Se você já ficou parado em um sinal vermelho em São Paulo enquanto a via transversal estava completamente vazia, sabe o quanto a falta de sincronia nos semáforos custa em tempo, combustível e paciência. Agora o Google anuncia que seu projeto Green Light, baseado em inteligência artificial, chega à capital paulista para recomendar ajustes na temporização dos cruzamentos e suavizar o fluxo de veículos. A proposta é ambiciosa: usar dados agregados do Google Maps para modelar o tráfego e sugerir mudanças que reduzam congestionamentos, economizem combustível e diminuam emissões. Como engenheiro de software que trabalha com sistemas distribuídos e IA aplicada há mais de quinze anos, vejo nessa iniciativa um caso fascinante de aplicação de aprendizado de máquina em infraestrutura crítica — mas também enxergo armadilhas técnicas e operacionais que merecem atenção.
O que o Green Light faz, de fato?
Diferente de sistemas de controle de tráfego tradicionais, que dependem de laços indutivos no asfalto, câmeras ou radares dedicados, o Green Light opera exclusivamente com dados de localização anonimizados dos motoristas que usam o Google Maps. A IA analisa padrões de parada, tempo de espera e velocidade média em cada abordagem de um cruzamento, e então recomenda engenheiros de tráfego locais — no caso, a CET — que ajustem os tempos de verde e vermelho em faixas específicas. O modelo não assume controle direto dos semáforos; ele gera sugestões que podem ser aceitas ou não. Isso é inteligente do ponto de vista de responsabilidade legal, mas também revela a principal fragilidade: a qualidade da recomendação depende inteiramente da representatividade dos dados de entrada.
O Green Light já foi testado em mais de uma dezena de cidades ao redor do mundo, com resultados reportados de redução de até 30% nas paradas em cruzamentos. Em São Paulo, onde a malha semafórica é imensa e o trânsito é notoriamente caótico, o potencial de ganho é enorme. No entanto, precisamos separar o otimismo de relações públicas da realidade técnica. Um modelo treinado com dados agregados do Maps pode ser excelente para padrões recorrentes de tráfego, mas lida mal com eventos atípicos — shows no Allianz Parque, obras emergenciais, acidentes, chuvas torrenciais. A latência entre a coleta de dados, o processamento e a recomendação também é um fator: o tráfego pode mudar em minutos, e o ciclo de ajuste do Green Light não é instantâneo.
Arquitetura de dados e os desafios de escalabilidade
Por trás do Green Light existe uma pipeline de dados massiva. O Google Maps coleta posições de milhões de dispositivos móveis em tempo real, agrega essas informações e calcula métricas de tráfego. Para cada intersecção, o modelo precisa entender não apenas o volume de veículos, mas a distribuição dos tempos de chegada entre diferentes aproximações. Isso é classicamente um problema de otimização de sinais, resolvido por heurísticas como o controle adaptativo (SCOOT, SCATS) que ajustam os tempos ciclicamente com base em sensores fixos. O Green Light propõe uma abordagem complementar: usar dados crowdsourced para calibrar modelos offline e depois sugerir configurações estáticas ou semi-estáticas.
Do ponto de vista de engenharia de software, o maior desafio não é o modelo de IA em si, mas a garantia de qualidade e consistência dos dados de entrada. Dados de GPS têm ruído, deriva e viés de amostragem: motoristas que usam Waze ou Apple Maps não contribuem para o modelo. Em bairros periféricos de São Paulo, onde a penetração de smartphones pode ser menor, o modelo pode subestimar o tráfego real, resultando em recomendações subótimas. Além disso, a anonimização e agregação dos dados precisam ser robustas para evitar riscos de privacidade — algo que o Google já domina, mas que sempre merece escrutínio.
Modelagem de interseções: uma questão de granularidade
Cada cruzamento é único. A geometria das vias, a presença de faixas exclusivas de ônibus, a existência de conversões à esquerda, o comportamento dos pedestres e o fluxo de veículos pesados criam combinações complexas. O Green Light, pelo que foi divulgado, usa um modelo de aprendizado por reforço ou redes neurais para mapear essas variáveis. Em uma conversa recente com um colega que atua na área de cidades inteligentes, ele me lembrou que a maioria dos semáforos paulistanos opera com temporizações fixas programadas por período do dia (manhã, tarde, noite) e que qualquer ajuste fino já pode gerar ganhos significativos. A IA, nesse contexto, funciona como uma ferramenta de descoberta de padrões que os engenheiros humanos talvez não percebam — como a interdependência entre cruzamentos distantes.
Mas há um trade-off importante: quanto mais granular a recomendação, maior o custo operacional para implementá-la. Cada alteração nos tempos de semáforo exige intervenção manual ou remota nos controladores, muitos dos quais são legados e não possuem APIs abertas. O Green Light depende que as cidades tenham vontade política e capacidade técnica de aplicar as sugestões. Em São Paulo, a CET tem histórico de modernização, mas a escala é imensa: são mais de 6 mil cruzamentos semaforizados. Mesmo que a IA recomende apenas algumas dezenas de ajustes por mês, o ganho marginal pode ser diluído.
Comparação com sistemas adaptativos tradicionais
Vale lembrar que a otimização de semáforos não é invenção do Google. Sistemas como o SCOOT (Split Cycle Offset Optimisation Technique), desenvolvido no Reino Unido nos anos 1980, já ajustam dinamicamente os tempos de verde com base em sensores em tempo real. A diferença fundamental é que esses sistemas são centralizados, proprietários e exigem uma infraestrutura de sensores dedicada (loops, radares). O Green Light, por outro lado, é um overlay que funciona sem custos de hardware para a cidade — o sensor é o smartphone dos motoristas. Isso democratiza o acesso à tecnologia, mas também torna o modelo menos preciso em condições de baixa amostragem.
Em cidades que já possuem sistemas adaptativos maduros, o ganho adicional do Green Light pode ser pequeno. Já em cidades como São Paulo, onde a maioria dos semáforos opera com temporização fixa, a IA pode trazer uma melhoria significativa com investimento quase zero. É uma aplicação clássica de "dados como infraestrutura". O risco é criar uma dependência tecnológica de um fornecedor privado para um serviço público essencial. Se o Google descontinuar o Green Light amanhã, a cidade perde a inteligência acumulada. Por isso, acredito que as prefeituras deveriam tratar as recomendações como insumo para seus próprios modelos, e não como caixa-preta.
Efeitos indiretos: emissões, consumo e saúde pública
Um dos argumentos mais fortes do Green Light é a redução de emissões de CO₂ e poluentes locais. Cada parada e arrancada consome mais combustível do que a condução em velocidade constante. Estima-se que, globalmente, a redução de paradas em cruzamentos poderia cortar milhões de toneladas de gases de efeito estufa. Em São Paulo, onde a frota é imensa e o transporte individual ainda é dominante, qualquer ganho de eficiência se traduz em benefícios diretos à saúde. Mas é importante não superestimar o impacto: a IA atua na micro-otimização, não na redução do número de veículos. Se o tráfego continuar crescendo, o ganho será absorvido pela demanda induzida, fenômeno bem conhecido em engenharia de transportes.
Outro ponto é a equidade. Motoristas de aplicativos, entregadores e profissionais que passam horas no trânsito serão os mais beneficiados, mas também são os que menos têm escolha modal. A sincronização de semáforos pode melhorar a fluidez, mas não substitui investimentos em transporte público de qualidade, ciclovias e políticas de restrição de circulação. A IA do Google é uma ferramenta tática, não uma solução estratégica para a mobilidade urbana.
Lições para quem trabalha com IA aplicada
O Green Light oferecia um ótimo case de estudo sobre como implementar aprendizado de máquina em um ambiente real com restrições severas. Primeiro, a necessidade de explicabilidade: engenheiros de tráfego precisam entender por que o modelo recomenda uma mudança, e não aceitar uma caixa-preta. Segundo, a importância da calibração contínua: o tráfego muda com sazonalidades, feriados, eventos. O modelo precisa ser retreinado com frequência e validado contra métricas reais (como tempo médio de viagem medido por fontes independentes). Terceiro, a resiliência a falhas de dados: se o Google Maps ficar fora do ar, a cidade não pode ficar cega. Deve haver um fallback para os planos de temporização anteriores.
Do ponto de vista de infraestrutura em nuvem, o projeto lida com volumes massivos de dados geoespaciais. A latência de processamento e a capacidade de gerar recomendações em escala global são problemas que exigem arquiteturas distribuídas bem projetadas. O Google tem vantagem com sua própria infraestrutura, mas cidades que quisessem replicar a abordagem com dados abertos (como Waze for Cities) precisariam de investimentos em data pipelines e modelos de ML que não estão ao alcance de todos.
Riscos de privacidade e vigilância
Embora o Google afirme usar dados agregados e anonimizados, qualquer sistema baseado em rastreamento de localização carrega riscos de privacidade. Em São Paulo, a discussão sobre vigilância em massa é especialmente sensível. A coleta de padrões de tráfego pode revelar rotinas de pessoas, horários de trabalho, locais de moradia. Mesmo que os dados sejam anônimos, ataques de reidentificação são possíveis. Prefeituras que aderirem ao Green Light devem exigir transparência sobre como os dados são tratados e garantir que não sejam usados para outros fins, como publicidade ou policiamento preditivo.
Na minha opinião, o Green Light merece ser testado em São Paulo como um complemento às ferramentas já existentes. Ele não resolve o problema do trânsito, mas pode melhorar a experiência de milhares de motoristas todos os dias com um custo de implementação baixíssimo. O risco real não é técnico, mas político: achar que a IA sozinha vai resolver a mobilidade. Não vai. Semáforos inteligentes são importantes, mas não substituem metrô, corredores de ônibus e planejamento urbano de longo prazo.
Para engenheiros e gestores de produto que acompanham essa iniciativa, fica o convite para pensar em como a IA pode ser usada de forma responsável em infraestrutura pública. O Green Light é um exemplo de que é possível fazer muito com dados que já existem, desde que se respeitem os limites do modelo e as necessidades reais das cidades. A pergunta que fica é: estamos prontos para confiar em algoritmos para decidir quanto tempo vamos esperar no próximo sinal vermelho? A resposta, como sempre, depende de que lado do cruzamento você está.