Há um ditado antigo na computação que remonta aos primeiros mainframes: "Lixo entra, lixo sai". Significa que uma máquina só pode trabalhar com o que você fornece e, se você lhe der informações incorretas, ela lhe fornecerá respostas incorretas com total certeza. Esse princípio nunca foi tão importante quanto agora, com a inteligência artificial começando a aparecer nas ferramentas que usamos para projetar, instalar e inspecionar sistemas de proteção contra incêndio. A tecnologia é impressionante. Os dados subjacentes a ela determinam tudo.

Por que a qualidade dos dados é importante na proteção contra incêndios

A proteção contra incêndio é uma disciplina construída sobre a precisão nos detalhes. Um profissional de projeto que dimensiona um sistema de acordo com a norma NFPA 13 trabalha com base em um conjunto de conhecimentos testados em incêndios reais, falhas reais e perdas de vidas reais. Quando solicitamos a uma ferramenta de IA que nos auxilie nesse trabalho, estamos pedindo que ela utilize as informações com as quais foi treinada. Se essas informações forem atuais, precisas e fundamentadas nos códigos que realmente utilizamos, a ferramenta pode ser uma ajuda genuína. Se forem desatualizadas, incompletas ou extraídas de fontes não verificadas da internet, a ferramenta se torna uma fonte de erros silenciosos e previsíveis. E erros previsíveis são os mais perigosos em aplicações de segurança da vida.

O que a qualidade dos dados significa para a IA em sistemas de segurança da vida

Considere o que "qualidade de dados" realmente significa em nosso mundo. Significa que a edição da norma importa. Um modelo treinado em uma edição desatualizada da NFPA 13 pode citar regras de espaçamento ou classificações de risco que não se aplicam mais. Significa que a fonte importa. Orientações extraídas de um manual de instalação do fabricante têm peso diferente de um comentário em um fórum, mas um sistema de IA que não consegue distinguir entre elas tratará ambas como igualmente verdadeiras. Significa que o contexto importa. Uma regra correta para uma ocupação de risco leve pode estar errada, ou mesmo ser perigosa, quando aplicada a um arranjo de armazenamento para o qual ela nunca foi projetada. A máquina não sabe a diferença a menos que os dados a ensinem a diferenciá-la.

Como a NFPA e a NFSA estão construindo IA com base em fontes confiáveis.

É aqui que a indústria começa a fazer algo digno de nota. A NFPA e a NFSA começaram a desenvolver ferramentas de IA baseadas em fontes oficiais, em vez de na internet aberta. A NFPA descreve seu assistente CASI, lançado dentro do NFPA LiNK, como uma resposta confiável para os usuários, pois se baseia em conteúdo oficial da NFPA e retorna citações das passagens originais utilizadas (NFPA, 2026). A NFSA seguiu um caminho semelhante com sua ferramenta Chat EOD para perguntas de engenharia e projeto. Quando uma ferramenta obtém suas respostas do próprio conjunto de códigos e normas, a qualidade da entrada aumenta consideravelmente e a saída se torna algo com que um profissional pode começar a trabalhar. Essa base é o ponto crucial. É a diferença entre uma ferramenta que adivinha e uma ferramenta que raciocina a partir dos mesmos documentos que você consultaria. O valor desses esforços não está no fato de serem impulsionados por IA. O valor está no cuidado que alguém dedicou ao seu desenvolvimento.

O problema das alucinações quando os dados são escassos.

Compare isso com o que acontece quando os dados são de baixa qualidade. Um modelo de uso geral, ao ser questionado sobre proteção contra incêndio, frequentemente produzirá uma resposta que soa autoritária e tem boa redação. Pode citar uma norma pelo nome. Pode usar o vocabulário correto. E pode estar errado de maneiras que apenas um profissional experiente perceberia. Esse é o problema da alucinação, e não se trata de uma falha rara. É um resultado previsível de se pedir a um sistema que fale além do que seus dados podem suportar. O sistema não está mentindo. Ele não tem noção de verdade. Ele está construindo uma resposta plausível a partir de padrões, e quando os padrões subjacentes são superficiais ou falhos, a resposta também é superficial ou falha, disfarçada em uma linguagem fluente que esconde a lacuna. A área jurídica aprendeu isso publicamente quando dois advogados apresentaram uma petição judicial baseada em casos inventados por uma ferramenta de IA, e o juiz os sancionou por isso (Mata v. Avianca). As citações fabricadas pareciam reais. Elas simplesmente não existiam.

Responsabilidade profissional e padrão de atendimento

As consequências tornam isso mais do que uma mera curiosidade técnica. Em nossa área, um erro não fica apenas na tela. Ele se transforma em um projeto que é aprovado, um sistema que é instalado, um edifício que é ocupado. O engenheiro responsável que assina um projeto assume a responsabilidade profissional por ele, e nenhuma ferramenta de IA compartilha dessa responsabilidade. Mesmo que os dados que alimentam a ferramenta sejam inválidos, o profissional ainda é responsável pelo resultado. Essa é uma reflexão que nos faz pensar, e deve moldar a forma como cada um de nós aborda essas ferramentas. Somos responsáveis pelo que produzimos, independentemente do que nos tenha ajudado a produzi-lo.

Boas práticas para o uso de ferramentas de IA na proteção contra incêndios

Então, como se manifestam as boas práticas com a chegada dessas ferramentas? Tudo começa com o conhecimento da origem da resposta. Uma ferramenta que mostra suas fontes, cita a norma em si e indica a passagem utilizada é muito mais útil do que uma que simplesmente afirma algo. A verificação continua. Cada resultado de um sistema de IA deve ser comparado com o código que o rege, da mesma forma que você verificaria o trabalho de um colega júnior, porque é essencialmente isso que você está fazendo. E isso depende do discernimento, aquele que vem com anos de experiência, que permite a um designer experiente perceber quando uma resposta parece errada, mesmo antes de conseguir explicar o porquê. Esse instinto não é algo que a máquina possa substituir. É a nossa última linha de defesa quando os dados nos decepcionam.

A qualidade dos dados determina se a IA protege vidas.

Nada disso é motivo para rejeitar a tecnologia. As ferramentas baseadas em fontes confiáveis já estão demonstrando o potencial de dados precisos e continuarão a melhorar. A questão é mais simples e antiga do que qualquer uma delas: uma ferramenta só é tão boa quanto os dados que recebe. Na maioria das áreas, uma resposta inadequada é apenas um inconveniente. Na nossa, pode colocar pessoas em risco. É por isso que a qualidade dos dados não é uma preocupação secundária para a nossa profissão. É a preocupação que determina se essas ferramentas nos ajudam a proteger vidas ou se, silenciosamente, comprometem o padrão de atendimento que construímos ao longo de décadas.

As máquinas continuarão a evoluir. Nossa obrigação, porém, permanece a mesma. A comunidade de engenharia de incêndio já sinalizou onde sua atenção deve estar. Na Cúpula de IA em Engenharia de Incêndio da SFPE, que participei em Berkeley em 2025, a verificação e a validação se destacaram como prioridade compartilhada entre os profissionais presentes. As pessoas que ocupam os edifícios que protegemos contam com um trabalho que verificamos pessoalmente, e não com respostas que uma máquina nos fornece sem qualquer fundamento. "Lixo entra, lixo sai" era uma verdade para os operadores de mainframe que cunharam a frase. Continua sendo verdade hoje, e o custo de ignorá-la nunca foi tão alto.

 Referências

Chat EOD: Desenvolvido pela indústria, para a indústria. https://nfsa.org/2025/11/06/chat-eod-developed-by-the-industry-for-the-industry/

A NFPA apresenta o NFPA LiNK 3.0, impulsionando a transformação digital na segurança contra incêndio e proteção da vida. https://www.nfpa.org/about-nfpa/press-room/news-releases/2026/nfpa-unveils-nfpa-link-3-0-advancing-digital-transformation-in-fire-and-life-safety

Lições práticas dos erros cometidos pelo advogado no caso Mata v. Avianca. https://www.acc.com/resource-library/practical-lessons-attorney-ai-missteps-mata-v-avianca

Reflexões sobre a Cúpula de Engenharia de IA em Incêndios de 2025. https://www.sfpe.org/blogs/amanda-tarbet/2025/08/01/2025-ai-in-fire-engineering-summ