Avaliação de risco de ativos com IA para hospitais e bancos

Por que razão os hospitais e os bancos precisam agora da avaliação de risco de ativos com IA

Os hospitais e os bancos na Europa estão sob pressão simultânea para melhorar a resiliência operacional, reduzir as despesas operacionais (OPEX) e demonstrar controlo sobre os riscos relacionados com o clima e os ativos. Em ambos os setores, a falha de um único ativo crítico pode desencadear consequências desproporcionadas: um refrigerador de sala de operações que avaria durante uma cirurgia, uma avaria no quadro elétrico de um centro de dados que derruba os sistemas de pagamentos ou uma UPS com falha que compromete tanto o tempo de atividade como a segurança.

Ao mesmo tempo, quadros regulamentares como a CSRD e a ESRS, juntamente com normas de gestão de ativos como a ISO 55001, estão a elevar as expectativas quanto à forma como as organizações identificam, avaliam e tratam os riscos de infraestrutura. As matrizes de criticidade tradicionais e as avaliações periódicas do estado já não são, por si só, suficientes. São estáticas, pouco baseadas em dados e, muitas vezes, desligadas do que os ativos estão realmente a fazer no dia-a-dia. A pontuação do estado dos ativos, impulsionada pela IA, oferece uma forma de modernizar este panorama. Ao combinar telemetria em tempo real proveniente de sensores IoT e de sistemas BMS/SCADA com o histórico de manutenção e dados contextuais numa plataforma de Gestão de Ativos Empresariais (EAM), hospitais e bancos podem calcular pontuações de risco dinâmicas para instalações de climatização, infraestruturas elétricas, sistemas de incêndio e outros ativos críticos.

Estas pontuações ajudam as equipas de instalações e de risco a perceber, num relance, quais os ativos que estão a entrar em faixas de risco mais elevadas e porquê. Nos hospitais, as primeiras implementações da avaliação do estado dos ativos baseada em IA centram-se no equipamento que afeta diretamente a segurança dos doentes e o controlo de infeções: unidades de tratamento de ar das salas de operações, instalações de esterilização, geradores de emergência e dispositivos médicos críticos.

No caso dos bancos, modelos semelhantes estão a ser aplicados a quadros de distribuição, sistemas UPS, unidades CRAC e infraestruturas de segurança em centros de dados e agências principais, alinhando a perceção do risco dos ativos com os requisitos de resiliência operacional e com a elaboração de relatórios em conformidade com a CSRD sobre incidentes e consumo de energia. A chave está em evitar tratar a classificação por IA como uma experiência isolada. Em vez disso, deve assentar numa estrutura robusta de gestão de ativos (EAM) e de gestão de riscos que já defina hierarquias de ativos, critérios de criticidade e regras de decisão.

As orientações centradas na norma ISO 55001 sobre a criticidade dos ativos e a gestão de riscos salientam que a criticidade é uma função da consequência e da probabilidade (guia de risco de ativos da ISO 55001). A IA reforça a vertente da «probabilidade», transformando dados em tempo real sobre o estado e o desempenho em indicadores quantitativos, enquanto a consequência continua a decorrer da compreensão empresarial e clínica. Quando implementada desta forma — e integrada com plataformas como a Nextbitt, que unificam ativos, IoT e sustentabilidade —, a avaliação de saúde com IA torna-se uma ferramenta fiável para priorizar ordens de trabalho, justificar despesas de capital (CAPEX) e demonstrar às entidades reguladoras que o risco está a ser gerido de forma proativa, e não reativa.

Conceção de pontuações de saúde e risco de ativos baseadas em IA para carteiras críticas

Conceber pontuações de saúde e risco de ativos baseadas em IA que funcionem para hospitais e bancos significa começar pela governação, e não pelos algoritmos. As entidades reguladoras, a auditoria interna e as comissões clínicas ou de risco só aceitarão decisões assistidas por IA se puderem ver uma linha clara entre os objetivos de negócio, os dados introduzidos e os resultados dos modelos. Uma abordagem prática consiste em integrar a avaliação do estado dos ativos no seu sistema de gestão de ativos ISO 55001 já existente.

Essa norma já exige que se definam a criticidade dos ativos, os critérios de risco e os objetivos de desempenho; a IA torna-se simplesmente mais uma forma de quantificar o lado da «probabilidade» da equação de risco, utilizando dados em tempo real sobre o estado e o desempenho, em vez de apenas falhas históricas. Na prática, deve-se definir primeiro o que uma pontuação de integridade deve representar. No caso de um refrigerador hospitalar que abastece salas de operações, ou do quadro elétrico principal de um banco num centro de dados de Nível III, a pontuação tem de refletir tanto o estado técnico (quão próximo de uma avaria?) como o impacto no serviço (qual o nível de risco para os doentes, as transações ou a conformidade?).

As orientações sobre criticidade e risco da norma ISO 55001 (Guia de criticidade e risco da ISO 55001) sugerem uma matriz de consequências de segurança, operacionais, ambientais, financeiras e de reputação, combinadas com a probabilidade de falha. Os modelos de IA concentram-se então na previsão da probabilidade, enquanto as consequências decorrem da sua avaliação de criticidade. Em seguida, deve selecionar e ligar as fontes de dados. No caso dos sistemas de climatização, energia e segurança de pessoas, isso inclui frequentemente pontos do BMS ou do SCADA (temperaturas, pressões, correntes), sensores IoT (vibração, qualidade da energia, qualidade do ar interior) e histórico do EAM (idade, modos de falha, ordens de trabalho).

Em instalações bancárias, surgem padrões semelhantes em torno de sistemas UPS, quadros de distribuição e unidades de refrigeração em centros de dados, onde pequenas alterações no consumo de energia ou na estabilidade da temperatura precedem frequentemente os incidentes. A própria conceção do modelo deve privilegiar a transparência. Em vez de uma única pontuação opaca, muitas organizações utilizam um pequeno conjunto de componentes interpretáveis — tais como condição, desempenho, utilização e qualidade dos dados — combinados num índice global de integridade.

Cada componente é determinado por uma combinação de regras (por exemplo, «inspeção em atraso» ou «além da vida útil esperada») e características de aprendizagem automática (por exemplo, anomalias de tendência na vibração ou na temperatura). Esta abordagem híbrida facilita a explicação aos auditores do motivo pelo qual a pontuação de um ativo mudou: talvez as inspeções tenham sido adiadas, os perfis de carga tenham mudado ou as tendências dos sensores indiquem falhas emergentes. As políticas de ativos compatíveis com a norma ISO 55001 podem então definir quais as ações que correspondem às diferentes faixas de pontuação: monitorização de rotina, inspeção direcionada, planeamento acelerado de renovação ou mitigação imediata de riscos.

Por fim, é necessário um ciclo de feedback. Os técnicos e engenheiros devem poder confirmar, aperfeiçoar ou anular as pontuações geradas pela IA no terreno, sendo que as suas decisões servem de base para o retreinamento do modelo. Ao longo do tempo, esta abordagem «human-in-the-loop» melhora a precisão e a confiança: as pontuações de estado que se alinham frequentemente com os resultados reais tornam-se auxiliares de decisão credíveis; as que não o fazem são ajustadas ou retiradas. Os painéis que mostram como as pontuações se correlacionam com falhas, tempo de inatividade e desvios energéticos ajudam as equipas de risco e ESG a perceber que o sistema não é uma «caixa negra», mas sim uma extensão, apoiada em evidências, da estrutura de gestão de ativos que já conhecem.

Criar um modelo de risco de ativos preparado para IA em que os seus auditores possam confiar

A criação de um modelo de risco de ativos preparado para a IA em que os seus auditores possam confiar resume-se, em última análise, a processos e evidências. As entidades reguladoras e as funções de auditoria interna estão menos interessadas no algoritmo mais recente do que na sua capacidade de demonstrar controlo: quem é o responsável pelo modelo, como é validado, como as decisões são documentadas e como os riscos são escalados.

Isso significa integrar a avaliação de saúde por IA nas suas estruturas existentes de risco e governação, e não executá-la como um projeto-piloto independente na equipa de engenharia. Um bom ponto de partida é tratar os modelos de IA como «métodos» no âmbito do seu sistema de gestão de ativos ISO 55001. Cada modelo tem um responsável, um objetivo documentado, dados de entrada definidos e regras claras sobre quando os seus resultados podem influenciar decisões de manutenção, operações ou CAPEX. Os guias de risco de ativos para a norma ISO 55001 enfatizam a necessidade de níveis explícitos de apetite e tolerância ao risco (orientações da ISO 55001 sobre apetite e tolerância ao risco).

Pode alinhar os limiares das pontuações de integridade com estes conceitos: por exemplo, os ativos acima de uma determinada faixa de risco devem ter planos de mitigação dentro de um prazo especificado, e todas as decisões baseadas em modelos que ultrapassem um limiar de custo ou risco requerem aprovação humana e documentação. A validação é o segundo pilar. Antes de as pontuações de integridade serem utilizadas para decisões de alto risco — tais como adiar uma substituição importante ou alterar regimes de manutenção —, deve testá-las em «modo de simulação» durante vários meses.

Durante este período, as pontuações são calculadas, mas não alteram as ações; em vez disso, compara-se as previsões com as falhas reais, os defeitos detetados durante as inspeções e os tempos de inatividade não planeados. Nos casos em que as pontuações se revelam preditivas, obtém-se evidência para apoiar a sua adoção; nos casos em que não o são, ajustam-se características, limiares ou técnicas de modelação.

A documentação fecha o ciclo. Para cada decisão significativa influenciada pela IA — como reordenar as prioridades de uma fila de ordens de trabalho ou reajustar um plano de CAPEX — deve ser possível rastrear quais as pontuações envolvidas, que julgamento humano foi aplicado e que resultado foi alcançado. Esta rastreabilidade é essencial não só para auditorias, mas também para a melhoria contínua: ao longo do tempo, aprende-se quais os padrões de pontuações e ações que proporcionam a melhor combinação de fiabilidade, redução de custos e redução das emissões de carbono em hospitais e instituições bancárias.

Plataformas como a Nextbitt, que já combinam registos de ativos em vários locais, telemetria da IoT e análises de sustentabilidade, proporcionam um ambiente natural para este modelo de governação (artigo «EAM para bancos como motor de risco»). Ao configurar o seu EAM como o sistema de registo para pontuações de risco e estado dos ativos, garante que as informações da IA se traduzam em ordens de trabalho estruturadas, registos de risco e planos de investimento, em vez de ficarem confinadas a painéis experimentais. O resultado é um motor de risco de ativos defensável e baseado em IA que ajuda hospitais e bancos a reduzir falhas, a apoiar as divulgações ao abrigo da CSRD e a satisfazer reguladores cada vez mais exigentes.