GovTech Orquestração de Ecossistema de Fomento com Inteligência Artificial

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

Resumo Este artigo apresenta a especificação, arquitetura e plano de validação da infraestrutura GovTech NibSaaS, desenvolvida mediante Acordo de Parceria de Pesquisa, Desenvolvimento e Inovação (PD&I em nível TRL 6) orçado em R$ 3.160.351,92 entre a DFranchise Lab Desenvolvimento LTDA, o Centro de Excelência em Inteligência Artificial da Universidade Federal de Goiás (CEIA/UFG), a Associação Brasileira de Pesquisa e Inovação Industrial (EMBRAPII) e o Serviço Brasileiro de Apoio às Micro e Pequenas Empresas (SEBRAE). A solução combate a fragmentação estrutural, as assimetrias informacionais e a descontinuidade operacional que afetam o mercado brasileiro de fomento não dilutivo, responsável pela disponibilização anual de mais de R$ 132 bilhões. O trabalho supera visualizações estáticas ao estruturar a plataforma como uma pipeline contínua de três ciclos funcionais encadeados via APIs REST/JSON:

Ciclo de Prospecção e Redação Assistida (Pré-Submissão): Operado pelos módulos RADAR e BUILDER, empregando recuperação híbrida (BM25 e embeddings) e arquitetura Retrieval-Augmented Generation (RAG) ancorada com citação estrita de itens regulatórios.

Ciclo de Orquestração e Engenharia de Consórcios (Matchmaking): Operado pelos módulos NETWORK, ARQUITETO e Conect.IA, fundamentados em Redes Neurais em Grafos (GNNs) para predição de links com restrições formais de equidade (fairness) e otimização multiobjetivo por Algoritmos Genéticos (NSGA−II).

Ciclo de Governança, Compliance e Inteligência Executiva (Pós-Aprovação): Operado pelos módulos ACELERADOR, Strategy Lab, Market Intelligence Hub, Engenharia de Missões e Painel de Gestão, garantindo a conciliação físico-financeira via BaaS/ERP e reduzindo a zero o risco de glosas em auditorias públicas.

O artigo detalha a Teoria da Mudança, o modelo de dados canônico (ProposalContext), a matriz de métricas de sucesso por módulo, o desenho do piloto experimental comparativo, a mitigação de riscos algorítmicos intrínsecos e os critérios objetivos de descontinuação técnica (kill switches).

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

1. Introdução e Contextualização Institucional

O ecossistema brasileiro de Ciência, Tecnologia e Inovação (CT&I) dispõe de um volume expressivo de capital não dilutivo, estimado em R$ 132 bilhões anuais disponibilizados por agências e programas estatais como FINEP, BNDES, EMBRAPII, CNPq, FAPs estaduais e a política pública Nova Indústria Brasil (NIB). Contudo, a absorção desses recursos pelas empresas e startups enfrenta graves barreiras operacionais e burocráticas:

Carga Burocrática Excessiva: Mais de 70% do tempo dos times de inovação corporativa é consumido por tarefas manuais, preenchimento repetitivo de formulários e conciliações em planilhas.

Perda de Prazos de Janelas Públicas: Cerca de 14% dos projetos de P&D elegíveis são inviabilizados ou descontinuados devido à perda de prazos de submissão em editais dinâmicos.

Glosa e Insegurança Fiscal: Aproximadamente um terço (1/3) das instituições e proponentes sofre rejeição de contas, sanções ou glosas financeiras após a execução dos projetos devido à falta de rastreabilidade física e fiscal.

Esses gargalos decorrem do histórico "isolamento científico" entre universidades e indústrias, agravado por processos manuais desprovidos de interoperabilidade. Para solucionar essa ineficiência sistêmica, o projeto da plataforma NibSaaS foi formalizado como um Acordo de Parceria para Pesquisa, Desenvolvimento e Inovação (PD&I) sob o enquadramento do Marco Legal de CT&I (Emenda Constitucional nº 85/2015, Lei nº 10.973/2004, Lei nº 13.243/2016 e Decreto nº 9.283/2018). O projeto vincula a startup DFranchise Lab Desenvolvimento LTDA, a Universidade Federal de Goiás (UFG) por meio do Centro de Excelência em Inteligência Artificial (Unidade EMBRAPII CEIA/UFG) e a Fundação de Apoio à Pesquisa (FUNAPE), contando com subvenção financeira da EMBRAPII e do SEBRAE (processo registrado sob o código UFG P109180-2026).

O arranjo físico-financeiro do projeto está pactuado no valor global de R$ 3.160.351,92, alocado para execução em 18 meses no nível de maturidade TRL 6 (tecnologia validada em ambiente relevante):

Subvenção Financeira EMBRAPII: R$ 1.516.968,92 (48,00% do orçamento total).

Aporte Financeiro DFranchise Lab: R$ 850.000,00 (31,64% dos recursos financeiros diretos).

Aporte Financeiro SEBRAE: R$ 150.000,00, proveniente do Contrato de Fomento nº 150/2019 firmado com a EMBRAPII para MPEs e startups.

Contrapartida Econômica Institucional UFG/CEIA: R$ 643.383,00 (20,36% do projeto), alocada sob a forma de uso de laboratórios de computação de alto desempenho, horas-dedicação de pesquisadores e isenção de Custos Indiretos do Projeto (CIP) conforme a Resolução CONSUNI/UFG nº 192/2023.

Total de Recursos Financeiros Diretos: R$ 2.516.968,92 (79,64% do montante global).

Regime de Propriedade Intelectual (PI): A titularidade de todas as criações e registros de software decorrentes do projeto será compartilhada entre as partes na proporção exata de suas contribuições, cabendo 79,64% à DFranchise Lab e 20,36% à UFG, com asseguração do direito de preferência para licenciamento exclusivo pela DFranchise Lab pelo prazo de 365 dias pós-encerramento.

2. Diagnóstico do Problema, Causalidade Institucional e Benchmarking

2.1 Causalidade Institucional da Fragmentação A fragmentação do fomento à inovação no Brasil não constitui apenas uma limitação de software, mas o efeito direto de três falhas institucionais estruturais:

Silos Regulametares e Tecnológicos das Concedentes: FINEP, BNDES, CNPq, EMBRAPII e FAPs operam ecossistemas fechados, com portais legados, taxonomias próprias, critérios de elegibilidade heterogêneos e exigências de prestação de contas sem qualquer padrão de interoperabilidade semântica (Mazzucato, 2018).

Isolamento e Inacessibilidade da Infraestrutura Acadêmica: Universidades e ICTs concentram laboratórios de ponta e pesquisadores de elite, mas carecem de canais digitais padronizados para expor suas competências e responder agilmente aos desafios tecnológicos industriais.

Perda de Continuidade Informacional: A desconexão entre as fases de prospecção, elaboração de proposta, execução física e prestação de contas obriga os atores a reconstruírem manualmente históricos, comprovantes e justificativas técnicas, alimentando o risco de glosas.

2.2 Teoria da Mudança (ToC) A Teoria da Mudança do projeto NibSaaS encadeia causalmente os insumos investidos aos impactos socioeconômicos pretendidos:

Insumos e Ativos de Entrada: Aporte financeiro e econômico global de R$ 3,16 milhões; infraestrutura computacional e científica do CEIA/UFG; acervo de treinamento com 1.578 projetos analisados e +300 editais mapeados; rede científica integrada com mais de 90 ICTs e universidades (USP, Unicamp, UFMG, SENAI CIMATEC, UFRJ, etc.).

Mecanismos Algorítmicos e Arquiteturais: Recuperação Híbrida (BM25 + SBERT) para busca semântica (Reimers & Gurevych, 2019); RAG com citação estrita baseada em BERTimbau (Lewis et al., 2020; Souza et al., 2020); Predição de Links via Redes Neurais em Grafos (GNNs) com restrições de Demographic Parity (Liu et al., 2023; Weerts et al., 2023); Otimização Multiobjetivo pelo algoritmo NSGA−II (Deb et al., 2002); e instrumentação SRE para observabilidade e RED/USE (Beyer et al., 2016).

Produtos e Artefatos Gerados (Outputs): Plataforma GovTech de APIs composta por 10 módulos integrados; contrato de dados canônico baseado no esquema JSON Schema ProposalContext; e dashboard multi-tenant para coordenação de empresas, startups, hubs e agências.

Resultados Intermediários (Outcomes): Redução de até 70% no tempo de elaboração e formatação de propostas técnicas; diminuição de 40% no tempo de negociação e montagem de consórcios de P&D; eliminação total de glosas por inconsistências formais em auditorias de prestação de contas.

Impacto Socioeconômico de Longo Prazo: Aumento da taxa de conversão do capital de inovação não dilutivo; democratização do acesso de MPEs e startups a verbas públicas de P&D; e consolidação de uma governança de políticas públicas de CT&I orientada por evidências.

2.3 Benchmarking Competitivo e Lacunas de Mercado A proposta do NibSaaS supera as alternativas existentes no ecossistema de fomento ao responder diretamente às lacunas identificadas pela banca avaliadora:

Portais Públicos de Agências (ex: FINEP, CNPq): Limitados à submissão passiva de editais próprios, com formulários estáticos, busca booleana sem recomendação contextual, inexistência de matchmaking científico e alto risco de glosa por acompanhamento exclusivamente a posteriori.

Consultorias Tradicionais de Inovação (ex: ABGI, PNO): Operam serviços manuais focados em grandes corporações, com alto custo financeiro por projeto, dependência de redes de contatos pessoais restritas, pareceres subjetivos e auditoria pontual pós-gastos sem acompanhamento contínuo em tempo real.

Ferramentas de IA Genérica (ex: ChatGPT, Claude): Atuam como geradores de texto isolados sem ancoragem regulatória, apresentando elevada taxa de alucinação jurídica sobre editais, ausência de integração com bases de dados de ICTs e total incapacidade de realizar gestão de compliance físico-financeiro.

Plataformas SaaS de Gestão de Ideias (ex: AEVO, Brightidea): Focadas no funil interno de inovação corporativa, utilizando regras estáticas parametrizadas, bancos cadastrais passivos de fornecedores, acompanhamento por logs manuais e sem capacidades avançadas de otimização multiobjetivo ou explicabilidade de recomendações.

NibSaaS (GovTech CEIA/UFG): Oferece uma pipeline contínua cobrindo desde a pré-submissão até a prestação de contas, matchmaking científico ativo via GNNs em uma rede de +90 ICTs, RAG ancorado em edital com citação estrita, conciliação físico-financeira via BaaS/ERP com risco zero de glosa e auditabilidade explicável (SHAP/LIME e Fairness).

3. Objetivos do Projeto e Hipóteses Avaliáveis

3.1 Objetivo Geral Entregar uma infraestrutura GovTech modular, segura, escalável e documentada sob o padrão OpenAPI 3.0, composta por 10 módulos integrados via APIs REST/JSON, capaz de orquestrar a jornada do fomento à inovação para empresas, startups, ICTs, hubs e agências, garantindo a continuidade informacional e a auditabilidade total das decisões e entregas físico-financeiras.

3.2 Hipóteses Científico-Tecnológicas Falseáveis Hipótese 1 (H1 - Eficiência e Precisão na Redação Assistida): A aplicação do módulo BUILDER (RAG ancorado) reduz em no mínimo 60% o tempo médio de elaboração da primeira versão estruturada da proposta técnica em comparação ao processo manual, mantendo a precisão na extração de critérios de elegibilidade em F 1 ≥0,85 sem alucinações jurídicas.

Hipótese 2 (H 2 - Qualidade do Matchmaking e Equidade Regional): A recomendação de parcerias via GNNs com restrições de Demographic Parity no módulo NETWORK eleva em no mínimo 35% a diversidade geográfica e institucional das ICTs recomendadas sem reduzir a taxa de aceitação dos consórcios pelos proponentes industriais.

Hipótese 3 (H 3 - Isenção de Glosas e Compliance Contínuo): A gestão assistida no módulo ACELERADOR, por meio da conciliação físico-financeira automatizada e monitoramento de SLOs via SRE, reduz a zero a ocorrência de glosas por divergências formais ou orçamentárias em auditorias de prestação de contas.

4. Arquitetura Funcional, Pipeline de Dados e Dependências

Para sanar o apontamento das avaliadoras sobre a fragmentação na apresentação dos módulos, a arquitetura da plataforma NibSaaS foi estruturada como uma pipeline de dados contínua articulada em três ciclos funcionais:

Ciclo 1 (Pré-Submissão - Prospecção e Redação): As bases brutas de editais em PDF/HTML são ingeridas pelo módulo RADAR. O RADAR executa scraping, parser regulatório e extração de campos críticos, gerando um payload JSON parametrizado com Score de Aderência. Esse contexto alimenta diretamente o módulo BUILDER, que aciona a arquitetura RAG para rascunhar até 70% da proposta técnica com checklists de conformidade e citação estrita de itens do edital.

Ciclo 2 (Matchmaking e Engenharia de Consórcios): As lacunas tecnológicas (technical_gaps) identificadas no BUILDER são enviadas ao módulo NETWORK, que consulta o grafo de conhecimento de +90 ICTs e executa predição de links via GNNs com restrições de fairness. As ICTs e pesquisadores ranqueados são repassados ao módulo ARQUITETO, que roda o algoritmo genético multiobjetivo NSGA−II para encontrar o arranjo ótimo do consórcio (equilibrando competência, custo e diversidade regional). Em seguida, o módulo Conect.IA orquestra o envio de convites automatizados, coleta termos de adesão e minuta acordos.

Ciclo 3 (Pós-Aprovação, Compliance e Inteligência Executiva): A proposta aprovada é convertida em projeto no módulo ACELERADOR, que realiza o acompanhamento físico-financeiro em tempo real via integrações BaaS/ERP, vinculando comprovantes fiscais a marcos do cronograma com rastreabilidade imutável. Simultaneamente, os dados alimentam a camada de inteligência: o Market Intelligence Hub executa forecasting de investimentos (DeepAR/N-BEATS); o Strategy Lab roda inferência causal (DoWhy) e simulações what-if; a Engenharia de Missões rastreia o alinhamento com metas governamentais (ex: NIB); e o Painel de Gestão consolida visões executivas 360° em um clique para comitês e conselhos.

4.1 Mapeamento Detalhado de Dependências da Pipeline Módulo 1 - RADAR (Ciclo 1): Ingestão de editais brutos em PDF/HTML e perfil de P&D da empresa. Executa scraping, NER orientado a regras e busca híbrida BM25 + SBERT. Saída: Alertas de oportunidades, Score de Aderência e payload JSON estruturado.

Módulo 2 - BUILDER (Ciclo 1): Ingestão do JSON do RADAR, diretrizes do edital e dados do proponente. Executa RAG ancorado com citação estrita e validação com LIME/SHAP. Saída: Rascunho da proposta técnica (DOCX/PDF) e checklist de elegibilidade.

Módulo 3 - NETWORK (Ciclo 2): Ingestão dos gaps técnicos do BUILDER e base de competências/laboratórios das ICTs. Executa predição de links em grafos via GNNs com regularização de fairness. Saída: Ranking de ICTs e pesquisadores recomendados com justificativas explícitas.

Módulo 4 - ARQUITETO (Ciclo 2): Ingestão dos requisitos da proposta e lista de parceiros do NETWORK. Executa otimização combinatória multiobjetivo pelo algoritmo NSGA−II. Saída: Arranjo ótimo do consórcio (custo, TRL e cobertura regional).

Módulo 10 - Conect.IA (Ciclo 2): Ingestão do arranjo do ARQUITETO e disponibilidade de docentes/laboratórios. Executa RAG com citação e ranqueamento multicritério. Saída: Convites automatizados, minutas e termos de adesão assinados.

Módulo 5 - ACELERADOR (Ciclo 3): Ingestão da proposta aprovada e cronograma físico-financeiro. Executa conciliação via BaaS/ERP e instrumentação SRE para monitoramento de SLOs. Saída: Cockpit de execução, alertas preventivos de desvio e trilha de auditoria sem glosas.

Módulo 6 - Market Intelligence Hub (Ciclo 3): Ingestão de séries históricas de investimentos e dados setoriais em CT&I. Executa modelagem dimensional e forecasting probabilístico (DeepAR/N-BEATS). Saída: Painéis analíticos de tendências tecnológicas e atratividade.

Módulo 7 - Strategy Lab (Ciclo 3): Ingestão de dados da carteira de projetos e cenários macroeconômicos. Executa inferência causal (DoWhy), uplift modeling e análise de sensibilidade what-if. Saída: Simulações de impacto de políticas públicas e alocação estratégica.

Módulo 8 - Engenharia de Missões (Ciclo 3): Ingestão de diretrizes de políticas públicas (ex: NIB) e consórcios formados. Executa visualização em grafos force-directed e rastreamento de entregáveis. Saída: Canvas de missão e roadmaps de P&D de longo prazo.

Módulo 9 - Painel de Gestão (Ciclo 3): Ingestão de dados agregados dos módulos 1 a 8 e métricas de uso. Executa agregação dimensional em tempo real e instrumentação RED/USE. Saída: Relatórios executivos em 1 clique para comitês, conselhos e mantenedores.

4.2 Modelo de Dados Canônico (ProposalContext) A interoperabilidade semântica entre todos os módulos é garantida pelo contrato de dados canônico formalizado em JSON Schema:

{ "$schema": "https://json-schema.org/draft/2020-12/schema", "title": "ProposalContext", "type": "object", "properties": { "proposal_id": { "type": "string", "format": "uuid" }, "opportunity_ref": { "type": "string", "example": "FINEP-NIB-2026-01" }, "proponent_tax_id": { "type": "string", "pattern": "^\\d{14}$" }, "target_trl": { "type": "integer", "minimum": 1, "maximum": 9 }, "budget_allocation": { "type": "object", "properties": { "grant_requested": { "type": "number" }, "company_counterpart": { "type": "number" }, "ict_counterpart": { "type": "number" } }, "required": ["grant_requested", "company_counterpart"] }, "technical_gaps": { "type": "array", "items": { "type": "string" } }, "consortium_nodes": { "type": "array", "items": { "type": "object", "properties": { "node_id": { "type": "string" }, "institution_type": { "type": "string", "enum": ["COMPANY", "ICT", "HUB"] }, "fairness_group": { "type": "string" } } } } }, "required": ["proposal_id", "opportunity_ref", "proponent_tax_id", "target_trl"] }

5. Detalhamento Algorítmico, Definições Operacionais e Fairness

5.1 Definições Operacionais Score de Aderência (Saderencia ): Métrica escalar S∈[0,1] calculada no módulo RADAR combinando pontuação lexical (BM25) e similaridade de cosseno em espaço latente de embeddings (SBERT):S aderencia=α⋅BM25(q,d)+(1−α)⋅cos(eq,ed) Score de Sinergia Acadêmica (Ssinergia): Probabilidade de formação de aresta produtiva P(e ij =1) estimada via GNN no módulo NETWORK, considerando a superposição de grafos de publicações, patentes anteriores e infraestrutura laboratorial instalada.

Evidência Auditável: Registro imutável de entregável físico-financeiro contendo hash criptográfico SHA-256 do documento, carimbo do tempo (timestamping) e metadados de validação fiscal acoplados ao contrato no módulo ACELERADOR.

5.2 RAG com Citação Estrita no Módulo BUILDER Para sanar o risco de alucinações jurídicas em editais com impacto regulatório, o módulo BUILDER implementa a seguinte sequência algorítmica:

Indexação e Fatiamento: Os documentos normativos do edital são fatiados em chunks de 512 tokens com overlap de 64 tokens e vetorizados via modelo BERTimbau (neuralmind/bert-base-portuguese-cased).

Recuperação e Ancoragem: O prompt enviado ao LLM é obrigatoriamente restrito aos top-k trechos recuperados do vetor, com a geração parametrizada em temperatura estritamente nula (τ=0,0).

Verificação Explicável e Citação: Cada parágrafo gerado deve conter a marcação explícita da citação (indicando página e parágrafo da fonte). Caso a rotina de validação identifique um trecho sem respaldo nos chunks recuperados, a sentença é descartada.

5.3 Métricas Formais de Fairness no Matchmaking de Parcerias (NETWORK) Para combater o viés de centralidade em grafos (GNN Centrality Bias) tendência algorítmica de favorecer universidades do eixo centro-sul já consolidadas, o módulo NETWORK aplica restrições formais de Demographic Parity durante o treinamento das representações (Node Embeddings):

Demographic Parity:P( Y =1∣A=Regi ao Emergente)=P( Y^ =1∣A=Regiao Consolidada) A função de perda (loss function) do modelo de predição de links é penalizada quando a probabilidade de recomendação de uma ICT (Y=1) é desproporcionalmente afetada pelo atributo protegido A (localização geográfica ou porte da instituição), forçando a avaliação da capacidade científica real.

5.4 Otimização Multiobjetivo na Engenharia de Consórcios (ARQUITETO) A seleção do consórcio ótimo é resolvida pelo algoritmo genético multiobjetivo NSGA−II:

Maximizar f1 (X)= i∈X∑ S sinergia (i)(Competencia Tecnica Total)Minimizar f2 (X)= i∈X∑ Custo(i)(Orc amento Exigido) Maximizar f3 (X)=DivGeografica(X)(Soberania e Diversidade Regional) Sujeito às restrições:

i∈X∑​ Membros(i)≤N max​ ,TRL resultante​ (X)≥TRL alvo ​

6. Método de Desenvolvimento, Desenho de Piloto e Validação

6.1 Mapeamento Integrado de Métricas de Validação Módulo 1 - RADAR: Busca Híbrida BM25 + SBERT. Avaliado por nDCG@10 e MRR. Baseline de mercado: Busca booleana manual (nDCG@10=0,42). Meta de sucesso: nDCG@10≥0,80.

Módulo 2 - BUILDER: RAG ancorado + BERTimbau. Avaliado por Precision, Recall e F1 -score na extração. Baseline de mercado: Redação por consultoria manual (F1 =0,60). Meta de sucesso: F1 ≥0,85 sem alucinações jurídicas.

Módulo 3 - NETWORK: GNNs com Link Prediction. Avaliado por AUC-ROC e Demographic Parity Ratio. Baseline de mercado: Indicação manual restrita. Meta de sucesso: AUC≥0,82 e Parity≥0,80.

Módulo 4 - ARQUITETO: Algoritmo Genético NSGA−II. Avaliado por Hipervolume de Pareto e tempo de montagem. Baseline de mercado: Negociação manual via planilhas. Meta de sucesso: Redução de 40% no tempo de montagem do consórcio.

Módulo 5 - ACELERADOR: BaaS + Instrumentação SRE. Avaliado por Disponibilidade (SLO) e Taxa de Glosa. Baseline de mercado: 33% de projetos com rejeição de contas. Meta de sucesso: SLO≥99,5% e Taxa de Glosa =0%.

Módulo 6 - Market Intelligence Hub: Modelagem Dimensional + DeepAR/N-BEATS. Avaliado por MAPE (Mean Absolute Percentage Error). Baseline de mercado: Extrapolação linear simples. Meta de sucesso: MAPE≤12% em séries temporais.

Módulo 7 - Strategy Lab: Inferência Causal (DoWhy). Avaliado por ATE (Average Treatment Effect). Baseline de mercado: Pareceres intuitivos sem controle. Meta de sucesso: Intervalo de Confiança de 95% em cenários what-if.

6.2 Desenho do Piloto Experimental O plano de homologação do NibSaaS será conduzido nos 6 meses finais do projeto (meses 12 a 18):

Unidade de Análise: 30 projetos reais de PD&I acompanhados simultaneamente por empresas maduras e startups ligadas aos ecossistemas parceiros (CEIA/UFG, EMBRAPII e SEBRAE).

Grupo A (Controle - 15 projetos): Conduzirá prospecção, redação, seleção de parceiros e prestação de contas utilizando métodos tradicionais (planilhas, e-mails e buscas manuais).

Grupo B (Tratamento - 15 projetos): Operará integralmente através da suíte de APIs da plataforma NibSaaS.

Variáveis Dependentes Mensuráveis: (i) Tempo total decorrido da leitura do edital à submissão formal; (ii) Índice de diversidade geográfica e institucional de parceiros científicos incorporados; (iii) Ocorrência de inconsistências formais ou glosas em pré-auditorias.

7. Governança, Riscos Intrínsecos e Critérios de Descontinuação

7.1 Análise de Riscos Intrínsecos da Solução Tecnológica Viés de Centralidade em Grafos (GNN Centrality Bias):

Mecanismo do Risco: O algoritmo pode recomendar sistematicamente ICTs com histórico extenso de projetos, isolando novos centros de pesquisa emergentes.

Mitigação Implementada: Aplicação de regularização por Demographic Parity na camada de embeddings da GNN e inserção obrigatória de cotas de diversidade regional no algoritmo multiobjetivo do módulo ARQUITETO.

Alucinação e Risco Jurídico em Editais (LLM Hallucination):

Mecanismo do Risco: Interpretação errônea de itens de elegibilidade ou regras de contrapartida pelo LLM, resultando no indeferimento da proposta técnica.

Mitigação Implementada: Ancoragem do módulo BUILDER em RAG com citação estrita, restrição de temperatura (τ=0,0) e validação por rotina de regras determinísticas.

Assimetria de Acesso e Captura Tecnológica:

Mecanismo do Risco: MPEs e startups sem maturidade digital podem ter dificuldade de operar a plataforma, aprofundando o hiato em relação às grandes corporações.

Mitigação Implementada: Interface multi-tenant do NibSaaS com onboarding guiado, automatizando a tradução de desafios sem necessidade de engenharia de prompts avançada.

7.2 Critérios Objetivos para Pivô ou Descontinuação por Módulo (Kill Switches) Em consonância com as exigências de honestidade intelectual e rigor científico:

Módulo BUILDER: Se a precisão na extração de critérios de elegibilidade for F1 <0,75 após 3 rodadas de fine-tuning, a geração por LLM será suspensa e substituída exclusivamente pelo parser determinístico orientado a regras.

Módulo NETWORK: Se o indicador de Demographic Parity cair abaixo de 0,60 (evidenciando viés severo de concentração), a recomendação por GNN será interrompida e revertida para filtragem colaborativa parametrizada pelo usuário.

8. Limitações do Projeto e Escopo Negativo

8.1 Limitações de Execução Contratual e de Dados Dependência de Repasses Financeiros: O cumprimento do cronograma físico-financeiro depende da pontualidade dos aportes privados da DFranchise Lab (R$ 850 mil parcelados em 18 meses). Conforme a Cláusula 4.13 do Acordo de Parceria, atrasos superiores a 15 dias resultam na interrupção imediata da execução técnico-científica pelo CEIA/UFG.

Heterogeneidade de Fontes Públicas: A ausência de um padrão nacional de dados abertos para editais exige a manutenção contínua de conectores customizados, criando riscos operacionais caso as agências modifiquem seus portais sem aviso prévio.

8.2 Escopo Negativo (Atividades Não Incluídas) Para delimitação formal do projeto de P&D, não fazem parte do escopo:

Desenvolvimento de aplicativos móveis nativos (iOS/Android) dedicados.

Custeio ou manutenção de infraestrutura de hospedagem em produção comercial permanente pós-vigência dos 18 meses contratuais.

Customizações operacionais sob demanda para concedentes públicos não previstas no Plano de Trabalho.

Prestação de serviços de consultoria jurídica, contábil ou comercialização internacional.

9. Considerações Finais

O projeto da infraestrutura GovTech NibSaaS, desenvolvido na parceria entre DFranchise Lab, CEIA/UFG, EMBRAPII e SEBRAE, comprova que a solução para a fragmentação do fomento à inovação no Brasil reside no estabelecimento da continuidade informacional. A substituição de rotinas manuais por uma pipeline contínua de 10 módulos acoplados por APIs REST/JSON conecta de forma transparente o ciclo de pré-submissão à governança pós-aprovação.

A incorporação de inteligência artificial, manifestada no RAG com citação estrita, nas Redes Neurais em Grafos com restrições de fairness e na otimização multiobjetivo por NSGA−II, foi projetada com foco em explicabilidade, auditabilidade e conformidade total com a LGPD e o Marco Legal de CT&I. Amparado por uma Teoria da Mudança rigorosa, validação experimental em TRL 6 e critérios transparentes de mitigação de riscos, o projeto se posiciona como uma infraestrutura tecnológica capaz de alavancar a eficiência, a equidade e a governança do capital de inovação no país.

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

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.

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.

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.

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.

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.

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.