GovTech Orquestração de Ecossistema de Fomento com Inteligência Artificial

Resumo

Este artigo apresenta a especificação, a arquitetura, a avaliação empírica offline e o plano de homologação da infraestrutura GovTech NibSaaS, desenvolvida no âmbito do projeto “GovTech Orquestração de Ecossistema de Fomento com Inteligência Artificial”. O projeto foi formalizado como Acordo de Parceria para Pesquisa, Desenvolvimento e Inovação (PD&I), em nível de maturidade TRL 6, entre DFranchise Lab Desenvolvimento LTDA, Universidade Federal de Goiás, por meio do CEIA/UFG, EMBRAPII, SEBRAE e FUNAPE, com orçamento global de R$ 3.160.351,92 e prazo de execução de 18 meses. A proposta enfrenta a fragmentação estrutural do ecossistema brasileiro de fomento à inovação por meio de uma plataforma modular de APIs REST/JSON, capaz de integrar prospecção de oportunidades, elaboração assistida de propostas, recomendação de parceiros, engenharia de consórcios, governança da execução e inteligência executiva.

A solução é composta por 10 módulos: RADAR, BUILDER, NETWORK, ARQUITETO, ACELERADOR, Market Intelligence Hub, Strategy Lab, Engenharia de Missões, Painel de Gestão e Conect.IA. O trabalho descreve os fundamentos técnicos de cada módulo, incluindo recuperação híbrida, embeddings, RAG, grafos de conhecimento, GNNs, predição de links, otimização multiobjetivo, explicabilidade, fairness, observabilidade, SLOs, modelagem dimensional, previsão de séries temporais e inferência causal. A avaliação offline registrada no material utilizou acervo histórico de 1.578 projetos e 312 editais, alcançando nDCG@10=0,812 no RADAR e AUC-ROC=0,826 com Parity Ratio de 0,815 no NETWORK. Também são apresentados riscos, limitações, escopo negativo, critérios de descontinuação técnica e plano de homologação em campo.

Palavras-chave: GovTech; Inteligência Artificial; Fomento à Inovação; APIs; RAG; Redes Neurais em Grafos; Fairness; PD&I.

1. Introdução

O ecossistema brasileiro de fomento à inovação é caracterizado por grande dispersão de informações, regras heterogêneas entre concedentes, janelas dinâmicas de submissão, baixa interoperabilidade entre bases e exigências crescentes de transparência, privacidade e prestação de contas. Esse cenário eleva os custos de prospecção de oportunidades, induz retrabalho na elaboração de propostas, reduz a previsibilidade de aprovação e dificulta o acompanhamento físico-financeiro dos projetos após a concessão dos recursos.

A fragmentação se manifesta em todas as etapas da jornada de fomento. Na fase de pré-submissão, empresas, startups, ICTs e hubs precisam monitorar editais publicados por múltiplas agências, interpretar critérios de elegibilidade, identificar aderência entre desafio tecnológico e chamada pública, redigir documentos técnicos e consolidar evidências de capacidade. Na fase de matchmaking, há dificuldade em localizar parceiros científicos e tecnológicos adequados, sobretudo quando se busca diversidade regional, complementaridade de competências e histórico verificável de execução. Na fase de pós-aprovação, a execução do projeto exige governança, rastreabilidade, registros contábeis, evidências técnicas, cumprimento de marcos e prestação de contas.

O projeto “GovTech Orquestração de Ecossistema de Fomento com Inteligência Artificial” propõe uma infraestrutura GovTech segura, escalável e documentada, composta por 10 módulos integráveis a sistemas de clientes, parceiros e agências de fomento. A contribuição central do trabalho é organizar a jornada de fomento como uma pipeline contínua de dados e decisões auditáveis, superando soluções isoladas de busca, redação ou gestão por meio de um backbone único de APIs.

2. Contexto institucional e objetivo do projeto

O projeto foi desenvolvido como iniciativa de Pesquisa, Desenvolvimento e Inovação, com enquadramento no Marco Legal de Ciência, Tecnologia e Inovação, envolvendo a Universidade Federal de Goiás, por meio do CEIA/UFG, a DFranchise Lab Desenvolvimento LTDA, a EMBRAPII, o SEBRAE e a FUNAPE. O acordo prevê a execução técnico-científica em 18 meses e define que os resultados e macroentregas pertencem ao nível de maturidade TRL 6, isto é, tecnologia validada em ambiente relevante.

O valor total do projeto é de R$ 3.160.351,92. Desse montante, R$ 2.516.968,92 correspondem a recursos financeiros diretos, distribuídos entre EMBRAPII, SEBRAE e DFranchise Lab, e R$ 643.383,00 correspondem à contrapartida econômica da UE CEIA/UFG. A propriedade intelectual resultante é prevista de forma compartilhada, na proporção de 79,64% para a DFranchise Lab e 20,36% para a UFG, conforme o acordo de parceria.

O objetivo geral é entregar uma plataforma GovTech composta por módulos integráveis via APIs, capaz de orquestrar o ciclo completo de fomento à inovação: da identificação de editais à elaboração de propostas, da recomendação de parceiros à composição de consórcios, da execução pós-aprovação à inteligência executiva e à prestação de contas.

3. Problema de pesquisa e inovação proposta

O problema central enfrentado é a descontinuidade informacional entre as etapas de fomento. Em processos tradicionais, os dados usados para localizar editais não fluem de modo estruturado para a redação da proposta; as lacunas técnicas identificadas na proposta não alimentam automaticamente sistemas de recomendação de parceiros; os consórcios são montados por redes informais; e a execução pós-aprovação depende de controles paralelos, planilhas e evidências fragmentadas. Como consequência, há perda de tempo, baixa rastreabilidade, maior risco de inconsistências e menor capacidade de aprendizado institucional.

A proposta distingue-se por reunir, em um mesmo ecossistema, capacidades de explicabilidade e equidade nas recomendações e no matchmaking, trilhas de decisão auditáveis, integração entre pré-submissão e pós-aprovação, governança analítica, simulações de cenários e compliance programável. A inovação não está apenas na aplicação de técnicas de IA, mas na integração operacional dessas técnicas em uma arquitetura orientada a APIs, com contratos de dados, métricas, SLOs, validações e rastreabilidade.

4. Arquitetura funcional da plataforma

A plataforma é organizada em três ciclos funcionais encadeados.

O primeiro ciclo é o de prospecção e redação assistida, correspondente à pré-submissão. Nele, o módulo RADAR realiza busca e priorização de editais, extração automática de campos críticos, alertas e exportações. O módulo BUILDER utiliza as informações extraídas para apoiar a elaboração de propostas, com checklist de conformidade, colaboração e exportação em formatos oficiais.

O segundo ciclo é o de matchmaking e engenharia de consórcios. O módulo NETWORK recomenda parcerias entre empresas e ICTs a partir de competências e histórico, com justificativas. O módulo ARQUITETO apoia a montagem de consórcios sob múltiplos critérios, como competência, custo e cobertura regional. O módulo Conect.IA orquestra convites e compõe respostas com base em sinergia, disponibilidade e evidências auditáveis.

O terceiro ciclo é o de governança, compliance e inteligência executiva. O módulo ACELERADOR acompanha a execução pós-aprovação por meio de planos, checklists, validações, auditoria e dashboards. O Market Intelligence Hub consolida dados setoriais e regionais, séries históricas e previsões. O Strategy Lab identifica lacunas, simula cenários what-if e apoia priorização baseada em evidências. A Engenharia de Missões estrutura objetivos, parceiros e metas em missões de P&D. O Painel de Gestão oferece visão consolidada de capacidade, pipeline, impacto e relatórios executivos.

5. Métodos e técnicas aplicadas

A metodologia de pesquisa e desenvolvimento segue uma abordagem incremental, com sprints, marcos de liberação, descoberta de requisitos, desenho de jornadas, definição de taxonomias, especificação de contratos de API, implementação orientada a testes, documentação contínua, validações com usuários e auditorias de conformidade.

No RADAR, são previstas recuperação híbrida com BM25 e embeddings, similaridade semântica, NER orientado a dicionários e regras, expansão de consulta e, opcionalmente, camada RAG para resumos com citação de trechos. No BUILDER, o RAG é utilizado para ancoragem nos documentos do edital, combinado com mecanismos de detecção e mitigação de alucinação, verificação de critérios de conformidade e explicabilidade local das recomendações.

No NETWORK, o projeto utiliza grafos de conhecimento, predição de links, GNNs, embeddings de nós e arestas e métricas de explicabilidade em grafos. No ARQUITETO, a montagem de consórcios é tratada como problema de otimização multiobjetivo, com uso de NSGA-II, heurísticas e meta-heurísticas, modelagem de restrições e visualização force-directed. No ACELERADOR, são aplicadas práticas de observabilidade RED/USE, SRE para SLOs, trilhas de auditoria, governança de privacidade e avaliação de impacto.

Nos módulos analíticos, o Market Intelligence Hub utiliza modelagem dimensional, previsão probabilística de séries temporais e forecasting neural interpretável. O Strategy Lab utiliza inferência causal, uplift modeling, construção de cenários e análise de sensibilidade. A Engenharia de Missões combina abordagem orientada a missões, grafos de relacionamento, roadmaps e indicadores. O Painel de Gestão utiliza modelagem dimensional, instrumentação RED/USE e SRE. O Conect.IA combina RAG com citações, explicabilidade por LIME/SHAP, monitoramento de fairness e ranqueamento multicritério.

6. Plano de execução e macroentregas

A execução é prevista em 18 meses, com duas macroentregas principais. A primeira macroentrega contempla a homologação e preparação para operação assistida dos módulos 1 a 5: RADAR, BUILDER, NETWORK, ARQUITETO e ACELERADOR. A segunda macroentrega contempla a homologação e preparação para operação plena dos módulos 6 a 10: Market Intelligence Hub, Strategy Lab, Engenharia de Missões, Painel de Gestão e Conect.IA.

As etapas incluem instalação e contratação, design e arquitetura, desenvolvimento dos módulos iniciais, evolução dos módulos analíticos e integradores, integração, testes finais, validação, treinamento, adoção e encerramento. O acompanhamento das metas será realizado por relatórios, termos de aceite, formulários de resultado parcial e final, validações com usuários, métricas funcionais e não funcionais e auditorias de segurança e privacidade.

7. Avaliação empírica offline

O material apresenta avaliação offline realizada sobre acervo histórico composto por 1.578 propostas de P&D e 312 editais federais e estaduais catalogados. Dois experimentos são destacados.

No experimento de prospecção preditiva e recuperação semântica do RADAR, foram comparadas três abordagens: busca booleana lexical tradicional com BM25 pura, busca vetorial densa via SBERT/BERTimbau e arquitetura híbrida combinando BM25 e SBERT com α=0,35. A busca booleana obteve nDCG@10=0,421±0,031 e MRR=0,382±0,028. A busca vetorial densa alcançou nDCG@10=0,715±0,024. A arquitetura híbrida do RADAR registrou nDCG@10=0,812±0,019 e MRR=0,764±0,022, com ganho estatisticamente significante via teste t pareado, p<0,001.

No experimento de matchmaking de parcerias do NETWORK, foi construído um grafo de conhecimento contendo 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, GNN GraphSAGE sem restrição de equidade e GNN GraphSAGE com perda penalizada por Demographic Parity. O coeficiente de Jaccard atingiu AUC-ROC=0,584±0,035. A GNN sem restrições obteve AUC-ROC=0,841±0,018, mas apresentou Demographic Parity Ratio de 0,482±0,032. A GNN penalizada do NETWORK alcançou AUC-ROC=0,826±0,021 e Demographic Parity Ratio de 0,815±0,025, preservando capacidade preditiva com melhor equilíbrio de recomendações.

8. Métricas de validação e critérios de sucesso

As métricas previstas abrangem desempenho técnico, qualidade de recomendação, precisão de extração, disponibilidade, rastreabilidade, engajamento e resultados de negócio. Para módulos críticos, o material indica disponibilidade ≥99,5%, tempos de resposta alvo, precisão de busca e extração, adoção por módulo, taxa de conversão de propostas, satisfação e ROI estimado.

Para o RADAR, são usados nDCG@10 e MRR. Para o BUILDER, a meta inclui F1 ≥0,850 na extração e ausência de alucinações jurídicas. Para o NETWORK, os indicadores incluem AUC-ROC e Demographic Parity Ratio. Para o ARQUITETO, são considerados hipervolume de Pareto e tempo de montagem de consórcios. Para o ACELERADOR, são considerados SLOs e taxa de inconsistências formais. Para o Market Intelligence Hub, utiliza-se MAPE. Para o Strategy Lab, emprega-se estimativa de efeito médio de tratamento e intervalos de confiança em simulações what-if.

9. Riscos e mitigação

O projeto identifica riscos técnicos, operacionais e contratuais. Entre os riscos operacionais, destacam-se atraso no aporte da empresa, dificuldades na obtenção de dados para avaliação das soluções, qualidade insuficiente dos dados, mudanças nas características dos cenários monitorados e heterogeneidade dos ambientes. O cronograma está condicionado à disponibilidade de dados, à participação da equipe da empresa, à validação das entregas no prazo acordado e à manutenção dos aportes financeiros.

Entre os riscos algorítmicos, o viés de centralidade em grafos pode favorecer ICTs com histórico mais extenso de projetos, reduzindo a visibilidade de centros emergentes. A mitigação proposta inclui regularização por Demographic Parity e critérios de diversidade regional. Outro risco é a alucinação em modelos de linguagem aplicados à interpretação de editais. A mitigação proposta inclui RAG com citação estrita, temperatura nula, validação por regras determinísticas e descarte de sentenças sem respaldo nos trechos recuperados.

O material também define critérios de descontinuação técnica. 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.

10. Limitações e escopo negativo

As limitações decorrem da dependência de dados de qualidade, da heterogeneidade das fontes públicas, da necessidade de manutenção de conectores e da execução em ambiente de projeto com prazo e escopo delimitados. A homologação final depende de validações com usuários, auditorias de segurança e privacidade e verificação dos requisitos não funcionais.

Não fazem parte do escopo o desenvolvimento de aplicações móveis dedicadas, a operação contínua da plataforma após o encerramento formal do projeto, customizações específicas para cada concedente não previstas no plano, infraestrutura permanente de hospedagem em ambiente de produção comercial, serviços de marketing, comercialização ou expansão internacional, suporte técnico contínuo após a vigência contratual e treinamentos extensivos fora das capacitações previstas.

11. Resultados esperados e contribuição

Os resultados esperados incluem a prototipação dos 10 módulos, aumento de eficiência e conversão em submissões, governança e rastreabilidade ponta-a-ponta, relatórios executivos, cenários para priorização, publicações técnico-científicas, formação de recursos humanos e registro de software.

A contribuição central está na integração de técnicas avançadas de IA explicável, fairness, RAG, grafos, otimização e observabilidade em uma arquitetura GovTech orientada a APIs. A solução busca transformar dados fragmentados em uma trilha contínua, verificável e reutilizável, conectando prospecção, submissão, consórcios, execução e prestação de contas. Ao fazer isso, propõe uma infraestrutura de apoio à política pública e à gestão da inovação orientada por evidências.

12. Considerações finais

O projeto “GovTech Orquestração de Ecossistema de Fomento com Inteligência Artificial” apresenta uma resposta tecnológica estruturada para um problema recorrente no fomento à inovação: a fragmentação entre oportunidades, propostas, parceiros, execução e comprovação. A plataforma proposta não se limita a automatizar tarefas isoladas, mas busca estabelecer continuidade informacional e rastreabilidade integral ao longo de toda a jornada de PD&I.

Os resultados offline indicam viabilidade técnica inicial para os módulos de prospecção e matchmaking, com desempenho superior aos baselines reportados no material e atenção explícita à mitigação de viés. A continuidade do projeto depende da execução das macroentregas, da validação em campo, da qualidade dos dados e da capacidade de sustentar requisitos de segurança, privacidade, explicabilidade e disponibilidade em ambiente relevante.

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.