Da IA Generativa à Engenharia Auditável: um Framework Human-in-the-Loop para Maturação de Projetos Tecnológicos Utilizando Modelo em V – Case de Payload Inteligente em UAV

DA IA GENERATIVA À ENGENHARIA AUDITÁVEL: UM FRAMEWORK

HUMAN-IN-THE-LOOP PARA MATURAÇÃO DE PROJETOS TECNOLÓGICOS

UTILIZANDO MODELO EM V – CASE DE PAYLOAD INTELIGENTE EM UAV

Ali Kamel Issmael Junior , José Vicente Calvano

Pesquisador Independente | Universidade Federal do Rio de Janeiro – COPPE/UFRJ

Resumo

A disseminação da inteligência artificial (IA) generativa na engenharia cria um desafio de governança para a pesquisa e desenvolvimento (P&D): a IA pode acelerar a exploração, a programação, a documentação e a preparação de testes, mas seus resultados permanecem probabilísticos e não podem substituir a responsabilidade técnica. Este estudo de caso propõe uma arquitetura de governança que integra controles com participação humana (“human-in -the-loop”) ao Modelo em V de Engenharia de Sistemas. A proposta central é que a IA generativa não deve constituir uma nova fase do ciclo de vida; em vez disso, deve operar como uma camada de assistência transversal incorporada às atividades de engenharia estabelecidas, enquanto a definição de requisitos, os critérios de aceitação, a verificação, a validação e as decisões técnicas finais permanecem sob responsabilidade humana. A estrutura proposta é ilustrada por meio de uma experiência de desenvolvimento de carga útil para veículo aéreo não tripulado (VANT) de baixo custo e fundamenta-se em dois estudos complementares já aceitos para publicação no ENEGEP 2026 e no SIMPEP 2026. Para preservar a autonomia editorial desses trabalhos, o presente estudo de caso não reproduz seus métodos detalhados, níveis de maturidade, tabelas ou resultados. Sua contribuição reside no mapeamento entre as etapas do modelo em V, o suporte admissível da IA, os pontos de decisão humana e as evidências auditáveis. O resultado é uma lógica de governança replicável para projetos de P&D intensivos em engenharia, compatível com os princípios do ciclo de vida de sistemas e adequada para extensão a sistemas embarcados, robótica e outros sistemas ciberfísicos.

Palavras-chave: IA generativa; Engenharia de Sistemas; Modelo em V; Human-in -the-loop; Governança tecnológica; Rastreabilidade; UAV / VANT

Abstract

The dissemination of generative artificial intelligence (AI) in engineering creates a governance challenge for research and development (R&D): AI can accelerate exploration, programming, documentation, and test preparation, but its results remain probabilistic and cannot replace technical responsibility. This case study proposes a governance architecture that integrates human-in -the-loop controls into the V-Model of Systems Engineering. The central proposition is that generative AI should not constitute a new phase of the life cycle;

instead, it should operate as a transversal assistance layer embedded in established engineering activities, while requirements definition, acceptance criteria, verification, validation, and final technical decisions remain under human responsibility. The proposed framework is illustrated through the development of a low-cost unmanned aerial vehicle (UAV) payload and is grounded in two complementary studies already accepted for publication at ENEGEP 2026 and SIMPEP 2026. To preserve the editorial autonomy of those works, this case study does not reproduce their detailed methods, maturity levels, tables, or results. Its contribution lies in mapping the steps of the V-Model, the admissible AI support, the human decision points, and the audit evidence. The outcome is a replicable governance logic for engineering-intensive R&D projects, compatible with systems life cycle principles and suitable for extension to embedded systems, robotics, and other cyber-physical systems.

Keywords: Generative AI; Systems Engineering; V-Model; Human-in -the-loop; R&D; Technological Governance;

Traceability; UAV

1. Introdução

A incorporação de inteligência artificial (IA) generativa em atividades de engenharia alterou a velocidade com que equipes podem explorar alternativas, gerar código, produzir documentação e apoiar tarefas de análise. Essa capacidade, contudo, não elimina as obrigações fundamentais de um processo de engenharia: compreender a necessidade, definir requisitos, estabelecer critérios de aceitação, controlar interfaces, verificar a conformidade da solução e validar seu desempenho diante da necessidade original. Em sistemas físicos e ciberfísicos, uma resposta plausível produzida por IA não equivale a uma evidência de engenharia.

Esse problema é particularmente relevante para organizações de pesquisa, desenvolvimento e inovação, nas quais o uso informal de ferramentas generativas pode avançar mais rapidamente do que os mecanismos de governança. O risco não se resume à chamada “alucinação”: inclui perda de rastreabilidade, incorporação de requisitos não aprovados, propagação de premissas equivocadas, fragilidade documental, exposição indevida de informações e diluição da responsabilidade técnica (FEUERRIEGEL et al., 2024;

BRASIL, 2025).

O presente case propõe integrar a governança “human-in-the-loop” ao Modelo em V de Engenharia de Sistemas. A hipótese de trabalho é que a IA generativa não deve constituir uma nova etapa do ciclo de vida, mas uma camada transversal de assistência às atividades já disciplinadas pela Engenharia de Sistemas. Assim, a IA pode apoiar a exploração e a execução, enquanto a autoridade sobre necessidades, requisitos, arquitetura, critérios de aceitação, verificação, validação e liberação permanece humana.

A proposta é ilustrada a partir da experiência de desenvolvimento de um payload modular de baixo custo para UAV. Essa linha de pesquisa originou dois trabalhos complementares já aceitos para publicação no ENEGEP 2026 e no SIMPEP 2026 (ISSMAEL JUNIOR; CALVANO, 2026a; 2026b). Para preservar o ineditismo e a autonomia editorial desses trabalhos, o presente case não reproduz seus métodos detalhados, níveis de maturidade, tabelas ou resultados específicos. O foco aqui é uma contribuição distinta: a integração entre governança da IA e ciclo de Engenharia de Sistemas.

A questão orientadora é: “Como incorporar IA generativa ao desenvolvimento de sistemas sem romper a correspondência entre especificação, implementação, verificação e validação?” O objetivo é: “Propor uma arquitetura de governança que associe, a cada região do Modelo em V, usos admissíveis de IA, gates de decisão humana e evidências mínimas de rastreabilidade”.

2. Revisão Bibliográfica

2.1 IA generativa e governança “human-in-the-loop” A IA generativa apresenta potencial para atividades de ideação, análise textual, geração de código, documentação e apoio à decisão, mas seus resultados dependem do contexto fornecido, dos dados de treinamento e da qualidade da interação, podendo conter erros factuais, vieses e inferências inadequadas (FEUERRIEGEL et al., 2024). Em projetos técnicos, portanto, sua adoção requer mecanismos explícitos de supervisão.

A abordagem “human-in-the-loop” posiciona o ser humano como responsável por enquadrar o problema, estabelecer critérios de aceitação, avaliar alternativas e autorizar decisões. No contexto brasileiro, a Cartilha de IA Generativa no Serviço Público enfatiza uso criterioso, revisão humana, proteção de dados e alinhamento institucional (BRASIL, 2025), enquanto a Política de Integridade na Atividade Científica do CNPq reforça transparência e responsabilização no emprego dessas ferramentas (CNPq, 2026).

2.2 Engenharia de Sistemas, ciclo de vida e Modelo em V A Engenharia de Sistemas trata o desenvolvimento de sistemas complexos como um conjunto integrado de processos ao longo do ciclo de vida. A ISO/IEC/IEEE 15288:2023 estabelece uma estrutura comum de processos aplicável a sistemas, elementos de sistemas e sistemas de sistemas, abrangendo concepção, desenvolvimento, produção, utilização, suporte e retirada. A norma não prescreve um modelo específico de ciclo de vida, mas fornece a base processual para que organizações e projetos definam, controlem e melhorem seus processos de engenharia (ISO/IEC/IEEE, 2023).

O Modelo em V é uma representação clássica da relação entre definição e realização do sistema. Em sua leitura mais difundida, o lado esquerdo do V representa a progressiva decomposição da necessidade em requisitos, arquitetura e design; a base corresponde à implementação; e o lado direito representa integração, verificação e validação em níveis crescentes. Seu valor conceitual está na correspondência entre o que foi especificado e a evidência que posteriormente demonstra atendimento.

O Systems Engineering Handbook do INCOSE, em sua quinta edição, organiza as boas práticas da disciplina em alinhamento com os processos de ciclo de vida da ISO/IEC/IEEE 15288:2023 e utiliza o Vee como uma das referências para representar desenvolvimento, integração, verificação e validação (INCOSE, 2023). Essa estrutura é adequada ao problema deste case porque fornece pontos naturais para inserção de controles, evidências e gates humanos.

2.3 P&D, maturação tecnológica e rastreabilidade Projetos de P&D exigem equilíbrio entre exploração e disciplina. A gestão da inovação envolve transformar ideias em resultados utilizados e capazes de gerar valor (OECD;

EUROSTAT, 2018; TIDD; BESSANT, 2021), enquanto a gestão da tecnologia conecta escolhas técnicas a recursos, riscos, competências e objetivos organizacionais (KHALIL, 2000).

Escalas como “Technology Readiness Level” (TRL) ajudam a avaliar prontidão tecnológica, mas não substituem um processo de Engenharia de Sistemas nem definem, por si, como governar contribuições geradas por IA (NASA, 2020; 2023). A proposta deste case é complementar: utilizar o Modelo em V para preservar coerência técnica e uma camada de governança para registrar como a IA participou de cada decisão.

3. Metodologia

O estudo possui natureza aplicada e conceitual-propositiva, utilizando o “Design Science Research” (DSR) para construção de um artefato de governança (PEFFERS et al., 2007). O artefato deste case é uma arquitetura que relaciona quatro elementos: fase do Modelo em V, contribuição admissível da IA generativa, gate de responsabilidade humana e evidência rastreável.

A construção foi realizada em três movimentos: Primeiro, foram identificadas as atividades de Engenharia de Sistemas em que a IA pode oferecer assistência sem assumir autoridade decisória; Segundo, essas atividades foram distribuídas ao longo do Modelo em V, preservando a correspondência entre especificação e evidência de verificação/validação; e Terceiro, foram definidos controles transversais de governança para registrar entradas, saídas, revisão, decisão e evidência.

A regra fundamental do framework é: nenhuma saída de IA constitui, por si só, requisito aprovado, decisão arquitetural, evidência de verificação ou resultado de validação. A IA pode sugerir, comparar, estruturar ou auxiliar a produzir artefatos; a aceitação permanece vinculada a um responsável humano e a critérios previamente estabelecidos.

A experiência com um payload de UAV é utilizada apenas como demonstrador de plausibilidade e contexto de aplicação. Os trabalhos aceitos no ENEGEP e SIMPEP são tratados como antecedentes da linha de pesquisa e citados como 'no prelo'. Seus detalhes científicos não são reproduzidos nesta versão, evitando antecipação editorial.

Figura 1 – Integração da governança Human-in-the-Loop ao Modelo em V

4. Resultados

4.1 Arquitetura de governança integrada ao Modelo em V O principal resultado do case é a definição de uma lógica de governança em que a IA atravessa o ciclo de desenvolvimento sem substituir suas responsabilidades estruturantes. No lado esquerdo do V, a IA pode apoiar análise de contexto, decomposição de requisitos e geração de alternativas, mas necessidades e requisitos somente avançam após aprovação humana. Na base do V, a IA pode apoiar código, documentação e depuração, mas a implementação permanece submetida a controle de configuração, revisão e testes.

No lado direito do V, a IA pode apoiar elaboração de procedimentos de teste, organização de dados e síntese de evidências, mas não pode declarar conformidade.

Verificação e validação são atos de engenharia baseados em critérios previamente definidos, evidências observáveis e decisão humana qualificada. Essa distinção reduz o risco de confundir uma explicação produzida por IA com prova de atendimento.

A contribuição central pode ser sintetizada em uma proposição: a IA generativa deve ser tratada como uma camada transversal de assistência e não como uma nova etapa do ciclo de vida. Ao permanecer subordinada ao encadeamento necessidade–requisito–design– implementação–verificação–validação, a tecnologia pode aumentar a capacidade exploratória sem romper a rastreabilidade.

Tabela 1 – Modelo em V, assistência de IA, gate humano e evidência Fase do Modelo em V Assistência admissível da IA “Gate Humano” Evidência mínima Necessidade / missão Síntese de contexto, cenários e alternativas de formulação.

Responsável define a necessidade, usuários e limites.

Declaração de necessidade aprovada e premissas registradas.

Requisitos de sistema Apoio à decomposição, consistência, identificação de lacunas e redação preliminar.

Requisitos e critérios de aceitação são aprovados por humanos.

Baseline de requisitos, rastreabilidade e critérios de aceitação.

Arquitetura / design Geração e comparação de alternativas, interfaces e tradeoffs preliminares.

Seleção arquitetural e aceitação de trade-offs.

Decisão arquitetural, interfaces e racional técnico.

Design detalhado Apoio a especificações, código preliminar, documentação e análise.

Revisão técnica e controle de configuração.

Versões controladas, revisão e vínculos com requisitos.

Fase do Modelo em V Assistência admissível da IA “Gate Humano” Evidência mínima Implementação Geração de trechos de código, depuração e documentação auxiliar.

Integração e liberação do incremento.

Build/configuração, testes unitários e registro de alterações.

Integração e verificação Apoio à elaboração de casos de teste, organização e análise inicial de dados.

Declaração de conformidade permanece humana.

Resultados de teste ligados aos requisitos e registros de não conformidade.

Validação operacional Síntese de resultados, comparação com cenários e apoio documental.

Aceitação do atendimento à necessidade e ao uso pretendido.

Evidência de validação, decisão de aceitação e lições aprendidas.

4.2 Aplicabilidade ao case de payload e a outros projetos de P&D No demonstrador de payload para UAV, o framework permite separar claramente atividades em que a IA pode auxiliar, por exemplo, comparação de componentes, estruturação documental, geração inicial de código e apoio à depuração, daquelas que exigem julgamento de engenharia, como aceitação de requisitos, decisão sobre arquitetura, integração física, verificação de desempenho e validação em relação à missão.

Essa separação não depende do domínio aeronáutico. O mesmo princípio pode ser aplicado a sistemas embarcados, sensores, robótica, veículos de superfície ou submarinos não tripulados, sistemas de comando e controle e outros sistemas ciberfísicos. A condição é que cada projeto adapte o V às características do seu ciclo de vida e estabeleça previamente quais artefatos, critérios e evidências são exigidos em cada gate.

4.3 Valor para organizações de P&D e estágio atual Para organizações de P&D, a principal geração de valor está na possibilidade de empregar IA sem criar um processo paralelo e informal de engenharia. O framework encaixa a assistência generativa, de forma rastreável, em atividades já reconhecíveis por engenheiros, gestores, auditores e responsáveis técnicos, facilitando governança, revisão e transferência de conhecimento.

No estágio atual, o resultado é um framework estruturado de governança e uma demonstração de aplicabilidade. Ainda não existem dados controlados suficientes para afirmar redução de tempo, custo, retrabalho ou falhas. Esses indicadores devem ser objeto de avaliação futura, idealmente comparando ciclos equivalentes com e sem assistência de IA e registrando período de medição, tamanho da amostra e critérios de desempenho.

5. Conclusão

A integração da governança “human-in-the-loop” ao Modelo em V oferece uma forma disciplinada de incorporar IA generativa a projetos de P&D intensivos em engenharia. A proposta preserva a lógica central da Engenharia de Sistemas: necessidades originam requisitos, requisitos orientam design e implementação, e cada decisão deve ser rastreável e posteriormente encontrar evidência correspondente de verificação ou validação.

A contribuição do case não é criar uma nova fase de desenvolvimento para a IA. Ao contrário, é integrá-la, enquadrá-la como ferramenta transversal de assistência, submetida a responsabilidades, gates e evidências já reconhecíveis no ciclo de vida de sistemas. Dessa forma, exploração rápida e geração automatizada de conteúdo podem coexistir com rastreabilidade, controle de configuração, verificação, validação e responsabilização técnica.

A experiência com payload de UAV serve como demonstrador, mas a arquitetura proposta é deliberadamente independente do domínio. Sua aplicabilidade potencial inclui sistemas embarcados, robótica, sensores, plataformas autônomas e outros projetos tecnológicos nos quais decisões assistidas por IA precisam permanecer auditáveis.

Como próximo passo, recomenda-se validar quantitativamente o framework em projetos reais, medindo tempo de ciclo, esforço de revisão, taxa de correção ou rejeição de saídas de IA, retrabalho, qualidade documental e indicadores técnicos do sistema. Essa evidência permitirá avaliar não apenas se a IA pode ser incorporada com governança, mas em que condições ela efetivamente gera valor para P&D.

6. Política de Uso de Inteligência Artificial

Os autores declaram o uso da ferramenta ChatGPT, da OpenAI, exclusivamente como recurso auxiliar para revisão ortográfica e gramatical e para aprimoramento da clareza e da fluidez da redação. A ferramenta também foi utilizada como apoio à elaboração gráfica da Figura 1, de natureza exclusivamente conceitual e ilustrativa, sem representação, tratamento ou geração de dados experimentais ou resultados quantitativos.

A formulação do problema de pesquisa, a seleção e interpretação das referências, a definição metodológica, as decisões técnicas, a análise dos resultados e as conclusões foram formuladas pelos autores. O conteúdo apoiado por IA foi submetido à supervisão, revisão, edição e validação humana antes de sua incorporação ao manuscrito.

Nota de delimitação editorial: o presente case cita os trabalhos aceitos no ENEGEP 2026 e SIMPEP 2026 apenas como antecedentes da linha de pesquisa. A contribuição aqui apresentada é a integração inédita entre governança da IA e Modelo em V; não são reproduzidas tabelas, figuras, níveis de maturidade ou descrições metodológicas detalhadas dos artigos no prelo.

7. Referências

BRASIL. Ministério da Gestão e da Inovação em Serviços Públicos; Secretaria de Governo Digital;

Serviço Federal de Processamento de Dados. IA Generativa no Serviço Público. Brasília:

MGI/SGD/SERPRO, 2025.

CNPq. Portaria CNPq nº 2.664, de 6 de março de 2026. Institui a Política de Integridade na Atividade Científica do CNPq. Brasília: Conselho Nacional de Desenvolvimento Científico e Tecnológico, 2026.

FEUERRIEGEL, S.; HARTMANN, J.; JANIESCH, C.; ZSCHECH, P. Generative AI. Business & Information Systems Engineering, v. 66, p. 111-126, 2024.

INCOSE. Systems Engineering Handbook: A Guide for System Life Cycle Processes and Activities. 5. ed.

Hoboken: Wiley, 2023.

ISO/IEC/IEEE. ISO/IEC/IEEE 15288:2023 – Systems and software engineering — System life cycle processes. Geneva: International Organization for Standardization, 2023.

ISSMAEL JUNIOR, A. K.; CALVANO, J. V. An Experimental Human-AI Co-Design Method for Low-Cost UAV Payload Development in Higher Education. XLVI Encontro Nacional de Engenharia de Produção – ENEGEP, São Paulo, 2026. No prelo.

ISSMAEL JUNIOR, A. K.; CALVANO, J. V. Gestão Tecnológica de Projetos de “Payloads” Inteligentes em UAVs com Apoio de IA Generativa: um Modelo de Maturidade. XXXIII Simpósio de Engenharia de Produção – SIMPEP, Bauru, 2026. No prelo.

KHALIL, T. M. Management of Technology: the key to competitiveness and wealth creation. Boston:

McGraw-Hill, 2000.

NASA. Technology Readiness Assessment Best Practices Guide. Washington, DC: National Aeronautics and Space Administration, 2020.

NASA. Technology Readiness Levels. Washington, DC: National Aeronautics and Space Administration, 2023.

OECD; EUROSTAT. Oslo Manual 2018: Guidelines for Collecting, Reporting and Using Data on Innovation. 4. ed. Paris: OECD Publishing, 2018.

PEFFERS, K.; TUUNANEN, T.; ROTHENBERGER, M. A.; CHATTERJEE, S. A design science research methodology for information systems research. Journal of Management Information Systems, v. 24, n.

3, p. 45-77, 2007.

TIDD, J.; BESSANT, J. Managing Innovation: Integrating Technological, Market and Organizational Change. 7. ed. Hoboken: Wiley, 2021.

[conteúdo visual do documento] [página 4]

Figura 1 – Integração da governança Human-in-the-Loop ao Modelo em V

Camada transversal de assistência por IA generativa ideação | análise de requisitos | alternativas | código | depuração | documentação | apoio a testes

1 Necessidade / missão 2 Requisitos de sistema 3 Arquitetura / design 4 Design detalhado Implementação 5 Verificação de elementos 6 Integração 7 Verificação de sistema 8 Validação operacional

validar contra a necessidade verificar contra requisitos verificar integração verificar elementos

Governança Human-in-the-Loop especificação prévia → uso delimitado da IA → revisão humana → evidência → decisão

[página 5]

Tabela 1 – Modelo em V, assistência de IA, gate humano e evidência

| Fase do Modelo em V | Assistência admissível da IA | “Gate Humano” | Evidência mínima | |---|---|---|---|

[página 6]

| Fase do Modelo em V | Assistência admissível da IA | “Gate Humano” | Evidência mínima | |---|---|---|---|