteúdo. É uma prática cada vez mais comum e devidamente informada, mas reforça o ponto do próprio artigo: a ferramenta ajuda, a responsabilidade continua humana.
Por fim, a revisão retrata a base de evidências que encontrou, e essa base, segundo os autores, ainda é frágil: conjuntos de dados de um único local, desenhos retrospectivos, métodos de referência mal descritos, pouco teste de fluxo de trabalho e pouca atenção a falsos alertas e procedimentos de contingência.
O que já se sabia
As conclusões conversam com o que outras revisões já apontavam. Uma revisão sistemática de 2023 sobre visão computacional na inspeção de carnes, citada pelos húngaros, já mostrava que o desempenho depende de iluminação, posição da câmera, tipo de contaminação, velocidade da linha e variação entre espécies. Os autores também tomam como referência de maturidade regulatória os estudos de inspeção de carnes e inspeção remota conduzidos na Suécia e na Finlândia.
O Além do Carimbo vem acompanhando esse debate. Uma revisão brasileira, já analisada aqui, identificou redes neurais promissoras, mas nenhum teste em frigorífico real. Um estudo dinamarquês mostrou uma câmera que encontrava mais sujeira que o inspetor e errava mais também. A revisão húngara organiza esses achados dispersos numa mesma régua e, nesse sentido, amplia o que se sabia: não traz um resultado novo de laboratório, traz um critério para julgar os resultados dos outros.
Um ponto merece destaque. Os autores afirmam que a acurácia, sozinha, é “frequentemente enganosa”, e recomendam relatar sensibilidade, especificidade, valores preditivos positivo e negativo, calibração e a carga de falsos alertas. Para quem trabalha com inspeção, isso não é tecnicismo. Um sistema com alta acurácia pode deixar passar justamente os casos raros que mais importam, ou gerar tantos alarmes falsos que a equipe deixa de olhar para eles. O algoritmo vê o que foi treinado para ver.
Eles também tratam a validação externa como um gradiente: validar no tempo (com dados de outro período) é útil, mas é mais fraco do que validar de forma independente em várias plantas ou regiões. Um modelo que acerta no frigorífico onde foi treinado ainda não provou que acerta no vizinho.
O que isso pode mudar na prática
A revisão é cautelosa, e a leitura para o Brasil também deve ser. Ela não autoriza nenhuma recomendação regulatória por si só. Mas oferece um roteiro de perguntas que já pode ser usado hoje, especialmente num país em que os programas de autocontrole ganharam peso com a Lei 14.515/2022 e em que empresas começam a testar câmeras e sensores nas linhas sob SIF.
Para o RT e a equipe de qualidade, a escala de cinco níveis vira uma ferramenta de compra: em que nível está a evidência da ferramenta oferecida? Foi testada no fluxo real ou em fotos selecionadas? Em quantas plantas? O fornecedor informa falsos negativos e falsos alertas, ou só a acurácia?
Para o serviço oficial, o recado é sobre auditabilidade. Os autores defendem que um sistema digital só pode se aproximar do uso regulatório se forem preservados a verificação no local, a responsabilidade humana e uma trilha de auditoria juridicamente defensável. Um bom sistema, escrevem, deve mostrar qual sinal disparou o alerta, quem aprovou a intervenção e como a correção foi documentada. Também recomendam monitorar a deriva dos dados, controlar versões, rodar atualizações do modelo em paralelo antes de adotá-las e definir de antemão quando retreinar ou retirar o sistema.
Os usos mais próximos da prontidão, segundo a revisão, são justamente os de apoio: pré-triagem, priorização de amostragem, alertas da cadeia do frio, redução do escopo de recalls e integração de registros de verificação, sempre com aprovação humana. Isso marca a transição de uma pergunta ingênua, “a IA substitui o inspetor?”, para outra mais útil: “em que ponto do controle este sistema ajuda, e quem responde quando ele erra?”.
A lacuna brasileira é clara. Faltam estudos prospectivos e multicêntricos em plantas nacionais, faltam bases de dados compartilháveis entre estabelecimentos e falta um critério oficial que diga que nível de evidência se espera antes de um sistema de IA influenciar uma decisão sanitária. Quem se antecipar a essa conversa, dentro da indústria ou do serviço oficial, chegará mais preparado quando ela virar norma.
Conclusão
Os autores resumem a mensagem numa frase: o sucesso dos sistemas de IA não será definido pela acurácia de laboratório, mas por validação confiável, governança de dados, auditabilidade, interoperabilidade e integração segura sob supervisão humana. A IA aparece, assim, como reforço direcionado e baseado em risco do controle convencional, não como alternativa a ele.
Para o leitor do Além do Carimbo, a lição prática cabe numa pergunta a fazer a qualquer fornecedor: em que degrau da escada está a sua evidência? Por trás de um carimbo existe ciência, responsabilidade e saúde pública, e nenhuma delas pode ser terceirizada a um número de acerto.
Referências
- Bittsánszky A, Bilicki V, Sudár G, Süth M, Kusza S, Tóth AJ. (2026). Artificial Intelligence in Postharvest Food Safety Control of Animal-Source Foods: Evidence Thresholds, Validation, and Regulatory Applicability. Veterinary Sciences, 13(6):574. DOI: 10.3390/vetsci13060574 — https://pmc.ncbi.nlm.nih.gov/articles/PMC13308038
- Lei nº 14.515, de 29 de dezembro de 2022 (programas de autocontrole) — https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2022/lei/l14515.htm
Leia também no Além do Carimbo: “Revisão científica: IA deve ser suporte de decisão, não substituto do inspetor de POA”; “Três redes neurais e nenhum frigorífico testado: o que uma revisão brasileira diz sobre IA na inspeção — e o que ainda falta provar”; “A câmera viu mais sujeira que o inspetor — e errou mais também: o que um estudo dinamarquês ensina sobre IA na linha de abate”; “99% de acerto, metade dos alertas errados: a conta de prevalência que decide se um algoritmo serve para a inspeção”.
Deixe um comentário