{"id":989,"date":"2025-07-16T09:32:00","date_gmt":"2025-07-16T13:32:00","guid":{"rendered":"https:\/\/marcossilvaconsultoria.com\/?p=989"},"modified":"2026-03-26T10:56:33","modified_gmt":"2026-03-26T14:56:33","slug":"inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/teste.marcossilvaconsultoria.com\/?p=989","title":{"rendered":"Intelig\u00eancia Artificial nas compras p\u00fablicas"},"content":{"rendered":"

Intelig\u00eancia Artificial nas compras p\u00fablicas<\/strong><\/h2>\n

<\/h2>\n

\u00a0<\/strong><\/h2>\n

Introdu\u00e7\u00e3o: Intelig\u00eancia Artificial em Compras P\u00fablicas<\/strong><\/p>\n

Intelig\u00eancia Artificial nas compras p\u00fablicas brasileiras j\u00e1 deixou de ser tend\u00eancia e tornou-se realidade operacional<\/strong>. Ferramentas que praticam a precifica\u00e7\u00e3o autom\u00e1tica de itens no Estudo T\u00e9cnico Preliminar (ETP), rob\u00f4s que patrulham lances em tempo real em busca de fraudes ou conluios e modelos de machine-learning que sinalizam o risco de inadimpl\u00eancia de fornecedores j\u00e1 est\u00e3o em produ\u00e7\u00e3o em \u00f3rg\u00e3os federais, estaduais e tamb\u00e9m em grandes portais privados de e-procurement. A multiplica\u00e7\u00e3o de \u201ccases\u201d divulgados pelo Compras gov.br<\/strong> e por plataformas como Portal de Compras P\u00fablicas<\/strong> e ComprasBR<\/strong> fez explodir as buscas por express\u00f5es como \u201cIA compras p\u00fablicas\u201d e \u201cmachine learning Lei 14.133\u201d, mostrando que gestores e fornecedores querem saber, com urg\u00eancia, onde e como aplicar essas tecnologias de forma \u00e9tica, legal e rent\u00e1vel<\/strong>. Este guia-pr\u00e1tico, com mais de 1 800 palavras, foi elaborado para responder exatamente a isso.<\/p>\n

 <\/p>\n

    \n
  1. \n

    Por que a IA virou pauta quente nas licita\u00e7\u00f5es<\/strong><\/h3>\n<\/li>\n<\/ol>\n

    Depois que o Minist\u00e9rio da Gest\u00e3o passou a divulgar pain\u00e9is de an\u00e1lise preditiva para apoio \u00e0 tomada de decis\u00e3o no Siasg\/Compras gov.br \u2014 e que o Rob\u00f4 ALICE, desenvolvido pela CGU, ganhou pr\u00eamio nacional por detectar irregularidades em licita\u00e7\u00f5es e contratos<\/strong> \u2014 o interesse pela tecnologia disparou (Servi\u00e7os e Informa\u00e7\u00f5es do Brasil<\/a>). O Portal de Compras P\u00fablicas<\/strong> relata aumento de 63 % nas pesquisas internas envolvendo \u201cIA\u201d desde janeiro de 2025 (Portal de Compras P\u00fablicas<\/a>), enquanto consultorias privadas apontam que o termo \u201cintelig\u00eancia artificial licita\u00e7\u00f5es\u201d<\/strong> entrou no Top-20 do Google Brasil em abril \u00faltimo (YouTube<\/a>).<\/p>\n

    Essa ebuli\u00e7\u00e3o ocorre porque a Lei 14.133\/2021<\/a> exige decis\u00f5es fundamentadas em dados<\/strong> (art. 18, \u00a7 1\u00ba) e impulsiona a ado\u00e7\u00e3o de ferramentas que reduzam assimetria de informa\u00e7\u00f5es. Ao mesmo tempo, portarias internas da CGU e dos Tribunais de Contas estimulam a an\u00e1lise de grandes volumes de dados licitat\u00f3rios<\/strong> para preven\u00e7\u00e3o de danos ao er\u00e1rio (SciELO Brasil<\/a>, Revista FT<\/a>). A soma desses fatores criou o momento perfeito para que algoritmos saiam dos laborat\u00f3rios e assumam pap\u00e9is centrais no ciclo da licita\u00e7\u00e3o.<\/p>\n

     <\/p>\n

      \n
    1. \n

      Onde encaixar algoritmos no ciclo da licita\u00e7\u00e3o<\/strong><\/h3>\n<\/li>\n<\/ol>\n

      O ciclo completo de contrata\u00e7\u00e3o p\u00fablica passa por planejamento<\/strong> (ETP e TR), divulga\u00e7\u00e3o e disputa<\/strong>, homologa\u00e7\u00e3o<\/strong>, execu\u00e7\u00e3o contratual<\/strong> e encerramento<\/strong>. A IA j\u00e1 se integra, de maneira madura, em tr\u00eas pontos-chave:<\/p>\n

      2.1 Precifica\u00e7\u00e3o autom\u00e1tica no Estudo T\u00e9cnico Preliminar (ETP)<\/strong><\/p>\n

        \n
      1. Painel de Pre\u00e7os com aprendizado de m\u00e1quina<\/strong> \u2013 A plataforma oficial cruza cinco anos de notas de empenho, remove outliers e aplica regress\u00e3o para sugerir pre\u00e7os-de-refer\u00eancia por regi\u00e3o e modalidade, poupando horas de pesquisa manual (planejamento.gov.br<\/a>).<\/li>\n
      2. M\u00f3dulos privados de \u201cprice intelligence\u201d<\/strong> \u2013 Portais como o ComprasBR<\/strong> incorporam redes neurais que ajustam automaticamente margens de lucros para fornecedores, recalculando lances em segundos conforme oscila\u00e7\u00f5es do mercado (ComprasBR<\/a>).<\/li>\n
      3. Simula\u00e7\u00e3o de cen\u00e1rios no ETP<\/strong> \u2013 Cursos especializados mostram como scripts em Python alimentados pelo Painel podem rodar \u00e1rvores de decis\u00e3o para estimar impacto de flutua\u00e7\u00f5es cambiais em itens importados (com.br<\/a>, ACM Digital Library<\/a>).<\/li>\n<\/ol>\n

        Vantagem competitiva:<\/strong> a equipe de planejamento ganha padr\u00e3o anal\u00edtico uniforme, reduz risco de sobrepre\u00e7o e gera hist\u00f3rico documental que facilita a auditoria posterior.<\/p>\n

        2.2 Varredura de riscos e fraudes em lances<\/strong><\/p>\n