IA na gestão de combustível: como detectar desvio, fraude e abastecimento fantasma

O diesel é a maior linha de custo de uma transportadora: nas contas que o setor usa como referência, fica entre 30% e 40% do custo operacional de uma frota pesada. É também a linha que mais vaza sem deixar rastro.

Litros que a bomba marcou e o tanque não recebeu. Notas de abastecimento que nunca aconteceram. Consumo que degrada mês a mês sem que ninguém consiga apontar onde.

Quem já tentou fechar essa conta numa planilha sabe o resultado: a média de km/l da frota fecha “mais ou menos”, e o “mais ou menos” engole a margem. Já mostramos como a gestão de combustível sai do controle; este artigo trata da camada seguinte, a que virou argumento de venda em todo o mercado: a promessa de que a inteligência artificial resolve.

A promessa merece ceticismo, e ceticismo informado. Detectar desvio de combustível é, de fato, um dos usos de IA com melhor retorno na logística: é um problema de padrão em volume de dados, exatamente o tipo de problema em que algoritmo é melhor que olho humano.

Mas a distância entre “detectar padrão” e o que boa parte dos fornecedores entrega é grande. Este artigo mostra por onde o diesel vaza, o que um algoritmo enxerga que a planilha não enxerga, e como separar detecção de verdade de dashboard colorido com etiqueta de IA.

Quanto diesel pode estar escapando? Faça o diagnóstico grátis da transportadora: são 8 perguntas, com nota por área, estimativa de quanto escapa por mês e por onde começar.

Por onde o diesel vaza

Antes de falar de algoritmo, vale nomear o que se está procurando. As perdas de combustível numa frota se concentram em cinco padrões:

• Fraude na bomba. O abastecimento registra mais litros do que o tanque recebeu. Nas versões grosseiras, a nota marca volume acima da capacidade física do tanque; nas discretas, o excedente fica poucos litros acima do plausível, repetido por meses.
• Abastecimento fantasma. A nota existe, o diesel não. Costuma envolver conluio com o posto e aparece como abastecimento em dia sem viagem, fora de rota, ou em intervalo incompatível com o anterior.
• Desvio físico. O diesel entrou no tanque e saiu dele sem passar pelo motor. É a perda mais difícil de provar num caso isolado, e uma das mais visíveis em padrão: o km/l cai de forma consistente só em certas rotas, escalas ou duplas de trabalho.
• Consumo degradado legítimo. Bico injetor sujo, filtro saturado, pneu murcho, condução agressiva. Não é fraude, mas na média mensal aparece igual a ela. O que reduz esse consumo já detalhamos em outro artigo.
• Erro de registro. Hodômetro digitado errado, lançamento duplicado, vírgula no lugar errado. Parece inofensivo, mas é o vazamento que inviabiliza os outros controles: com dado sujo, a média de referência não vale nada.

Repare que só dois desses cinco padrões envolvem má-fé de terceiros. Os outros três nascem dentro de casa.

Qualquer tecnologia que prometa atacar os dois primeiros sem tratar os três últimos vai gerar alertas em cima de dado ruim. E alerta em cima de dado ruim é ruído.

O que o algoritmo enxerga que a planilha não

A planilha trabalha com uma média: km/l da frota no mês. O problema é que a média da frota é um esconderijo.

O caminhão que faz serra com carga cheia e o que roda planalto vazio são somados como se fossem a mesma coisa, e o desvio de um se dilui na eficiência do outro. Detecção séria começa quando a referência deixa de ser a frota e passa a ser cada veículo comparado com ele mesmo: o km/l esperado daquele caminhão, naquele tipo de rota, com aquele perfil de carga.

É contra essa linha de base individual que o desvio aparece, e aparece cedo. Sobre ela, as verificações que um sistema bem construído faz a cada lançamento são concretas e nada místicas:

• Plausibilidade física. Litros lançados contra a capacidade do tanque cadastrado. Abastecimento de 600 litros num tanque de 500 não é outlier estatístico, é impossibilidade física, e deve ser recusado na entrada, não sinalizado depois.
• Coerência do hodômetro. Leitura que anda para trás, salto incompatível com o intervalo, km/l fora de qualquer realidade de caminhão. Número absurdo quase nunca é fraude: é cadastro errado. Mas precisa ser barrado do mesmo jeito.
• Janela de viagem. Abastecimento em data e local que não conversam com nenhuma viagem do veículo. É o cruzamento que expõe o fantasma, e só existe se o combustível estiver no mesmo sistema que a operação.
• Preço contra referência. O litro lançado comparado com a faixa da região na semana. Sobrepreço sistemático num mesmo posto é padrão de conluio, e a ANP publica referência regional que torna essa comparação trivial.
• Concentração estatística. Desvios que se acumulam sempre no mesmo posto, motorista, rota, ou na mesma combinação dos três. Nenhum caso isolado prova nada; a concentração ao longo de semanas transforma suspeita em investigação com endereço.

Antes de perguntar se o sistema do fornecedor “tem IA”, pergunte se ele recusa um abastecimento de 600 litros num tanque de 500. Se a resposta for não, a conversa sobre inteligência artificial acabou.

Regra primeiro, modelo depois

Existe uma hierarquia honesta para esse problema, e ela incomoda quem vende hype.

A primeira camada é determinística: validações de plausibilidade na entrada do dado. Não têm nada de aprendizado de máquina, custam pouco e capturam a maior parte das perdas de registro e as fraudes grosseiras.

A segunda camada é estatística clássica: a linha de base por veículo, o desvio em relação à própria história, a concentração por posto e motorista. Também não é IA no sentido estrito, e pega a maior parte do que restou.

A terceira camada é onde modelos de verdade entram: detecção de anomalia multivariada, cruzando consumo, rota, carga, clima e condutor ao mesmo tempo. Ela existe, funciona e melhora o resultado. Mas depende de volume e de qualidade de dado que só as duas primeiras camadas garantem.

Uma frota de 40 caminhões com seis meses de lançamentos validados tem material para as camadas um e dois renderem muito, e para a três começar a aprender. Uma frota com dois anos de planilha suja não tem material para camada nenhuma.

A consequência prática para quem compra: desconfie do fornecedor que apresenta a camada três sem mostrar as duas primeiras. Como argumentamos no nosso guia sobre IA na operação logística, a pergunta certa nunca é “tem IA?”, é “o que acontece com o dado antes de qualquer modelo ver ele?”.

O hodômetro é a âncora de tudo

Todo o edifício descrito acima se apoia num único número: quilômetros rodados entre um abastecimento e o seguinte. É ele que, dividido pelos litros, produz o km/l que alimenta linha de base, desvio e alerta.

Esse número tem uma origem física: o hodômetro lançado a cada abastecimento. Se essa origem é frágil, tudo que vem depois é decoração.

Um exemplo real do que dado frágil produz: numa base de frota que auditamos, um veículo apresentava consumo calculado de mais de 1.300 km/l. Nenhum caminhão do planeta faz isso; a causa era um hodômetro de referência zerado no cadastro.

O ponto não é o erro em si, é o que ele revela. Um sistema que exibe 1.300 km/l num relatório sem gritar é um sistema que não valida a própria matéria-prima. E se aceita o absurdo visível, está aceitando também os erros pequenos, os que corroem a comparação em silêncio.

De onde vem hodômetro confiável: do lançamento do abastecimento com validação na hora (leitura menor que a anterior não entra; salto implausível pede confirmação), e da telemetria, quando existe, como fonte de conferência.

Telemetria agrega muito aqui, mas não é pré-requisito. Uma frota sem nenhum rastreador já consegue detecção robusta se o lançamento for disciplinado e validado. O contrário não vale: telemetria de última geração despejando dado num processo que aceita qualquer hodômetro digitado produz relatório caro e errado.

Do alerta à conversa com o motorista

Detecção que termina em e-mail de alerta não muda operação nenhuma. O alerta precisa de um caminho: virar ocorrência registrada, com responsável, prazo e desfecho.

A investigação de um desvio é uma sequência curta de perguntas: o que a viagem diz? O que o posto diz? O que o histórico do veículo diz? Houve manutenção recente? Cada resposta precisa ficar registrada, porque o padrão que condena ou inocenta se constrói ao longo de meses, não num episódio.

E há uma regra de justiça que decide se o controle sobrevive dentro da empresa: a comparação precisa ser justa antes de ser dura. Ranking cru de km/l pune o motorista escalado para a serra com carga cheia e premia o que roda vazio no planalto.

A comparação honesta é contra a linha de base daquele veículo naquele perfil de rota. E a conversa com o motorista começa com evidência (“neste trecho, com esta carga, o consumo saiu 18% da sua própria média”), não com acusação.

Frotas que implantam esse desenho relatam um efeito que chega antes de qualquer flagrante: quando a equipe sabe que o sistema cruza abastecimento, viagem e histórico, o desvio diminui sozinho. O controle que funciona é o que torna a fraude trabalhosa, não o que promete pegar todo mundo depois.

Cinco perguntas antes de contratar “IA para combustível”

Se a sua transportadora está avaliando fornecedor, estas cinco perguntas separam detecção de marketing em menos de uma hora de reunião:

• 1. O sistema recusa lançamento fisicamente impossível na entrada? Litros acima do tanque, hodômetro que regride. Se só “sinaliza depois”, o dado sujo já entrou na base.
• 2. A referência de consumo é por veículo e perfil de rota, ou média da frota? Média de frota é esconderijo de desvio.
• 3. De onde vem o hodômetro? Se a resposta não incluir validação no lançamento, o resto da demonstração é irrelevante.
• 4. O alerta vira o quê? Se não existir fluxo de ocorrência com responsável e desfecho dentro do próprio sistema, o alerta morre em caixa de entrada.
• 5. O sistema explica por que sinalizou? “A IA achou suspeito” não sustenta conversa com motorista nem rescisão com posto. Detecção séria mostra a evidência: qual regra, qual desvio, contra qual referência.

É esse o desenho que seguimos na gestão de combustível da Growth Log: o abastecimento é validado na entrada, o hodômetro dos próprios lançamentos vira a âncora do consumo e dos planos de manutenção, e o desvio detectado entra no fluxo de ocorrências com evidência anexada.

Sem mágica anunciada: camadas de validação, referência individual por veículo e um caminho obrigatório do alerta até a decisão. Se quiser ver isso rodando com os dados da sua frota, agende uma demonstração.

O resumo em uma linha: IA detecta desvio de combustível de verdade, mas só depois que as perguntas chatas sobre a qualidade do dado foram respondidas. Quem pula as perguntas chatas não compra inteligência, compra um relatório mais bonito sobre os mesmos vazamentos.