IA para vistorias de campo (CEDAE)

A CEDAE, concessionária de água e esgoto do Rio de Janeiro, conduziu o cadastro e recadastro de clientes de uma região inteira do interior do estado: mais de 10 mil vistorias residenciais, comerciais e industriais, feitas por equipes de campo em vários municípios ao mesmo tempo. Os dados de cada vistoria chegavam aos administradores, que tocavam o restante da operação e prestavam contas à concessionária.

A plataforma da Vibetex cobria o ciclo inteiro: app de campo com formulários, fotos com geolocalização e horário, captura de documentos com OCR e assinatura eletrônica, acompanhamento das equipes em tempo real e relatórios de desempenho. Ela já estava em produção quando entrei. Coube a mim e a um colega da Vibetex construir a camada de IA, a parte que analisava os dados gerados nas vistorias, de abril a setembro de 2026, até o fim do contrato. Foi o nosso primeiro projeto de IA em produção, com dados reais e sigilosos de um cliente público.

Classificação automática: cada vistoria que entrava era classificada nas categorias usadas pela operação, sem depender de alguém ler registro por registro.

Resumos: cada vistoria ganhava um resumo para os administradores e para a CEDAE, que precisavam entender o local sem abrir o registro completo.

Inconsistências e métricas: no momento em que a vistoria chegava, a IA cruzava os dados com o cadastro e apontava problemas como endereço duplicado ou bairro que não batia com o local, além de alimentar métricas da operação, para os administradores agirem antes de o problema se espalhar.

Chat em linguagem natural: o usuário perguntava em português e o assistente buscava a resposta nos dados reais da operação, como quem era o proprietário de um imóvel, qual técnico fez aquela vistoria, se havia endereço duplicado ou bairro errado e a situação de pagamento. Tudo no papel de um assistente da Vibetex em atendimento à CEDAE.

A decisão mais difícil foi não dar à IA poder sobre os dados. Eram dados reais, da contratante, com muita informação sigilosa. Duplicamos o banco num modelo parecido com CQRS: a produção envia as informações para um banco separado, só de leitura, e é só esse que a IA acessa. O chat transforma a pergunta numa consulta SQL de leitura; editar ou excluir não é uma possibilidade, por permissão, não por instrução no prompt.

Para as funções repetitivas, que se atualizavam muitas vezes por dia (proprietário de um imóvel, técnico da vistoria, endereço duplicado, situação de pagamento, métricas da operação), explorei o mecanismo de tools (function calling) e acabei criando várias delas. Em vez de montar a consulta do zero a cada pergunta, o modelo chamava uma função pronta com os parâmetros certos, e algumas tools já levavam a própria consulta. A consulta livre ficava só para as perguntas fora do padrão.

Toda saída do modelo vinha em JSON estruturado e era validada antes de ser usada. As análises de cada vistoria rodavam na hora em que ela entrava; o chat rodava por interação, a cada pergunta.

Dados sensíveis nunca apareciam inteiros: seguindo a LGPD, eram mascarados com asteriscos, deixando visível só parte dos caracteres. Somamos a isso proteção contra prompt injection e um papel bem definido para o assistente, para ele não sair do atendimento à CEDAE.

Controlar custo num ambiente que já era grande e estava em produção. Cada decisão de quanto contexto mandar ao modelo pesava na conta, e aprendemos isso medindo, não lendo.

O modelo errava bastante e alucinava com o volume de informação. Houve muito treinamento do agente, mas feito de forma artesanal: em abril eu ainda não conhecia técnicas como fine-tuning, então quase todo o conhecimento ia para o prompt interno do agente, que cresceu muito. Uma parte ainda maior do tempo foi para combater contaminação entre consultas e tentativas de prompt injection. Foi aí que entendi a diferença entre usar um modelo e fazer engenharia de IA.

O projeto foi concluído com mais de 10 mil vistorias passando pela camada de IA e com atestado de capacidade técnica emitido pela CEDAE para a Vibetex, que registra a execução do contrato como 100% satisfatória, incluindo a inteligência artificial dedicada à análise dos dados das vistorias. É o trabalho mais importante da minha carreira até aqui.

Hoje eu iria além de mandar dados para um modelo. Um RAG mais estruturado, com embeddings e busca semântica, para o modelo receber só o que importa e alucinar menos. Uma arquitetura com vários agentes, cada um com uma função (classificar, resumir, consultar, auditar), conectados por MCP. E, com a base de dados que o projeto acumulou, um fine-tuning para as tarefas repetitivas.

Na segurança, ofuscaria os dados de forma mais profissional, fortaleceria os guardrails seguindo o OWASP Top 10 para LLMs e reforçaria as proteções tanto no código quanto no prompt. E criaria uma tela administrativa de auditoria, com custo e tokens por funcionalidade. Com tudo isso medido e amarrado, daria para dar à IA mais permissões com segurança. Várias dessas ideias já estão no Nox, o chat deste site.