GovTech: Orquestração do Ecossistema de Fomento à Inovação com Inteligência Artificial Explicável

GovTech: Orquestração do Ecossistema de Fomento à Inovação com Inteligência Artificial Explicável

Resumo Este artigo apresenta a especificação, a arquitetura, a fundamentação algorítmica, a avaliação empírica offline e o plano de homologação experimental da infraestrutura GovTech NibSaaS, desenvolvida mediante Acordo de Parceria de Pesquisa, Desenvolvimento e Inovação em nível TRL 6, orçado em R$ 3.160.351,92, entre DFranchise Lab Desenvolvimento LTDA, Centro de Excelência em Inteligência Artificial da Universidade Federal de Goiás (CEIA/UFG), EMBRAPII e SEBRAE. A solução responde à fragmentação estrutural do mercado brasileiro de fomento não dilutivo, no qual há volume anual expressivo de recursos públicos e paraestatais, mas persistem gargalos de prospecção, elaboração de propostas, formação de consórcios, execução físico-financeira e prestação de contas. A plataforma organiza essa jornada em dez módulos integrados por APIs REST/JSON e distribuídos em três ciclos: pré-submissão, matchmaking e consórcios, e pós-aprovação.

A pesquisa apresenta resultados empíricos offline sobre acervo de 1.578 projetos de P&D e 312 editais históricos. No módulo RADAR, a busca híbrida BM25 + SBERT alcançou nDCG@10=0,812±0,019, contra nDCG@10=0,421±0,031 da busca lexical tradicional. No módulo NETWORK, a predição de links por GraphSAGE com penalização de equidade obteve AUC-ROC=0,826±0,021 e Demographic Parity Ratio=0,815±0,025, preservando capacidade preditiva e mitigando concentração regional das recomendações. O artigo também apresenta um plano de piloto controlado com 30 projetos em desenho de diferença-em-diferenças, explicitando limitações metodológicas e critérios de descontinuação técnica.

Palavras-chave: GovTech; Fomento à Inovação; Inteligência Artificial Explicável; Continuidade Informacional; Redes Neurais em Grafos; Interoperabilidade Semântica.

1. Introdução

O ecossistema brasileiro de Ciência, Tecnologia e Inovação dispõe de instrumentos relevantes de fomento não dilutivo, associados a agências e programas como FINEP, BNDES, EMBRAPII, CNPq, Fundações de Amparo à Pesquisa e a política Nova Indústria Brasil. O material de base informa a disponibilidade anual de R$ 132 bilhões nesse mercado (MDIC/MCTI, 2024; FINEP, 2024). Apesar dessa escala, a absorção efetiva dos recursos por empresas, startups e instituições científicas e tecnológicas é limitada por barreiras operacionais recorrentes: burocracia intensiva, perda de prazos, assimetria informacional, baixa interoperabilidade entre sistemas e risco de glosas ou sanções na fase de prestação de contas.

Segundo o diagnóstico reunido no projeto, mais de 70% do tempo de gestores de inovação é consumido por rotinas manuais e atividades administrativas (ANPEI/CGEE, 2022), 14% das propostas elegíveis perdem janelas de submissão por falhas de monitoramento (IPEA, 2021) e cerca de um terço das instituições sofre sanções, rejeições ou glosas por falhas formais de rastreabilidade (CGU/TCU, 2023). Tais problemas não decorrem apenas da escassez de capital, mas da descontinuidade informacional entre as fases de prospecção, elaboração, seleção de parceiros, execução e auditoria.

A infraestrutura NibSaaS foi concebida como resposta a esse problema sistêmico. O projeto está formalizado em acordo de PD&I enquadrado no Marco Legal de CT&I, com participação da DFranchise Lab, UFG/CEIA, FUNAPE, EMBRAPII e SEBRAE, sob o processo UFG PI09180-2026. O orçamento global é de R$ 3.160.351,92, composto por subvenção EMBRAPII de R$ 1.516.968,92, aporte financeiro da DFranchise Lab de R$ 850.000,00, aporte SEBRAE de R$ 150.000,00 e contrapartida econômica institucional UFG/CEIA de R$ 643.383,00. O nível de maturidade tecnológica declarado é TRL 6, isto é, tecnologia validada em ambiente relevante.

O objetivo deste artigo é especificar a arquitetura da plataforma, explicitar seus fundamentos algorítmicos e apresentar evidências empíricas offline de desempenho dos módulos de prospecção e matchmaking, além de um desenho de homologação experimental em campo. A contribuição central está na combinação de continuidade informacional, IA explicável, restrições formais de equidade e rastreabilidade físico-financeira para a gestão do ciclo completo de fomento à inovação.

2. Problema de pesquisa e teoria da mudança

A fragmentação do fomento à inovação no Brasil manifesta-se em três planos. O primeiro é regulatório e tecnológico: diferentes concedentes operam portais, taxonomias, formulários e critérios próprios, sem padrão nacional de interoperabilidade semântica. O segundo é institucional: universidades e ICTs concentram competências, laboratórios e pesquisadores, mas não dispõem de canais padronizados para expor capacidades e responder a desafios industriais com agilidade. O terceiro é operacional: a ausência de continuidade entre proposta, execução e prestação de contas obriga equipes a reconstruírem manualmente documentos, justificativas, comprovantes e vínculos entre entregáveis e despesas.

A teoria da mudança do NibSaaS parte de insumos financeiros, econômicos, computacionais e informacionais — incluindo o acervo histórico de 1.578 projetos e 312 editais — para produzir uma infraestrutura modular capaz de automatizar etapas críticas da jornada. Os mecanismos centrais são: recuperação híbrida BM25 + SBERT para oportunidades de fomento; RAG com citação estrita para redação assistida; redes neurais em grafos com restrições de Demographic Parity para recomendação de ICTs; NSGA-II para composição multiobjetivo de consórcios; e instrumentação SRE para monitoramento de execução e compliance.

Os resultados intermediários esperados incluem redução de 60% a 70% no tempo de elaboração de propostas, diminuição de 40% no tempo de montagem de consórcios e redução relativa de 80% a 90% em inconsistências formais de prestação de contas. Esses resultados serão testados no piloto em campo, pois os resultados empíricos já disponíveis neste artigo concentram-se nos experimentos offline de recuperação semântica e predição de links.

3. Arquitetura da infraestrutura NibSaaS

A arquitetura funcional da plataforma é organizada como pipeline contínua de dez módulos integrados por APIs REST/JSON sob padrão OpenAPI 3.0. A integração é mediada por um contrato de dados canônico, denominado ProposalContext, que mantém elementos essenciais da proposta, como identificador, referência da oportunidade, CNPJ do proponente, TRL-alvo, alocação orçamentária, lacunas técnicas e nós de consórcio.

O primeiro ciclo é o de pré-submissão. Nele, o RADAR ingere editais em formatos brutos, executa scraping, parser regulatório, extração de campos críticos e busca híbrida BM25 + SBERT, entregando alertas de oportunidades, score de aderência e payload JSON estruturado. O BUILDER recebe esse contexto e utiliza RAG ancorado com citação estrita de itens regulatórios para apoiar a redação de propostas técnicas e checklists de elegibilidade. A opção por citação estrita busca reduzir alucinações jurídicas e preservar auditabilidade do texto gerado.

O segundo ciclo é o de matchmaking e engenharia de consórcios. O NETWORK recebe lacunas técnicas identificadas na proposta e consulta um grafo de competências de ICTs e pesquisadores, realizando predição de links via GNNs com regularização de fairness. O ARQUITETO utiliza NSGA-II para selecionar arranjos de consórcio equilibrando competência técnica, custo, TRL e diversidade regional. O Conect.IA apoia convites, minutas e termos de adesão.

O terceiro ciclo é o de pós-aprovação, governança e inteligência executiva. O ACELERADOR converte a proposta aprovada em projeto operacional e realiza acompanhamento físico-financeiro via integrações BaaS/ERP, vinculando documentos fiscais a marcos do cronograma. O Market Intelligence Hub executa análise de tendências e forecasting; o Strategy Lab realiza inferência causal e simulações what-if; a Engenharia de Missões acompanha alinhamento a diretrizes de política pública; e o Painel de Gestão consolida indicadores para comitês, conselhos e mantenedores.

4. Fundamentos algorítmicos

No RADAR, o score de aderência combina pontuação lexical e similaridade semântica. O material define a métrica como Saderência=α⋅BM25(q,d)+(1−α)⋅cos(eq,ed), permitindo ponderar correspondências exatas e proximidade em embeddings. Nos experimentos offline, a arquitetura híbrida foi testada com α=0,35.

No BUILDER, o RAG com citação estrita segue três etapas. Primeiro, os documentos normativos são fatiados em chunks de 512 tokens, com overlap de 64 tokens, e vetorizados com BERTimbau. Segundo, o prompt enviado ao modelo de linguagem é restrito aos trechos recuperados, com temperatura τ=0,0. Terceiro, cada parágrafo gerado deve conter marcação explícita de fonte, e sentenças sem respaldo nos trechos recuperados são descartadas por rotina de validação. Essa configuração trata a geração textual como tarefa condicionada a evidências documentais.

No NETWORK, a predição de links estima a probabilidade de formação de arestas produtivas entre proponentes, ICTs e pesquisadores, usando grafos de publicações, projetos, coautorias, patentes e infraestrutura laboratorial. O risco tratado é o viés de centralidade, pelo qual modelos de grafos tendem a reforçar instituições já muito conectadas. Para mitigá-lo, a função de perda incorpora penalização associada ao Demographic Parity Ratio, buscando aproximar a probabilidade de recomendação de instituições de regiões emergentes e consolidadas quando a capacidade científica é comparável.

No ARQUITETO, a seleção de consórcios é modelada como otimização multiobjetivo por NSGA-II. O sistema busca maximizar competência técnica total, minimizar custo orçamentário e maximizar diversidade geográfica, sujeito a restrições de número de membros e TRL resultante. Assim, a formação do consórcio deixa de depender apenas de redes pessoais ou seleção manual e passa a explicitar trade-offs técnicos, econômicos e regionais.

5. Método de avaliação

A avaliação empírica offline foi conduzida sobre acervo histórico mantido pelo CEIA/UFG e pela DFranchise Lab, composto por 1.578 propostas de P&D submetidas entre 2020 e 2025 e 312 editais federais e estaduais catalogados. Dois experimentos foram reportados.

O Experimento 1 avaliou recuperação semântica para prospecção de oportunidades no RADAR. Foram comparadas três abordagens: busca lexical tradicional BM25, busca vetorial densa via SBERT/BERTimbau e arquitetura híbrida BM25 + SBERT com α=0,35. As métricas utilizadas foram nDCG@10 e MRR, adequadas para ranqueamento de oportunidades.

O Experimento 2 avaliou matchmaking de parcerias no NETWORK. Foi construído um grafo de conhecimento com 92 nós de ICTs/universidades, 1.410 nós de pesquisadores e 4.120 arestas históricas de projetos conjuntos e coautoria. Foram comparados: coeficiente de Jaccard como baseline heurístico, GraphSAGE sem restrição de equidade e GraphSAGE com perda penalizada por Demographic Parity. As métricas foram AUC-ROC e Demographic Parity Ratio.

Além dos experimentos offline, o artigo propõe piloto experimental em campo nos seis meses finais do projeto, com 30 projetos de PD&I. O Grupo A, controle, conduzirá 15 projetos por processos manuais; o Grupo B, tratamento, operará 15 projetos com a suíte NibSaaS. O desenho previsto é diferença-em-diferenças, com pareamento por escore de propensão considerando porte da empresa, setor industrial e TRL inicial. O estudo reconhece poder estatístico limitado pelo tamanho amostral, prevendo testes não paramétricos e bootstrap com B=5.000 para intervalos de confiança.

6. Resultados

No Experimento 1, a busca lexical tradicional obteve nDCG@10=0,421±0,031 e MRR=0,382±0,028. A busca vetorial densa isolada alcançou nDCG@10=0,715±0,024. A arquitetura híbrida do RADAR atingiu nDCG@10=0,812±0,019 e MRR=0,764±0,022, com ganho estatisticamente significante por teste t pareado, p<0,001. O resultado sustenta a hipótese de que a combinação entre sinais lexicais e semânticos é mais adequada ao ranqueamento de editais de fomento do que a busca booleana tradicional.

No Experimento 2, o coeficiente de Jaccard obteve AUC-ROC=0,584±0,035. A GNN sem restrições alcançou AUC-ROC=0,841±0,018, mas apresentou Demographic Parity Ratio=0,482±0,032 e concentrou 78% das recomendações em 12 instituições do eixo Sudeste. A GNN penalizada do NETWORK alcançou AUC-ROC=0,826±0,021 e Demographic Parity Ratio=0,815±0,025. O resultado indica pequena perda de desempenho preditivo em troca de ganho substantivo de equidade, alinhando o matchmaking ao objetivo de democratizar acesso a redes de P&D.

Esses achados ainda não comprovam, por si sós, a redução de tempo de elaboração, formação de consórcios ou glosas em ambiente operacional. Tais metas permanecem como hipóteses de campo a serem examinadas no piloto controlado. Contudo, os resultados offline oferecem evidência inicial de que os dois mecanismos críticos da plataforma — prospecção semântica e recomendação equitativa de parcerias — superam baselines relevantes.

7. Governança, riscos e critérios de descontinuação

A adoção de IA em fomento público exige tratamento explícito de riscos. O primeiro risco é o viés de centralidade em grafos, mitigado por Demographic Parity no NETWORK e por diversidade regional no ARQUITETO. O segundo risco é a alucinação jurídica em editais, mitigada no BUILDER por RAG ancorado, citação estrita, temperatura nula e validação determinística. O terceiro risco é a assimetria de acesso por MPEs e startups com menor maturidade digital, mitigada por interface multi-tenant e onboarding guiado.

O projeto também define kill switches. No BUILDER, se a precisão na extração de critérios de elegibilidade for F1<0,75 após três rodadas de fine-tuning, a geração por LLM será suspensa e substituída por parser determinístico orientado a regras. No NETWORK, se o indicador de Demographic Parity cair abaixo de 0,60, a recomendação por GNN será interrompida e revertida para filtragem colaborativa parametrizada pelo usuário. Esses critérios tornam a governança técnica verificável e reduzem a dependência de decisões ad hoc.

8. Limitações

A principal limitação empírica é que os resultados apresentados são offline. O desempenho em acervo histórico não equivale automaticamente ao impacto operacional em projetos reais, especialmente em tarefas como redução de tempo de redação, negociação de consórcios e prevenção de glosas. O piloto planejado mitiga parcialmente essa lacuna, mas terá amostra reduzida de 30 projetos, restringindo o poder estatístico para efeitos pequenos.

Há também limitações operacionais. A heterogeneidade dos portais públicos exige conectores customizados e manutenção contínua. Mudanças não anunciadas em editais, formulários ou páginas de concedentes podem afetar a ingestão. Além disso, o cumprimento do cronograma físico-financeiro depende da pontualidade dos aportes previstos no acordo de parceria; atrasos superiores a 15 dias nos aportes privados implicam interrupção da execução técnico-científica pelo CEIA/UFG, conforme cláusula indicada no material.

Por fim, o escopo do projeto não inclui aplicativos móveis nativos, hospedagem comercial permanente após a vigência contratual, customizações operacionais para concedentes não previstas no plano de trabalho, nem prestação de consultoria jurídica, contábil ou comercial internacional.

9. Considerações finais

A infraestrutura GovTech NibSaaS propõe reorganizar a jornada do fomento à inovação por meio de continuidade informacional, integração modular e inteligência artificial explicável. Em vez de tratar prospecção, redação, matchmaking, execução e prestação de contas como etapas isoladas, a plataforma conecta os ciclos por APIs e por um modelo canônico de dados, permitindo que informações produzidas na pré-submissão acompanhem o projeto até a auditoria.

Os resultados offline indicam desempenho superior do RADAR em recuperação de oportunidades e viabilidade do NETWORK em combinar capacidade preditiva com mitigação de viés regional. A arquitetura híbrida BM25 + SBERT superou a busca lexical tradicional, e a GNN com penalização de equidade preservou AUC elevada ao mesmo tempo em que elevou o Demographic Parity Ratio. A etapa seguinte, já prevista no desenho metodológico, é testar em campo se esses ganhos técnicos se traduzem em redução de tempo, melhoria de consórcios e menor incidência de inconsistências formais.

Referências ANPD - Autoridade Nacional de Proteção de Dados. (2023). Relatório de Impacto à Proteção de Dados Pessoais (RIPD): Perguntas e Respostas. Brasília: ANPD.

ANPEI / CGEE - Centro de Gestão e Estudos Estratégicos. (2022). Pesquisa de Overhead Administrativo e Custos de Transação em P&D Industrial no Brasil. Brasília: CGEE.

Beyer, B., Jones, C., Petoff, J., & Murphy, N. R. (2016). Site Reliability Engineering: How Google Runs Production Systems. Sebastopol: O'Reilly Media.

Brasil. (2004). Lei nº 10.973, de 2 de dezembro de 2004. Dispõe sobre incentivos à inovação e à pesquisa científica e tecnológica no ambiente produtivo (Marco Legal de CT&I). Brasília: Diário Oficial da União.

Brasil. (2018a). Decreto nº 9.283, de 7 de fevereiro de 2018. Regulamenta a Lei nº 10.973/2004. Brasília: Diário Oficial da União.

Brasil. (2018b). Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília: Diário Oficial da União.

CGU / TCU. (2023). Relatório de Auditoria Consolidada sobre Convênios e Termos de Subvenção Econômica em CT&I. Brasília: Controladoria-Geral da União.

Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197.

De Negri, F. (2021). Políticas Públicas para Inovação no Brasil: Diagnóstico e Caminhos para a Eficiência. Brasília: IPEA.

Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171-4186.

FINEP - Financiadora de Estudos e Projetos. (2024). Relatório de Gestão e Alocação de Recursos de Subvenção e Crédito. Rio de Janeiro: FINEP.

Fruchterman, T. M. J., & Reingold, E. M. (1991). Graph drawing by force-directed placement. Software: Practice and Experience, 21(11), 1129-1164.

Gregg, B. (2017). The USE Method: Utilization Satisfaction and Errors. ACM Queue.

Gutierrez, P., & Gérardy, J.-Y. (2017). Causal inference and uplift modeling: A review of the literature. Proceedings of Machine Learning Research, 67, 1-13.

Holagh, N. A., et al. (2025). Survey of GNN methods for dynamic link prediction. Procedia Computer Science, 240, 112-120.

Huang, L., et al. (2023). A survey on hallucination in large language models. arXiv preprint arXiv:2311.05232.

IPEA - Instituto de Pesquisa Econômica Aplicada. (2021). Análise de Mortalidade e Retenção de Propostas em Editais Públicos de Inovação. Texto para Discussão nº 2680. Brasília: IPEA.

Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3rd ed.). Hoboken: John Wiley & Sons.

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems (NeurIPS), 33, 9459-9474.

Liu, X., et al. (2023). A survey on graph classification and link prediction. IEEE Transactions on Neural Networks and Learning Systems, 34(8), 4120-4138.

Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems (NeurIPS), 30, 4765-4774.

Mazzucato, M. (2018). Mission-Oriented Research & Innovation in the European Union. Luxembourg: Publications Office of the European Union.

MDIC / MCTI. (2024). Plano Mais Produção e Diretrizes de Financiamento da Nova Indústria Brasil (NIB). Brasília: Governo Federal.

Oreshkin, B. N., Carpov, D., Chapados, N., & Bengio, Y. (2020). N-BEATS: Neural basis expansion analysis for interpretable time series forecasting. International Conference on Learning Representations (ICLR).

Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence embeddings using Siamese BERT-networks. Proceedings of EMNLP-IJCNLP 2019, 3982-3992.

Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. Proceedings of ACM SIGKDD 2016, 1135-1144.

Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2020). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting, 36(3), 1181-1191.

Sharma, A., & Kiciman, E. (2020). DoWhy: An end-to-end library for causal inference. Microsoft Research Tech Report.

Souza, F., Nogueira, R., & Lotufo, R. (2020). BERTimbau: Pretrained BERT models for Brazilian Portuguese. Brazilian Conference on Intelligent Systems (BRACIS 2020), 403-417.

Weerts, H., Dudík, M., Edgar, R., Jalali, A., Lutz, R., & Madaio, M. (2023). Fairlearn: Assessing and improving fairness of AI systems. Journal of Machine Learning Research (JMLR), 24(257), 1-8.

Wilkie, T. (2018). The RED Method: How to Instrument Your Services for Microservices Architecture. Grafana Labs Report.

Zuniga, P., et al. (2016). Addressing the Innovation Paradox in Emerging Economies: University-Industry Collaboration in Brazil. Washington, DC: World Bank Group.