Arquitetura de software sustenta IA na auditoria pública

Mais de 118 mil processos de compras públicas foram analisados em 2024 pelo Analisador de Licitações, Contratos e Editais (Alice), ferramenta de inteligência artificial desenvolvida pela Controladoria-Geral da União (CGU) para identificar riscos em licitações federais. O resultado foi a economia de R$ 257,25 milhões em auditorias concluídas naquele ano, segundo dados oficiais do órgão. Casos como esse alimentam um debate técnico sobre o que garante a qualidade desses sistemas: não apenas o modelo de IA empregado, mas a arquitetura de software construída por trás dele.

Arquiteto de software especializado em sistemas de auditoria digital e governança tecnológica, Douglas Leonardo Nunes Santana afirma que, antes de qualquer modelo de IA entrar em ação, é preciso resolver um problema estrutural. Editais, contratos, aditivos e cadastros de fornecedores costumam nascer em sistemas incompatíveis entre si, com formatos, identificadores e níveis de atualização diferentes, e um mesmo contrato pode ainda estar relacionado a diversos aditivos, empenhos e pagamentos registrados em bases distintas.

"Sem essa base, a IA pode até produzir uma resposta aparentemente convincente, mas estará raciocinando sobre dados incompletos, duplicados ou desconectados", acrescenta.

Segundo o especialista, uma plataforma de auditoria confiável precisa começar por uma camada de ingestão documental, capaz de localizar, validar e padronizar informações vindas de fontes diferentes, preservando sempre uma cópia íntegra do documento original. Na sequência, entra a normalização, etapa em que datas, valores e nomes empresariais são convertidos para padrões comparáveis, já que uma mesma empresa pode aparecer sob abreviações ou registros desatualizados em bases diferentes.

Organização dos dados define a qualidade da análise

Outro ponto sensível, segundo ele, é a qualidade dos documentos. Muitos processos públicos ainda contêm PDFs sem estrutura, imagens digitalizadas e textos com baixa qualidade de reconhecimento óptico. "A inteligência artificial é a parte mais visível do sistema, mas sua confiabilidade começa muito antes do algoritmo. Ela começa na qualidade da ingestão, na integração das bases e na capacidade de rastrear cada conclusão até o documento original", detalha Santana.

Para o arquiteto, cada informação exibida em um painel de auditoria deveria estar vinculada ao documento, à página e à versão que a originaram, permitindo ao auditor verificar imediatamente qualquer alerta.

Formado em Ciência da Computação e mestre em Engenharia de Sistemas Web pela Universidade Federal de Mato Grosso, Santana construiu parte de sua trajetória em sistemas ligados ao Tribunal de Contas do Estado de Mato Grosso e à Secretaria de Fazenda estadual, além de arquiteturas empresariais de alta disponibilidade na GFT Group.

Para o especialista, o principal risco de um sistema mal calibrado não é deixar de detectar irregularidades, mas produzir alertas em excesso. Quando praticamente todo processo é classificado como arriscado, a equipe de auditoria perde a capacidade de priorizar, e situações realmente graves podem se perder entre avisos pouco relevantes, uma armadilha conhecida como fadiga de alertas.

"Escalabilidade não é processar milhões de documentos e gerar milhões de alertas. É processar grandes volumes, reduzir o ruído e entregar ao auditor um número administrável de sinais relevantes, explicáveis e priorizados", resume.

Para isso, defende a combinação de regras objetivas, modelos estatísticos e mineração de texto, sempre segmentados por tipo de contratação, já que os padrões de risco de uma obra de engenharia diferem dos de uma compra de medicamentos ou de um contrato de tecnologia.

Santana costuma organizar essa lógica em camadas sucessivas: aquisição e preservação dos documentos originais, extração e padronização de dados, integração entre editais, contratos e pagamentos, aplicação dos modelos de risco, explicabilidade dos alertas gerados e, por fim, validação humana, etapa em que o auditor confirma, rejeita ou reclassifica cada indicação.

Um algoritmo sofisticado, argumenta, não corrige um documento extraído incorretamente, e uma classificação de risco não pode ser considerada confiável se o sistema não demonstra quais fontes e critérios utilizou para chegar a ela.

Experiências internacionais reforçam modelo de transparência

O movimento não é exclusivamente brasileiro. Na Ucrânia, o sistema ProZorro surgiu de uma parceria entre governo, setor privado e sociedade civil e, segundo a Organização para a Cooperação e Desenvolvimento Econômico (OCDE), já economizou cerca de US$ 1,9 bilhão em recursos públicos ao tornar cada etapa da contratação um evento digital rastreável.

No Chile, o Observatório da ChileCompra monitora atualmente mais de 150 mil processos de compra por ano em busca de indícios de irregularidade, enquanto a Cidade do México desenvolveu a plataforma Tianguis Digital para acompanhar digitalmente todo o ciclo de suas licitações, do planejamento à execução do contrato.

Para Santana, essas experiências reforçam que a transparência não deve ser tratada como uma camada adicionada ao final do processo de compra, mas incorporada à arquitetura do sistema desde o primeiro registro. Ainda assim, ele pondera que tecnologia e integração de dados não substituem a responsabilidade humana pela decisão final.

"A inteligência artificial deve atuar como ferramenta de apoio ao trabalho dos auditores e gestores, ampliando sua capacidade analítica, mas mantendo a decisão final sob responsabilidade humana", conclui o arquiteto.