AleaSoft Energy Forecasting, 16 de junho de 2026. A inteligência artificial é hoje habitualmente associada aos modelos generativos, aos assistentes conversacionais e ao crescimento da procura de eletricidade ligado aos centros de dados. No entanto, várias décadas antes do surgimento destas tecnologias, a inteligência artificial já tinha começado a demonstrar a sua capacidade de resolver problemas complexos com um impacto económico real. Um dos exemplos mais notáveis foi o PROSPECTOR, um sistema especialista desenvolvido na década de 1970 para apoiar a prospeção mineral. O seu êxito tornou-o num dos primeiros casos documentados em que a inteligência artificial contribuiu para a tomada de decisões em condições de incerteza e gerou um valor económico tangível.
Os primeiros sistemas especialistas e o surgimento de uma nova forma de analisar a informação
Durante a década de 1970, a inteligência artificial encontrava-se numa fase muito diferente da atual. A capacidade de cálculo disponível era limitada e os recursos informáticos eram modestos para os padrões atuais. Foi neste contexto que surgiram os sistemas especialistas: programas concebidos para reproduzir parte do raciocínio dos especialistas humanos através de regras lógicas e modelos probabilísticos.
Um dos desenvolvimentos mais representativos desse período foi o PROSPECTOR, um sistema criado para ajudar os geólogos na exploração de recursos minerais. O seu objetivo era analisar informações geológicas, geoquímicas e estruturais a fim de estimar a probabilidade de encontrar determinados jazigos minerais, combinando múltiplas fontes de informação e evidências parciais.
Ao contrário dos modelos atuais baseados em Machine Learning ou em redes neuronais, o PROSPECTOR funcionava com base em conhecimentos especializados incorporados manualmente no sistema. A sua capacidade de combinar informação incompleta e de avaliar diferentes cenários tornou-o num dos primeiros exemplos práticos de raciocínio probabilístico aplicado a problemas reais com um impacto económico significativo.
O caso que tornou o PROSPECTOR numa referência histórica
A importância do PROSPECTOR estendeu-se para além da esfera académica quando as suas análises identificaram uma elevada probabilidade de encontrar um jazigo de molibdénio na zona de Mount Tolman, nos Estados Unidos. As campanhas de perfuração subsequentes confirmaram a existência do jazigo.
Este resultado atraiu uma atenção considerável, por representar um dos primeiros exemplos documentados de um sistema baseado em inteligência artificial a contribuir diretamente para uma decisão com um impacto económico tangível. A tecnologia deixou de estar confinada a ambientes experimentais e demonstrou a sua utilidade em aplicações reais relacionadas com a gestão de recursos e a tomada de decisões empresarial.
A experiência do PROSPECTOR demonstrou que a combinação de conhecimentos especializados com modelos computacionais podia gerar informação de grande valor para abordar problemas em que os dados eram incompletos e a incerteza era um fator determinante. Este princípio continua a ser a base de muitos sistemas modernos de previsão, atualmente utilizados para analisar cenários complexos e apoiar decisões estratégicas em múltiplos setores.
Da prospeção mineral aos modelos avançados de inteligência artificial
Na sequência dos primeiros êxitos dos sistemas especialistas, a inteligência artificial começou a difundir-se gradualmente em áreas como a medicina, as finanças, a indústria e a energia. Embora as metodologias tenham evoluído significativamente ao longo das últimas décadas, muitos dos princípios fundamentais mantêm-se iguais.
Atualmente, os modelos de inteligência artificial são capazes de processar enormes volumes de informação provenientes de imagens de satélite, sensores, dados meteorológicos e registos históricos. As técnicas de Machine Learning e de Deep Learning permitem identificar relações e padrões complexos que seriam difíceis de detetar através de métodos tradicionais.
No entanto, o objetivo continua a ser semelhante ao que impulsionou os primeiros sistemas especialistas: reduzir a incerteza e fornecer ferramentas de apoio à decisão para ambientes complexos. A diferença reside na capacidade atual de processar grandes volumes de informação e de atualizar continuamente os modelos à medida que novos dados se tornam disponíveis.
A gestão da incerteza como elemento comum
A história do PROSPECTOR ilustra uma característica que continua a ser essencial nas aplicações modernas da inteligência artificial. Em muitos setores, o principal desafio não consiste simplesmente em ter acesso a mais informação, mas em interpretar corretamente dados incompletos, variáveis interrelacionadas e cenários incertos.
Esta necessidade é particularmente relevante em áreas onde as decisões dependem de múltiplos fatores simultâneos e onde pequenas variações podem ter consequências económicas significativas. A capacidade de integrar conhecimentos especializados, informação histórica e modelos analíticos avançados continua a ser um dos principais motores do desenvolvimento da inteligência artificial.
Mais de cinquenta anos após os primeiros sistemas especialistas, o progresso tecnológico multiplicou as capacidades de cálculo e de análise. Ainda assim, o princípio fundamental mantém-se inalterado: utilizar modelos computacionais para melhorar a compreensão de sistemas complexos, identificar padrões relevantes e apoiar decisões estratégicas em condições de incerteza. Esta abordagem está igualmente presente nos modelos híbridos que combinam modelos fundamentais, técnicas estatísticas e ferramentas de inteligência artificial para analisar sistemas complexos e antecipar a sua evolução.
Análises e previsões da AleaSoft Energy Forecasting sobre a inteligência artificial e os mercados de eletricidade
A 18 de junho de 2026, a AleaSoft Energy Forecasting realizará o seu 67.º webinar, intitulado «Os mercados de energia na Europa no segundo semestre de 2026: evolução, perspetivas e oportunidades para as energias renováveis, os PPA, as baterias e a hibridação». A sessão contará com a presença de Daniel Fernández Alonso, Strategy, Regulatory Affairs and Communications Director na ENGIE Spain, e de Oriol Saltó i Bauzà, Associate Partner na AleaSoft Energy Forecasting. O painel de discussão do webinar em espanhol reunirá ainda Lola López Serrano, Head of Strategy and BESS RES na ENGIE Spain, e Juan Noguera, Head of Acquisitions, Investments & Financial Advisory (AIFA) na ENGIE Spain. O webinar e o painel de discussão em espanhol serão moderados por Antonio Delgado Rigal, CEO e fundador da AleaSoft Energy Forecasting.
O webinar analisará a evolução recente dos mercados de energia europeus e as perspetivas para o segundo semestre de 2026, com especial atenção aos fatores que continuarão a influenciar os preços de mercado, os preços dos combustíveis e os preços das licenças de emissão de CO₂. Abordará igualmente as oportunidades e os desafios que o setor das energias renováveis enfrenta, a situação atual e as tendências do mercado de PPA em Espanha, bem como as perspetivas do armazenamento de energia em baterias e da hibridação com a energia solar fotovoltaica.
Num contexto caracterizado por uma complexidade crescente e pela necessidade de interpretar grandes volumes de informação, a inteligência artificial, os modelos estatísticos e os modelos híbridos desempenham um papel cada vez mais importante na análise dos mercados de eletricidade, na modelação de cenários e na avaliação de investimentos. A experiência acumulada pela AleaSoft Energy Forecasting no desenvolvimento de modelos avançados permite-lhe fornecer previsões de mercado, análises de cenários e ferramentas de apoio à decisão para projetos de energias renováveis, armazenamento de energia, contratos de PPA e estratégias de gestão de risco nos mercados de eletricidade europeus.
Fonte: AleaSoft Energy Forecasting.
