Artigo

05 de agosto de 2026

Adoção de Inteligência Artificial e Agricultura 5.0 para a sustentabilidade no agronegócio brasileiro

Jessica Lopes de Santana; Fernando Bonifácio Anacleto

DOI: 10.22167/2675-6528-202600971

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A agricultura brasileira enfrenta o desafio de conciliar o aumento da produtividade com a sustentabilidade, contexto no qual a Inteligência Artificial (IA) e as soluções da Agricultura 5.0 emergem como ferramentas estratégicas para a tomada de decisão no campo. Objetivou-se analisar a adoção de IA e tecnologias digitais voltadas à sustentabilidade no agronegócio, identificando a maturidade tecnológica e as principais barreiras enfrentadas por produtores rurais de diferentes portes. Para isso, realizou-se um levantamento de campo (survey) quanti-qualitativo com 50 produtores atuantes em diversas regiões do Brasil, por meio de um questionário online estruturado em blocos temáticos sobre maturidade tecnológica, barreiras à adoção e percepção de sustentabilidade. Os resultados indicaram que a adoção tecnológica predominou em ferramentas de hardware, como maquinário com GPS e piloto automático, enquanto soluções de análise preditiva apresentaram menor adesão. A falta de mão de obra capacitada configurou a principal barreira, seguida pela conectividade rural instável ou inexistente e pela elevada preocupação com a segurança de dados. A maioria dos produtores defendeu modelos de IA de baixo custo ou compartilhados. Concluiu-se que a plena consolidação da IA no agronegócio condiciona-se não apenas à disponibilidade de soluções tecnológicas, mas também ao desenvolvimento de políticas de capacitação, à melhoria da infraestrutura de conectividade e à criação de modelos de negócio acessíveis, capazes de garantir a segurança dos dados e democratizar o acesso à inovação no campo.

Palavras-chave: infraestrutura rural; inovação tecnológica; tecnologia de precisão; transformação digital.

1. Introdução

O setor global do agronegócio está inserido em um contexto de transformação impulsionado pela necessidade de garantir a segurança alimentar de uma população mundial crescente e, simultaneamente, mitigar os impactos ambientais da produção. Projeções indicam que a produção agrícola precisará aumentar em pelo menos 70% para atender à demanda global até 2050 (Massruhá et al., 2020). Este imperativo exige a adoção de estratégias de desenvolvimento sustentável, consolidando a transformação digital no campo como um caminho irreversível para a sustentabilidade (Silva Júnior et al., 2024).

A evolução da Agricultura Digital é caracterizada pela transição da Agricultura 4.0 para a emergente Agricultura 5.0. Enquanto a Agricultura 4.0 se pautava no uso de tecnologias de conectividade, sensores de hardware e automação, como GPS e piloto automático, a Agricultura 5.0 integra a análise massiva de dados (Big Data), a robótica e, prioritariamente, a Inteligência Artificial (IA) para otimizar a tomada de decisão e a eficiência operacional (Silveira Junior e Carlson Filho, 2023).

A Inteligência Artificial é conceituada como o campo da ciência da computação dedicado ao desenvolvimento de sistemas e máquinas capazes de emular o raciocínio, o aprendizado e a tomada de decisão humana. Ao analisar grandes volumes de dados para identificar padrões e executar tarefas complexas de forma automatizada, a IA distingue-se da automação convencional e da digitalização básica por sua capacidade preditiva e adaptativa. Reconhecida como uma das tecnologias disruptivas com maior potencial para impulsionar a Agenda 2030 e os Objetivos de Desenvolvimento Sustentável (ODS) (Vinuesa et al., 2020), a IA atua no contexto agrícola por meio de ferramentas específicas, como softwares de análise preditiva para previsão de safra e clima, algoritmos para otimização do uso de insumos e modelos analíticos para monitoramento de lavouras. A aplicação dessas soluções permite a automação de processos que resultam no uso eficiente de recursos naturais, como água, fertilizantes e defensivos, configurando-se como vetor de suporte à sustentabilidade e à governança de dados no campo (Stroparo et al., 2024).

Todavia, a adoção dessas inovações não ocorre de forma homogênea no agronegócio brasileiro. Existe uma lacuna significativa entre os diferentes perfis de produtores rurais, em que grandes operações tendem a absorver novas tecnologias com maior velocidade em comparação a pequenos produtores, que frequentemente enfrentam barreiras estruturais, técnicas e financeiras para a implementação de soluções digitais avançadas (Santos e Klinczak, 2024). Essa disparidade cria um desafio prático e teórico na compreensão dos fatores que influenciam a integração efetiva da IA no cotidiano rural.

A justificativa para este estudo reside na urgência de compreender os fatores que limitam ou impulsionam a adoção de tecnologias avançadas sob a perspectiva da sustentabilidade. Embora a literatura destaque os benefícios teóricos do avanço tecnológico e da automação no campo, há uma carência de análises que demonstrem como o porte da propriedade influencia a percepção de viabilidade econômica e o alinhamento com práticas de governança. Compreender esses gargalos é fundamental para o desenvolvimento de soluções que democratizem o acesso tecnológico, garantindo que a inovação no campo não aprofunde as desigualdades, mas sirva como suporte para a gestão sustentável das propriedades rurais. Diante desse cenário, o objetivo deste trabalho foi analisar a adoção de Inteligência Artificial e tecnologias da Agricultura 5.0, bem como a percepção de viabilidade econômica oriunda da digitalização e automação de práticas agrícolas, identificando as principais barreiras enfrentadas e comparando os benefícios percebidos por pequenos, médios e grandes produtores rurais brasileiros.

2. Material e Métodos

A presente pesquisa caracterizou-se como um estudo de natureza aplicada, de abordagem quanti-qualitativa e com objetivos descritivos. Sua estruturação teve como finalidade investigar a disparidade tecnológica entre produtores rurais, utilizando os conhecimentos de gestão e ferramentas analíticas. O delineamento da pesquisa seguiu o método de levantamento de campo (survey), focado na coleta de dados primários para uma análise comparativa. A escolha por este método justificou-se pela necessidade de capturar a percepção direta de produtores rurais, gestores e consultores técnicos, tratando os respondentes como atores centrais na tomada de decisão quanto à adoção de tecnologias digitais e de Inteligência Artificial.

A coleta de dados não se restringiu a uma única unidade produtiva, abrangendo um universo amostral de profissionais e produtores de diferentes polos agrícolas do Brasil. Observou-se uma maior concentração de atuações nos estados de São Paulo e Mato Grosso. A pesquisa foi realizada em um período específico, com a coleta de dados estendendo-se de novembro de 2025 a fevereiro de 2026. A unidade de análise consistiu em produtores rurais, gestores e consultores técnicos diretamente envolvidos com a operação agrícola.

A amostra consolidou-se em 50 respondentes, selecionados por meio de amostragem não probabilística por conveniência, combinada à técnica de indicação sucessiva (snowball sampling). Nesta técnica, participantes iniciais indicaram novos perfis qualificados. O critério de inclusão baseou-se no envolvimento direto com a gestão, consultoria técnica ou operação rural. Para a análise comparativa, os participantes foram classificados conforme o porte da propriedade em que atuam, utilizando como parâmetro o conceito de módulos fiscais e extensão territorial: pequeno (até 100 hectares), médio (100 a 400 hectares) e grande (acima de 400 hectares).

O instrumento de coleta consistiu em um questionário estruturado, desenvolvido na plataforma Google Forms, contendo 15 questões fundamentadas nos objetivos do estudo. O questionário foi segmentado em blocos temáticos: Bloco I (Identificação), para coleta de dados sociodemográficos e caracterização da atividade principal; Bloco II (Maturidade Tecnológica), com questões sobre a frequência de uso e familiaridade com ferramentas de IA; e Bloco III (Barreiras e Sustentabilidade), que utilizou a Escala Likert de cinco pontos para medir o nível de concordância sobre a utilidade da IA no manejo ambiental, além de questões de múltipla escolha para ranquear as principais barreiras econômicas.

A coleta de dados foi realizada por meio da aplicação do questionário estruturado online, hospedado na plataforma Google Forms, diretamente aos participantes selecionados. Antes do preenchimento, cada respondente foi informado sobre os objetivos da pesquisa e os procedimentos éticos. Em observância aos aspectos éticos, o formulário foi precedido pelo Termo de Consentimento Livre e Esclarecido (TCLE), garantindo o anonimato e a segurança das informações fornecidas, conforme o Termo de Anuência Institucional.

Após a coleta, os dados brutos foram tabulados e submetidos à análise estatística descritiva. Para subsidiar a interpretação dos aspectos financeiros, utilizou-se o conceito de Fluxo de Caixa como ferramenta analítica. Essa abordagem permitiu compreender a viabilidade econômica do negócio sob a ótica da gestão financeira e a viabilidade de implementação de modelos de Inteligência Artificial de baixo custo para o pequeno produtor, especialmente em relação à percepção de “alto custo de investimento”.

Os cuidados éticos foram rigorosamente observados durante todo o processo de pesquisa, com a aplicação do Termo de Consentimento Livre e Esclarecido (TCLE) e a garantia de anonimato e confidencialidade das informações, conforme as diretrizes institucionais. Contudo, uma limitação metodológica identificada foi a sub-representação de pequenos produtores na amostra. Essa característica pode ter influenciado a percepção sobre as barreiras e benefícios da IA, refletindo predominantemente a visão de produtores com maior exposição tecnológica e, potencialmente, subestimando as dificuldades enfrentadas pela agricultura familiar.

3. Resultados e Discussão

Os resultados deste estudo oferecem uma análise aprofundada sobre a adoção de Inteligência Artificial e tecnologias da Agricultura 5.0 no agronegócio brasileiro, revelando um cenário de transição marcado por avanços em hardware e desafios persistentes em capacitação, infraestrutura e modelos de negócio. A pesquisa, realizada com 50 produtores rurais, evidenciou que, embora haja uma percepção crescente dos benefícios da digitalização para a sustentabilidade e a eficiência produtiva, barreiras estruturais e financeiras ainda limitam a plena integração da IA, especialmente para pequenos e médios produtores. A discussão dos achados busca conectar as percepções dos produtores com o panorama da transformação digital no campo, conforme delineado pela literatura especializada. Perfil da amostra e caracterização da operação

A amostra consolidada de 50 respondentes revelou uma predominância de operações de médio e grande porte, que juntas somam 62% do total pesquisado, refletindo um perfil de produtores com maior capacidade de investimento e, consequentemente, maior exposição a tecnologias avançadas. Os produtores de grande porte representaram 36% do grupo, seguidos pelos de médio porte com 26%, enquanto os pequenos produtores detiveram uma participação de 38%. Essa distribuição, embora não represente a totalidade da agricultura familiar brasileira, permite uma análise focada nas percepções de quem já está inserido no processo de digitalização, conforme observado por Santos e Klinczak (2024).

Figura 1. A) Distribuição da amostra por porte da propriedade rural; B) Principais atividades produtivas dos respondentes (Cultivo de grãos: soja, milho, etc.; pecuária de corte/leite; horticultura/fruticultura; agroindústria/processamento; silvicultura; cana-de-açúcar; compra/venda e recria; representante comercial e consultor técnico; agrônomo e consultor comercial).

Fonte: Dados originais da pesquisa

A Figura 1A ilustra a distribuição dos respondentes por porte de propriedade, enquanto a Figura 1B detalha as principais atividades produtivas. Observou-se uma concentração relevante no cultivo de grãos, com 44% dos participantes, seguido pela pecuária de corte/leite, que representou 42% da amostra. A agroindústria e o processamento corresponderam a 18% das atividades. Essa diversidade de operações, combinada com a predominância de médios e grandes produtores, oferece um panorama sobre a aplicação da IA em diferentes contextos produtivos e escalas, permitindo correlacionar a maturidade tecnológica com as especificidades de cada segmento do agronegócio. Maturidade digital e adoção de tecnologias de precisão

No que se refere à maturidade digital da amostra, a aplicação prática de tecnologias de precisão revela um cenário de adoção predominante em ferramentas operacionais de hardware. As ferramentas mais disseminadas entre os participantes foram o maquinário com GPS e piloto automático, utilizados por 46% dos respondentes, seguidos pelos sensores de solo/clima (42%) e drones para mapeamento, com 40% de adesão. Esses dados indicam que a Agricultura 4.0, pautada em automação e coleta de dados básicos, já está consolidada em parte do agronegócio brasileiro, servindo como base para a transição rumo à Agricultura 5.0.

Figura 2. Tecnologias digitais e de precisão utilizadas pelos respondentes (sensores de solo/clima (IoT) e GPS/telemetria: coleta básica de dados e localização; drones para mapeamento/imagens multiespectrais: análise de saúde da lavoura; softwares de análise preditiva e big data: IA para previsão de safra, clima ou doenças; maquinário com GPS/piloto automático; maquinário com automação e atuação autônoma: robótica/atuação por comando; sistemas de rastreabilidade/blockchain: governança e cadeia de suprimentos).

Fonte: Dados originais da pesquisa

A Figura 2 demonstra a prevalência de tecnologias de hardware em detrimento de soluções mais avançadas. Em contrapartida, softwares de análise preditiva e Big Data, que representam a essência da Inteligência Artificial na Agricultura 5.0 para previsão de safra, clima ou doenças, apresentaram uma penetração significativamente menor, de apenas 16%. Além disso, 26% dos respondentes declararam não utilizar qualquer recurso digital. Esse padrão de adoção, amplo em hardware e restrito em software analítico, é consistente com o estágio intermediário da transformação digital no campo, onde a coleta de dados precede a interpretação preditiva, conforme descrito por Massruhá et al. (2020).

O nível de conhecimento geral sobre Inteligência Artificial na agricultura ainda se mostra incipiente para uma parcela considerável da amostra. A Figura 3 revela que 42% dos respondentes não possuem nenhum conhecimento sobre IA, enquanto 36% declararam ter um conhecimento básico, ou seja, ouviram falar e conhecem algumas ferramentas, mas não as utilizam ativamente. Apenas 14% possuem conhecimento médio, utilizando IA em tarefas operacionais, e 8% têm conhecimento avançado, aplicando-a em mais de uma etapa da produção. Essa lacuna de conhecimento especializado é um fator limitante para a adoção plena da IA, como apontado por Silva Júnior et al. (2024).

Figura 3. Nível de conhecimento geral sobre IA na agricultura

Fonte: Resultados originais da pesquisa

A Figura 3 evidencia que a maioria dos produtores ainda não atingiu plenamente a etapa da Agricultura 5.0, que integra conhecimento humano e inteligência de dados, conforme a definição de Silveira Junior e Carlson Filho (2023). A concentração de adoção em GPS e drones, aliada ao baixo nível de conhecimento em IA, sugere que o agronegócio brasileiro pesquisado está consolidando a transição entre a Agricultura 4.0 e o limiar da 5.0, mas o paradigma de IA preditiva e Big Data ainda não se efetivou para a maior parte da amostra, corroborando as tendências de status atual mapeadas por Silva Júnior et al. (2024).

A frequência de utilização de ferramentas digitais no cotidiano rural também reflete um estágio de adoção gradual. A maior parcela dos respondentes, cerca de 30%, declarou ainda não utilizar essas tecnologias de forma ativa, o que representa o maior grupo da amostra. Entre os que já as adotam, observa-se uma predominância daqueles que utilizam as ferramentas em um período de um a três anos (28%), enquanto 18% possuem uma maturidade superior a cinco anos. Esse dado reforça a existência de uma curva de aprendizado que a IA ainda precisa superar para atingir a totalidade dos produtores, alinhando-se ao conceito de trajetória de adoção tecnológica descrito por Massruhá et al. (2020).

Figura 4. Frequência de utilização de ferramentas digitais no cotidiano rural

Fonte: Resultados originais da pesquisa

A Figura 4 ilustra a distribuição da frequência de uso, destacando que a resistência à mudança e a falta de capacitação são entraves significativos à difusão das tecnologias da Agricultura 5.0, conforme identificado por Silveira Junior e Carlson Filho (2023). O expressivo contingente de não usuários (30%) indica que a IA ainda não ultrapassou o limiar de adoção necessário para se tornar uma prática consolidada no setor, o que exige políticas de educação continuada e suporte técnico para que o potencial da IA se converta em ganhos reais de produtividade e sustentabilidade no campo. Barreiras à implementação e percepção de valor

A qualidade da conectividade de internet nas propriedades rurais emerge como um gargalo técnico relevante para a implementação de soluções avançadas. Embora 38% dos respondentes possuam uma conexão considerada boa ou excelente, capaz de suportar sistemas de monitoramento em tempo real, a maior parcela da amostra (62%) convive com instabilidades, baixa velocidade ou conexões inexistentes. Especificamente, 46% relataram conectividade regular, com interrupções e baixa velocidade, e 14% indicaram conexões inexistentes ou muito ruins, inviabilizando o uso da IA. Esse cenário impõe desafios críticos para soluções que dependem de processamento de dados em tempo real ou sincronização constante em nuvem.

Figura 5. Qualidade da conectividade de internet nas propriedades rurais

Fonte: Resultados originais da pesquisa

A Figura 5 demonstra a fragilidade da infraestrutura de conectividade, um problema que amplia e contextualiza geograficamente as barreiras identificadas por Santos e Klinczak (2024) em regiões rurais. Silva Júnior et al. (2024) reforçam que a conectividade deficiente é um dos principais entraves ao avanço da agricultura digital no Brasil, impactando desproporcionalmente produtores de menor porte e regiões distantes. Diferentemente de países desenvolvidos, o Brasil ainda enfrenta uma lacuna significativa de infraestrutura que condiciona a velocidade de adoção tecnológica, aspecto crucial para políticas públicas de digitalização do campo.

Ao investigar os fatores que dificultam uma adoção mais ampla da inteligência artificial no campo, a falta de mão de obra capacitada surge como o obstáculo de maior gravidade. A Figura 6 detalha que a maioria dos respondentes atribuiu alto impacto ou impacto crítico a essa barreira, com 78% dos participantes relatando dificuldades significativas para encontrar ou treinar profissionais aptos a operar ferramentas de IA. Esse achado corrobora a tese de que a ausência de formação técnica adequada limita não apenas a adoção, mas também a qualidade do uso das tecnologias disponíveis, conforme destacado por Silva Júnior et al. (2024).

Figura 6. Percepção dos respondentes quanto ao impacto das principais barreiras para a adoção ou expansão de IA no agronegócio. O gráfico apresenta a distribuição das respostas para cinco fatores limitantes: custo inicial para aquisição de equipamentos e softwares, falta de mão de obra capacitada, deficiência de infraestrutura, ausência de retorno financeiro claro e resistência pessoal ou da equipe à mudança. As respostas foram classificadas em cinco níveis de impacto: nenhum (azul), baixo (vermelho), médio (laranja), alto (verde) e crítico (púrpura).

Fonte: Resultados originais da pesquisa

A Figura 6 também indica que o custo inicial para aquisição de equipamentos e softwares apresenta-se como uma barreira de médio impacto para a maioria dos respondentes, enquanto a falta de infraestrutura (internet ruim) e a ausência de retorno financeiro claro também foram percebidas como obstáculos relevantes. Esses achados dialogam diretamente com o levantamento de Silveira Junior e Carlson Filho (2023), que listam o custo das tecnologias, a falta de capacitação e a resistência à mudança como adversidades estruturais recorrentes na Agricultura 5.0. A complexidade desses entraves evidencia que a adoção da IA no agronegócio depende não apenas da disponibilidade da inovação, mas de sua viabilidade operacional e financeira.

A percepção sobre a utilidade da IA para o manejo biológico/ambiental versus a gestão social/governança revela uma assimetria importante. A Figura 7 mostra que 46% dos respondentes se mantiveram neutros quanto à utilidade da IA para o manejo biológico/ambiental, em contraste com uma percepção mais favorável para o pilar de eficiência produtiva. Esse resultado sugere que o setor ainda não estabeleceu uma relação clara entre rastreabilidade digital e ganhos de mercado no contexto da sustentabilidade, uma lacuna que a literatura aponta como central para a consolidação da agenda ESG no agronegócio (Santos Divino, 2021).

Figura 7. Percepção de utilidade da IA: Manejo Biológico/Ambiental vs. Gestão Social/Governança

Fonte: Resultados originais da pesquisa

A Figura 7 evidencia que, embora a literatura reconheça o potencial da IA para impulsionar a Agenda 2030 e os Objetivos de Desenvolvimento Sustentável (ODS) (Vinuesa et al., 2020), sua tradução prática no campo ainda enfrenta desafios. A expressiva neutralidade observada (46%) contrasta com o otimismo presente na literatura sobre IA e sustentabilidade, indicando que o potencial da IA depende de condições habilitadoras, governança, acesso e capacitação, que ainda não estão plenamente presentes no contexto rural brasileiro. A construção de métricas claras de impacto e processos de governança transparentes são elementos incipientes para a maioria dos respondentes deste estudo. Viabilidade financeira e governança de dados

A viabilidade financeira é apontada como um divisor de águas para a digitalização do pequeno produtor. Mais de 60% dos respondentes (soma de 50% “Concordo” e 16% “Concordo totalmente”) ratificam que o alto custo de aquisição de hardware e software é o principal fator limitante para a adoção de IA nesta categoria. Paralelamente ao desafio econômico, a segurança da informação emerge como uma preocupação central: 80% dos produtores possuem um nível de preocupação médio ou alto (sendo 48% com alta preocupação) em relação à privacidade e proteção dos dados coletados em suas propriedades. Esses resultados indicam que a expansão tecnológica depende de modelos de negócio mais acessíveis e de políticas de transparência robustas sobre a propriedade dos dados.

A convergência entre custo elevado e preocupação com privacidade de dados como barreiras simultâneas encontra paralelo direto em Stroparo et al. (2024), que identificam privacidade de dados e equidade no acesso como os dois principais desafios associados à implementação de tecnologias disruptivas na agenda dos ODS. Russo (2020) acrescenta que a desconfiança em relação à segurança dos dados inibe a adesão de produtores rurais a plataformas digitais, mesmo quando estes reconhecem os benefícios potenciais da tecnologia. Esses achados divergem parcialmente das expectativas descritas por Silva e Santos (2024), que apontam a Tecnologia da Informação como motor de desenvolvimento sustentável no agronegócio, sugerindo que, para que esse motor funcione plenamente, é necessário antes construir um ambiente de confiança digital que ainda está em formação no setor rural brasileiro. Eficiência produtiva e sustentabilidade ambiental

A aplicação de IA no campo apresenta resultados tangíveis na gestão de recursos para metade dos participantes da pesquisa. Conforme ilustrado na Figura 8, 50% da amostra já percebe reduções no uso de insumos, variando de impactos discretos (24%) a quedas significativas acima de 30% (12%). Em contrapartida, observa-se que 42% dos produtores ainda não utilizam ferramentas de inteligência artificial especificamente para essa finalidade, enquanto uma minoria de 8% declarou não ter observado reduções após a implementação. Esses achados corroboram com a tese de Silveira Junior e Carlson Filho (2023), que definem a Agricultura 5.0 como um pilar de sustentabilidade e eficiência através de tecnologias avançadas.

Figura 8. Impacto do uso de IA na redução de insumos (água, fertilizantes e defensivos)

Fonte: Resultados originais da pesquisa

A Figura 8 evidencia que a percepção de ganhos ambientais relatada pelos produtores está alinhada aos estudos de Russo (2020) e Silva e Santos (2024), que destacam a contribuição estratégica da Tecnologia da Informação como motor para o desenvolvimento sustentável e a mitigação de impactos no agronegócio. A capacidade da IA de otimizar o uso de recursos naturais, como água, fertilizantes e defensivos, é um dos principais vetores de suporte à sustentabilidade, embora a adoção para essa finalidade ainda não seja universal entre os produtores pesquisados. Hierarquia de benefícios e eficiência do negócio

Ao classificar os impactos da IA por ordem de relevância, o aumento da produtividade consolida-se como o benefício primário para a maior parcela dos produtores, acumulando 26 indicações como o fator de maior importância. Em segundo plano, os respondentes destacam a maior facilidade no monitoramento das atividades e a melhoria na qualidade do produto, ambos com 22 indicações para o segundo lugar de relevância. Esta convergência de dados evidencia que a tecnologia é valorizada tanto pelo resultado produtivo final quanto pela simplificação e refinamento do controle operacional diário, elementos fundamentais para a competitividade no agronegócio moderno.

Figura 9. Ranking de importância dos benefícios percebidos com o uso de IA e tecnologias digitais (aumento da produtividade por área: rendimento; redução dos custos operacionais: economia de insumos ou mão de obra; melhoria na qualidade do produto; melhoria na gestão de riscos: previsão de clima/doenças; e maior facilidade de rastreabilidade para o cliente: governança/ESG).

Fonte: Resultados originais da pesquisa

A Figura 9 ilustra a hierarquia dos benefícios percebidos, reforçando que a primazia da produtividade como benefício está alinhada com os achados de Massruhá et al. (2020), que identificam o aumento de eficiência produtiva como a principal motivação para a adoção de tecnologias digitais no campo, precedendo em importância os ganhos ambientais e sociais. Tal resultado sugere que, no estágio atual de maturidade tecnológica do agronegócio brasileiro, o produtor avalia a IA predominantemente pelo seu retorno econômico imediato, e não pela sua contribuição à sustentabilidade, o que reforça o argumento de Santos Divino (2021) de que a incorporação da IA à agenda ESG requer, antes de tudo, a construção de métricas de ROI sustentável claras e compreensíveis para o produtor rural. Integração ESG: certificações e manejo biológico

No que se refere à agenda ESG, os resultados mostraram um cenário de transição: embora a tecnologia ainda não seja o fator principal de comprovação para 42% dos produtores, existe uma clara intenção de busca por certificações sustentáveis em parte da amostra. Por outro lado, 50% ainda não buscou ativamente esses selos, o que evidencia o estágio incipiente da agenda ESG em determinados segmentos do setor. Essa tendência de alinhar a tecnologia aos Objetivos de Desenvolvimento Sustentável (ODS) é amplamente discutida por Vinuesa et al. (2020) e Stroparo et al. (2024), que veem a IA como peça-chave para impulsionar a Agenda 2030. Perspectivas de acesso e modelos de colaboração

Para encerrar o diagnóstico, a pesquisa investigou a percepção dos produtores sobre a democratização do acesso à Inteligência Artificial. Conforme demonstrado na Figura 10, existe um consenso expressivo de que o pequeno produtor não deve ser deixado à margem da inovação. A grande maioria da amostra (98%) defende a criação de modelos de IA de baixo custo ou compartilhados. Entre as formas de viabilizar esse acesso, a preferência concentra-se em parcerias público-privadas (38%), seguidas por subsídios governamentais (32%) e incentivos do setor privado (28%). Apenas 2% dos respondentes acreditam que o investimento deve ser estritamente individual, o que reforça a tese de que a digitalização plena do campo exige uma abordagem sistêmica e colaborativa entre os diversos elos da cadeia produtiva.

Figura 10. Percepção sobre modelos de acesso e financiamento de tecnologias de IA para pequenos produtores

Fonte: Resultados originais da pesquisa

A Figura 10 ilustra o forte consenso em favor de modelos colaborativos de acesso à IA, encontrando respaldo direto nas recomendações de Stroparo et al. (2024), que enfatizam a necessidade de colaboração entre governos, setor privado, organizações da sociedade civil e academia para garantir que as tecnologias disruptivas sejam implementadas de forma ética e inclusiva. Silva Júnior et al. (2024) corroboram essa perspectiva ao apontarem que o futuro da agricultura digital no Brasil passa necessariamente por modelos de acesso compartilhado, dado o perfil heterogêneo dos produtores rurais nacionais. Essa convergência entre os dados empíricos deste estudo e as recomendações da literatura sugere que o caminho para a democratização da IA no campo já está delineado, restando avançar na construção de políticas e modelos de negócio que o tornem realidade.

Em síntese, os resultados desta pesquisa revelam que a transição do agronegócio brasileiro para uma agricultura inteligente é limitada por gargalos que vão além da dimensão tecnológica, residindo na capacitação humana, na infraestrutura de conectividade e na viabilidade econômica. Embora a infraestrutura básica de hardware já esteja presente para a maioria dos produtores, a plena integração da IA esbarra em barreiras estruturais relacionadas à integração de dados e ao letramento digital. A lacuna operacional identificada, em que a maioria dos respondentes declarou dificuldades para encontrar ou treinar profissionais aptos a operar ferramentas de IA, evidenciou que a inovação no campo não constitui um problema exclusivamente algorítmico, mas também de usabilidade e formação. Para que a IA se torne efetiva no cotidiano rural, precisará ser concebida como uma facilitadora intuitiva, e não como um obstáculo adicional à gestão do produtor, exigindo modelos de negócio acessíveis e políticas de transparência sobre a propriedade dos dados.

4. Conclusão

O presente estudo objetivou analisar a adoção de Inteligência Artificial e tecnologias da Agricultura 5.0, bem como a percepção de viabilidade econômica oriunda da digitalização e automação de práticas agrícolas, identificando as principais barreiras enfrentadas e comparando os benefícios percebidos por produtores rurais brasileiros. Verificou-se que a adoção tecnológica predominou em ferramentas de hardware, como maquinário com GPS e piloto automático, enquanto soluções de análise preditiva baseadas em IA apresentaram menor adesão. A falta de mão de obra capacitada configurou-se como a principal barreira, seguida pela infraestrutura de conectividade rural deficiente e pela elevada preocupação com a segurança dos dados. Observou-se que a produtividade foi o benefício mais valorizado pelos produtores, embora a IA também tenha demonstrado potencial para a redução de insumos. A principal contribuição deste trabalho reside em evidenciar que a plena consolidação da IA no agronegócio não depende apenas da disponibilidade tecnológica, mas de um ecossistema que promova capacitação, infraestrutura e modelos de negócio acessíveis.

Apesar dos achados, o estudo apresentou uma limitação amostral relevante, com a sub-representação de pequenos produtores, o que pode ter subestimado as dificuldades enfrentadas por esse segmento. Para estudos futuros, sugere-se a realização de pesquisas com amostragem estratificada que contemple proporcionalmente os pequenos produtores, a fim de aprofundar a análise das barreiras e benefícios. Recomenda-se o desenvolvimento de políticas públicas e iniciativas privadas que foquem na capacitação de mão de obra, na expansão e melhoria da conectividade rural e na criação de modelos de IA de baixo custo ou compartilhados, que garantam a segurança dos dados. Tais ações são cruciais para democratizar o acesso à inovação e assegurar que a transformação digital no campo contribua efetivamente para a sustentabilidade e a redução das desigualdades, consolidando a Inteligência Artificial como um vetor de desenvolvimento sustentável e soberania alimentar.

Referências Bibliográficas

Massruhá, S.M.F.S.; Leite, M.A.A.; Luchiari Junior, A.; Evangelista, S.R.M. 2020. A transformação digital no campo rumo à agricultura sustentável e inteligente. In: Agricultura Digital: Pesquisa, Desenvolvimento e Inovação nas Cadeias Produtivas. Brasília, DF: Embrapa. p. 20-45.

Russo, I.F.D. 2020. O Impacto da Inteligência Artificial na Sustentabilidade Ambiental: Uma Agricultura Sustentável. Dissertação (Mestrado em Gestão de Sistemas de Informação) – Universidade de Lisboa, Lisboa.

Santos Divino, S.B. 2021. Reflexões sobre a inteligência artificial na agenda 2030 para o desenvolvimento sustentável. Revista Eletrônica Direito e Política, Itajaí, v. 16, n. 1.

Santos, W.R. dos; Klinczak, M.N.M. 2024. Análise geográfica para implementação de tecnologias e Inteligência Artificial na agricultura de regiões rurais: região sul de Itapeva, São Paulo. Revista Tecnológica – uniFATEC, Curitiba, v. 15, n. 1, p. 01-14.

Silva Júnior, A.H. da et al. 2024. Agricultura Digital e a Sustentabilidade no Campo: Status Atual e Tendências. International Journal of Agrarian Sciences – PDVAgro, Recife, v. 4, n. 1, p. 1-17.

Silva, H. da; Santos, L. de L. 2024. A contribuição da Tecnologia da Informação na agricultura para o desenvolvimento sustentável. Rev. C&Trópico, v. 48, n. 2, p. 191-210.

Silveira Junior, D.F. da; Carlson Filho, C.M. 2023. Agricultura 5.0 – Sustentabilidade e eficiência através de tecnologias avançadas. In: Anais do Congresso Nacional de Iniciação Científica – CONIC.

Stroparo, T.R. et al. 2024. Tecnologias Disruptivas e Inteligência Artificial: Impulsionando a Agenda dos Objetivos de Desenvolvimento Sustentável (ODS). Revista Acadêmica da Lusofonia, v. 10, n. 6, p. 1446-1456.

Vinuesa, R. et al. 2020. The role of artificial intelligence in achieving the Sustainable Development Goals. Nat Commun, v. 11, n. 233.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Agronegócios do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Você também pode gostar

Compliance E Esg

11 de setembro de 2026

Inteligência Artificial na Gestão Contratual: Supervisão Humana, Riscos Jurídicos e Governança Algorítmica

O advento da inteligência artificial como tecnologia disruptiva reconfigurou processos econômicos, institucionais e jurídicos, conferindo centralidade à automação contratual na gestão de relações complexas. A automação contratual revelou-se um fenômeno juridicamente não neutro, com opacidade decisória, geração automatizada de cláusulas abusivas e dificuldades de atribuição de responsabilidade, deslocando a elaboração contratual para o domínio jurídico-normativo. O estudo analisou como a inteligência artificial na automação contratual intensificou a colisão entre eficiência tecnológica e segurança jurídica, e em que medida mecanismos de supervisão humana significativa e de governança algorítmica funcionaram como instrumentos de ponderação normativa para preservar princípios do direito contratual brasileiro. A pesquisa adotou abordagem qualitativa de estudo de casos múltiplos, com análise documental de quatro casos paradigmáticos: Moffatt v. Air Canada, United States v. RealPage, Deloitte/DEWR e INSS/TRF-4ª Região, representando os contextos consumerista, concorrencial, consultivo-contratual e administrativo. A análise identificou cinco padrões estruturais recorrentes – opacidade decisória, substituição da racionalidade normativa por inferências probabilísticas, accountability gap, assimetria informacional e incompreensão semântica – que emergiram de forma sistêmica. O desfecho fragmentado do caso RealPage reforçou a conclusão de que a jurisprudência sobre automação decisória permanece em formação. A governança algorítmica eficaz demonstrou exigir a integração de mecanismos de auditabilidade, responsabilização e supervisão humana, conforme as normas ISO 31000, COSO ERM e ISO 37301, como condição necessária à legitimidade dos sistemas automatizados de gestão contratual.

Palavras-chave: Contratos; Governança algorítmica; Inteligência artificial; Segurança jurídica; Supervisão humana.

Compliance E Esg

11 de setembro de 2026

Rituais de Verificação sob Pressão: Categorias de Ação ESG Relatadas por Grande Grupo Frigorífico Antes e Após Operação Deflagrada Pela Polícia Federal e Seus Desdobramentos, em Passado Recente

Relatórios de sustentabilidade são amplamente empregados como instrumentos de gestão da legitimidade corporativa, mas sua função como mecanismo de reorganização cognitiva em contextos de crise reputacional permaneceu subexplorada na literatura. O estudo analisou as transformações nas categorias de ação ESG reportadas pela Empresa JBS em seus relatórios anuais de sustentabilidade de 2015 a 2018, período que compreendeu dois anos anteriores e dois anos posteriores à Operação Carne Fraca e seus desdobramentos. O objetivo foi investigar como a organização alterou sua estrutura cognitiva após a crise reputacional, por meio de um de seus sistemas de reporte. Empregou-se um processo de catalogação sistemática de 1.088 práticas relatadas, classificadas por pilar ESG, tema material e categoria de ação. O referencial teórico mobilizou Mary Douglas (1986), Michael Power (1997), Meyer e Rowan (1977) e Edelman (2016) para interpretar os fenômenos observados. Os resultados evidenciaram um crescimento exigido em governança, que coexistiu com o colapso do pilar social, o desaparecimento de categorias substantivas e a substituição de ações voltadas a prêmios por ações que ressignificaram as relações da organização e seu posicionamento no mercado. Além disso, treinamentos de liderança migraram do tema de cultura para compliance, campanhas de comunicação cederam lugar a canais estruturais permanentes, e investidores tornaram-se a audiência de maior crescimento proporcional. Concluiu-se que a sofisticação do esforço de legitimação residiu não no que a empresa necessariamente fez, mas na consistência com que reorganizou quem ela diz ser e para quem, a partir das categorias de ação que relatou.

Palavras-chave: Crise reputacional; ESG; Pensamento institucional; Relatórios de sustentabilidade; Estratégia organizacional.

Gestão Escolar

11 de setembro de 2026

Liderança Escolar à Luz da Teoria U: um Diálogo com as Lideranças Transformacional e Servidora.

A integração de diferentes modelos de liderança mostrou-se um caminho relevante para instituições de ensino que buscaram inovar e alcançar excelência em suas práticas educacionais. Contudo, foram escassas as pesquisas empíricas que investigaram a aplicação da Teoria U na gestão escolar associada às abordagens Transformacional e Servidora, o que configurou uma lacuna na literatura. Este estudo buscou compreender como gestores educacionais perceberam e aplicaram princípios da Teoria U — escuta generativa, presencing e cocriação — em diálogo com as abordagens teóricas da Liderança Transformacional e da Liderança Servidora em suas práticas de gestão. A pesquisa, de natureza qualitativa e exploratória, foi realizada em uma instituição de ensino privada, localizada na cidade de São Paulo, que abrangeu desde a Educação Básica até a Pós-Graduação. Os dados foram coletados por meio de um roteiro de perguntas semiestruturadas, aplicado a sete gestores educacionais, e foram analisados com base na Análise de Conteúdo de Bardin. Os resultados evidenciaram aproximações entre as práticas observadas e os pressupostos teóricos dos modelos estudados, com a escuta destacando-se como a competência que melhor articulou as três abordagens no contexto investigado. Também foram identificadas algumas tensões entre os referenciais teóricos e o cotidiano da gestão. O estudo contribuiu para uma reflexão crítica sobre as possibilidades e os limites da integração desses diferentes modelos de liderança em ambientes escolares, ampliando o debate e oferecendo subsídios relevantes para o fortalecimento do campo da gestão educacional.

Palavras-chave: Análise de Conteúdo; Escuta Generativa; Estudo de Caso; Gestão Escolar; Liderança.

10 de setembro de 2026

Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

O mercado acionário brasileiro, caracterizado por elevada volatilidade e restrições de liquidez, impõe desafios à aplicação de modelos de aprendizado de máquina na previsão de retornos e na construção de estratégias de investimento. O estudo comparou o desempenho preditivo e econômico de modelos de aprendizado de máquina e métodos estatísticos tradicionais na estimação de retornos futuros e na formação de carteiras baseadas em ranking de ativos. Utilizaram-se dados históricos de ações da B3, com variáveis técnicas e financeiras derivadas de preços e volume. Avaliaram-se modelos lineares (Regressão Linear, Ridge, LASSO, Elastic Net), de ensemble (Random Forest, XGBoost, LightGBM) e uma rede neural (Multilayer Perceptron). A avaliação preditiva ocorreu por métricas de erro em conjunto de teste, e a econômica por backtest de estratégias long-only, com custos operacionais baseados no turnover para análise de retornos brutos e líquidos. Os resultados revelaram baixa capacidade preditiva em todos os modelos, com R² negativos e erros elevados. Embora diferenças marginais nas previsões tenham gerado variações no desempenho econômico, estas foram de baixa magnitude e instáveis. O modelo LightGBM obteve o melhor desempenho econômico, mas com ganhos limitados em relação ao benchmark após a inclusão de custos operacionais. Não se observou evidência consistente de geração de retorno ajustado ao risco superior.

Palavras-chave: aprendizado de máquina; backtest; mercado acionário; previsão de retornos; seleção de ativos.

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

O mercado imobiliário da Grande Florianópolis tem experimentado valorização acelerada, impulsionada pelo crescimento populacional e pela demanda turística e de investimento. Este estudo analisou os determinantes do valor de imóveis residenciais e comparou o desempenho preditivo de modelos de aprendizado de máquina, especificamente Random Forest e Gradient Boosting (XGBoost), com uma regressão por Mínimos Quadrados Ordinários (MQO). Os dados foram coletados via web scraping de dois portais imobiliários em março de 2026, abrangendo os municípios de Florianópolis, São José, Palhoça e Biguaçu, resultando em 8.056 observações válidas após limpeza. Avaliou-se o desempenho dos modelos por meio das métricas R², RMSE e MAPE. O XGBoost apresentou o melhor desempenho preditivo geral (R² = 0,742, RMSE = R$ 927.113), enquanto o Random Forest obteve o menor erro relativo (MAPE = 25,69%). Os principais determinantes do preço identificados foram a área construída, a região de localização e o número de banheiros. Uma análise complementar por segmento de mercado revelou que o MQO dependeu dos valores extremos para sustentar seu ajuste, enquanto os modelos ensemble mantiveram desempenho estável. Concluiu-se que os métodos de aprendizado de máquina são mais robustos para precificação hedônica em mercados imobiliários heterogêneos, especialmente na presença de imóveis atípicos.

Palavras-chave: Ensemble; Imobiliário; Regressão; Residencial; Web Scraping.

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

A leitura de obras literárias clássicas apresenta desafios no contexto escolar contemporâneo, devido ao distanciamento entre a linguagem dos textos e o repertório dos estudantes. Investigou-se como a utilização de memes contribuiu para a construção de sentidos na leitura da obra Senhora, de José de Alencar, no Ensino Fundamental II. A pesquisa adotou uma abordagem qualitativa, com caráter de pesquisa participante, e foi desenvolvida com duas turmas de 9º ano de uma escola privada em Volta Redonda, Rio de Janeiro. Os dados foram coletados por meio de questionários e das produções dos estudantes, e analisados à luz da análise de conteúdo. Os resultados indicaram que a utilização de memes favoreceu a aproximação dos alunos com o texto literário, reduziu a resistência inicial e ampliou o engajamento com a leitura. Observou-se, também, o avanço progressivo na compreensão da narrativa, evidenciado pela capacidade de interpretar fatos, analisar personagens, identificar relações implícitas e elaborar posicionamentos críticos. As produções revelaram a articulação entre o conteúdo da obra e o repertório sociocultural dos estudantes, indicando a construção de aprendizagens com significado. Concluiu-se que a integração entre literatura e cultura digital potencializou a mediação pedagógica, contribuindo para a formação de leitores mais ativos e interpretativamente autônomos.

Palavras-chave: aprendizagem significativa; cultura digital; leitura literária; multiletramentos; neurociência.

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

O estudo analisou a interpretação e a aplicação da definição de insumos para fins de creditamento do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) no regime não cumulativo, à luz do entendimento firmado pelo Superior Tribunal de Justiça (STJ) no julgamento do Recurso Especial n.º 1.221.170 (Tema 779). Objetivou-se examinar os limites jurídicos da utilização desses créditos, considerando os critérios de essencialidade ou relevância estabelecidos pela jurisprudência do STJ. Realizou-se pesquisa documental e jurisprudencial, com análise de acórdãos representativos do Conselho Administrativo de Recursos Fiscais (CARF) e do STJ, abrangendo períodos anteriores e posteriores ao Tema 779. Complementarmente, conduziu-se pesquisa bibliográfica e estudos de dois casos concretos do CARF, com abordagem qualitativa, para verificar a aplicação prática dos critérios. Constatou-se que o STJ afastou a aplicação automática da definição de insumo do IPI, consolidando os critérios de essencialidade e relevância. Entretanto, a análise dos julgados do CARF evidenciou que, embora houvesse reconhecimento formal do precedente do STJ, sua incidência foi modulada conforme a natureza da atividade empresarial, mostrando-se mais restritiva para empresas de revenda. Os casos concretos ilustraram que creditamentos de fretes foram tratados de forma distinta, dependendo da vinculação do gasto à produção ou à revenda. Concluiu-se que a definição de insumos permanece um ponto sensível do sistema tributário, e a correta utilização dos créditos demanda análise casuística rigorosa, pautada na observância dos precedentes judiciais e dos limites normativos vigentes, para evitar glosas e penalidades.

Palavras-chave: COFINS; Creditamento; Insumos; PIS.

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

O Imposto Territorial Rural (ITR), de competência da União, pode ter sua fiscalização e cobrança delegadas aos Municípios e ao Distrito Federal. Este trabalho examinou a adesão municipal a esses convênios e o impacto na arrecadação, analisou se os entraves processuais para os Municípios remeterem demandas aos órgãos federais desestimulavam a celebração de acordos, e avaliou o interesse processual da União em litígios de ITR sob delegação, à luz da Teoria Eclética da Ação, bem como a efetividade da diretriz constitucional de desestímulo a propriedades improdutivas. A pesquisa utilizou um estudo de caso, com base em dados e relatórios oficiais da Receita Federal do Brasil e referencial doutrinário jurídico. Os resultados indicaram baixa adesão municipal aos convênios, com quase 75% dos municípios sem acordo. A arrecadação do ITR, mesmo integralmente repassada, não justificou os investimentos municipais, e a manutenção da atuação processual pela União desestimulou a continuidade dos ajustes. Verificou-se que a União carecia de interesse processual nessas demandas, dada a ínfima representatividade do ITR na arrecadação federal e a ausência de proveito econômico-financeiro, o que impediu o cumprimento efetivo da diretriz constitucional de desestímulo à improdutividade rural. Concluiu-se que são necessárias modificações legislativas para que o ITR alcance seus objetivos de arrecadação e função social.

Palavras-chave: Arrecadação; Eficiência; Fiscalização; ITR; Municípios.

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

A fragmentação informacional no setor florestal brasileiro constituiu o ponto de partida desta pesquisa, que investigou como a governança de dados impactou a capacidade analítica, o risco financeiro e a competitividade da gestão florestal, por meio de um estudo comparativo entre Brasil e Finlândia. Submeteram-se 332 documentos, incluindo 307 informativos CEPEA/Esalq/USP (2001–2025) e 25 relatórios setoriais (Bracelpa, ABRAF, Ibá, 2003–2025), a um pipeline de extração automatizado baseado em OCR, mineração de texto e expressões regulares, obtendo-se 13.059 registros estruturados. Realizou-se análise de sensibilidade do Valor Presente Líquido (VPL) e análise de sentimento léxica. Apenas 12,1% dos registros de custo continham Custo Operacional Efetivo preenchido, e nenhum apresentou margem líquida calculável. A incerteza nos dados de entrada oscilou o VPL de um projeto florestal em mais de R$ 20.000/ha, evidenciando a distorção da decisão orientada por dados quando a sofisticação algorítmica não substituiu a qualidade dos dados de origem. A análise de sentimento léxica confirmou a transição dos relatórios setoriais brasileiros de formato estatístico para promocional. Em contraste, o modelo finlandês demonstrou a viabilidade de uma governança integrada, com o inventário florestal consolidado como pilar de inteligência industrial. Os resultados indicaram que o fortalecimento da governança de dados constituiu pré-requisito para a transição do setor para um sistema de planejamento sustentado por evidências.

Palavras-chave: competitividade; fragmentação informacional; inteligência artificial; soberania digital; tomada de decisão.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade