Uma análise técnica da convergência entre sensores, modelos e decisão — depois que o experimento terminou

Clark Maltempi
Publicado em 17 de junho de 2026 · Revisado e atualizado em 27 de agosto de 2026, após o encerramento do torneio

Durante quase quatro décadas, o futebol foi arbitrado por percepção humana em tempo real. Em 39 dias de 2026, ele passou a ser arbitrado por fusão de sensores — com humanos ainda decidindo no final.

Quando publiquei a primeira versão deste texto, a Copa do Mundo estava começando e quase tudo o que se podia dizer sobre a tecnologia do torneio era projeção. Agora não é mais. Foram 104 partidas, 48 seleções, três países-sede e uma final decidida na prorrogação em 19 de julho, com a Espanha batendo a Argentina por 1 a 0.[1][2]

O torneio acabou, os dados foram coletados, as polêmicas aconteceram e algumas hipóteses caíram. Por isso reescrevi o artigo inteiro: em vez de listar o que a tecnologia prometia, quero mostrar o que ela efetivamente entregou, onde falhou, o que ela expôs sem querer — e por que tudo isso importa para quem constrói sistemas longe de qualquer gramado.

Adianto a tese, porque ela mudou depois de julho:

A instrumentação resolveu com folga as decisões objetivas. Não encostou nas subjetivas. E, ao aumentar a precisão da medição, deixou visível um problema que ninguém tinha percebido: a regra que estava sendo medida.

Se você trabalha com dados, automação ou IA aplicada a processos, essa frase descreve o seu próximo projeto com uma precisão desconfortável.

---

1. A bola que virou instrumento de medição

Comece pelo problema, não pela solução.

Para decidir um impedimento, é preciso saber duas coisas ao mesmo tempo: onde cada jogador estava e quando exatamente a bola foi jogada. A segunda pergunta é muito mais difícil do que parece. Uma câmera a 50 quadros por segundo enxerga o mundo em fatias de 20 milissegundos, e um chute acontece dentro de uma dessas fatias. Se o instante do toque é estimado com erro de um quadro, a linha de impedimento é traçada no momento errado — e um atacante correndo a 30 km/h percorre cerca de 17 centímetros nesse intervalo. Em um esporte que anula gols por centímetros, isso é a diferença entre a decisão certa e a decisão que vira manchete.

A saída de engenharia foi parar de perguntar isso à câmera.

A bola oficial de 2026, a Trionda, carrega uma unidade de medição inercial — o mesmo tipo de sensor que existe no seu celular para detectar rotação e aceleração — operando a 500 Hz. Ou seja: 500 amostras de movimento por segundo, uma a cada 2 milissegundos, transmitidas em tempo real para a sala de operação de vídeo.[3][4] Quando alguém encosta na bola, o pico de aceleração aparece no sinal com uma nitidez que nenhuma imagem oferece.

Aqui aparece o detalhe de engenharia que eu acho mais bonito da história toda. Na Al Rihla, de 2022, o sensor ficava suspenso no centro geométrico da bola. Na Trionda, ele foi deslocado para uma camada interna de um dos painéis — e, para compensar essa massa fora do centro, os outros três painéis receberam contrapesos.[5]

Pare um segundo nisso. Alguém teve que garantir que instrumentar a bola não mudasse o comportamento da bola. Um sensor de 14 gramas mal distribuído altera a trajetória de uma cobrança de falta, e nenhum jogador do mundo aceitaria isso. É exatamente o mesmo problema que enfrentamos quando instrumentamos uma aplicação em produção: o observador não pode alterar o observado. Todo agent de APM, todo log síncrono, todo tracing mal configurado é um sensor fora do centro de massa. A diferença é que a FIFA colocou contrapeso; muita equipe de TI simplesmente aceita a lentidão e chama de custo da observabilidade.

2. Dezesseis câmeras, 29 pontos, 50 vezes por segundo

Com o instante resolvido pela bola, sobra a posição — e essa é responsabilidade da visão computacional.

Cada um dos 16 estádios recebeu 16 câmeras de rastreamento dedicadas, instaladas sob a estrutura do teto e separadas das câmeras de transmissão. Elas acompanham simultaneamente a bola e até 29 pontos anatômicos de cada jogador — cabeça, ombros, cotovelos, punhos, quadris, joelhos, tornozelos, pés —, 50 vezes por segundo. Em uma única partida, esse conjunto gera mais de 150 milhões de pontos de rastreamento, segundo a FIFA.[6][7] Em 2022, no Catar, eram 12 câmeras.[6]

Isso é estimativa de pose (pose estimation): o modelo não vê “um jogador”, vê um esqueleto tridimensional em movimento, reconstruído a partir de múltiplas vistas calibradas. É a mesma família de técnica usada em carro autônomo e em analytics de varejo, com uma diferença cruel — aqui o resultado aparece na televisão em 3D, dez segundos depois, para 1,5 bilhão de pessoas conferirem.

Para 2026 houve mais uma camada: os 1.248 jogadores das 48 seleções passaram por um escaneamento corporal de cerca de um segundo, gerando um avatar tridimensional individual. Em vez de aplicar um modelo genérico de corpo humano a todos, o sistema passou a usar as dimensões reais de cada atleta.[3][6]

E por que isso importa tanto? Porque a regra do impedimento não pergunta onde está o jogador. Ela pergunta onde está a parte do corpo mais avançada com a qual ele pode jogar a bola. Um modelo genérico erra o comprimento de um braço em alguns centímetros — e alguns centímetros são precisamente a unidade de medida da discussão. A precisão do avatar não é vaidade gráfica: é o que sustenta o veredito.

Guarde essa ideia, porque ela reaparece em qualquer projeto de IA corporativa: o modelo genérico é sempre mais barato e quase sempre erra exatamente na dimensão que decide o caso.

3. Fusão de sensores: por que duas fontes independentes valem mais que uma boa

Repare no que temos: uma fonte excelente em espaço e ruim em instante (as câmeras) e uma fonte excelente em instante e cega quanto a espaço (a bola). Nenhuma das duas resolve o problema sozinha. Juntas, resolvem.

Isso se chama fusão de sensores, e é o coração técnico do impedimento semiautomático. A bola diz quando; as câmeras dizem onde; o sistema cruza as duas séries temporais, reconstrói a cena no instante do toque e traça a linha. Quando a posição irregular é clara, um alerta é gerado — e, na edição de 2026, esse alerta passou a poder ir direto para os assistentes em campo, por áudio, em vez de percorrer todo o fluxo manual da cabine.[3][7]

Vale nomear o que isso significa em termos de arquitetura, porque é uma decisão de projeto e não um detalhe: quando duas fontes independentes concordam, você não ganha apenas precisão — ganha confiança auditável. Uma fonte discordando da outra é um sinal de que algo está errado no sistema, e sistemas que só têm uma fonte de verdade não conseguem nem levantar essa suspeita.

O nome “semiautomático” também não é modéstia de marketing. O escopo foi deliberadamente limitado: o sistema responde à pergunta objetiva — onde estava cada corpo no instante do chute — e devolve a pergunta subjetiva para o humano: aquele jogador em posição irregular interferiu no lance?[7]

É uma das delimitações de escopo mais bem-feitas que já vi em um sistema de apoio à decisão. E é o oposto do que a maioria das empresas faz quando compra IA.

Uma prova indireta do valor dessa fusão apareceu poucas semanas depois do torneio. O impedimento semiautomático estreou no Brasileirão a partir da 20ª rodada de 2026, mas com uma solução diferente e sem o chip na bola: o instante do passe passa a ser inferido apenas pelas imagens das câmeras.[8] O sistema funciona e reduziu bastante o tempo de checagem, mas ele perde justamente a fonte independente que resolvia a pergunta mais difícil. É a mesma arquitetura com um sensor a menos — e a diferença não está na velocidade, está na margem de incerteza sobre o momento exato do toque.

---

Parte II — O que a tecnologia resolveu e o que ela não resolveu

4. O que ela resolveu: o que o olho humano não tinha como ver

Comecemos pelos acertos, porque foram muitos e são verificáveis.

No mata-mata, a Croácia comemorou um gol contra Portugal que acabou anulado. O motivo não estava em nenhuma imagem de transmissão: houve um resvalo na cabeça de Matanović na origem da jogada, e esse toque mínimo mudou o instante de referência do impedimento, deixando Pašalić em posição irregular. Quem apontou o toque foi o sensor da bola, e a explicação foi ao ar em gráfico 3D.[9]

Em outro jogo de Portugal, um gol do colombiano Davinson Sánchez caiu porque o pé estava alguns centímetros à frente do último defensor.[9]

E, quando jogadores da Noruega alegaram que a bola havia tocado no cabo da câmera aérea na origem do primeiro gol da Inglaterra nas quartas, a FIFA rejeitou a alegação com base nos dados.[9][10]

Observe o que os três casos têm em comum. Nenhum deles é uma decisão que um assistente bem treinado poderia ter tomado melhor. São eventos abaixo do limiar da percepção humana: um resvalo de cabeça, três centímetros de pé, um contato que não existiu. Contra esse tipo de pergunta, a instrumentação venceu por eliminação — e o tempo de revisão despencou em relação à era das linhas traçadas manualmente, quando uma checagem de impedimento consumia mais de um minuto.[3]

Houve ainda um efeito colateral positivo e menos comentado: o pacote de mudanças contra a perda de tempo — contagem regressiva de cinco segundos para laterais e tiros de meta, dez segundos para o substituído deixar o campo, um minuto fora após atendimento médico — elevou o tempo médio de bola rolando para pouco mais de 58 minutos ao fim da fase de grupos, acima do registrado em 2022 e mais de três minutos acima de 2018. E com jogos de duração total menor, o que torna o ganho proporcionalmente maior do que o número absoluto sugere.[9]

Isso é medição no seu melhor uso: definir uma regra, instrumentar, medir antes e depois, comparar com o histórico. Qualquer equipe de operações reconhece a metodologia.

5. O que ela não resolveu: critério

Agora a parte incômoda.

Na estreia da Argentina, Messi acertou as travas da chuteira na perna de um zagueiro argelino. O árbitro mandou seguir, e o VAR não recomendou nem a revisão. Dias depois, em outro jogo, um pisão comparável terminou em cartão vermelho depois de revisão em monitor. Especialistas em arbitragem apontaram publicamente a inconsistência, e o episódio virou o símbolo do torneio no debate sobre critério.[9][10]

Some a isso o padrão que apareceu ao longo da competição: na fase de grupos, orientação de deixar o jogo correr, tolerância maior no contato, VAR pouco intervencionista; no mata-mata, VAR bem mais presente, principalmente em pênaltis.[9] Do ponto de vista esportivo há argumentos razoáveis para isso — o custo de um erro em jogo eliminatório é maior. Do ponto de vista de sistema, é outra coisa: a mesma entrada produzindo saídas diferentes conforme a fase do torneio.

Nenhum sensor de 500 Hz resolve isso. Nenhuma câmera adicional resolve isso. Não é um problema de medição; é um problema de especificação e de treinamento de quem decide.

Vale registrar também um efeito de segunda ordem, desses que só aparecem depois que o sistema entra em produção. O VAR ganhou atribuições novas em 2026, incluindo a correção de cartões amarelos aplicados de forma incorreta. Em Argentina x Suíça, a cabine chamou o árbitro para revisar um amarelo dado a um jogador argentino — e, ao rever o lance no monitor, o árbitro identificou simulação do adversário, que levou o segundo amarelo e foi expulso.[9] A revisão começou para corrigir um cartão e terminou expulsando outro jogador.

Ninguém desenhou esse fluxo. Ele emergiu da combinação entre uma nova permissão de revisão e a regra de que o árbitro não pode ignorar uma infração que acabou de ver. Se você já ampliou o escopo de uma automação achando que estava fazendo um ajuste pequeno, conhece a sensação.

6. Quando a régua fica melhor que a regra

Este é, para mim, o achado mais interessante da Copa de 2026 — e ele não estava na primeira versão deste artigo, porque só ficou visível com o torneio em andamento.

A tecnologia de impedimento ficou tão precisa que passou a anular gols por margens que ninguém consegue enxergar, defender ou explicar intuitivamente: um pé, um ombro, três centímetros. Tecnicamente, todas essas decisões estavam certas. Elas aplicaram a regra vigente com fidelidade muito maior do que qualquer assistente humano conseguiria.

E foi justamente aí que o problema apareceu. O debate que ganhou força no torneio não foi sobre a precisão da medição, foi sobre a regra medida: Arsène Wenger, chefe de desenvolvimento global do futebol na FIFA, defende que só haja impedimento quando o corpo inteiro do atacante estiver à frente do penúltimo defensor.[9]

Traduzindo para linguagem de engenharia: enquanto a medição era imprecisa, a imprecisão funcionava como uma margem de tolerância informal. Ninguém marcava impedimento de três centímetros porque ninguém conseguia ver três centímetros. A regra convivia com uma zona cinzenta que a própria limitação do instrumento fornecia de graça.

Ao instrumentar o campo com precisão milimétrica, a FIFA não criou um problema novo. Ela removeu o amortecedor e expôs um problema que estava lá desde sempre: a regra do impedimento nunca definiu qual margem é aceitável, porque nunca precisou definir.

Guarde isso, porque é o parágrafo que conecta a Copa ao seu trabalho:

Instrumentar um processo não melhora o processo. Instrumentar um processo revela o quanto a definição dele era vaga.

Toda vez que uma empresa liga observabilidade de verdade em cima de um processo antigo, acontece exatamente isso. O SLA que “sempre foi cumprido” começa a estourar porque agora alguém mede o relógio corretamente. A meta de qualidade que ninguém questionava vira discussão porque o critério de “atendimento resolvido” nunca foi escrito. O indicador não piorou; a régua melhorou.

E aí a organização tem duas opções honestas: mudar a regra ou assumir a régua. O que não funciona é culpar o instrumento.

---

Parte III — A mesma arquitetura, fora do estádio

7. Do gramado ao escritório: o problema é o mesmo, o cronômetro é que é mais lento

A dinâmica de um lance de impedimento tem paralelo direto com a rotina de decisão de qualquer empresa. Por décadas, decisões corporativas foram tomadas com o equivalente organizacional de um assistente olhando de lado, no meio da corrida, com um jogador na frente:

• “Acho que o tempo de resposta do suporte piorou.”
• “Parece que esse departamento abre chamado demais.”
• “Tenho a impressão de que a satisfação caiu.”
• “Deve ter retrabalho nesse processo.”
• “Não sei onde está o gargalo.”
• “A gente faz assim porque sempre foi assim.”

Cada uma dessas frases é uma percepção não instrumentada. Não são frases burras — são frases de quem só tem a percepção disponível. O assistente de bandeira também não era incompetente; ele era um sensor humano operando fora da sua faixa de precisão.

A diferença é que, no futebol, o erro aparece em rede nacional em quinze segundos. Na empresa, ele aparece dezoito meses depois, na forma de um cliente perdido, de um projeto atrasado ou de uma contratação feita para resolver um problema que não era de capacidade.

O ponto que sustenta o restante deste artigo é simples: IA só produz valor quando está ligada a dados, contexto, processo e regra de negócio. Sem isso, ela responde bem — e responder bem não é o mesmo que produzir resultado operacional. A Copa é uma boa demonstração porque lá o modelo não conversa com ninguém: ele mede, cruza, alerta e alimenta uma decisão que tem dono.

8. IA não é mágica: é arquitetura em camadas

O impedimento semiautomático não é “um algoritmo”. Ele é uma pilha: sensor na bola, antenas e receptores em volta do campo, câmeras calibradas, modelo de estimativa de pose, avatares individuais, fusão temporal, motor de regra, geração de alerta, interface de revisão, geração de gráfico 3D para transmissão, e um humano com autoridade final. Tire qualquer camada e o resultado deixa de existir.

No ambiente corporativo a lógica é idêntica, e a analogia é útil porque expõe onde os projetos costumam morrer.

Camada 1 — Dados: o alicerce chato

A camada mais ingrata é a primeira. A FIFA escaneou 1.248 jogadores antes da bola rolar. Ninguém tuitou sobre isso, e sem isso nada funcionaria.

Em uma empresa, o equivalente é a base bagunçada: categoria “Outros” com 40% dos registros, cliente cadastrado quatro vezes com grafias diferentes, campo de data preenchido como texto, planilha paralela que é a fonte de verdade real. Nenhum modelo resolve isso. Modelo nenhum. A IA aprende o padrão que existe nos dados, inclusive o padrão de que o preenchimento é aleatório.

A pergunta honesta antes de qualquer projeto de IA é: os dados que eu tenho descrevem o processo que eu quero melhorar? Se a resposta for não, o projeto começa aí, e não em um modelo.

Camada 2 — Contexto: a diferença entre genérico e útil

Um modelo de linguagem sabe o que é uma nota fiscal. Ele não sabe o que a sua empresa faz quando a nota chega com divergência de dois centavos, quem aprova, em quanto tempo e por quê.

O sistema de impedimento tinha o contexto embutido: as dimensões daquele jogador, as marcações daquele campo, a calibração daquele estádio. Sem contexto específico, ele produziria respostas plausíveis e erradas — que é exatamente o que um modelo genérico faz em um processo corporativo.

Camada 3 — Regras de negócio: onde a automação vira profissional

Esta é a fronteira entre automação e risco. É a camada que responde: o que a IA pode decidir sozinha, o que ela pode sugerir, o que ela nunca pode tocar, e o que aciona um humano obrigatoriamente.

A FIFA escreveu essa camada com uma clareza que muita empresa deveria copiar: posição no instante do chute é decisão da máquina; interferência no lance é decisão do humano. Note que a fronteira não foi traçada por nível de dificuldade, e sim pela natureza da pergunta — objetiva ou interpretativa.

Se eu tivesse que dar um único conselho sobre projetos de IA, seria esse: classifique suas decisões entre objetivas e interpretativas antes de automatizar qualquer coisa. Automatizar a primeira categoria costuma dar certo. Automatizar a segunda costuma gerar um sistema confiante e um processo pior.

Camada 4 — Integração: IA que não executa nada é demonstração

Uma IA isolada responde. Uma IA integrada abre chamado, consulta estoque, agenda visita, atualiza cadastro, dispara aprovação.

E aqui a Copa oferece um detalhe operacional que passa despercebido: o alerta de impedimento chegou ao assistente por áudio, em campo, e não como um relatório para alguém conferir depois.[3][7] A informação foi entregue no momento e no canal em que ela ainda podia mudar a decisão. Informação certa entregue tarde é arquivo, não é apoio à decisão.

9. Entrada, normalização e classificação de intenção

Todo sistema começa com uma entrada — e entrada bruta é sempre bagunçada. A primeira responsabilidade é normalizar: transformar mensagem de canal, formato e humor variados em uma estrutura previsível.

{
  "canal": "whatsapp",
  "nome": "Cliente Exemplo",
  "telefone": "+55 13 99999-9999",
  "mensagem": "Preciso agendar uma visita técnica para amanhã de manhã",
  "data_recebimento": "2026-06-17T10:35:00",
  "empresa": "Projeto Plataforma"
}

Repare que a normalização já resolveu coisas que ninguém agradece: telefone em formato E.164, data em ISO 8601, canal identificado. Sem isso, cada integração posterior reimplementa a mesma limpeza, com regras ligeiramente diferentes — e é assim que nascem os relatórios que não batem entre si.

Com a entrada estruturada, vem a classificação de intenção. E aqui há uma decisão de arquitetura que muita gente pula: nem tudo precisa de modelo.

SE mensagem CONTÉM "cancelar" OU "desmarcar":
    intencao = "cancelamento"
SENÃO SE mensagem CONTÉM "preço", "valor" OU "orçamento":
    intencao = "orcamento"
SENÃO:
    ENVIAR mensagem PARA MODELO_IA_CLASSIFICADOR

Esse pequeno bloco é mais inteligente do que parece. Ele resolve o caso trivial com regra determinística — barata, instantânea, auditável, testável — e reserva o modelo para o que sobrou. É a mesma lógica da bola e da câmera: use o instrumento certo para cada tipo de pergunta, e não o instrumento mais caro para todas.

Um detalhe prático de produção: o classificador precisa ter uma saída para “não sei”. Modelo forçado a escolher entre categorias sempre escolhe alguma, e um encaminhamento errado com alta confiança é pior que um encaminhamento indefinido. A opção indeterminado que cai em fila humana vale mais que uma acurácia bonita no slide.

10. RAG: a IA que consulta antes de responder

Um modelo de linguagem, sozinho, responde a partir do que aprendeu no treinamento. Ele não conhece o seu contrato, o seu procedimento interno nem a versão do seu sistema. Quando pressionado a responder mesmo assim, ele preenche a lacuna com algo estatisticamente plausível — o que chamamos de alucinação, e o que um auditor chamaria de outra coisa.

O padrão RAG (Retrieval-Augmented Generation) muda a ordem das operações: antes de gerar, o sistema busca. A pergunta é convertida em vetor, comparada com trechos previamente indexados da sua base de conhecimento, e os trechos mais próximos são inseridos no contexto do modelo junto com uma instrução explícita: responda apenas com base nisto e, se não houver base, diga que não sabe.

O mecanismo importa mais do que o nome, então vale destrinchar onde ele costuma falhar na prática:

• Fatiamento (chunking) ruim. Se o documento é cortado no meio de um procedimento, a busca recupera metade da resposta. O sistema não erra por burrice do modelo; erra porque a informação chegou incompleta.
• Base desatualizada. RAG responde com fidelidade sobre um procedimento revogado no ano passado. Ele não tem como saber que aquilo mudou.
• Recuperação sem filtro de permissão. Se o índice não respeita quem pode ver o quê, você construiu um vazamento de dados com interface conversacional.
• Ausência de citação. Sem devolver a origem do trecho, ninguém consegue auditar a resposta — e uma resposta que não pode ser verificada não pode sustentar decisão.

RAG reduz alucinação; não elimina. É honesto dizer isso. O que ele faz de mais valioso é transformar a resposta em algo rastreável até um documento — que é a versão corporativa do gráfico 3D exibido na transmissão. Não basta a decisão estar certa: ela precisa poder ser mostrada.

11. Orquestração e agentes: quando a IA passa a agir

Classificar e responder é a parte fácil. O valor operacional aparece quando o fluxo executa: abrir o chamado no GLPI, consultar disponibilidade na agenda, atualizar o cadastro no ERP, notificar o técnico, registrar tudo.

Ferramentas de orquestração como o n8n ocupam esse lugar — elas conectam o modelo aos sistemas que efetivamente fazem o trabalho. A evolução natural são os agentes: em vez de um fluxo fixo, o modelo escolhe quais ferramentas chamar para atingir um objetivo.

Isso é poderoso e é exatamente onde eu recomendo mais cautela. Um fluxo fixo erra de forma previsível; um agente erra de forma criativa. Três limites que considero inegociáveis em produção:

1. Ações reversíveis por padrão. O agente pode criar rascunho, agendar provisoriamente, abrir chamado. Excluir, cancelar contrato e emitir documento fiscal pedem confirmação humana.
2. Registro de decisão, não só de resultado. Guarde a entrada, o contexto recuperado, a ferramenta escolhida e o motivo. Sem isso, o incidente de amanhã é impossível de investigar — você terá o efeito e nenhuma cadeia causal.
3. Escopo declarado. O agente acessa as ferramentas necessárias para o objetivo, e não o catálogo inteiro da empresa porque era mais simples configurar assim.

De novo o paralelo com o gramado: o sistema da FIFA tinha permissão para alertar e nenhuma permissão para apitar.

---

Parte IV — Produção: o que ninguém mostra no vídeo institucional

12. Observabilidade: as métricas que a infraestrutura não enxerga

Sistema de IA em produção quebra de um jeito diferente do que a infraestrutura sabe medir. Ele fica de pé, responde rápido, o dashboard fica verde — e responde errado. Não existe alerta de CPU para “o modelo começou a inventar”.

Por isso a observabilidade precisa de uma segunda dimensão:

A linha que costuma faltar é a última. Modelo não enferruja, mas o mundo em volta muda: procedimentos são revisados, produtos são descontinuados, o vocabulário do cliente muda. Um sistema que respondia bem em janeiro pode estar respondendo mal em agosto sem que nada tenha sido alterado no código. Se não existe reavaliação periódica contra um conjunto de casos conhecidos, ninguém percebe a degradação — apenas os usuários, que param de confiar e voltam a abrir chamado por telefone.

E aqui vale a mesma disciplina que aplico a qualquer operação: a taxa de escalonamento para humano não é métrica de fracasso. É a métrica mais honesta do conjunto. Um sistema que escalona 30% dos casos e acerta os 70% restantes é infinitamente melhor que um que escalona 2% e erra em silêncio nos outros.

13. Segurança, LGPD e o dado que ninguém devolve

A Copa de 2026 produziu um volume enorme de dado pessoal: rastreamento corporal de atletas, avatares tridimensionais individuais, sensores biométricos de desempenho, identificação digital de torcedores, reconhecimento facial em acessos, dados de circulação dentro dos estádios.[11]

Vale dizer com todas as letras: no Brasil, dado biométrico é dado pessoal sensível pela LGPD.[12] Isso muda o regime jurídico inteiro — base legal, finalidade, retenção, compartilhamento com terceiros e resposta a incidente. E é o tipo de dado que, uma vez vazado, não pode ser trocado. Você troca uma senha; não troca o seu rosto.

A pergunta correta em qualquer projeto de IA, portanto, não é apenas “a IA responde bem?”. É um conjunto:

• Qual base legal sustenta esse tratamento?
• Esse dado precisa mesmo estar aqui, ou está aqui porque foi fácil coletar?
• Por quanto tempo ele fica, e quem apaga?
• O que sai da minha infraestrutura quando chamo uma API de modelo?
• Se esse dado vazar amanhã, o que exatamente acontece com a pessoa?

A última pergunta é a que separa conformidade de responsabilidade. Conformidade é o mínimo que a lei exige. Responsabilidade é imaginar o vazamento antes que ele aconteça.

---

Parte V — A lição que sobra depois do apito final

14. A IA não conserta processo ruim: ela o acelera

Existe uma formulação clássica sobre automação, atribuída a Bill Gates ainda nos anos 1990: automação aplicada a uma operação eficiente amplia a eficiência; aplicada a uma operação ineficiente, amplia a ineficiência.[13]

Na primeira versão deste artigo eu atribuí essa ideia à lei de Conway. Foi um erro, e prefiro corrigir explicitamente a apagar. A lei de Conway diz outra coisa — que sistemas tendem a reproduzir a estrutura de comunicação das organizações que os projetam.[14] As duas ideias são úteis aqui, mas por motivos diferentes.

A máxima da automação explica por que tanta empresa investe em IA e piora: se o processo por baixo é confuso, você acabou de comprar confusão em escala, com latência menor e conta maior.

A lei de Conway explica algo mais sutil, e a Copa ilustra bem: o sistema de impedimento tem uma fronteira nítida entre o que a máquina decide e o que o humano decide porque a organização definiu essa fronteira antes de construir. Quando a fronteira organizacional é ambígua — quando ninguém sabe quem responde pelo quê —, o sistema construído reproduz fielmente essa ambiguidade. Depois a empresa reclama do software.

Conclusão: o que sobrou dos 39 dias

A Copa do Mundo de 2026 foi o maior laboratório público de fusão de sensores e IA aplicada a decisão em tempo real que já existiu: 104 partidas, 16 estádios instrumentados, mais de 150 milhões de pontos de rastreamento por jogo, e um resultado que cabe em três frases.

Onde a pergunta era objetiva, mensurável e bem definida, a máquina venceu por uma distância que não admite discussão. Onde a pergunta envolvia interpretação, intenção e contexto, ela não mudou absolutamente nada — e nem tentou, porque o escopo foi desenhado por gente competente. E, no meio do caminho, a precisão da medição expôs uma fragilidade na definição da regra que a imprecisão anterior vinha escondendo há décadas.

Se você for tirar uma única coisa deste artigo para o seu trabalho, tire esta: antes de perguntar qual modelo usar, pergunte que tipo de decisão você está tentando apoiar. Se ela for objetiva e mensurável, instrumente e automatize com confiança. Se ela for interpretativa, use a IA para reunir evidência e deixe a decisão com quem responde por ela. E, quando a instrumentação começar a mostrar números feios, resista à tentação de acusar o instrumento — na maior parte das vezes, o processo sempre foi assim; você só não tinha a câmera.

A bola continua sendo um objeto esférico. A diferença é que agora ela sabe exatamente quando foi tocada — e a organização que não sabe o mesmo sobre os próprios processos está jogando com o assistente de bandeira de 1998.

---

FAQ

A tecnologia acabou com a polêmica na arbitragem?
Não, e nem poderia. Ela reduziu drasticamente a discussão sobre fatos objetivos — quem estava à frente, quando a bola foi tocada, se houve contato — e deixou intacta a discussão sobre interpretação: intensidade de falta, intenção, critério de cartão. O torneio de 2026 mostrou os dois efeitos ao mesmo tempo, com decisões milimétricas irrefutáveis convivendo com inconsistências de critério entre partidas.[9][10]

Por que “semiautomático” e não automático?
Porque o escopo do sistema é deliberadamente parcial. Ele resolve a posição no instante do chute e gera um alerta; a decisão sobre interferência no lance, e a decisão final, seguem humanas.[7] Isso não é limitação técnica: é desenho. A pergunta objetiva foi automatizada, a interpretativa não.

O sensor da bola substitui as câmeras?
Não. São fontes complementares e independentes: o sensor inercial identifica o instante do toque com resolução de milissegundos, e as câmeras reconstroem as posições corporais no espaço. A decisão nasce do cruzamento das duas.[3][6] Uma fonte só não permitiria nem checagem de consistência.

Isso tudo funciona sem internet de altíssima capacidade?
A infraestrutura de estádio é dimensionada para baixa latência porque a informação precisa chegar durante o lance, não depois. É a mesma restrição de qualquer sistema de apoio à decisão: resposta correta entregue fora da janela de decisão vira relatório histórico. Em projetos corporativos, essa é uma das primeiras perguntas de arquitetura, e uma das mais esquecidas.

Dá para aplicar essa lógica em uma empresa pequena?
Dá, e o começo não é comprar IA. É escolher uma decisão que hoje é tomada por percepção, definir como medi-la e instrumentar essa medição. Uma planilha bem construída sobre um processo bem definido vale mais que um modelo sofisticado sobre um processo indefinido — pela mesma razão que 16 câmeras não teriam ajudado se a regra do impedimento não existisse.

Qual o maior risco de um projeto de IA corporativa?
Automatizar uma decisão interpretativa achando que ela é objetiva. O sistema vai produzir saídas confiantes, consistentes e erradas, e a consistência vai fazer com que pareçam certas por um bom tempo. É o oposto do que aconteceu no gramado, onde o escopo foi limitado antes de ligar o sistema.

---

Referências

Fontes oficiais e resultado do torneio

1. FIFA. Copa do Mundo da FIFA 2026™ — página oficial do torneio. https://www.fifa.com/pt/tournaments/mens/worldcup/canadamexicousa2026

2. Olympics.com. Copa do Mundo 2026: classificação final completa. Resultado do torneio, formato de 48 seleções e 104 partidas. https://www.olympics.com/pt/noticias/copa-do-mundo-2026-classificacao-final-tabela-completa

Documentação técnica e cobertura especializada

3. PLACAR. Fifa aprimora impedimento semiautomático para a Copa de 2026. Sensor de 500 Hz na Trionda, avatares 3D dos 1.248 jogadores, rastreamento multibola e alertas de áudio aos assistentes. https://placar.com.br/copa-do-mundo/fifa-aprimora-impedimento-semiautomatico-para-copa-2026/

4. TechTudo. Copa do Mundo 2026: 5 tecnologias da bola que ajudam o VAR. Funcionamento do sensor de movimento da Trionda e envio de dados em tempo real ao VAR. https://www.techtudo.com.br/listas/2026/06/copa-do-mundo-2026-5-tecnologias-da-bola-que-ajudam-o-var-edinfoeletro.ghtml

5. Usinainfo. TRIONDA: a nova bola da Copa 2026 por dentro e o que mudou na tecnologia. Reposicionamento do sensor para um painel lateral, uso de contrapesos e integração entre IMU, comunicação sem fio e antenas ao redor do campo. https://www.usinainfo.com.br/blog/trionda-a-nova-bola-da-copa-2026-por-dentro-e-o-que-mudou-na-tecnologia/

6. LearnOpenCV. World Cup 2026 Offside Technology: AI, Computer Vision, and the Connected Ball. Comparação técnica entre o sistema de 2022 (12 câmeras) e o de 2026, estimativa de pose, avatares individuais e fusão de sensores. https://learnopencv.com/world-cup-2026-offside-technology/

7. Label Your Data. FIFA World Cup 2026: The Training Data Behind Offside AI Tech. 16 câmeras de rastreamento por estádio, mais de 150 milhões de pontos por partida, fornecedores da pilha tecnológica e delimitação de escopo entre decisão objetiva e interpretativa. https://labelyourdata.com/articles/world-cup-offside-ai-technology

8. Olympics.com. Impedimento semiautomático no Brasileirão: como funciona e diferenças da Copa do Mundo. Comparação entre a implementação da FIFA e a adotada no Brasil, com e sem sensor na bola. https://www.olympics.com/pt/noticias/brasileirao-impedimento-semiautomatico-como-funciona-diferencas-copa-do-mundo

Cobertura do torneio

9. LANCE! (WERNECK, Pedro). Erros, acertos e novas regras: a arbitragem da Copa do Mundo de 2026. Regras contra a perda de tempo e tempo de bola rolando, gols anulados por SAOT e pelo sensor da bola, novas atribuições do VAR e o debate sobre a regra do impedimento. https://www.lance.com.br/copa-do-mundo/erros-acertos-e-novas-regras-a-arbitragem-da-copa-do-mundo-de-2026.html

10. CNN Brasil. Da política à arbitragem: as polêmicas que marcaram a Copa do Mundo 2026. https://www.cnnbrasil.com.br/esportes/futebol/copa-do-mundo/da-politica-a-arbitragem-as-polemicas-que-marcaram-a-copa-do-mundo-2026/

11. iMasters. Da bola conectada ao reconhecimento facial: as tecnologias da Copa do Mundo de 2026. Sensores corporais, Fan ID e camada digital de dados sobre o público. https://imasters.com.br/inteligencia-artificial/da-bola-conectada-ao-reconhecimento-facial-as-tecnologias-que-vao-mudar-a-copa-do-mundo-de-2026

Normas e bibliografia

12. BRASIL. Lei nº 13.709/2018 — Lei Geral de Proteção de Dados Pessoais (LGPD), art. 5º, II, que classifica dado biométrico como dado pessoal sensível.

13. GATES, Bill. Business @ the Speed of Thought, 1999. Origem da máxima sobre automação aplicada a operações eficientes e ineficientes.

14. CONWAY, Melvin E. How Do Committees Invent?, Datamation, 1968. Formulação original da lei de Conway sobre a correspondência entre estrutura organizacional e arquitetura de sistemas.

---

Leitura relacionada no Projeto Plataforma

• Inteligência Artificial Sem Magia: Como uma Rede Neural Realmente Aprende — Uma camada abaixo deste artigo: o que acontece dentro do modelo que gera as inferências discutidas aqui.
• Lean, GLPI e a Verdade Sobre Processos — O outro lado da mesma moeda: como instrumentar e medir um processo de serviços antes de automatizá-lo.
• Sob o Capô da Máquina — Latência, interrupções e o custo real de cada camada entre o sensor e a decisão.

Se a sua operação está no ponto em que as decisões dependem de percepção porque ninguém instrumentou o processo, esse é o trabalho que faço: mapear, medir e integrar antes de automatizar. Os detalhes estão em projetoplataforma.com.br/servicos.