Estudo com lideranças da indústria mostra que confiança, padronização e governança dificultam o compartilhamento de informações
Parte do avanço da inteligência artificial em segurança dos alimentos pode depender de algo que acontece antes do algoritmo: conseguir trabalhar com dados que hoje permanecem distribuídos entre diferentes empresas.
Um estudo liderado por pesquisadores da Cornell University, com participação da University of California, Davis, e da University of California, Berkeley, investigou o que leva empresas a compartilhar — ou evitar compartilhar — dados confidenciais de segurança dos alimentos com outras organizações do setor.
A pesquisa, publicada na npj Science of Food, realizou entrevistas semiestruturadas com 27 lideranças vinculadas à indústria de alimentos dos Estados Unidos. Quatro dimensões apareceram de forma recorrente: benefícios do compartilhamento, barreiras técnicas, confiança e governança de dados.
O trabalho não analisou diretamente a adoção de inteligência artificial. A conexão com IA aparece quando seus resultados são combinados com outra pesquisa publicada no mesmo periódico: uma revisão de 161 estudos que identifica disponibilidade, qualidade e acesso a dados entre os desafios para aplicações de IA em segurança dos alimentos.
Juntas, as duas pesquisas apontam para um problema que não é apenas computacional. Em aplicações que dependem de bases maiores e mais diversas, desenvolver modelos também exige condições para aprender com informações produzidas por diferentes organizações.
Mais dados podem revelar padrões que uma empresa isolada não enxerga
O estudo sobre compartilhamento analisou iniciativas voluntárias nas quais informações confidenciais de segurança dos alimentos poderiam ser utilizadas em análises coletivas.
Entre os benefícios identificados está a possibilidade de trabalhar com volumes de informação maiores do que aqueles disponíveis dentro de uma única organização. Isso pode ser especialmente relevante para eventos raros, nos quais uma empresa acumula poucos casos para identificar padrões com segurança.
Bases formadas a partir de diferentes operações também podem ampliar comparações, benchmarking e análise de riscos.
Mas esse benefício coletivo precisa competir com riscos percebidos individualmente.
Os entrevistados relataram preocupações com exposição jurídica, consequências regulatórias, perda de vantagem competitiva, interpretação dos dados fora de contexto e perda de controle sobre as informações. A confiança envolve não apenas outras empresas, mas também reguladores, clientes e os mecanismos usados para proteger os dados.
Leia Mais:
- A.K.A Foods Netherlands e Foodtech Hub LATAM anunciam parceria estratégica para trazer inovação alimentar impulsionada por IA ao Brasil
- Agtech Ecotrace capta R$ 2 milhões para desenvolvimento de novas tecnologias
- IA no agro esbarra em gargalo crítico: transformar dados de campo em decisões
O resultado é um desalinhamento de incentivos: quanto mais organizações contribuem, maior pode ser o valor da base coletiva, enquanto parte relevante do risco permanece com cada empresa que decide fornecer seus dados.
O problema começa antes da IA
Mesmo quando existe disposição para colaborar, os dados não estão necessariamente prontos para serem combinados.
As entrevistas apontaram diferenças na maturidade digital das organizações e dificuldades relacionadas a formatos, terminologias e estruturas incompatíveis. Empresas podem registrar informações semelhantes de maneiras diferentes ou manter parte delas em sistemas que dificultam integração e comparação.
Esse problema ganha peso quando se pretende utilizar inteligência artificial.
A revisão publicada na npj Science of Food encontrou disponibilidade e qualidade de dados entre os principais desafios relatados na literatura. Os autores observam que muitas bases de segurança dos alimentos não são abertamente acessíveis e que determinados modelos exigem conjuntos amplos e adequados para treinamento e validação.
Há também uma característica própria de muitos problemas de segurança dos alimentos: os eventos que se deseja identificar podem ser raros. Bases usadas para análise podem conter grande quantidade de resultados normais e poucos exemplos de contaminações ou ocorrências específicas.
Isso não significa que toda aplicação de IA dependa de compartilhamento entre empresas. Há sistemas que podem utilizar dados internos, bases públicas, imagens, sensores ou informações produzidas por autoridades.
A necessidade de colaboração aumenta sobretudo quando nenhuma organização isoladamente dispõe de volume ou diversidade suficientes para responder ao problema analisado.
A IA, portanto, não criou a dificuldade de compartilhar informações. Ela pode aumentar o valor de conseguir aprender com dados que hoje permanecem fragmentados.
Compartilhar sem centralizar os dados
Uma das alternativas discutidas na literatura é mudar a forma como essa colaboração acontece.
A revisão sobre IA destaca o federated learning, ou aprendizado federado. Nessa abordagem, os dados permanecem nos sistemas das organizações que os produziram. Em vez de reunir todos os registros em uma única base, modelos são treinados localmente e o aprendizado resultante é combinado.
A arquitetura pode reduzir parte dos riscos associados à transferência de dados brutos, embora não resolva problemas como qualidade, interoperabilidade, segurança ou definição das regras de participação.
O aprendizado federado já foi testado em pesquisas ligadas à cadeia de alimentos, incluindo trabalhos sobre fraude alimentar e previsão de contaminantes. Esses estudos mostram viabilidade técnica em contextos específicos, mas ainda não permitem tratar a abordagem como uma solução disseminada na indústria.
GreenLink mostra como governança pode funcionar na prática
Outras iniciativas procuram resolver o problema por meio de estruturas institucionais de compartilhamento.
Um exemplo é o GreenLink, plataforma desenvolvida pela Western Growers para produtores de frutas e hortaliças nos Estados Unidos.
O sistema reúne informações de segurança dos alimentos fornecidas pelas empresas e permite análises agregadas com mecanismos de controle sobre dados individuais. Segundo a Western Growers, a plataforma reunia em 2026 informações de mais de 400 produtores e mais de 6,5 milhões de pontos de dados. Os números são da própria organização.
Em 2025, a Western Growers e a Food and Drug Administration (FDA) firmaram um memorando para desenvolver projetos de compartilhamento de dados relacionados à segurança de frutas e hortaliças.
Pelo acordo, informações das empresas podem ser coletadas por meio do GreenLink, enquanto a FDA recebe dados anonimizados e agregados, e não registros brutos individualmente identificados.
Entre os usos previstos estão identificar tendências e lacunas relacionadas a riscos, orientar medidas preventivas e apoiar decisões de amostragem e inspeção.
O exemplo não demonstra que empresas já estejam treinando coletivamente sistemas de IA em larga escala. Seu valor para o debate está em mostrar que compartilhamento interempresarial pode ser estruturado com regras sobre acesso, anonimização e uso das informações.
O limite não está apenas no algoritmo
O estudo qualitativo sugere que mecanismos de governança e intermediários confiáveis podem ajudar a reduzir algumas das barreiras relatadas pelos participantes. Mas seus resultados não devem ser generalizados para toda a indústria.
Os 27 entrevistados foram recrutados de forma não probabilística, estavam ligados ao mercado norte-americano e participaram das entrevistas entre junho de 2023 e janeiro de 2024. O trabalho deve ser entendido como uma exploração das percepções desse grupo, e não como uma medição representativa do setor.
A convergência com a revisão sobre IA e com iniciativas como o GreenLink, no entanto, ajuda a definir a questão industrial com mais precisão.
Para algumas aplicações, melhorar modelos pode não ser suficiente. O avanço também depende de criar condições para trabalhar com dados mais amplos sem exigir que empresas simplesmente abram mão do controle sobre informações sensíveis.
