Dado de clima manipulado: o risco que a IA amplia hoje

Em abril de 2026, a estação meteorológica do aeroporto Charles de Gaulle, em Paris, registrou picos de temperatura que não existiram. Nos dias 6 e 15 daquele mês, o sensor marcou 22°C num momento em que a média real girava perto de 18°C. Um apostador que tinha previsto justamente aquele patamar de calor embolsou US$ 20 mil num mercado de previsão. A manipulação de dados climáticos é a alteração deliberada da leitura de um sensor meteorológico para produzir um resultado favorável a quem aposta ou lucra com aquele número. Se você trabalha com dados, pesquisa ou qualquer decisão que dependa de previsão do tempo, esse episódio pequeno aponta para um problema que só vai crescer.

O que aconteceu

Segundo o artigo, membros de uma associação climática francesa notaram a anomalia por acaso e deram o alerta. Autoridades especulam que algo como um secador de cabelo ou um isqueiro pode ter sido usado perto do sensor para forçar a leitura. Não foi um ataque sofisticado. Foi alguém com acesso físico à estação e um motivo financeiro claro: no caso de Paris, o palpite certo sobre o extremo de temperatura gerou um pagamento de US$ 20 mil num mercado de previsão do tempo.

O caso só foi identificado porque havia gente de olho. Os autores do artigo, cientistas do ECMWF (European Centre for Medium-Range Weather Forecast), da ONU e de centros de pesquisa em geociências, são categóricos: os autores do artigo são categóricos: foi um humano que identificou a manipulação em Charles de Gaulle. Os sistemas automáticos de controle de qualidade, por si só, não pegaram.

Por que isso importa pra você

Previsão do tempo não é curiosidade de aplicativo. Segundo o artigo, ela orienta decisões concretas em setores inteiros:

1. Agricultura: qual variedade de cultivo plantar, quando adubar, quanto investir em irrigação, por quanto tempo manter o gado no pasto.
2. Energia: onde construir usinas solares e eólicas, como precificar a eletricidade no mercado à vista.
3. Segurança pública (defesa civil e proteção à população em eventos climáticos extremos): quando emitir alertas de evento extremo e acionar resposta de emergência.
4. Mercados financeiros: apostas em eventos climáticos, um setor ainda emergente.

Se você pesquisa em qualquer área que dependa de série histórica de dados ambientais, o ponto central do artigo vale para o seu trabalho também: a confiabilidade da observação bruta é a base de tudo o que vem depois. Um dado contaminado na ponta contamina qualquer análise construída sobre ele, seja um modelo estatístico clássico, seja uma IA.

Como a IA amplia esse risco em vez de reduzir

Aqui está o argumento mais incômodo do artigo. Sistemas tradicionais de previsão, como o Weather Research and Forecasting model e o ECMWF Integrated Forecasting System, têm uma etapa chamada assimilação de dados. Cada nova leitura é comparada com o que o modelo físico espera e com as estações vizinhas antes de entrar no cálculo. É um filtro embutido.

Os autores relatam que pesquisadores do ECMWF estão testando modelos de IA que pulam essa etapa e trabalham direto com a observação bruta. Esses são chamados de “modelos guiados por dados” (data-driven models), e são exatamente eles que mais dependem da qualidade da observação original, ao mesmo tempo em que removem a camada que verificava essa qualidade. Outros grupos de pesquisa já combinam dados geoespaciais com modelos de linguagem e IA agêntica para decisão autônoma em tempo real durante tempestades e outros eventos extremos.

O artigo descreve isso como uma escala de risco crescente:

• Ponta baixa: um apostador manipula uma estação para ganho pessoal (o caso de Paris).
• Meio da escala: um grupo de traders coordena manipulação para inflar previsões de geração renovável e mover preços de energia no mercado à vista.
• Ponta alta: um ator estatal ou sabotador manipula estações para disparar, ou silenciar, um sistema de alerta antecipado de desastre.

Não é ficção especulativa: é a mesma vulnerabilidade observada em Charles de Gaulle, só que aplicada a um alvo com consequência maior. E quanto mais a decisão automática substitui a checagem humana, menos gente está de olho no ponto exato onde a fraude aconteceu.

O que os autores propõem fazer

O artigo lista três frentes de defesa, e nenhuma delas é exclusivamente técnica:

1. Monitorar as estações continuamente, com detecção de anomalia e supervisão humana. Métodos de homogeneização de dados precisam ficar mais rápidos, o objetivo é pegar o problema em tempo real, não dias depois.
2. Proteger o dado para proteger a IA, com mecanismos de defesa distribuídos por todo o pipeline. Ferramentas de explicabilidade e robustez adversarial ajudam a identificar quando o dado ou o resultado do modelo está fora do esperado.
3. Garantir responsabilidade contínua ao longo da cadeia, do operador da estação ao serviço meteorológico nacional até o centro de previsão. Nenhum elo isolado protege a integridade do dado: cada um guarda sua parte, e qualquer anomalia precisa ser comunicada adiante.

Nenhuma dessas medidas elimina a tentação de manipular um sensor. O que elas fazem é encurtar o tempo entre a fraude e a descoberta, que é exatamente o intervalo que hoje favorece quem manipula.

O ponto que me chama atenção nisso

O que mais me interessa nesse caso não é o secador de cabelo perto do sensor. É o fato de que o sistema só funcionou porque havia gente checando por fora do automatismo. Isso é uma lição que vale para qualquer pesquisa que use dado de terceiro como insumo: a confiança automática num pipeline de dados é sempre uma aposta, e quanto mais camadas de verificação humana você remove para ganhar velocidade, menos alguém está de olho no ponto exato onde uma fraude poderia acontecer.

Isso não é motivo para descartar IA em ciência de dados climáticos, nem em nenhuma outra área. É motivo para perguntar, antes de automatizar uma etapa, quem verificava aquilo antes e o que se perde quando essa verificação some. A pergunta vale tanto para previsão do tempo quanto para qualquer modelo que você use na sua própria pesquisa.

Próximos passos

Se você trabalha com dados observacionais de qualquer tipo, sensor, wearable, registro administrativo, vale perguntar:

1. Existe alguma etapa de verificação cruzada entre a fonte do dado e o modelo que você usa, ou o dado bruto entra direto?
2. Quem, hoje, seria capaz de notar se um ponto da sua série histórica fosse manipulado?
3. Se a resposta for “ninguém, o sistema é automático”, esse é o ponto de risco descrito neste artigo, só que na sua área.

Para quem quer entender melhor como esse tipo de risco se conecta ao uso mais amplo de IA em pesquisa, vale ler Google testa IA para reduzir tráfego. E os dados são, que trata de um problema parecido: o que acontece quando um sistema de IA passa a decidir com base em dados que ninguém mais está checando de perto.

Fonte: The risk of weather data sabotage is rising, MIT Technology Review