Inteligência artificial na fiscalização trabalhista: por que a falta de fiscais é também um problema de inovação

Quantos fiscais do trabalho seriam necessários para percorrer cada fazenda, cada oficina têxtil, cada construção civil onde há risco de condições análogas à escravidão? A resposta é incômoda: tantos que o orçamento público jamais suportaria. Não por acaso, a notícia de que o Ministério da Gestão e Inovação não garante novas vagas de fiscalização em 2026 — após um resgate emblemático de uma idosa em situação degradante — escancara um gargalo que vai além da simples falta de pessoal. É um sintoma de um modelo de fiscalização que ainda depende quase exclusivamente de força bruta humana, em detrimento de inteligência de dados e automação.

Como engenheiro de software que passou anos construindo sistemas de análise preditiva para setores como varejo e logística, vejo nesse cenário uma ironia técnica: temos hoje capacidade computacional para cruzar dezenas de bases de dados governamentais em tempo real, gerar alertas de risco e priorizar ações de campo, mas o principal órgão de combate ao trabalho escravo no Brasil opera, na prática, com ferramentas que não evoluíram muito desde os anos 1990. O resgate da idosa não é um caso isolado — é a ponta do iceberg de uma falha sistêmica de inovação.

O peso da burocracia analógica

O trabalho de um auditor fiscal do trabalho envolve, em boa parte, análise documental, visitas in loco e denúncias anônimas que chegam por canais fragmentados. Cada nova vaga de fiscal é cara: requer concurso público, treinamento, logística e equipamentos. O número atual de auditores — pouco mais de 2.000 para todo o Brasil, segundo dados públicos — é ridiculamente insuficiente para fiscalizar mais de 5 milhões de estabelecimentos formais. A matemática é cruel: cada auditor teria que visitar centenas de empresas por ano, o que é inviável.

Mas e se parte desse trabalho pudesse ser feito por algoritmos? Não estou falando de substituir o olho humano — isso seria imprudente e antiético. Refiro-me a um sistema de triagem inteligente que recebesse, consolidasse e ranqueasse denúncias com base em peso de evidências, histórico do empregador, setores de maior incidência e até variáveis climáticas e sazonais. Algo como um mecanismo de recomendação reverso: em vez de sugerir um filme, sugerir o próximo local onde a probabilidade de encontrar trabalho análogo à escravidão é maior.

Dados que já existem, mas não conversam

O governo brasileiro coleta — ou tem acesso — a uma quantidade imensa de dados que poderiam alimentar esse tipo de sistema: eSocial (vínculos trabalhistas), CNPJ, malhas fiscais da Receita Federal, registros de infrações da Superintendência Regional do Trabalho, denúncias do Disque 100, movimentações de insumos agrícolas (como carvão vegetal, fortemente associado a trabalho escravo), dados de transporte de trabalhadores, entre outros. Cada base vive em seu silo, com formatos e governanças distintas. Integrá-las é um desafio técnico, mas perfeitamente factível com as tecnologias atuais de data lake, ETL e APIs.

Já liderei projetos de unificação de dados heterogêneos em empresas de médio porte, e o que sempre faltou não foi tecnologia, mas vontade política e orçamento dedicado. No setor público, a dificuldade se multiplica: há disputas por controle de dados, falta de padronização e receio de expor fragilidades. O custo de um projeto desse tipo, ainda que significativo (estimativas internas do TCU para projetos similares giram em torno de R$ 20-50 milhões), é irrisório perto do custo de manter a máquina fiscalizadora atual e, mais importante, do custo social de não fiscalizar.

Inteligência artificial na ponta: detecção de padrões

Um amigo que atua como perito do Ministério Público do Trabalho me contou que, em uma operação recente, encontraram 14 trabalhadores em situação análoga à escravidão em uma fazenda que já havia sido autuada três vezes nos últimos cinco anos. O algoritmo mais simples do mundo — uma consulta SQL com GROUP BY e COUNT — teria acendido um alerta vermelho. Mas esse dado estava espalhado em planilhas e sistemas legados que nunca se comunicaram.

Modelos de machine learning podem ir muito além de simples contagens. É possível treinar classificadores que identifiquem contratos com cláusulas abusivas (jornada exaustiva, retenção de documentos, alojamentos precários) a partir de documentos digitalizados, usando técnicas de processamento de linguagem natural (PLN). Ou ainda usar séries temporais de multas trabalhistas para prever reincidência.

O gargalo, hoje, não é algorítmico. É de infraestrutura de dados e, principalmente, de gestão da inovação. O Ministério do Trabalho e Emprego (MTE) já conta com uma área de tecnologia, mas seu orçamento para sistemas de informação é historicamente baixo. Em 2024, foram destinados menos de R$ 15 milhões para todo o parque tecnológico da pasta, segundo dados do Siga Brasil. Para efeito de comparação, uma única startup de RH em São Paulo gasta o dobro disso anualmente em engenharia.

Por que a falta de novas vagas também é um problema de mercado de trabalho

A decisão do Ministério da Gestão e Inovação de não garantir novas vagas de fiscalização em 2026 não afeta apenas os trabalhadores em risco. Ela sinaliza um mercado de trabalho que não consegue se adaptar à escassez de mão de obra especializada. Auditores fiscais são profissionais altamente treinados — formados em direito, economia, ciências contábeis — e sua reposição leva anos. Enquanto isso, poderíamos estar formando uma nova geração de data analysts e engenheiros de software especializados em políticas públicas, capazes de amplificar o alcance da fiscalização sem necessariamente aumentar o número de servidores.

Essa transição, no entanto, exige uma discussão que o serviço público brasileiro evita: a precarização do trabalho de fiscalização (falta de efetivo) pode ser parcialmente mitigada pela automação, mas isso requer investimento em tecnologia e, principalmente, em pessoas que saibam desenvolvê-la e mantê-la. O mercado de trabalho de TI no Brasil está aquecido, e o setor público compete em desvantagem com a iniciativa privada por esses talentos. Enquanto um engenheiro de dados sênior pode ganhar R$ 20 mil no mercado privado, o teto do funcionalismo público para carreiras de tecnologia raramente ultrapassa R$ 15 mil. Isso cria um círculo vicioso: falta atratividade para os melhores profissionais, os sistemas ficam defasados, a fiscalização se torna ineficiente, e a solução proposta é simplesmente contratar mais auditores — que também são caros e escassos.

Casos de sucesso que poderiam inspirar

Fora do Brasil, há exemplos concretos de uso de tecnologia na fiscalização trabalhista. O Departamento do Trabalho dos Estados Unidos (DOL) utiliza um sistema chamado Wage and Hour Division Data Initiative, que cruza dados de folha de pagamento, denúncias e histórico de infrações para direcionar investigações. Na Índia, o governo do estado de Kerala desenvolveu um aplicativo de denúncias anônimas com georreferenciamento que aumentou em 40% o número de flagrantes de trabalho forçado em áreas rurais. Nenhum desses sistemas eliminou a necessidade de fiscais humanos, mas multiplicou a eficiência de cada um deles.

Aqui, o maior avanço recente foi a implantação do DET (Sistema de Informações sobre o Mercado de Trabalho), que ainda engatinha. Falta uma visão estratégica de que a fiscalização precisa se tornar um produto digital — com métricas de desempenho, ciclos de melhoria contínua e design centrado no usuário (o fiscal, no caso). A abordagem atual, de tentar tapar o sol com a peneira com concursos esporádicos, é insustentável.

Riscos e limites éticos da automação na fiscalização

Não quero soar ingênuo. Automação na fiscalização trabalhista carrega riscos reais. Algoritmos podem reproduzir vieses históricos — por exemplo, concentrar fiscalizações em regiões ou setores já estigmatizados, enquanto deixam passar novos nichos de exploração. Dados incompletos ou desatualizados podem gerar falsos positivos (empresas injustamente suspeitas) e falsos negativos (locais com problemas não detectados). A privacidade dos trabalhadores também precisa ser protegida: denúncias anônimas devem ser anonimizadas de forma robusta, e o cruzamento de bases não pode expor indivíduos a retaliações.

Por isso, qualquer sistema de apoio à fiscalização deve ser transparente, auditável e sujeito a controle social. Modelos de IA precisam ser explicáveis, e decisões baseadas em algoritmos devem ser passíveis de revisão humana. É um campo onde a engenharia de software encontra a ética pública, e onde o profissional de tecnologia tem a responsabilidade de projetar não apenas para eficiência, mas para equidade.

Do ponto de vista prático, uma abordagem segura seria começar com projetos-piloto em subsetores de alto risco (como produção de carvão vegetal, cana-de-açúcar e confecção têxtil), validar os modelos com especialistas do MTE e expandir gradualmente. O custo de implementação é baixo comparado ao orçamento total da fiscalização, e o retorno em vidas resgatadas — e em dignidade — é incalculável.

O papel do engenheiro de software nesse ecossistema

Como profissional de tecnologia, sinto que muitas vezes olhamos para o mercado de trabalho apenas como consumidores de vagas ou construtores de produtos para empresas privadas. Mas o setor público é um campo imenso e carente de inovação. Projetos de fiscalização inteligente são oportunidades reais de aplicar engenharia de software para impacto social direto. Concursos públicos para carreiras de TI, contratos de fomento a startups cívicas e parcerias com universidades poderiam formar um ecossistema capaz de transformar a realidade que o resgate da idosa expôs.

Enquanto o debate público se concentra em cobrar mais concursos para auditores, o silêncio sobre a modernização tecnológica é ensurdecedor. Não se trata de escolher entre uma coisa ou outra — precisamos de ambas. Mas, diante de um orçamento apertado e de um número limitado de profissionais disponíveis, a alavanca com maior potencial de retorno imediato é a tecnologia. Seja na integração de dados, na análise preditiva ou na automação de processos burocráticos que hoje consomem 60% do tempo dos auditores.

O resgate que chocou o país não pode ser apenas mais um episódio em uma longa sequência. Ele precisa ser o estopim para uma discussão honesta sobre como o Estado pode — e deve — usar a inteligência artificial e a ciência de dados para proteger quem mais precisa. E quem conhece a fundo essas tecnologias tem o dever de apontar o caminho. O futuro do combate ao trabalho escravo passa por linhas de código tanto quanto por linhas de frente.