IA de Vida Selvagem da Flox Intelligence Enfrenta Colisões com Animais em Aeroportos, Ferrovias e Estradas
A Flox Intelligence está expandindo sua IA de vida selvagem para além de sistemas fixos de dissuasão, com 150 dispositivos de edge já em operação em três continentes. Os sistemas identificam animais próximos e selecionam sons específicos por espécie, destinados a afastá-los de pistas, ferrovias, estradas e outras infraestruturas.
O conflito não é simplesmente entre animais e máquinas. A Flox aposta que uma inteligência adaptativa e local pode superar cercas, sirenes, luzes, lasers, patrulhas e sons repetitivos. Essas abordagens estabelecidas continuam úteis, mas cada uma tem limites quando a fauna muda suas rotas ou se habitua a um método de dissuasão.
A empresa está agora abrindo uma rodada Série A de US$ 10 milhões, segundo os detalhes do financiamento da Flox. Ela quer passar de cerca de 150 unidades implantadas para vários milhares. Esse plano transforma uma tecnologia de conservação incomum em um teste sobre se a IA de edge pode se tornar uma infraestrutura confiável.
IA de Vida Selvagem da Flox Intelligence Passa de Experimentos para Infraestrutura
A mudança importante não é uma nova demonstração de reconhecimento de animais. A Flox está tentando transformar detecção, interpretação e dissuasão em um único sistema operacional.
A Flox surgiu de trabalhos realizados no KTH Royal Institute of Technology, em Estocolmo. A fundadora e CEO Sara Nozkova havia trabalhado anteriormente por 13 anos nos setores de transporte e veículos autônomos. A empresa foi criada a partir do KTH em 2020.
A premissa de Nozkova era que os métodos convencionais de dissuasão frequentemente tratam a vida selvagem como uma categoria única e previsível. Uma sirene pode emitir ruído, uma luz pode piscar e uma cerca pode redirecionar deslocamentos. Nenhuma dessas ferramentas necessariamente entende qual animal chegou ou como ele está se comportando.
O Flox Edge, atual produto de hardware da empresa, usa um sensor de movimento para ativar o sistema. Em seguida, uma câmera captura a cena, enquanto um modelo no dispositivo tenta identificar o animal. A unidade seleciona uma resposta sonora destinada àquela espécie e situação.
Trata-se de IA de edge, o que significa que o dispositivo processa informações localmente, em vez de enviar cada observação para um serviço de nuvem distante. O processamento local é importante ao lado de trilhos isolados, estradas remotas ou grandes aeródromos, onde a conectividade pode ser pouco confiável. Também reduz o atraso entre a detecção e a resposta.
A empresa afirma que seus sistemas podem variar seus sinais ao longo do tempo. Essa variação aborda a habituação, processo pelo qual os animais deixam de reagir a um estímulo repetido. Uma gravação fixa pode se tornar ruído de fundo após exposição suficiente.
Nozkova resumiu de forma direta sua filosofia de design: “Eu estava convencida de que a resposta não era um método de dissuasão mais barulhento.” Sua alternativa é um sistema que altera sua resposta conforme a espécie detectada e o comportamento observado.
O hardware pode ser instalado em postes, árvores e outras estruturas existentes. Os clientes também recebem software para visualizar implantações, eventos e condições em toda uma área. Segundo a empresa, a plataforma pode gerar relatórios para conformidade regulatória e monitoramento da biodiversidade.
A Flox afirma que aproximadamente 150 dispositivos estão ativos na América do Norte, Europa e Austrália. Entre os locais relatados estão perímetros de aeroportos, corredores ferroviários, estradas, fazendas, parques, áreas de mineração, zonas urbanas e subestações elétricas.
Essa presença ainda é pequena em comparação com redes nacionais de transporte. No entanto, é ampla o suficiente para expor os dispositivos a espécies, condições climáticas e ambientes operacionais distintos. Esses encontros geram os dados de campo que a Flox considera centrais para sua vantagem.
A empresa vende suas unidades físicas e cobra uma assinatura anual de software e IA após o primeiro ano. Também licencia software por meio de parcerias com fabricantes de equipamentos originais. A Alstom está testando essa abordagem ao levar a tecnologia da Flox para equipamentos ferroviários.
A Flox espera cerca de US$ 1,5 milhão em receita em 2026, disse Nozkova ao TechCrunch. A empresa levantou aproximadamente US$ 5 milhões em suas rodadas pre-seed e seed. Sua Série A proposta financiaria uma implantação muito maior e expandiria a tecnologia para além das aplicações atuais com vida selvagem.
A rodada não foi anunciada como concluída. Portanto, a Flox tem um sistema operacional e clientes pagantes, mas sua próxima expansão continua sendo um objetivo de financiamento. Essa distinção importa ao avaliar seu cronograma.
Colisões com Animais Tornam Isso Mais do que um Projeto de Conservação
A Flox está vendendo segurança e continuidade operacional, com a proteção dos animais servindo ao mesmo resultado, e não a uma missão separada.
A vida selvagem entra em infraestruturas projetadas em torno de movimentos controlados. Aeronaves seguem pistas, trens seguem trilhos e carros seguem estradas. Os animais não reconhecem essas fronteiras operacionais, e suas rotas podem mudar devido ao clima, migração, alimento, construção e atividade humana.
A escala fica mais clara na aviação. Os mais recentes dados de colisões da FAA registram cerca de 344.000 colisões reportadas com animais envolvendo aeronaves civis dos Estados Unidos entre 1990 e 2025. Cerca de 24.500 colisões ocorreram em 870 aeroportos americanos durante 2025.
A FAA estima que esses incidentes custaram à aviação civil dos Estados Unidos uma média de aproximadamente US$ 272 milhões por ano nesse período. A estimativa cobre perdas monetárias diretas e outras perdas reportadas, não todas as consequências ecológicas ou operacionais.
As aves representaram 96 por cento das colisões reportadas envolvendo aeronaves civis americanas. Ainda assim, tratar o problema como controle genérico de aves pode ocultar grandes diferenças entre espécies. A FAA diz que aves aquáticas respondem por apenas 4 por cento das colisões, mas por 23 por cento das colisões que causam danos.
A maioria dos eventos também ocorre perto do solo. Cerca de 70 por cento acontece entre o nível do solo e 500 pés. Essa concentração coloca os terrenos dos aeroportos e seus arredores imediatos no centro dos esforços de mitigação.
O perigo não é teórico. Um Boeing 737 MAX 9 da United Airlines atingiu um coiote durante a decolagem de Chicago O’Hare em janeiro de 2025. A aeronave retornou em segurança, mas a colisão com coiote em O’Hare exigiu uma inspeção e causou transtornos aos passageiros.
As ferrovias enfrentam um problema relacionado em corredores muito mais longos e menos controlados. A Alstom afirma que a Suécia registra aproximadamente 5.000 colisões com animais por ano. Esses incidentes podem ferir a fauna, danificar trens, atrasar passageiros e expor maquinistas a experiências traumáticas.
A França oferece outra medida do ônus operacional. A SNCF afirma que animais soltos afetam mais de 8.000 trens em todo o país a cada ano. Na Bretanha, 120 colisões com animais durante 2023 interromperam 660 serviços e causaram mais de 15.000 minutos de atrasos.
As cercas continuam importantes, especialmente perto de pistas e trechos ferroviários de alto risco. No entanto, o cercamento contínuo é caro e pode fragmentar habitats. Aberturas, travessias, trechos danificados e extremidades de cercas também podem se tornar pontos previsíveis de entrada.
Patrulhas humanas trazem capacidade de julgamento, mas não conseguem observar continuamente todos os corredores remotos. Cães treinados, falcões, pirotecnia, veículos, luzes e sirenes podem dispersar animais. Sua eficácia depende de pessoal, espécie, momento, terreno e acompanhamento repetido.
Isso cria pressão sobre operadores aeroportuários, empresas ferroviárias, órgãos rodoviários, concessionárias de serviços públicos e gestores de terras. Eles precisam reduzir o risco de colisões sem depender inteiramente de patrulhas intensivas em mão de obra ou de controle letal. Também precisam de evidências de que qualquer resposta automatizada continue eficaz após a implantação.
A IA de vida selvagem da Flox Intelligence mira essa lacuna. Ela promete observação contínua, classificação de espécies e uma resposta direcionada em uma única unidade de campo. A empresa agora precisa mostrar que essa integração melhora os resultados além de testes selecionados.
A proposta de valor também vai além das colisões individuais. Cada encontro registrado pode revelar onde os animais entram em uma área, quando os deslocamentos atingem o pico e quais intervenções mudam o comportamento. Operadores de infraestrutura poderiam usar esses padrões para melhorar cercas, horários, inspeções e gestão de habitats.
Essa camada de dados pode, em última análise, se mostrar tão importante quanto o próprio som. Um método de dissuasão reage a um animal, enquanto um histórico mapeado pode influenciar o funcionamento de toda uma área. Assim, a Flox está competindo por um lugar dentro do planejamento de segurança, e não apenas ao lado de uma pista.
Sons Específicos por Espécie São o Mecanismo Central
A aposta central da Flox é que a dissuasão da vida selvagem melhora quando um dispositivo identifica o animal antes de decidir como responder.
O sistema começa com um evento, e não com um fluxo contínuo de vídeo para a nuvem. O movimento ativa a câmera e o modelo local. O modelo classifica o que vê, após o que o dispositivo escolhe um sinal sonoro associado àquela espécie.
A resposta pode incluir sinais baseados na bioacústica, o estudo de como os animais produzem, recebem e reagem ao som. A Flox combina esses sinais com visão computacional e observações comportamentais. Seu objetivo é conduzir um animal para longe sem contato físico.
Essa sequência distingue a dissuasão adaptativa da vida selvagem de um temporizador que reproduz sempre a mesma gravação. Uma raposa, um ganso, um alce e um urso não compartilham as mesmas prioridades sensoriais. Eles também não reagem de forma idêntica quando estão se alimentando, migrando, defendendo território ou se deslocando com filhotes.
O contexto cria um problema técnico exigente. Uma câmera deve reconhecer animais a diferentes distâncias e ângulos, às vezes sob chuva, neve, reflexos, escuridão ou vegetação. Ela também deve evitar confundir pessoas, sombras, veículos e plantas em movimento com a fauna-alvo.
O sistema então precisa de uma resposta apropriada. Uma classificação incorreta pode acionar um som irrelevante. Uma classificação correta ainda pode não provocar movimento se o animal estiver estressado, distraído ou já habituado a sinais semelhantes.
O momento também importa. Um alerta emitido antes de um animal entrar em um corredor ferroviário tem mais valor do que outro emitido após a chegada de um trem. A Flox anuncia um tempo de resposta inferior a dois segundos, mas a segurança no mundo real depende de toda a geometria de detecção e implantação.
As evidências de apoio mais fortes para a tecnologia vêm de testes operacionais específicos. Entre 2022 e 2024, a Flox trabalhou com a operadora aeroportuária sueca Swedavia nos aeroportos de Malmö, Kiruna e Umeå.
A Flox relata 100 por cento de dissuasão em mais de 200 animais nesses testes. A fauna testada supostamente incluiu aves predadoras, gansos, raposas e ungulados. Os resultados de validação em aeroportos vêm da empresa, portanto devem ser tratados como conclusões reportadas pelo fornecedor.
O Aeroporto de Mora oferece um exemplo de implantação mais longa. A Flox afirma que pegas, corvos e outros animais continuaram afastados das áreas protegidas da pista após seis meses. O aeroporto também relatou menor dependência de patrulhas manuais e de métodos improvisados de afugentamento.
Esses exemplos indicam que o som adaptativo pode funcionar em condições selecionadas. Eles não estabelecem uma taxa de desempenho independente em todos os aeroportos, espécies, estações ou paisagens. A escala e o desenho do estudo por trás de cada alegação continuam sendo um contexto essencial.
Os testes ferroviários introduzem um modelo operacional diferente. A Flox e a Alstom instalaram câmeras de IA em trens para observar a vida selvagem ao lado de várias linhas suecas. A primeira fase detectava animais, enquanto uma segunda fase adicionou dissuasão sonora em abril de 2026.
Os testes ferroviários suecos identificaram alces, corças, raposas, javalis, animais de criação e aves. A Alstom afirmou que o sistema teve um desempenho particularmente bom na identificação de animais de criação, corvos e pombos.
Alces e corças exigiram mais treinamento para alcançar uma precisão de identificação comparável. Essa admissão é significativa porque mostra por que os dados de campo são importantes. As espécies que apresentam um risco sério de colisão também podem estar entre as mais difíceis de reconhecer com confiabilidade.
A Flox afirma que seus modelos aprendem com encontros registrados e que suas respostas variam para desencorajar a habituação. No entanto, “aprendizado” pode descrever diversos processos diferentes. Pode envolver atualizações periódicas dos modelos, sequências de sons concebidas centralmente ou adaptação automatizada em cada dispositivo.
Os operadores precisarão de clareza sobre quais decisões ocorrem de forma autônoma. Também precisarão de controles que regulem atualizações, revisão de eventos, falsos alarmes e limites de intervenção. Clientes do setor de segurança raramente compram um algoritmo sem também adquirir um processo de responsabilização em torno dele.
O plano de longo prazo da empresa estende o software a trens, carros, drones, tratores e robôs para ambientes externos. Essa mudança levaria a Flox de uma dissuasão estacionária para uma camada de percepção de vida selvagem incorporada a máquinas em movimento.
Essa camada poderia alertar um motorista, ajustar a rota de uma máquina ou ativar um mecanismo de dissuasão. No entanto, cada ação envolve requisitos de segurança diferentes. Reconhecer um animal não equivale a controlar um veículo ao redor dele.
A Dissuasão Adaptativa Ainda Precisa Superar Alternativas Consolidadas
A Flox não compete contra a inação. Ela precisa superar uma combinação em camadas de barreiras, pessoas, alterações de habitat, sensores, sons, cães e remoção seletiva.
A FAA recomenda a gestão integrada da vida selvagem, em vez da dependência de um único dispositivo. Os programas aeroportuários podem modificar habitats, remover fontes de alimento ou água, dispersar animais, gerir a vegetação, melhorar cercas e remover animais silvestres quando necessário.
Um sistema de som adaptativo se encaixa nesse modelo. Ele não elimina a necessidade de inspeções, relatórios, intervenções no habitat ou resposta a emergências. Uma implantação responsável usaria a Flox como mais uma camada, comparando seu desempenho com os dados existentes do local.
Diversas empresas já automatizam partes desse processo. O produto Scarecrow, da Robin Radar, identifica aves e reproduz chamados de alarme específicos por espécie. Ele também registra a atividade para que os operadores possam revisar o que ocorreu.
A iCHASE adota outra abordagem. Seu sistema usa visão computacional para detectar aves e direciona um laser móvel para elas. A resposta muda conforme o alvo, oferecendo aos operadores um mecanismo visual automatizado de dissuasão, em vez de um centrado em áudio.
Esses concorrentes revelam o verdadeiro principal adversário: sistemas adaptativos versus dissuasão estática. A Flox não precisa provar que o som é universalmente superior a lasers, radar, cães ou cercas. Precisa mostrar que respostas vinculadas à percepção permanecem úteis por mais tempo do que sinais repetidos e cegos ao contexto.
Sua ambição mais ampla em relação às espécies pode ajudar. Sistemas aeroportuários para aves frequentemente se concentram em ameaças aéreas, enquanto a Flox fala de animais que vão de gansos a alces e ursos-pardos. Uma plataforma multiespécies poderia atender clientes que gerenciam vários tipos de infraestrutura.
A abrangência também cria riscos. Um modelo treinado para distinguir aves nos arredores de um aeroporto sueco pode não ser transferido de forma confiável para mamíferos perto de uma estrada australiana. Regiões diferentes trazem novas espécies, comportamentos, restrições legais, climas e ambientes acústicos.
Os falsos negativos são a preocupação de segurança mais evidente. Um animal não detectado mantém o risco original em vigor. Os falsos positivos geram outros custos, incluindo sons desnecessários, alertas que distraem, perturbação da vida selvagem e perda de confiança entre os operadores.
Há também uma questão de bem-estar animal. Não se pode presumir que uma dissuasão seja “humanitária” simplesmente porque um dispositivo evita força letal. O som pode afetar os animais-alvo, espécies não alvo, moradores próximos e a comunicação entre animais.
Os operadores precisam de evidências sobre a intensidade sonora, a duração da exposição, a direção da resposta e o deslocamento não intencional. Afastar um animal de uma pista é útil apenas se o sistema não o direcionar para outro perigo.
A habituação continua sendo outra incerteza. A Flox afirma que sinais variáveis impedem que os animais aprendam que o dispositivo não representa uma ameaça. Dados de longo prazo, analisados de forma independente, forneceriam evidências mais fortes do que testes curtos ou depoimentos de clientes.
A alegação da empresa de 100% de dissuasão em aeroportos, envolvendo mais de 200 animais, parece impressionante. No entanto, esse número não revela todos os denominadores de que um comprador de infraestrutura precisa.
Os compradores devem perguntar como foi definido um evento de dissuasão bem-sucedido. Também devem perguntar quantas detecções foram perdidas, por quanto tempo os animais permaneceram afastados e se o desempenho mudou conforme a espécie.
O clima e a manutenção influenciarão os resultados. As baterias perdem capacidade, as lentes acumulam sujeira, a vegetação bloqueia a visão e os alto-falantes se deterioram. Um dispositivo instalado em um piloto controlado pode receber mais atenção do que um entre milhares de unidades em produção.
A cibersegurança e os procedimentos de atualização também importam quando o equipamento entra em infraestrutura crítica. Os operadores precisam saber quem pode alterar modelos ou bibliotecas de sons. Eles precisam de registros que mostrem o que o sistema detectou, selecionou e transmitiu.
O processamento local reduz a dependência da conectividade de rede, mas não elimina o risco de software. Painéis de controle de frotas, distribuição de modelos, registros de conformidade e contas de clientes ainda criam componentes conectados que exigem supervisão.
A execução comercial pode se tornar a limitação decisiva. A Flox quer expandir de aproximadamente 150 dispositivos para vários milhares, mantendo hardware, software, suporte em campo e conjuntos de dados específicos por espécie. Trata-se de um salto operacional substancial.
A receita esperada da empresa para 2026 continua modesta em comparação com essa ambição. Seu financiamento proposto de US$ 10 milhões apoiaria a expansão, mas captar capital não valida, por si só, a demanda ou a confiabilidade em campo.
A Flox precisa demonstrar instalação e suporte repetíveis em diferentes clientes, e não apenas promessa técnica. Aeroportos, operadores ferroviários e órgãos públicos frequentemente compram com cautela, pois falhas de equipamento podem trazer consequências de segurança e regulatórias.
A versão mais forte do argumento da empresa não exige que todos os operadores abandonem as ferramentas existentes. Ela exige que a Flox se torne a camada inteligente que coordena onde, quando e como a dissuasão ocorre.
O Que Mostrará Se a Flox Pode Escalar
Três sinais determinarão se a IA de vida selvagem da Flox Intelligence se tornará infraestrutura ou continuará sendo uma promissora coleção de testes de campo.
O primeiro sinal são dados independentes de desempenho por espécie. Relatórios futuros devem separar a precisão de detecção do sucesso da dissuasão. Também devem mostrar detecções perdidas, falsos alarmes, tempos de retorno, variação sazonal e resultados em condições climáticas difíceis.
Essas evidências fortaleceriam o caso da Flox se o desempenho permanecer consistente em vários locais operados de forma independente. Grandes diferenças entre os testes da empresa e avaliações controladas pelos clientes o enfraqueceriam.
O segundo sinal é o resultado do trabalho ferroviário da Alstom. A parceria importa porque leva o software de unidades estacionárias para equipamentos que viajam por paisagens em mudança. O sucesso exige reconhecimento rápido, dissuasão adequada e integração segura às operações ferroviárias.
Observe se os parceiros publicam mudanças nas colisões ou reduções mensuráveis na presença de vida selvagem de alto risco. Apenas as contagens de detecção mostram que os animais estão presentes. Elas não mostram que a tecnologia previne acidentes.
O terceiro sinal é o crescimento das implantações após a proposta de Série A. A Flox quer passar de cerca de 150 dispositivos para vários milhares. Clientes contratados, pedidos recorrentes, renovações e maior adoção por OEMs forneceriam evidências comerciais mais fortes do que a meta de captação.
A escalabilidade também deverá revelar se o modelo de assinatura funciona. Os clientes precisam perceber valor contínuo suficiente no monitoramento, nas atualizações de modelos, nos relatórios e nas análises para renovar após a compra inicial do hardware.
A visão mais ampla da empresa merece atenção porque vai além da dissuasão. Nozkova argumenta que máquinas que operam ao ar livre precisam compreender melhor os ambientes vivos. Nessa perspectiva, o reconhecimento de vida selvagem torna-se mais uma parte da pilha de percepção de uma máquina.
Essa ideia tem aplicações em transporte, agricultura, conservação, serviços públicos, mineração e construção. Um trem poderia reconhecer animais antes de uma colisão. Um trator poderia evitar um ninho, enquanto um drone poderia alterar sua rota ao redor de vida selvagem protegida.
Ainda assim, cada caso de uso exige evidências e controles adequados às suas consequências. Um mecanismo de dissuasão agrícola, uma unidade de segurança de pista e um sistema de controle de veículos não podem compartilhar um único padrão indiferenciado. A taxa de erro aceitável muda conforme o possível dano.
Para desenvolvedores, a lição interessante é que a IA de borda envolve cada vez mais comportamento, timing e contexto, e não apenas classificação. Um rótulo correto tem valor limitado se o sistema escolher a ação errada depois.
Para compradores de infraestrutura, a questão prática é mais direta. O sistema reduz incidentes, tempo de patrulha, atrasos e danos aos animais ao longo de várias estações? A atividade no painel e os totais de detecção são métricas de apoio, não resultados finais.
Para equipes de conservação, o desafio é medir para onde vão os animais deslocados. Uma intervenção eficaz deve proteger a vida selvagem sem simplesmente transferir o conflito para além do limite monitorado.
A IA de vida selvagem da Flox Intelligence agora tem histórico de implantação suficiente para justificar atenção séria, mas ainda não há evidências públicas suficientes para responder de forma definitiva a essas questões. Sua próxima fase testará se a dissuasão adaptativa funciona em diferentes espécies, climas e operações de clientes.
A ação mais útil para potenciais compradores é exigir pilotos baseados em resultados, com linhas de base claras. Monitore colisões, invasões, alertas falsos, visitas repetidas, manutenção e efeitos sobre espécies não alvo antes e depois da instalação.
Se a Flox publicar esses resultados e converter testes em renovações, sustentará uma afirmação mais ampla sobre IA para ambientes externos. Se as evidências continuarem limitadas a histórias de sucesso selecionadas, a dissuasão adaptativa da vida selvagem continuará sendo um mecanismo atraente, sem um padrão comprovado para infraestrutura.
