São Paulo acaba de entrar para um seleto grupo de cidades brasileiras onde a inteligência artificial já controla, na prática, o ritmo do trânsito. Portanto, se você passou por um cruzamento da capital paulista nas últimas semanas e achou que o sinal estava diferente, não foi impressão. Foi o Google.

O projeto se chama Green Light. Ele usa aprendizado de máquina para analisar padrões de tráfego e sugerir ajustes na temporização dos semáforos. Em parceria com a CET (Companhia de Engenharia de Tráfego) e a Prodam (Empresa de Tecnologia da Informação de SP), o sistema já está ativo em cruzamentos da cidade.

A lógica por trás do projeto é direta: semáforos mal calibrados geram paradas desnecessárias. Essas paradas aumentam o consumo de combustível, elevam as emissões de CO2 e travam o fluxo urbano. Assim, ao otimizar a temporização, o Green Light ataca o problema na raiz.

Por que São Paulo é um caso técnico interessante

Antes de qualquer detalhe de implementação, vale entender o desafio. São Paulo não é uma cidade comum para esse tipo de experimento.

A malha viária paulistana é vasta, caótica e interdependente. Além disso, os padrões de tráfego variam de forma drástica por horário, dia da semana, bairro e até por evento. Qualquer modelo de otimização precisa lidar com essa variabilidade de forma contínua.

É exatamente aí que o machine learning se diferencia das abordagens tradicionais. Em vez de depender de regras fixas programadas manualmente, o sistema aprende com os dados históricos e ajusta as sugestões conforme os padrões mudam. Dessa forma, ele se adapta ao comportamento real da cidade, e não a um cenário idealizado.

Como o sistema funciona na prática

O Green Light não assume o controle direto dos semáforos. Isso é um detalhe técnico importante.

O que ele faz é gerar recomendações de temporização. Essas sugestões passam pela equipe técnica da CET, que avalia, aprova e implementa as mudanças. Portanto, há uma camada humana no loop de decisão, o que é relevante tanto do ponto de vista operacional quanto regulatório.

Segundo os dados divulgados pelo Google, as cidades que já adotaram o projeto registraram uma redução potencial de 30% nas paradas de veículos. Em São Paulo, os resultados iniciais apontam para algo em torno de 10%. O número pode parecer modesto à primeira vista. Contudo, em escala urbana, uma redução de 10% nas paradas de um cruzamento de alta densidade tem impacto real e mensurável.

O pipeline de dados que viabiliza tudo isso

Para quem trabalha com dados ou com sistemas distribuídos, a parte mais interessante é o pipeline que sustenta o projeto.

O Green Light consome dados de tráfego provenientes de múltiplas fontes, incluindo Google Maps e Waze. Esses dados são processados para identificar padrões recorrentes em cada cruzamento. Com base nisso, os algoritmos calculam janelas de temporização que minimizem as paradas consecutivas.

Em seguida, as sugestões são entregues à prefeitura no formato de recomendações acionáveis. A CET, por sua vez, testa, valida e monitora os resultados. Esse ciclo de feedback é fundamental para refinar o modelo ao longo do tempo.

O projeto nasceu em 2023 e teve seu piloto brasileiro lançado no Rio de Janeiro. Desde então, chegou a Campinas e São Caetano do Sul, antes de aterrissar na capital paulista. Internacionalmente, Alemanha, Israel, Índia e Estados Unidos também fazem parte da iniciativa.

O que esse modelo revela sobre IA aplicada à infraestrutura

Há uma distinção importante aqui que vale destacar para devs que trabalham com sistemas de IA em produção.

O Green Light não é um sistema autônomo de controle. Ele é um sistema de suporte à decisão. Consequentemente, o sucesso da implementação depende tanto da qualidade do modelo quanto da qualidade do processo de validação humana. Modelos que operam sem esse ciclo de revisão tendem a acumular erros sistemáticos ao longo do tempo, especialmente em ambientes dinâmicos como o trânsito urbano.

Além disso, o projeto evidencia um padrão que está se tornando cada vez mais comum em contratos de IA com o setor público: entrega de recomendações, não de controle. Isso reduz o risco regulatório e facilita a adoção, ainda que limite o potencial de automação em curto prazo.

Do ponto de vista de engenharia, também chama atenção a escolha por um modelo que opera por cruzamento, e não por corredor ou malha. Isso permite granularidade maior nas sugestões, mas exige um volume proporcional de dados e capacidade de processamento.

O que vem a seguir

São Paulo é uma cidade grande demais para que qualquer projeto de otimização seja considerado encerrado. Por enquanto, o Green Light está ativo em um conjunto selecionado de cruzamentos. A expectativa é que, conforme os dados se acumulem e os modelos sejam refinados, a cobertura aumente progressivamente.

O potencial, portanto, vai muito além da redução nas paradas. Com dados suficientes, é possível pensar em otimização coordenada entre cruzamentos adjacentes, resposta dinâmica a eventos e integração com dados de transporte público.

Por enquanto, o projeto representa um caso real e funcional de IA aplicada à infraestrutura urbana. Para a comunidade de desenvolvimento, vale monitorar de perto, seja pelo modelo técnico, seja pelo modelo de contratação e governança que ele estabelece.

Acompanhe nosso perfil no Instagram!