QA/QC de dados geotécnicos: como reduzir risco

QA/QC de dados geotécnicos: como reduzir risco

QA/QC como governança de risco, não como etapa administrativa

QA/QC de dados geotécnicos é frequentemente tratado como uma etapa administrativa, um conjunto de checagens de consistência para “limpar planilhas” antes de alimentar modelos. Esse enquadramento é insuficiente e, em operações complexas, perigoso. A qualidade do dado geotécnico deve ser entendida como uma barreira de segurança e um componente explícito da governança de risco: é ela que sustenta decisões de estabilidade, drenagem, gatilhos operacionais, priorização de intervenções e, em última instância, a proteção de pessoas. Quando a organização não controla a qualidade do dado, ela perde a capacidade de distinguir variabilidade real do maciço de ruído de medição, transforma incerteza em falsa precisão e cria uma cadeia de decisões que pode ser tecnicamente indefensável diante de auditorias, incidentes ou questionamentos regulatórios.

Onde o risco realmente nasce: produção e uso do dado

A origem do risco raramente está no software ou na falta de capacidade analítica. Em geral, o risco nasce no dado, ou mais precisamente no modo como ele é produzido, contextualizado, rastreado e autorizado a entrar em decisões críticas. Amostras coletadas sem cadeia de custódia consistente, ensaios aceitos sem critérios de aceitação, metadados incompletos, integração de bases sem versionamento, instrumentação tratada como “número” e não como sistema físico. Cada uma dessas falhas cria vazamentos de qualidade que, somados, corroem a confiabilidade da engenharia. É por isso que QA/QC, quando bem estruturado, não é um checklist. É uma arquitetura em camadas que combina garantia da qualidade, controle da qualidade, rastreabilidade, governança de mudanças e auditoria dirigida, com responsabilidades claras e poder real de bloquear dados inadequados para usos críticos.

Definir criticidade: dados existem para proteger decisões

O ponto de partida não é definir regras genéricas de validação. O ponto de partida é tornar explícito o que o dado precisa proteger: decisões. A empresa deve estabelecer objetivos de qualidade de dados, alinhados a casos de uso que variam em criticidade e tolerância a erro. Um mesmo tipo de dado pode ser adequado para tendência e inadequado para definição de parâmetro de projeto; pode ser suficiente para caracterização inicial e insuficiente para suportar um gatilho operacional. Essa distinção precisa ser formalizada por um modelo de criticidade do dado. Um esquema pragmático é classificar dados em níveis que reflitam o risco associado ao seu uso: um nível voltado a decisão crítica e gatilhos operacionais, um nível para projeto e revisão de modelos, um nível para caracterização e tendência, e um nível observacional ou informativo. Em termos operacionais, isso evita o erro recorrente de “elevar” dados de baixa qualidade para decisões de alto impacto por conveniência, e força a organização a criar um mecanismo de upgrade: para um dado migrar a níveis mais críticos, deve passar por revisões adicionais, evidência ampliada e validação independente.

Resultados excessivamente consistentes ou “bons demais” também exigem cautela. Em materiais naturalmente heterogêneos, baixa dispersão pode indicar problemas de amostragem, preparação ou método, e não excelência técnica. QA/QC maduro questiona tanto o ruído quanto a perfeição artificial.

Governança mínima: papéis, autoridade e poder de bloqueio

A criticidade só funciona se houver governança. Isso significa definir papéis e, sobretudo, definir autoridade. O desenho que se sustenta no tempo separa a produção do dado, a curadoria e o uso em decisão, conectando esses elos por regras de rastreabilidade e validação. A produção envolve campo, laboratório, topografia e instrumentação. A curadoria organiza padrões, metadados, validações automáticas, banco de dados e versionamento. O uso em decisão envolve engenharia e operação, com responsabilidade explícita por declarar qualidade e incerteza ao utilizar evidência. Esse arranjo precisa incluir uma função de liderança de QA/QC com autoridade formal para bloquear dados destinados a decisões críticas e a parâmetros de projeto quando critérios mínimos não forem atendidos. Sem esse poder de bloqueio, o processo inevitavelmente se degrada sob pressão de prazo, e QA/QC vira um ritual simbólico.

Arquitetura em camadas para QA/QC de dados críticos

Camada 1 – Planejamento e especificação técnica

Com criticidade e papéis definidos, a implementação deve operar por um fluxo simples e rigoroso, do planejamento à auditoria. A primeira camada é o planejamento e a especificação técnica antes do dado existir. Aqui se define o objetivo do dado, o método adequado ao material, a frequência, a necessidade de replicatas, as tolerâncias e os critérios de aceitação. Também se definem pontos de parada, nos quais a coleta ou o processamento não avança sem verificação. A lógica é de prevenção: reduzir a probabilidade de que o dado nasça inadequado. Em materiais sensíveis como rejeitos e finos, essa etapa é decisiva; métodos de ensaio ou preparação inadequados geram resultados coerentes “no papel”, porém desconectados do comportamento em campo, e a organização passa a calibrar decisões em cima de parâmetros que não representam a realidade operacional.

Gatilhos operacionais baseados em dados de baixa qualidade são gatilhos falsos. Eles aumentam a probabilidade de falsos negativos, normalizam desvios reais e criam uma sensação de controle que não resiste ao teste do campo.

Camada 2 – Execução com rastreabilidade na coleta

A segunda camada é execução com rastreabilidade no momento da coleta. Aqui o foco é cadeia de custódia, identificação inequívoca, georreferenciamento, registro padronizado e captura de contexto. O dado sem metadado mínimo deve ser tratado como dado órfão e não deve entrar na base oficial. Esse é um ponto de inflexão: organizações maduras não tentam “corrigir depois” o que não foi registrado quando era possível. Elas bloqueiam, colocam em quarentena e acionam correção na origem. O mesmo raciocínio vale para instrumentação: instalação, leituras de referência, registros de calibração e inspeções de integridade não são anexos; são parte do dado.

Camada 3 – Validação automática e quarentena

A terceira camada é validação automática e quarentena. Ao receber dados, o sistema deve aplicar checagens objetivas de qualidade: consistência de unidades, faixa de plausibilidade, duplicidades, completude de campos, coerência temporal, coordenadas e profundidades, integridade de arquivos e padronização. Isso deve gerar flags, não discussões. Dado com falha crítica não segue o fluxo; fica em quarentena até correção, reteste ou descarte. Essa camada reduz a carga humana e evita que erros triviais contaminem análises sofisticadas. Ela também prepara o terreno para o que realmente importa: validação técnica.

Camada 4 – Revisão técnica e classificação por criticidade

A quarta camada é revisão técnica por engenheiro, orientada por coerência física, coerência geológica e adequação do método ao material. Essa revisão deve testar se o resultado “faz sentido” dentro do domínio e do histórico, e se a dispersão é compatível com a variabilidade esperada. Um dos pontos cegos mais comuns é aceitar resultados “bons demais” como sinal de excelência, quando na prática podem indicar problemas de preparação, de procedimento ou de viés do método. A revisão técnica também deve decidir quando aplicar replicatas e checagens cruzadas, principalmente em dados que irão sustentar parâmetros ou gatilhos. Ao final, o dado é classificado no nível adequado e, se destinado a níveis críticos, segue para aprovação formal.

O fluxo mínimo de QA/QC para dados críticos é simples e implacável: produção conforme especificação, validação automática, quarentena quando necessário, revisão técnica, aprovação formal e uso restrito ao nível de criticidade autorizado. Qualquer atalho nesse fluxo aumenta risco sistêmico.

Camada 5 – Fonte única de verdade, versionamento e auditoria

A quinta camada é publicação em uma fonte única de verdade, com versionamento e trilha de auditoria. A organização precisa eliminar o ambiente de múltiplas planilhas vivas, parâmetros que mudam sem registro e superfícies topográficas “atualizadas” sem controle. Para dados, parâmetros e modelos, deve existir um mecanismo mínimo de controle de mudanças. Sempre que um parâmetro muda, o sistema registra o que mudou, por que mudou, qual evidência sustentou a mudança, quem aprovou e qual o impacto na decisão e no risco. Essa disciplina é o que torna a engenharia reproduzível e defensável, e reduz a exposição organizacional a retrabalho, divergências internas e contestação externa.

Instrumentação como sistema físico, não como número

Instrumentação exige um tratamento específico, porque seu risco não está apenas em valores errados, mas em interpretações erradas. Um programa robusto de QA/QC para monitoramento não se limita a range checks; ele incorpora detecção de deriva, identificação de flatline, limitação de taxa de variação, validação por redundância e, principalmente, triangulação com contexto operacional e hidrológico. Leituras de piezometria precisam ser interpretadas com chuva e operação, deslocamentos precisam ser correlacionados com desmontes e frentes, vazões de drenos precisam dialogar com níveis d’água e condições de limpeza. Além disso, há uma regra operacional que diferencia maturidade de improviso: anomalia de dado não é “fechada” sem verificação de campo quando o sinal tem potencial impacto em decisão crítica. O objetivo é reduzir falsos alarmes sem aumentar falsos negativos; falsos negativos são o risco estrutural, porque criam uma sensação de normalidade em um sistema que está degradando.

Medir, governar e auditar para sustentar o sistema

Para que o sistema se sustente, é necessário medir e governar. Indicadores de qualidade não são métricas de vaidade; são mecanismos de gestão de risco. Um painel mínimo deve monitorar completude de metadados, percentual de dados em quarentena, tempo de validação, taxa de retrabalho, número de alterações de parâmetros e seus motivos, percentual de instrumentos com inspeção em dia e volume de anomalias abertas além de um prazo definido. Essas métricas alimentam rotinas curtas e disciplinadas: triagem semanal de anomalias e quarentena, revisão mensal de qualidade e mudanças de parâmetros, e auditoria trimestral por amostragem dirigida, na qual alguns itens críticos são rastreados até a origem para testar reprodutibilidade e aderência ao procedimento. Sem esse ciclo, QA/QC vira um conjunto de boas intenções que não aprende com os próprios desvios.

Auditoria como mecanismo de aprendizado institucional

A auditoria, no contexto de QA/QC, não é um evento formal ocasional. É um método de aprendizado institucional. Ao rastrear periodicamente alguns dados críticos até sua origem, a organização identifica onde os vazamentos de qualidade são recorrentes e corrige o sistema, não apenas o caso. Esse é o passo que transforma QA/QC de controle reativo em construção de capacidade. O resultado prático é uma redução de surpresas operacionais, uma diminuição do retrabalho, uma melhora na qualidade de debate técnico em comitês e uma elevação da confiabilidade dos gatilhos e modelos utilizados na gestão do período chuvoso e na estabilidade de estruturas.

Teste de maturidade: auditabilidade da decisão

A forma mais honesta de avaliar maturidade é testar a auditabilidade de uma decisão. Diante de uma decisão crítica, a equipe consegue, em poucas horas, reconstruir a cadeia de evidências com dataset identificado, versão controlada, metadados completos, validações registradas, incerteza explicitada e aprovação rastreável? Se a resposta for negativa, o risco real está maior do que parece, porque a organização está operando com evidência frágil, mesmo que possua grande volume de dados. Volume sem governança é apenas complexidade, e complexidade sem rastreabilidade vira vulnerabilidade.

Implementação pragmática e integridade sob pressão

Quando implementado com disciplina, QA/QC reduz risco por mecanismos diretos: antecipa sinais relevantes ao diferenciar ruído de mudança real; fortalece a confiabilidade de parâmetros e modelos ao amarrá-los a evidência rastreável; e cria aprendizado institucional ao impedir que a empresa repita os mesmos erros a cada nova campanha. Isso não elimina incerteza, mas impede que incerteza vire surpresa. E, em geotecnia operacional, essa diferença é muitas vezes o que separa uma gestão de risco madura de uma sequência de reações tardias.

Um plano de implementação pragmático pode ser executado em ciclos curtos. Nas primeiras semanas, a organização define níveis de criticidade, papéis e autoridade de bloqueio, padroniza metadados mínimos, estabelece uma fonte única de verdade e aplica validações automáticas básicas com quarentena. Na sequência, institui revisão técnica e aprovação formal para dados e parâmetros críticos, cria registro de mudanças para parâmetros e modelos e coloca um painel mínimo de qualidade em operação. Por fim, roda a primeira auditoria por amostragem dirigida e corrige sistemicamente os maiores vazamentos identificados. Esse caminho é simples. O difícil é manter a integridade sob pressão. É exatamente por isso que QA/QC deve ser tratado como governança de risco, com regras, evidência e consequências, e não como uma etapa opcional de organização de dados.