Inteligência Artificial nas Compras Públicas: Dados, Integridade e Eficiência

Por que a IA é o novo divisor de águas nas compras públicas

Em um universo de notas fiscais, atas de registro de preços, editais e contratos,
cada processo de compra pública é como uma galáxia de dados, em expansão
permanente. A diferença é que, ao contrário do cosmos, esse universo foi
projetado por nós – e, portanto, está sujeito a vícios, incentivos distorcidos e
fraudes. É exatamente nesse ponto que a inteligência artificial (IA) deixa de ser
um jargão tecnológico e passa a ser um instrumento concreto de governança,
controle e integridade.

Para controladores, auditores e gestores públicos, a pergunta central não é se a
IA é sofisticada, mas se ela responde a um dilema cotidiano: como fiscalizar
cada centavo gasto em milhares de itens, com centenas de fornecedores, em
dezenas de unidades gestoras, sem multiplicar exponencialmente as equipes de
controle? A resposta, hoje, passa pelo uso de algoritmos capazes de analisar
grandes volumes de dados em tempo real, identificando padrões de sobrepreço,
indícios de conluio e ineficiências que, manualmente, seriam invisíveis ou
demorariam anos para emergir em uma auditoria tradicional.

Do ponto de vista científico, a IA aplicada às compras públicas é um campo de
mineração de dados estruturados e semiestruturados, que combina estatística,
aprendizado de máquina e técnicas de detecção de anomalias. Do ponto de vista
opinativo, é também uma tomada de posição: ou o Estado assume a disciplina de
medir, modelar e corrigir seu próprio comportamento de consumo, ou continuará
refém de percepções subjetivas, narrativas políticas e análises pontuais, sempre
atrasadas em relação aos fatos.

O ponto crucial é que a IA não substitui o trabalho de controle; ela amplia o
alcance, a profundidade e a precisão das análises. Em vez de escolher poucos
processos para auditar com base em amostragem ou denúncias, passa a ser
possível escanear a totalidade dos dados de compras, priorizando automaticamente
aquilo que merece olhar humano qualificado. É a diferença entre procurar
corrupção com uma lanterna e usar um telescópio de alta resolução apontado
para todo o céu de gastos públicos.

Os dados como matéria-prima: onde está o ouro escondido

Nenhum algoritmo, por mais avançado que seja, cria informação do nada.
Ele revela o que já está presente, mas enterrado, nos dados. Por isso, o ponto
de partida para qualquer uso sério de IA em compras públicas é o mapeamento
rigoroso das bases de dados disponíveis. Elas são a matéria-prima que alimenta
modelos e painéis, e definem a qualidade e a utilidade dos resultados.

Em geral, as principais fontes incluem sistemas de compras e licitações
eletrônicas, portais de transparência, cadastros de fornecedores, folhas de
pagamento, registros contábeis, contratos, aditivos e notas de empenho. Quando
integrados de forma estruturada, esses dados permitem rastrear o ciclo completo
da despesa: do planejamento da contratação à liquidação e ao pagamento.

O desafio, contudo, é que esses sistemas foram criados ao longo do tempo, sob
lógicas diversas, por fornecedores diferentes e, muitas vezes, sem uma visão
integrada de uso analítico. Para quem audita, isso significa conviver com campos
preenchidos de forma inconsistente, códigos de classificação divergentes,
descrições livres de itens e lacunas de registro. A IA não corrige, por si só,
inconsistências cadastrais ou erros de digitação, mas pode ajudar a
identificá-los sistematicamente, apontando onde a qualidade da informação
compromete a confiabilidade do controle.

O aproveitamento científico desses dados exige padronização mínima e um
dicionário de dados bem definido. Sem isso, o risco é gerar visualizações
sofisticadas sobre uma base conceitualmente frágil. Para um gestor ou auditor,
a questão não é apenas ter mais dados, mas ter dados com semântica clara:
quando dois órgãos chamam de “material de consumo” coisas muito diferentes,
qualquer comparação de preços e volumes tende a ser enganosa.

Modelos de IA aplicados às compras: do aprendizado de máquina à detecção de anomalias

A inteligência artificial, na prática, se materializa em modelos matemáticos que
aprendem com dados históricos e produzem inferências sobre novos dados. Nas
compras públicas, isso se traduz em algoritmos que respondem a perguntas como:
este preço está compatível com o mercado? Este padrão de participação em
licitações sugere conluio? Este conjunto de compras indica fragmentação
indevida para fugir de modalidade licitatória mais rigorosa?

Entre as abordagens mais úteis estão os modelos de machine learning
supervisionado, usados para classificar ocorrências com base em exemplos
rotulados (por exemplo, processos já identificados como irregulares), e os
modelos não supervisionados, que procuram agrupamentos e padrões atípicos
sem rótulos prévios. Nesta segunda categoria, técnicas de detecção de anomalias
são particularmente relevantes para controle, pois podem sinalizar itens com
preço fora da curva, contratos com aditivos excessivos ou empresas com
comportamento estatisticamente improvável.

Em termos práticos, um auditor pode se beneficiar de modelos de regressão e
florestas aleatórias para prever preços de referência com base em variáveis como
região, quantidade, sazonalidade e características técnicas do item. Paralelamente,
algoritmos de clusterização podem agrupar fornecedores com perfis similares, o
que ajuda a visualizar concentrações de mercado e comportamentos que fogem ao
padrão concorrencial esperado.

A chave é compreender que esses modelos não produzem “verdades absolutas”,
mas estimativas probabilísticas. O valor está em transformar um mar de dados
dispersos em um conjunto enxuto de alertas priorizados, em que cada desvio tem
explicação quantificável. É nesse ponto que a ciência de dados encontra o
julgamento profissional do controlador: a IA aponta onde olhar; o humano decide
o que fazer.

Detectando sobrepreço com análise preditiva e comparativa

O sobrepreço é, talvez, a face mais visível do mau uso do dinheiro público. Mas
a sua detecção, em larga escala, é tudo menos trivial. Comparar valores com
pesquisas pontuais de mercado ou bancos de preços estáticos é como usar um
mapa de meses atrás para dirigir em uma cidade em permanente obra: parte da
realidade mudou, e o risco de erro é alto. A IA oferece uma alternativa mais
dinâmica e cientificamente robusta.

A abordagem típica envolve construir modelos de preço de referência baseados em
observações de mercado e em dados históricos de compras públicas. Cada item
licitado passa a ser descrito por um conjunto de atributos – especificações
técnicas, unidade de medida, região, fornecedor, quantidade, sazonalidade – e o
algoritmo estima qual seria o intervalo de preço esperado para aquele contexto.
Quando o valor contratado se afasta de forma significativa desse intervalo, o
sistema gera um alerta de sobrepreço potencial.

Além disso, técnicas de análise comparativa permitem identificar municípios ou
órgãos que pagam sistematicamente mais caro pelos mesmos itens, mesmo quando
ajustados por variáveis como região ou volume de compra. Isso revela não apenas
eventuais fraudes, mas também ineficiências de gestão, fragilidade de pesquisa de
preços ou estratégias pouco eficazes de negociação e planejamento de demanda.

Para o auditor, o ganho é concreto: em vez de escolher aleatoriamente quais
processos examinar, é possível concentrar esforços nos casos em que a evidência
estatística aponta desvio relevante em relação a padrões de mercado. Isso muda a
lógica do controle de reativo para proativo, com capacidade de intervir antes que o
gasto irregular se consolide ou se repita em larga escala.

Descobrindo conluio em licitações com análise de redes e padrões de comportamento

O conluio em licitações é uma forma sofisticada de distorcer o mercado, muitas
vezes invisível ao olhar individual sobre cada processo. A fraude se esconde não
tanto em um edital isolado, mas em padrões repetidos de participação, vitória e
desistência entre grupos de empresas ao longo do tempo. É aqui que a IA, aliada à
análise de redes complexas, oferece um salto qualitativo na capacidade de
detecção.

Ao modelar fornecedores como nós em uma rede, e licitações como conexões, é
possível identificar grupos que participam quase sempre juntos, revezando vitórias
entre si, ou distribuindo lances de maneira coordenada. Algoritmos de detecção de
comunidades e de centralidade de nós ajudam a encontrar estruturas que se
assemelham a cartéis, sobretudo quando combinadas com variáveis como
distância geográfica entre sedes, compartilhamento de sócios, repetição de
endereços e padrões de tempo entre propostas.

A IA pode, por exemplo, atribuir uma pontuação de risco de conluio a cada
empresa ou grupo de empresas, com base em indicadores como:

• Frequência de participação conjunta em pregões com baixa concorrência efetiva.
• Alternância sistemática de vencedores entre um subconjunto de fornecedores.
• Diferença mínima de valores entre propostas, sugerindo combinação prévia.
• Histórico de desclassificações que favorecem sempre o mesmo concorrente.

Para o controlador, o valor não está apenas em flagrar fraudes já consolidadas,
mas em sinalizar mercados particularmente vulneráveis à formação de cartéis, o
que justifica revisões de desenho de editais, ampliação de publicidade e
estratégias de atração de novos competidores. A tecnologia, nesse caso, não é
apenas um instrumento de repressão, mas de redesenho inteligente do ambiente
de compras.

Otimização de gastos: da compra emergencial ao planejamento inteligente

Mais do que evitar fraudes, a IA abre espaço para uma mudança estrutural na forma
como o Estado planeja e executa suas compras. Em vez de reagir a demandas
emergenciais, comprando mal e caro, é possível antecipar necessidades com base
em séries históricas de consumo, dados demográficos, sazonalidade e políticas
públicas vigentes. Trata-se de tratar o orçamento e o almoxarifado como sistemas
dinâmicos, sujeitos a modelagem e otimização.

Modelos preditivos podem estimar, por exemplo, o consumo mensal de medicamentos
em uma rede de saúde municipal, considerando perfil epidemiológico, histórico de
atendimento e períodos de maior incidência de determinadas doenças. Com isso,
torna-se viável planejar licitações com volumes mais adequados, reduzir o risco de
desabastecimento e evitar compras emergenciais que, além de mais caras, abrem
brechas para fraudes e pressões políticas.

Técnicas de otimização também permitem simular cenários de compras
compartilhadas entre órgãos ou municípios, buscando o ponto de equilíbrio entre
ganho de escala e custos logísticos. Em vez de decisões baseadas em intuição ou
tradição administrativa, o gestor passa a trabalhar com evidências quantificadas
sobre o impacto de diferentes estratégias de contratação no preço final e na
qualidade do serviço prestado ao cidadão.

Na prática, isso significa transformar dados brutos em decisões operacionais
cotidianas: quando licitar, quanto licitar, com que frequência, com quais critérios
de julgamento. O papel da IA é oferecer esse painel de possibilidades, estimando
resultados e riscos, para que o gestor faça escolhas conscientes, alinhadas a metas
de eficiência e integridade.

Transparência radical: dashboards, alertas e engajamento do controle social

A IA aplicada às compras públicas não deveria ser uma caixa-preta acessível apenas
a técnicos especializados. Se o objetivo é elevar a transparência, é preciso criar
interfaces claras, inteligíveis e abertas, que traduzam modelos complexos em
informações acionáveis para controladores internos, tribunais de contas, gestores
setoriais e, quando possível, para a sociedade.

Dashboards interativos podem mostrar, em tempo quase real, indicadores como
economia obtida por negociação, variação de preços em relação a referências de
mercado, concentração de fornecedores por categoria de produto e níveis de risco
detectados por algoritmos. Alertas automatizados, enviados por e-mail ou
integrados a sistemas de protocolo, podem notificar auditores sempre que uma
contratação ultrapassar limites estatísticos predefinidos de preço ou apresentar
sinais de conluio.

Para o controle social, versões simplificadas dessas ferramentas, com linguagem
acessível e filtros básicos, permitem que cidadãos, conselhos de políticas públicas e
organizações da sociedade civil acompanhem com mais precisão o que está sendo
contratado, com quem e a que preço. Isso desloca a transparência do nível
meramente declaratório – publicação de documentos em massa – para um patamar
analítico, em que qualquer usuário pode observar tendências e anomalias.

O desafio é equilibrar abertura e responsabilidade: expor dados e modelos sem
violar sigilo comercial ou dados pessoais, e sem induzir a interpretações
equivocadas por leitura descontextualizada de um único indicador. Isso exige
documentação clara dos métodos utilizados, notas explicativas e canais de diálogo
contínuo com os públicos que utilizam essas informações.

Riscos, vieses e limites da IA no combate à corrupção

Discutir IA sem admitir seus limites é abdicar do rigor científico. Algoritmos são
construídos por pessoas, alimentados por dados produzidos em contextos
específicos e operam com hipóteses implícitas. Em compras públicas, isso significa
que modelos de detecção de sobrepreço ou conluio podem refletir e amplificar
vieses presentes nos dados históricos ou nas regras de negócio adotadas.

Se um órgão historicamente fiscalizou com mais rigor determinados tipos de
contratos ou fornecedores de regiões específicas, o conjunto de “casos
problemáticos” usados para treinar modelos pode estar enviesado. O resultado é
um sistema que tende a suspeitar mais de quem já é mais fiscalizado, reforçando
assimetrias em vez de corrigi-las. Para mitigá-lo, é necessário desenhar amostras de
treinamento representativas, testar o desempenho dos modelos em subgrupos
distintos e monitorar continuamente indicadores de falso positivo e falso negativo.

Outro limite é a tentação de tratar saídas algorítmicas como provas definitivas de
fraude. A IA identifica padrões anômalos, não intenções ilícitas. Usar esses
resultados como único fundamento para sanções pode violar garantias legais e
produzir injustiças administrativas. A utilização responsável exige protocolos
claros: sinais de risco geram apurações aprofundadas, com análise documental,
oitiva de envolvidos e contraditório, antes de qualquer decisão punitiva.

Por fim, há riscos de dependência tecnológica. Delegar integralmente o desenho e a
operação de modelos a fornecedores externos pode criar caixas-pretas
inquestionáveis dentro do próprio Estado. Para evitá-lo, é crucial que equipes
internas de controle e gestão desenvolvam, ao menos, capacidade de entender os
princípios dos algoritmos utilizados, definir requisitos e auditar periodicamente o
seu desempenho.

Capacitação e mudança de cultura: o fator humano na transformação digital

Nenhuma tecnologia, por disruptiva que seja, sobrevive à inércia cultural de uma
organização. Em compras públicas, isso é evidente: processos foram construídos ao
longo de décadas, com rotinas consolidadas, zonas de conforto e resistências
silenciosas. Introduzir IA nesse ambiente não é apenas instalar sistemas, mas
redesenhar mentalidades sobre o que significa planejar, comprar e controlar.

Para controladores e auditores, a transição implica sair de um papel quase
exclusivo de “verificador de conformidade” para um papel de analista de risco e
estrategista de integridade. Isso demanda novas competências: leitura crítica de
dados, entendimento básico de modelos estatísticos, capacidade de dialogar com
cientistas de dados e desenvolvedores, e habilidade para traduzir achados
algorítmicos em recomendações de política interna.

Para gestores de compras, a mensagem é igualmente transformadora: o objetivo
não é apenas cumprir a lei formalmente, mas extrair o máximo valor possível de
cada contratação, apoiado em evidências. Ferramentas de IA podem ser percebidas
inicialmente como ameaças ou mecanismos de vigilância, quando deveriam ser
internalizadas como aliadas na tomada de decisão, reduzindo incertezas e dando
respaldo técnico a escolhas difíceis.

Programas de capacitação continuada, formais e informais, são essenciais. Não se
trata de transformar todos em programadores, mas de garantir que as equipes
dominem conceitos-chave, saibam interpretar relatórios e estejam confortáveis em
questionar tanto os processos de compras quanto os próprios modelos de IA.
Tecnologia sem apropriação crítica tende a gerar dependência, não empoderamento.

Governança, ética e marcos regulatórios para o uso de IA no setor público

O uso de IA em compras públicas não é apenas uma questão técnica; é também um
tema de governança e de ética. Ferramentas poderosas de análise de dados,
combinadas com informações sensíveis sobre fornecedores, contratos e decisões de
gestores, exigem salvaguardas robustas para evitar usos abusivos, discriminação ou
perseguição política.

Uma política de governança de IA no setor público deve definir, de forma explícita,
quais são os objetivos legítimos de uso, quais tipos de dados podem ser
processados, como são garantidos princípios de necessidade e proporcionalidade,
e quais mecanismos existem para contestação e revisão de decisões apoiadas em
algoritmos. Esse debate se conecta diretamente com legislações de proteção de
dados, leis de acesso à informação e normativos específicos sobre contratações
públicas.

A ética, nesse contexto, não é um adendo abstrato, mas um conjunto de práticas
concretas: documentação clara dos modelos utilizados, registro das versões e
parâmetros adotados, auditoria externa ocasional de algoritmos, canais para que
fornecedores e servidores apontem eventuais erros ou vieses observados nos
sistemas. Quanto mais transparentes forem as regras do jogo, maior a confiança de
todos os envolvidos.

Referências internacionais, como diretrizes de organizações multilaterais sobre uso
responsável de IA no setor público, podem orientar a construção de marcos locais.
O importante é que a adoção de tecnologia caminhe lado a lado com o fortalecimento
institucional, e não como um atalho que ignora debates jurídicos e sociais
necessários.

Primeiros passos práticos para implementar IA em compras públicas

A implementação de IA em compras públicas não precisa – e nem deve – começar
com projetos gigantescos e ambições irreais. Caminhos evolutivos e experimentais
tendem a produzir mais aprendizado e menos frustração. Para gestores e órgãos de
controle, isso significa iniciar com problemas bem delimitados, medindo
cuidadosamente resultados e ajustando rotas.

Um ponto de partida realista é a construção de um data lake ou repositório
integrado de dados de compras, com padronização mínima de cadastros e chaves de
ligação entre sistemas. Em seguida, pilotos podem focar em casos de uso de alto
impacto e relativa simplicidade técnica, como detecção de sobrepreço em um
conjunto restrito de itens padronizados (combustíveis, medicamentos, materiais de
expediente) ou monitoramento de concentração de fornecedores em determinados
segmentos.

A partir desses pilotos, métricas de desempenho devem ser acompanhadas com
rigor: quantos alertas gerados se confirmam como problemas reais? Quanto tempo
de auditoria manual foi economizado? Qual economia financeira potencial foi
identificada? Esses indicadores não servem apenas para justificar investimentos,
mas para calibrar modelos e processos de trabalho.

Um elemento estratégico é a construção de parcerias: universidades, tribunais de
contas, órgãos de controle interno de diferentes esferas e até organismos
internacionais podem somar capacidades e experiências, evitando que cada
instituição tente reinventar, isoladamente, soluções semelhantes. IA em compras
públicas é, por natureza, um campo de cooperação, em que ganhos de uma unidade
podem inspirar e acelerar avanços em outras.

Do controle reativo à inteligência institucional: o futuro das compras públicas

Quando olhamos para o horizonte da gestão pública com a mesma curiosidade com
que olhamos para o cosmos, a pergunta deixa de ser apenas “como punir fraudes?”
e passa a ser “que tipo de instituição queremos ser?”. A adoção de IA em compras
públicas é um capítulo dessa história: pode ser usada como simples ferramenta de
caça a irregularidades, ou como motor de uma transformação mais ampla na forma
de pensar o gasto público.

Na primeira visão, os algoritmos são apenas sensores de desvio, inseridos em uma
estrutura fundamentalmente reativa e fragmentada. Na segunda, eles se tornam
parte de um ecossistema de inteligência institucional, em que planejamento,
execução, controle e transparência se alimentam mutuamente de dados e análises.
A consequência é um Estado mais previsível, mais racional e mais capaz de explicar
por que escolheu gastar recursos de uma forma e não de outra.

Para controladores, auditores e gestores, esse futuro não é uma abstração distante,
mas uma sequência de decisões presentes: investir ou não em qualificação técnica;
exigir ou não contratos e sistemas que permitam auditoria de algoritmos; priorizar
ou não o uso de dados na formulação de políticas de compras. Em última análise,
a tecnologia apenas amplifica a direção que escolhemos tomar. Se a bússola estiver
alinhada com princípios de integridade, eficiência e respeito ao interesse público,
a IA será uma aliada poderosa para elevar o padrão de transparência e de serviço
prestado à sociedade.

Recursos, referências e caminhos para aprofundar

A consolidação de uma agenda de IA em compras públicas exige atualização
contínua. Novas técnicas, ferramentas e boas práticas surgem em ritmo acelerado,
tanto na academia quanto em órgãos de controle pioneiros. Para não depender
apenas de consultores externos ou de soluções proprietárias, é recomendável que
equipes de gestão e controle construam sua própria trilha de aprendizado.

Iniciativas de organizações internacionais voltadas à integridade e à governança
digital oferecem guias, casos de uso e manuais práticos sobre análise de dados em
contratações públicas. Publicações acadêmicas em ciência de dados aplicada ao
setor público apresentam métodos replicáveis para detecção de fraudes, análise de
redes de fornecedores e modelagem de preços de referência. Muitos desses
conteúdos estão disponíveis em acesso aberto, permitindo que equipes públicas se
apropriem do conhecimento sem necessidade de grandes investimentos.

Além disso, comunidades de prática e redes de profissionais de controle vêm
compartilhando experiências sobre o uso de BI, machine learning e
visualização de dados em auditorias. Participar ativamente desses espaços,
apresentando resultados, desafios e aprendizados, acelera a curva de maturidade
institucional e ajuda a evitar erros já cometidos por outros.

O caminho de aprofundamento é, portanto, tanto técnico quanto colaborativo.
Aproximar-se de centros de pesquisa, dialogar com outros órgãos, experimentar em
pequena escala e documentar sistematicamente o que funciona e o que não
funciona são passos que, combinados, constroem a base para uma gestão de
compras públicas mais inteligente, transparente e resistente à corrupção.

Conclusão

A inteligência artificial aplicada às compras públicas marca a passagem de um modelo intuitivo e fragmentado de gestão para uma prática ancorada em evidências, rastreável e continuamente aperfeiçoável. Ao colocar dados, modelos e decisões sob a mesma lente analítica, controladores, auditores e gestores deixam de atuar apenas como fiscais do passado e passam a ser arquitetos de um futuro institucional mais íntegro, eficiente e transparente.

O próximo passo não é tecnológico, mas estratégico: escolher por onde começar, com quais dados, em quais casos de uso e com quais parcerias. Ao iniciar pilotos focados, capacitar equipes e estruturar uma governança clara para o uso de IA, cada órgão abre espaço para que o controle se torne mais inteligente e preventivo. Cabe agora transformar essa visão em agenda concreta de trabalho, incorporando a IA como ferramenta cotidiana de decisão e como alavanca para elevar o padrão de serviço público oferecido à sociedade.