ANTONIO CLAUDIO GOES DE SOUSA
INTELIGÊNCIA ARTIFICIAL NAS COMPRAS PÚBLICAS: PLANEJAMENTO, PESQUISA DE PREÇOS E DETECÇÃO DE FRAUDES SOB A LEI Nº 14.133/2021
Trabalho de conclusão de curso – Monografia – apresentada ao Departamento de Estudos da Faculdade i9 Educação como requisito (facultativo) à obtenção do Certificado de Especialização em Licitações e Contratos Administrativos.
Fortaleza
2026
RESUMO
Esta monografia analisa o uso da inteligência artificial (IA) nas licitações e contratos administrativos brasileiros, com foco no planejamento da contratação, na pesquisa de preços e na detecção de fraudes em certames, à luz da Lei nº 14.133/2021. Parte-se da constatação de que o art. 169 da Lei exige das contratações práticas contínuas de gestão de riscos e de controle preventivo, inclusive mediante recursos de tecnologia da informação, mas não disciplina como a IA pode ser empregada nem com quais limites. O objetivo é examinar de que modo a IA pode aperfeiçoar essas etapas sem comprometer os princípios da Administração Pública e as garantias do regime licitatório. A pesquisa é qualitativa, descritiva e exploratória, baseada em revisão bibliográfica, legislativa e documental, com estudo de caso documental da ferramenta Alice (Analisador de Licitações, Contratos e Editais), criada pela Controladoria-Geral da União e desenvolvida em parceria com o Tribunal de Contas da União, e com exame comparado da União Europeia, de Portugal, dos Estados Unidos e de organismos internacionais. Os resultados indicam que a IA tem utilidade concreta na organização de dados do planejamento, na formação de cestas de preços e na triagem de editais e fornecedores de maior risco, mas que parte relevante das soluções em uso se baseia em regras de auditoria e cruzamento de dados, e não em aprendizado de máquina, e que os alertas gerados exigem validação humana, dados os índices de falsos positivos registrados. Identificam-se desafios jurídicos ligados à proteção de dados pessoais, em especial ao art. 20 da Lei Geral de Proteção de Dados, à motivação dos atos, à transparência algorítmica e à responsabilização do agente público. Conclui-se que a IA deve operar como apoio qualificado à decisão, e propõem-se diretrizes mínimas de governança algorítmica para as contratações públicas, a serem consideradas na regulamentação em curso.
Palavras-chave: Inteligência artificial; Licitações; Contratos administrativos; Pesquisa de preços; Governança algorítmica; Lei nº 14.133/2021.
1 INTRODUÇÃO
As contratações públicas são um dos principais instrumentos de execução das políticas estatais. É por meio delas que o Estado obtém os bens, os serviços e as obras de que depende para entregar saúde, educação, infraestrutura e segurança. Por isso mesmo, o volume de recursos que movimentam e a história de fraudes que as acompanham tornam permanente a busca por mais eficiência, transparência e controle.
A Lei nº 14.133/2021 (Nova Lei de Licitações e Contratos Administrativos) deslocou o eixo do processo licitatório da disputa para o planejamento. Exigiu estudos técnicos preliminares, gestão de riscos, pesquisa de preços documentada e divulgação centralizada de dados no Portal Nacional de Contratações Públicas (PNCP). Na parte final, o art. 169 determina que as contratações se submetam a "práticas contínuas e permanentes de gestão de riscos e de controle preventivo, inclusive mediante adoção de recursos de tecnologia da informação". A lei, portanto, autoriza e estimula o uso de tecnologia no controle das compras, mas não diz qual tecnologia, em que etapas nem com quais limites.
É nesse espaço que se situa a inteligência artificial (IA). Ferramentas de leitura automática de editais, de formação de cestas de preços, de cruzamento de bases cadastrais e de redação de minutas já são oferecidas ao mercado e, em parte, utilizadas por órgãos de controle brasileiros. A promessa é considerável: analisar em minutos o que a atuação humana levaria semanas para examinar. O risco também é considerável: decisões apoiadas em modelos que o gestor não compreende, dados enviesados, alertas falsos tratados como prova e deslocamento da responsabilidade do agente público para a máquina.
O problema de pesquisa pode ser assim formulado: de que modo a IA pode contribuir para o aprimoramento do planejamento das contratações públicas, da pesquisa de preços e da detecção de fraudes em licitações, sem comprometer os princípios da Administração Pública e as garantias do regime licitatório? A hipótese de trabalho é que a IA pode ampliar a eficiência, a economicidade e a integridade dessas etapas, desde que utilizada como apoio à decisão, sob supervisão humana, com dados de qualidade, motivação adequada e possibilidade de auditoria.
O objetivo geral é analisar os impactos do uso da IA nas licitações e contratos administrativos, com ênfase nas três frentes indicadas. Os objetivos específicos são: a) examinar os conceitos de IA relevantes para a Administração Pública e distinguir a IA propriamente dita de técnicas estatísticas e de cruzamento de dados; b) analisar o planejamento da contratação e a pesquisa de preços nos termos da Lei nº 14.133/2021 e da Instrução Normativa SEGES/ME nº 65/2021, identificando onde a IA pode atuar; c) examinar o uso da IA na detecção de fraudes, a partir de estudo de caso documental da ferramenta Alice; d) avaliar os riscos jurídicos e éticos desse uso, em especial quanto à Lei Geral de Proteção de Dados (LGPD), à motivação e à responsabilização; e e) propor diretrizes mínimas de governança algorítmica para as contratações públicas, à luz do direito comparado e do projeto de marco legal da IA em tramitação.
A relevância do estudo está na combinação de dois fatos: a expansão acelerada das tecnologias de IA no setor público e a ausência de disciplina específica sobre seu emprego nas licitações. A literatura jurídica brasileira ainda trata do tema de forma pontual, e a prática avança mais depressa que a regulação.
A metodologia é qualitativa, descritiva e exploratória. Foram utilizadas revisão bibliográfica, análise da legislação e de normas infralegais e pesquisa documental em materiais institucionais. O estudo de caso é documental e restringe-se à ferramenta Alice, por ser a de maior disponibilidade de informação pública sobre funcionamento e resultados. Não houve coleta de dados primários, e as conclusões sobre eficácia das ferramentas limitam-se ao que os documentos consultados registram.
O trabalho está organizado em oito capítulos. Após esta introdução, o capítulo 2 apresenta os fundamentos conceituais da IA e sua relação com os dados públicos. O capítulo 3 trata do planejamento e da pesquisa de preços. O capítulo 4 examina a detecção de fraudes e o caso Alice. O capítulo 5 expõe os riscos e os limites éticos. O capítulo 6 faz o exame de direito comparado. O capítulo 7 desenvolve a governança algorítmica e propõe diretrizes. O capítulo 8 traz as considerações finais.
2 FUNDAMENTOS DE INTELIGÊNCIA ARTIFICIAL E ADMINISTRAÇÃO PÚBLICA
2.1 Conceito de inteligência artificial
Não há definição única de IA. Em sentido amplo, trata-se de sistemas computacionais que executam tarefas associadas à cognição humana, como reconhecer padrões, interpretar linguagem, fazer previsões e recomendar decisões. A definição clássica de Russell e Norvig (2021) a descreve como o estudo de agentes que percebem o ambiente e agem para atingir objetivos da melhor forma possível.
Para fins jurídicos, as definições mais úteis são as adotadas em instrumentos normativos. A Organização para a Cooperação e Desenvolvimento Econômico (OCDE) adota, em sua recomendação de 2019 e na revisão de 2024, uma definição que descreve o sistema de IA como sistema baseado em máquina que, a partir dos dados que recebe, infere como gerar resultados (previsões, conteúdos, recomendações ou decisões) capazes de influenciar ambientes físicos ou virtuais (OCDE, 2019). O Regulamento (UE) 2024/1689 segue linha semelhante em seu art. 3º, 1 (UNIÃO EUROPEIA, 2024). O traço comum é a inferência: o sistema não se limita a executar instruções fixas, mas produz resultados a partir de dados.
2.2 O que é e o que não é IA: regras, estatística e aprendizado de máquina
A discussão sobre IA nas compras públicas costuma misturar técnicas de natureza distinta. Distingui-las é condição para avaliar riscos e benefícios com rigor. Quatro categorias merecem destaque.
a) Regras de negócio e trilhas de auditoria. São condições programadas por humanos, como "alertar se o edital contiver determinada exigência" ou "alertar se dois licitantes tiverem o mesmo sócio". Funcionam de modo determinístico e explicável, mas só encontram o que foi previamente programado.
b) Estatística descritiva e inferencial. Médias, medianas, desvio-padrão e testes de aderência permitem, por exemplo, identificar preços discrepantes em uma amostra. São técnicas consolidadas, anteriores à IA, e não "aprendem" com o tempo.
c) Aprendizado de máquina (machine learning). Algoritmos que ajustam seus parâmetros a partir de exemplos, sem que o programador especifique cada regra. Na modalidade supervisionada, dependem de casos já classificados (por exemplo, licitações sabidamente fraudulentas e regulares). Na não supervisionada, buscam agrupamentos ou anomalias nos dados. O aprendizado profundo (deep learning), baseado em redes neurais de múltiplas camadas, é um subconjunto dessa categoria, adequado a grandes volumes de dados complexos, como textos e imagens, porém de difícil explicação.
d) Processamento de linguagem natural e IA generativa. Técnicas que leem, classificam e produzem texto. A IA generativa, baseada em grandes modelos de linguagem, redige minutas e resume documentos, mas pode produzir informações incorretas apresentadas com aparência de segurança, fenômeno conhecido como "alucinação".
A distinção tem consequências práticas. O cruzamento de sócios, endereços e telefones de licitantes é, tecnicamente, consulta a bases de dados e aplicação de regras de risco. O descarte de preços discrepantes por mediana ou desvio-padrão é estatística. Chamar tudo isso de IA superdimensiona a tecnologia e, o que é mais grave para o direito, oculta que parte das ferramentas é plenamente explicável e auditável, enquanto outra parte não é. O regime de motivação e de controle deve variar conforme a técnica empregada.
2.3 Governo digital, dados e controle preventivo
O uso de tecnologia no setor público insere-se no movimento de transformação digital reconhecido pela Lei nº 14.129/2021 (Lei do Governo Digital), que estabelece princípios de simplificação, interoperabilidade e uso de dados na prestação de serviços. Nas contratações, o fundamento específico é o já citado art. 169 da Lei nº 14.133/2021, que prevê linhas de defesa para a gestão de riscos e o controle preventivo e admite expressamente recursos de tecnologia da informação. O art. 11, parágrafo único, atribui à alta administração a responsabilidade pela governança das contratações, o que inclui a implementação de processos e estruturas de gestão de riscos e controles internos.
Os princípios do art. 37 da Constituição Federal e os do art. 5º da Lei nº 14.133/2021 funcionam como parâmetro de legitimidade. O art. 5º acrescenta ao rol constitucional, entre outros, os princípios do planejamento, da transparência, da eficácia, da segregação de funções, da motivação, da segurança jurídica, da competitividade e da economicidade. Todos eles incidem sobre o uso de IA: a ferramenta que acelera a análise, mas não permite motivar a decisão, viola a motivação; a que concentra todas as etapas num mesmo sistema, sem controle independente, fragiliza a segregação de funções.
A transparência e o controle social, por sua vez, dependem da publicidade de dados. A Lei de Acesso à Informação (Lei nº 12.527/2011) e o PNCP tornaram disponível um volume de informação que só pode ser explorado em escala por meios automatizados. O ganho de transparência, contudo, não é automático: dados abertos mal estruturados produzem análises ruins.
2.4 O Portal Nacional de Contratações Públicas e a qualidade dos dados
O PNCP, previsto no art. 174 da Lei nº 14.133/2021, é o sítio eletrônico oficial para divulgação centralizada e obrigatória dos atos exigidos pela lei, e abrange todos os entes federativos. Reúne editais, contratos, atas de registro de preços e informações sobre fornecedores, o que o torna a base natural para análises em escala nacional e fonte dos parâmetros de preços previstos no art. 23, § 1º.
Esse potencial depende, porém, de três condições. A primeira é a completude e a padronização dos dados: campos vazios, descrições livres e classificações inconsistentes de itens reduzem a comparabilidade. A segunda é a atualização contínua. A terceira é a proteção dos dados pessoais presentes nos registros, em especial dos sócios e representantes de fornecedores, sujeitos à Lei nº 13.709/2018 (LGPD). Sem dados confiáveis, algoritmos mais sofisticados apenas reproduzem erros em maior velocidade. A experiência estrangeira, examinada no capítulo 6, confirma que a infraestrutura de dados costuma pesar mais que a sofisticação do modelo.
Há ainda um limite estrutural para os modelos supervisionados: o número de fraudes comprovadas e classificadas é pequeno, pois a maioria das irregularidades jamais é identificada. Treinar modelos com esses poucos casos favorece apenas a detecção de padrões já conhecidos. Esse limite justifica o uso combinado de regras de risco, análise de anomalias e verificação humana.
3 IA NO PLANEJAMENTO E NA PESQUISA DE PREÇOS
3.1 O planejamento na Lei nº 14.133/2021
A fase preparatória é o núcleo do modelo da nova lei. O art. 18 determina que ela caracterize a necessidade da contratação, descreva a solução como um todo e estime o valor, e que seja instruída, entre outros, com o estudo técnico preliminar (ETP), o termo de referência ou projeto básico e a análise de riscos que possam comprometer o sucesso da licitação (art. 18, § 1º). O art. 12, VII, prevê o plano de contratações anual (PCA), regulamentado no âmbito federal pelo Decreto nº 10.947/2022. O art. 19 trata da padronização e do catálogo eletrônico, e o art. 40 do parcelamento do objeto, que deve ser a regra nas compras sempre que técnica e economicamente viável, conforme o entendimento consolidado na Súmula nº 247 do Tribunal de Contas da União (TCU).
A doutrina de licitações é unânime em reconhecer o peso do planejamento: falhas nessa etapa produzem termos de referência genéricos, estimativas distorcidas, especificações direcionadas e desequilíbrios na execução (JUSTEN FILHO, 2022). O TCU registra, em sua jurisprudência sistematizada, que a deficiência da fase preparatória compromete a economicidade e a competitividade (BRASIL, 2021).
3.2 Onde a IA pode atuar no planejamento
Entre as etapas da fase preparatória, algumas se prestam particularmente ao apoio de IA.
a) Consolidação do PCA. A identificação de demandas repetidas ou complementares entre unidades, que ensejaria compras conjuntas e ganho de escala, é problema de agrupamento de dados.
b) Padronização e catalogação de itens. A classificação automática de descrições livres em códigos de catálogo (art. 19) é aplicação típica de processamento de linguagem natural, e melhora a comparabilidade das pesquisas de preços.
c) Elaboração do ETP e do termo de referência. A IA generativa pode sugerir estruturas, levantar contratações similares e redigir versões iniciais. O conteúdo, porém, deve ser integralmente verificado pelo agente, por força da responsabilidade pelos atos preparatórios.
d) Análise de riscos. A leitura de histórico de contratações semelhantes (aditivos, rescisões, atrasos) permite alimentar a matriz de riscos com evidência, e não apenas com a percepção da equipe.
e) Avaliação de parcelamento. A comparação entre lotes e preços praticados em contratações análogas pode subsidiar a decisão fundamentada sobre dividir ou não o objeto.
Em todas, a IA fornece insumos e a decisão permanece com o agente competente. Não há, até o momento, prova nos documentos consultados de que tais usos estejam consolidados nos órgãos brasileiros; tratam-se de aplicações plausíveis, algumas já ofertadas por fornecedores privados, cujo desempenho precisa ser demonstrado caso a caso.
3.3 Pesquisa de preços, sobrepreço e superfaturamento
A pesquisa de preços fundamenta o valor estimado, parâmetro para a aceitabilidade das propostas e para a aferição da vantajosidade (art. 23). Sua importância decorre do dever de evitar contratações com sobrepreço ou superfaturamento, que o art. 11, IV, inclui entre os objetivos do processo licitatório.
Os conceitos estão definidos no art. 6º da lei. Sobrepreço (inciso LVI) é o preço orçado para a licitação ou contratado em valor expressivamente superior aos preços referenciais de mercado, seja de apenas um item, seja do valor global do contrato. Superfaturamento (inciso LVII) é o dano ao patrimônio da Administração, caracterizado, por exemplo, pela medição de quantidades superiores às efetivamente executadas ou fornecidas, por deficiência na execução ou por alterações indevidas no orçamento. A distinção importa: o sobrepreço refere-se ao preço, tanto orçado quanto contratado, e pode existir sem pagamento; o superfaturamento pressupõe dano efetivo.
3.4 O art. 23, § 1º, e a Instrução Normativa SEGES/ME nº 65/2021
O art. 23, § 1º, define os parâmetros da pesquisa de preços para bens e serviços em geral, que podem ser usados de forma combinada ou não: (I) custos unitários menores ou iguais à mediana do item no painel para consulta de preços ou no banco de preços em saúde, disponíveis no PNCP; (II) contratações similares feitas pela Administração Pública, em execução ou concluídas no período de um ano anterior à data da pesquisa; (III) dados de pesquisa publicada em mídia especializada, tabela de referência formalmente aprovada pelo Poder Executivo federal e sítios eletrônicos especializados ou de domínio amplo, desde que contenham a data e a hora de acesso; (IV) pesquisa direta com no mínimo três fornecedores, mediante solicitação formal de cotação, com justificativa da escolha e propostas obtidas há não mais de seis meses da data de divulgação do edital; e (V) pesquisa na base nacional de notas fiscais eletrônicas.
No âmbito federal, a Instrução Normativa SEGES/ME nº 65/2021 regulamenta o procedimento, com critérios para a escolha dos parâmetros, a análise crítica dos dados e a justificativa de eventual exclusão de preços. Estados e municípios podem editar regulamentos próprios. A vigência atual da instrução deve ser confirmada em fonte oficial, por se tratar de ato sujeito a alterações.
O ponto de conexão com a IA é a análise crítica dos dados. A norma exige que o agente tenha critério para escolher e excluir informações e justifique tecnicamente o resultado. Assim, qualquer ferramenta que automatize a pesquisa só é juridicamente utilizável se permitir esse registro.
3.5 Formação de cestas de preços, homogeneidade e valores discrepantes
A IA e as técnicas de mineração de dados podem contribuir na pesquisa de preços de três modos. O primeiro é a coleta e a organização: extração de preços de múltiplas fontes, eliminação de duplicidades e atualização das bases. O segundo é a comparabilidade: reconhecimento de que itens com descrições diferentes são equivalentes, ou de que itens aparentemente iguais diferem tecnicamente, tarefa de processamento de linguagem natural. O terceiro é a depuração da amostra: identificação de valores discrepantes.
Convém registrar que este terceiro ponto é, em regra, estatística clássica. O cálculo de mediana, de coeficiente de variação e de limites de aceitação independe de IA, e a própria lei adota a mediana como parâmetro (art. 23, § 1º, I). A contribuição de modelos mais complexos está em tratar amostras maiores, heterogêneas e com muitas variáveis (região, quantidade, prazo, marca), nas quais critérios simples falham.
Do ponto de vista jurídico, o descarte automático de cotações é a parte mais sensível. Excluir um preço da amostra altera o valor estimado e pode favorecer ou prejudicar licitantes. Por isso, o sistema deve registrar o critério aplicado, a lista de preços excluídos e a razão da exclusão, e o agente deve validar e assumir o resultado, em consonância com o dever de justificativa que a regulamentação impõe. Ferramentas que apenas informam uma "média" sem rastreabilidade não atendem a essa exigência.
3.6 IA generativa e elaboração de documentos
A IA generativa já é capaz de produzir minutas de termos de referência, ETPs e notas técnicas a partir de modelos e legislação. Os benefícios são a padronização, a redução de tempo e a diminuição de erros formais. Os riscos, porém, são específicos e relevantes.
Primeiro, a alucinação: o sistema pode citar artigos inexistentes, jurisprudência fictícia ou normas revogadas, com aparência de precisão. Segundo, a incorporação acrítica de modelos: o texto padronizado pode não corresponder à necessidade real da contratação, o que fere o planejamento. Terceiro, o sigilo: o envio de informações de processos a serviços externos pode violar regras de confidencialidade e de proteção de dados. Por essas razões, o uso deve ocorrer em ambiente controlado pelo órgão, com revisão integral por servidor habilitado e registro de que a minuta foi gerada com apoio de IA. A responsabilidade pelo conteúdo, nos termos dos arts. 7º e 8º da Lei nº 14.133/2021 e do art. 28 da Lei de Introdução às Normas do Direito Brasileiro (LINDB), permanece com o agente.
4 IA NA DETECÇÃO DE FRAUDES
4.1 Tipologias de fraude e seu enquadramento legal
As fraudes em licitações assumem formas variadas. Três têm maior relevância para o uso de ferramentas de detecção, cada uma com enquadramento próprio.
O direcionamento ocorre quando o edital ou o termo de referência é estruturado para favorecer um fornecedor, mediante exigências restritivas sem justificativa técnica, especificações que reproduzem produto de uma única marca ou critérios de habilitação artificiais. Fere a competitividade e a isonomia, princípios do art. 5º da Lei nº 14.133/2021 (DI PIETRO, 2023).
O conluio, ou cartel, é o ajuste entre empresas aparentemente concorrentes para combinar preços, propostas ou a divisão de contratos. Constitui infração à ordem econômica (Lei nº 12.529/2011, art. 36), é tratado pelo Conselho Administrativo de Defesa Econômica (CADE) como uma das condutas mais graves (BRASIL, 2021) e pode configurar o crime de fraude ou frustração do caráter competitivo da licitação (Código Penal, art. 337-F, incluído pela Lei nº 14.133/2021). A lei de licitações prevê ainda infrações e sanções administrativas (arts. 155 e 156), e a Lei nº 12.846/2013 trata da responsabilização de pessoas jurídicas por atos contra a Administração.
O fracionamento indevido consiste em dividir artificialmente a despesa para fugir de modalidade, de limite de dispensa ou de exigências de planejamento. Deve ser distinguido do parcelamento legítimo do objeto, que a lei incentiva (art. 40, V, b, e § 2º). Para a dispensa por valor, o art. 75, § 1º, manda considerar o somatório das despesas do exercício com objetos de mesma natureza pela unidade gestora, o que oferece critério objetivo para algoritmos de alerta: a soma de contratações diretas semelhantes que ultrapassa o limite legal é indício forte de fracionamento.
Há, ainda, o sobrepreço e o superfaturamento, tratados na seção 3.3, que aparecem tanto na estimativa quanto na execução.
4.2 Técnicas de detecção e sua natureza
As ferramentas de detecção combinam técnicas de natureza diferente, o que condiciona sua explicabilidade.
a) Regras de risco (red flags). Alertas baseados em condições predefinidas: sócio em comum entre licitantes, mesmo endereço ou telefone, empresa recém-criada vencedora de contrato de valor elevado, licitante com sanção vigente, edital com cláusulas já associadas a restrição à competição. São eficazes para riscos conhecidos e facilmente auditáveis.
b) Análise de redes. A representação de empresas, sócios e contratos como grafo permite visualizar vínculos indiretos que a consulta isolada não revela. É técnica de análise de dados, que pode ou não incorporar aprendizado de máquina.
c) Mineração de texto. Leitura automática de editais e termos de referência para localizar cláusulas, comparar documentos de órgãos diferentes e identificar trechos repetidos ou restritivos. Emprega processamento de linguagem natural.
d) Detecção de anomalias e aprendizado de máquina. Modelos que apontam comportamentos fora do padrão (por exemplo, alternância sistemática de vencedores, propostas com diferenças percentuais regulares, concentração incomum de contratos). A modalidade supervisionada esbarra na escassez de casos rotulados (seção 2.4), de modo que predominam as abordagens não supervisionadas, cujos resultados indicam desvios estatísticos e não necessariamente ilícitos.
Em todas elas, o resultado é indício. A passagem do indício à imputação de fraude exige verificação humana, contraditório e prova.
4.3 Estudo de caso: a ferramenta Alice
4.3.1 Origem e funcionamento
O Alice (Analisador de Licitações, Contratos e Editais) foi criado pela Controladoria-Geral da União (CGU) em 2014. Em 2016, acordo de parceria com o Tribunal de Contas da União (TCU) permitiu o aperfeiçoamento conjunto e a disseminação da ferramenta, e em 2019 o TCU criou o Alice Nacional, em articulação com tribunais de contas estaduais e municipais (BRASIL. CGU, [s.d.]).
Conforme a documentação examinada, o sistema acessa diariamente portais de compras (como o Comprasnet e o Licitações-e), analisa editais e termos de referência e envia alertas por mensagem eletrônica aos auditores cadastrados. Opera por meio de "trilhas de auditoria" predefinidas: algumas se baseiam em busca de palavras-chave nos documentos, e outras cruzam dados de bases como CPF, CNPJ e o Cadastro Nacional de Empresas Inidôneas e Suspensas (CEIS). A documentação fala em mineração de textos e inteligência artificial, mas não descreve o uso de aprendizado de máquina (BRASIL. CGU, [s.d.]).
Esse dado relativiza a ideia corrente de que a ferramenta seria um sistema preditivo autônomo. O Alice é, na essência, um sistema de monitoramento por regras, com mineração de textos e cruzamento de bases, que prioriza onde o auditor deve olhar. Sua utilidade não depende de ser aprendizado profundo, e sua natureza regrada é justamente o que o torna explicável e auditável.
Outras ferramentas de análise de dados do TCU, como Mônica, Adele, Sofia, Carina e Ágata, são referidas na literatura especializada (COSTA; BASTOS, 2020, apud BRASIL. CGU, [s.d.]). Como não foi possível localizar descrição primária de cada uma, este trabalho não detalha seu funcionamento, em especial o do Carina, e recomenda que pesquisas futuras o façam a partir de documentação oficial do TCU.
4.3.2 Resultados registrados
A documentação consultada traz números relevantes. Em 2019, segundo o relatório de gestão, foram 41 licitações analisadas preventivamente, no valor aproximado de R$ 4,2 bilhões, com 9 revogações, 15 suspensões e 11 ajustes nos editais. Em 2020, foram gerados 1.276 alertas e realizadas 77 auditorias preventivas, relativas a licitações estimadas em R$ 2,69 bilhões, com suspensões ou cancelamentos que somaram R$ 718 milhões (BRASIL. CGU, [s.d.]).
Esses números mostram capacidade de triagem e efeito preventivo concreto. Mostram, também, que a ferramenta gera muito mais alertas do que auditorias: a relação entre 1.276 alertas e 77 auditorias evidencia o papel de filtro da análise humana.
4.3.3 Limitações: os falsos positivos
A mesma fonte registra amostra de 2021 envolvendo três empresas estatais: de 17 alertas analisados, 4 foram procedentes (23,5%) e 13 foram falsos positivos (76,4%), com benefício financeiro registrado de R$ 18.407.834,21. O próprio estudo ressalva que a amostra não foi aleatória e restringiu-se a três entidades, o que impede generalizações (BRASIL. CGU, [s.d.]).
O dado é valioso para a discussão jurídica. Um sistema de alerta que erra a maior parte das vezes, nesse recorte, pode ser perfeitamente útil, desde que seus resultados sejam tratados como pistas a verificar. Seria incompatível com o regime de contraditório e motivação, contudo, usar o alerta como fundamento de suspensão de certame, de sanção ou de acusação de conluio. A Lei nº 14.133/2021, em seu art. 171, exige que a fiscalização dos tribunais de contas assegure oportunidade de contraditório e resposta e disciplina a suspensão cautelar do processo licitatório. O alerta, portanto, abre a análise e não a encerra.
4.3.4 Síntese do caso
O caso Alice confirma três pontos deste trabalho. Primeiro, ferramentas de baixa complexidade técnica, bem desenhadas, produzem valor de controle. Segundo, a supervisão humana é indispensável diante dos falsos positivos. Terceiro, a transparência dos critérios (as trilhas de auditoria) facilita a motivação e a revisão, o que seria mais difícil em um modelo opaco. Os resultados apresentados, contudo, derivam de relatórios institucionais e não de avaliação independente, e isso limita o alcance da conclusão.
4.4 Da licitação ao contrato: monitoramento da execução
A fraude não se limita ao certame. O superfaturamento, tal como definido no art. 6º, LVII, da lei, ocorre sobretudo na execução, por medições superiores ao executado, qualidade inferior à contratada ou alterações indevidas do orçamento. A IA pode apoiar o monitoramento contratual por meio do cruzamento entre medições, notas fiscais eletrônicas e preços de referência, da análise de aditivos reiterados e do reconhecimento de imagens em obras. Essas aplicações encontram-se, no que a pesquisa documental permitiu apurar, menos documentadas que as aplicadas ao edital, e merecem estudo próprio. Para os fins deste trabalho, basta registrar que o mesmo cuidado com validação humana e motivação se aplica à fase contratual.
5 RISCOS, DESAFIOS E LIMITES ÉTICOS
5.1 Qualidade dos dados e viés algorítmico
O viés algorítmico ocorre quando o sistema reproduz distorções presentes nos dados ou nas escolhas de desenho. A literatura crítica sobre regulação por algoritmos adverte que decisões antes tomadas por pessoas passam a depender de escolhas técnicas pouco visíveis, o que exige mecanismos específicos de responsabilização (YEUNG, 2018).
Nas compras públicas, o viés pode assumir formas bastante concretas. A primeira é a realimentação de preços inflados. Um modelo treinado com contratações passadas aprende como "preço de mercado" aquilo que a Administração pagou, inclusive quando pagou a mais. Se a estimativa é feita com base nesse histórico, o sobrepreço é reproduzido e legitimado. A segunda é o favorecimento de fornecedores já conhecidos: sistemas de classificação de risco treinados com dados históricos podem tratar como atípica a empresa nova ou de pequeno porte, em prejuízo da competitividade. A terceira é a lacuna de cobertura: regiões e objetos com poucos registros tendem a ter estimativas menos confiáveis.
A mitigação passa por documentar a origem e o período dos dados, testar o sistema com amostras de controle e registrar limitações conhecidas.
5.2 Alucinações e confiança excessiva
Os modelos generativos podem produzir respostas falsas com aparência convincente, como normas inexistentes, jurisprudência inventada ou valores de mercado não verificados. No contexto das contratações, uma estimativa, um parecer ou uma justificativa baseada em dados inexistentes pode viciar o procedimento e atrair responsabilização.
Associa-se a esse risco o chamado viés de automação, a tendência de aceitar o resultado de um sistema sem verificação por parecer objetivo. É um risco comportamental, e a resposta é institucional: treinamento, procedimentos de conferência obrigatória e registro da verificação feita.
5.3 Opacidade
Modelos complexos, em especial redes neurais profundas, podem produzir resultados precisos sem que se consiga explicar os critérios que os determinaram, a chamada "caixa-preta". O problema é jurídico porque o dever de motivar e a possibilidade de controle dependem de critérios compreensíveis. As consequências para a motivação, a responsabilização e a auditabilidade são tratadas no capítulo 7.
5.4 Proteção de dados pessoais
O uso de IA nas contratações envolve dados pessoais, como os de sócios, administradores, representantes e servidores. Os dados de pessoas jurídicas, em si, não são dados pessoais, mas as informações societárias que os acompanham quase sempre os são. A Emenda Constitucional nº 115/2022 inscreveu a proteção de dados pessoais entre os direitos fundamentais, e a Lei nº 13.709/2018 (LGPD) disciplina o tratamento. A doutrina de Doneda (2020) enfatiza que a proteção de dados tutela a pessoa em face do tratamento massivo de informações, e não apenas a privacidade em sentido tradicional.
Quatro pontos da LGPD interessam diretamente ao tema.
a) Finalidade e competência (arts. 6º e 23). O tratamento pelo Poder Público deve atender a finalidade pública, na persecução do interesse público e no exercício de competências legais. O uso de dados para controle de contratações encontra amparo, mas a base de dados e o cruzamento devem ser proporcionais e limitados ao necessário.
b) Compartilhamento (art. 26). O uso compartilhado de dados entre órgãos deve atender a finalidades específicas e aos princípios da lei, e a integração de bases para treinar ou alimentar sistemas exige regras claras.
c) Decisões automatizadas (art. 20). O titular tem direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses, e de obter informações claras e adequadas sobre os critérios e procedimentos utilizados, observados os segredos comercial e industrial. É o dispositivo mais relevante para a IA e dialoga com a motivação dos atos administrativos. Por isso, mesmo que a decisão final seja humana, convém que o registro do processo indique o que foi automatizado e o que foi decidido pelo agente.
d) Segurança pública e persecução penal (art. 4º, III). A LGPD exclui de sua aplicação o tratamento realizado para atividades de investigação e repressão de infrações penais, que depende de legislação específica. A fronteira entre controle administrativo, abrangido pela lei, e investigação penal, nela não abrangida, deve ser observada na utilização de ferramentas de detecção de fraudes.
Recomenda-se, ainda, a elaboração de relatório de impacto à proteção de dados pessoais (art. 38) para sistemas que tratem volume expressivo de dados de pessoas físicas.
5.5 Segurança da informação e manipulação do sistema
A dependência de sistemas automatizados cria novas superfícies de ataque: invasão de bases, alteração de dados de entrada e adaptação de fraudadores aos critérios conhecidos (por exemplo, o fornecedor que evita o padrão que dispara o alerta). A governança deve prever controle de acesso, registro de operações, atualização periódica das regras e testes com cenários adversos. A divulgação ampla dos critérios dos alertas, necessária à transparência, deve ser equilibrada com o risco de contorno, o que se resolve pela publicidade de princípios, métricas e metodologia, e pelo acesso aos critérios detalhados por órgãos de controle e pelo Judiciário.
5.6 Limites éticos
A utilização de IA pelo Estado não se esgota em eficiência. Floridi (2023) sustenta que a ética da IA exige desenho orientado a valores humanos e ao bem coletivo, com atenção à responsabilidade pelo uso, e não apenas ao desempenho técnico. Na Administração, esses valores já têm tradução jurídica: legalidade, impessoalidade, moralidade, publicidade, eficiência (CF, art. 37) e, no regime licitatório, os princípios do art. 5º da Lei nº 14.133/2021. A proporcionalidade completa o quadro: o nível de automação e a intrusão no tratamento de dados devem ser adequados, necessários e proporcionais ao risco que se pretende controlar.
6 DIREITO COMPARADO
A incorporação da IA ao setor público é fenômeno global, e os ordenamentos que mais avançaram combinam estímulo à adoção com regras de proteção. Este capítulo examina a União Europeia, Portugal, os Estados Unidos e três organismos internacionais, com o objetivo de extrair parâmetros para o caso brasileiro. Não se pretende esgotar cada sistema: a análise limita-se aos instrumentos mais relevantes para as contratações públicas.
6.1 União Europeia: o Regulamento (UE) 2024/1689
O Regulamento (UE) 2024/1689, conhecido como AI Act, estabeleceu regras harmonizadas sobre IA com base em abordagem de risco: proíbe certas práticas, impõe requisitos rigorosos aos sistemas de "alto risco" e prevê obrigações mais leves de transparência para outros (UNIÃO EUROPEIA, 2024). A aplicação de suas disposições é escalonada no tempo.
É necessário precisão sobre a classificação. O alto risco não decorre de o utilizador ser o Poder Público, mas do uso concreto do sistema, conforme as áreas listadas no Anexo III, como emprego, acesso a serviços públicos essenciais, aplicação da lei, migração e administração da justiça. As compras públicas não figuram expressamente nesse rol. Sistemas usados para pesquisa de preços ou análise de editais, portanto, não são, por si, de alto risco, ainda que possam vir a sê-lo se aplicados a uma das áreas listadas, por exemplo, para avaliar pessoas.
Para os sistemas de alto risco, o regulamento exige, entre outros pontos, gestão de riscos (art. 9º), governança e qualidade dos dados de treinamento (art. 10), documentação técnica (art. 11), registro de eventos (art. 12), transparência (art. 13), supervisão humana (art. 14) e exatidão, robustez e cibersegurança (art. 15). Prevê, ainda, que certos utilizadores, entre eles organismos públicos, realizem avaliação do impacto sobre direitos fundamentais antes da utilização (art. 27).
A lição para o Brasil é metodológica. A classificação por risco deve ser feita pelo uso e pelo efeito sobre direitos e interesses, e não por categorias abstratas. Em compras públicas, isso significa tratar de modo distinto o sistema que organiza dados de preços e o que classifica fornecedores como suspeitos, sujeito este a maior controle.
6.2 Portugal
Portugal é referência próxima, pela afinidade jurídica e pelo avanço da contratação pública eletrônica. O Código dos Contratos Públicos estabeleceu a tramitação dos procedimentos em plataformas eletrônicas, o que gerou grande volume de dados estruturados. No plano da IA, o país adotou a estratégia nacional AI Portugal 2030 (PORTUGAL, 2020), voltada ao desenvolvimento e ao uso responsável da tecnologia.
Nas fontes consultadas, não se localizou regulamentação específica de IA em licitações em Portugal nem descrição detalhada de ferramentas de IA aplicadas ao controle das compras. A contribuição do caso português para este trabalho é, assim, limitada e indireta: mostra a importância de uma infraestrutura de dados padronizada como precondição, e sugere que o PNCP tem papel equivalente para o Brasil. Qualquer conclusão mais forte exigiria pesquisa específica em fontes portuguesas.
6.3 Estados Unidos
Nos Estados Unidos, não há lei federal geral sobre IA no setor público, e a orientação vem de documentos do Poder Executivo. O memorando do Office of Management and Budget (OMB) sobre governança, inovação e gestão de riscos no uso de IA pelas agências federais estabeleceu, em 2024, deveres de avaliação de riscos, supervisão humana e prestação de contas para usos que afetem direitos e segurança (UNITED STATES, 2024). Trata-se de diretrizes sujeitas a revisões por mudanças de governo, de modo que a versão vigente deve ser confirmada em consulta oficial.
Na doutrina, Coglianese (2021) defende que a IA pode ampliar a capacidade regulatória do Estado, desde que as decisões apoiadas em algoritmos fiquem submetidas aos mesmos mecanismos de controle jurídico aplicáveis às decisões produzidas diretamente por agentes públicos, como exigências de razoabilidade e de fundamentação. A ideia coincide com a posição defendida neste trabalho: a automação não suspende o regime jurídico administrativo.
6.4 OCDE, UNESCO e Banco Mundial
A OCDE aprovou em 2019, e revisou em 2024, a Recomendação sobre Inteligência Artificial, que estabelece princípios como crescimento inclusivo, valores centrados no ser humano, transparência e explicabilidade, robustez e segurança, e responsabilização (OCDE, 2019). A UNESCO aprovou em 2021 a Recomendação sobre a Ética da Inteligência Artificial, que destaca proporcionalidade, supervisão humana, transparência e não discriminação (UNESCO, 2021). Ambos são instrumentos de soft law, sem força vinculante, mas servem de parâmetro interpretativo e de orientação para políticas nacionais.
O Banco Mundial, por meio do GovTech Maturity Index, mede o grau de maturidade da transformação digital dos governos (WORLD BANK, 2023). O índice não trata especificamente de IA em compras, mas documenta que sistemas digitais integrados e dados de qualidade são condições prévias para qualquer uso avançado de tecnologia. Não se deve atribuir ao documento conclusões sobre o potencial da IA nas licitações que ele não contém.
6.5 Lições para o sistema brasileiro
O exame comparado permite extrair quatro orientações. A primeira é classificar os usos de IA por risco, com requisitos proporcionais. A segunda é exigir supervisão humana, documentação e rastreabilidade para os usos que afetem direitos ou fundamentem sanções e restrições. A terceira é investir em infraestrutura de dados antes da sofisticação do modelo. A quarta é preferir diretrizes de governança aplicáveis desde logo, sem aguardar uma lei geral, e reforçá-las depois por regulação específica. O Brasil encontra-se em linha com o movimento de digitalização das compras, mas ainda não possui disciplina específica sobre IA nas contratações.
7 GOVERNANÇA ALGORÍTMICA: LIMITES JURÍDICOS E DIRETRIZES
7.1 Conceito
Entende-se por governança algorítmica, neste trabalho, o conjunto de regras, processos e estruturas que asseguram que o uso de sistemas de IA pela Administração observe os princípios que regem sua atuação, com transparência, rastreabilidade, supervisão humana, responsabilização e possibilidade de revisão. Não se trata apenas de administrar tecnologia, mas de adaptar institutos clássicos (discricionariedade, motivação, responsabilidade, controle) a uma atividade parcialmente automatizada. A base normativa no regime licitatório é o art. 11, parágrafo único, que atribui à alta administração a governança das contratações, e o art. 169, que trata da gestão de riscos e do controle preventivo.
7.2 Discricionariedade e vinculação
A competência para decidir é atribuída pela lei a agentes determinados, e não pode ser transferida a um sistema. Na fase preparatória da Lei nº 14.133/2021, muitas escolhas envolvem juízo técnico e margem de decisão: definição da necessidade, da solução, do parcelamento e do critério de julgamento. Nessas hipóteses, a IA pode informar, comparar e recomendar, mas a escolha cabe ao agente, que deve justificá-la.
Há, porém, um aspecto que a literatura frequentemente omite. Tarefas de verificação objetiva, como checar a presença de documento obrigatório, a validade de certidão ou a consistência de dados cadastrais, são vinculadas, com pouca ou nenhuma margem de escolha. Nelas, a automação é mais compatível com o direito, e o controle humano pode ser feito por amostragem e por revisão de exceções. O grau de supervisão humana deve, portanto, variar conforme a margem de decisão e o efeito sobre direitos.
7.3 Motivação
A Lei nº 9.784/1999 (art. 50) exige a motivação dos atos que afetem direitos ou interesses, e o art. 5º da Lei nº 14.133/2021 inclui a motivação entre os princípios do regime licitatório. A LINDB (arts. 20 e 21) acrescenta que a decisão nas esferas administrativa, controladora e judicial deve considerar as consequências práticas e indicar, quando invalidar um ato, as condições para sua regularização.
Quando um sistema de IA influencia a decisão, não basta indicar que "o sistema recomendou". A motivação adequada deve permitir saber: a) quais dados foram usados; b) que critérios ou parâmetros o sistema aplicou; c) quais as limitações conhecidas da ferramenta; d) que verificações o agente fez; e e) por que o agente acolheu ou afastou a recomendação. Uma decisão fundamentada exclusivamente na resposta de um sistema de IA generativa, sem verificação própria, não atende ao dever de motivar.
7.4 Responsabilidade
Sistemas de IA não têm personalidade jurídica nem podem ser responsabilizados. A utilização da ferramenta não altera a titularidade da competência: o agente que pratica ou ratifica o ato responde por ele nos limites da lei. O art. 28 da LINDB prevê que o agente público responde pessoalmente por suas decisões ou opiniões técnicas apenas em caso de dolo ou erro grosseiro, e os arts. 7º e 8º da Lei nº 14.133/2021 impõem requisitos de qualificação e de segregação de funções aos agentes que atuam nas contratações.
Essa moldura permite uma reflexão: o agente que utiliza ferramenta homologada, documentada e auditada, e confere seus resultados nas condições previstas, atua de boa-fé. Já a adoção acrítica de resultado manifestamente inconsistente, ou o uso de IA generativa sem verificação das normas e dos valores citados, aproxima-se da noção de erro grosseiro. Trata-se de interpretação a ser testada na prática dos órgãos de controle e dos tribunais, e não de entendimento consolidado. Também recai responsabilidade sobre a alta administração, que deve instituir as estruturas de governança e capacitar as equipes (art. 11, parágrafo único), e sobre os fornecedores das ferramentas, nos termos dos contratos de aquisição.
7.5 Explicabilidade e auditabilidade
A explicabilidade (explainable AI) é a capacidade de oferecer explicações compreensíveis sobre como o sistema chegou a determinado resultado. Em contexto administrativo, é requisito prático da motivação e do controle. Não se exige que todo sistema seja totalmente transparente, mas que a explicação seja proporcional ao risco e ao efeito da decisão.
Daí decorre uma regra de escolha: quanto maior o efeito sobre direitos (por exemplo, a classificação de um fornecedor como suspeito de conluio), maior a preferência por modelos interpretáveis e por regras explícitas, ainda que menos "precisos" em abstrato. A auditabilidade pressupõe registros de versão do modelo, dos dados usados, dos parâmetros e dos resultados, de modo a permitir revisão posterior por controle interno, tribunal de contas e Poder Judiciário.
7.6 Perspectivas de regulação e diretrizes mínimas
A Lei nº 14.133/2021 não disciplina o uso de IA nos procedimentos licitatórios. No plano geral, o Projeto de Lei nº 2.338/2023, que propõe o marco legal da IA, foi aprovado pelo Senado Federal e tramitava na Câmara dos Deputados, em comissão especial, em dezembro de 2025 (TELETIME, 2025). A situação atual deve ser verificada, pois a tramitação é dinâmica. A proposta adota abordagem baseada em risco e prevê direitos de informação e de revisão humana de decisões e avaliação de impacto algorítmico, instrumentos coerentes com o exame feito neste trabalho.
Independentemente do resultado legislativo, os órgãos podem adotar desde logo, por normas internas e orientações dos órgãos de controle, diretrizes de governança. Propõem-se as seguintes, como contribuição deste trabalho:
a) classificação do uso de IA por risco, com requisitos proporcionais: mais leves para organização de dados e redação assistida, mais rigorosos para classificação de pessoas e fornecedores e para apoio a sanções;
b) registro, no processo, de que houve uso de IA, com identificação da ferramenta, da versão e da finalidade;
c) validação humana documentada, com indicação do agente responsável e das verificações realizadas;
d) rastreabilidade dos dados, dos critérios e dos resultados, incluindo a lista de preços excluídos e a justificativa nas pesquisas de preços;
e) avaliação de impacto e relatório de impacto à proteção de dados pessoais para sistemas que tratem dados pessoais em escala;
f) auditoria periódica, interna e independente, com medição de falsos positivos e falsos negativos e de vieses;
g) cláusulas contratuais, nas aquisições de soluções de IA, que assegurem acesso aos registros e à documentação técnica, explicabilidade proporcional ao uso e proibição de uso de dados do órgão para outras finalidades sem autorização;
h) transparência ativa, com publicação do catálogo de sistemas de IA utilizados nas contratações e de suas finalidades; e
i) capacitação contínua dos agentes, em especial sobre os limites e os erros típicos dos sistemas.
8 CONCLUSÃO
Este trabalho analisou o uso da inteligência artificial no planejamento das contratações, na pesquisa de preços e na detecção de fraudes, sob a Lei nº 14.133/2021. Parte-se do art. 169, que impõe práticas contínuas de gestão de riscos e de controle preventivo, inclusive com tecnologia da informação, mas nada diz sobre o uso de IA.
Quanto à primeira frente, verificou-se que a fase preparatória é terreno favorável ao apoio por IA em tarefas como a consolidação do plano de contratações, a padronização de itens, a análise de riscos e a redação inicial de documentos, mas que a evidência de uso consolidado nos órgãos brasileiros é limitada nos documentos consultados. Na pesquisa de preços, a IA contribui sobretudo na coleta, na organização e na comparabilidade dos dados, enquanto a depuração de valores discrepantes é, em regra, estatística clássica, e deve seguir o dever de justificativa previsto no art. 23 e na regulamentação.
Na segunda frente, o estudo da ferramenta Alice mostrou que sistemas de monitoramento por regras de auditoria e cruzamento de dados, de complexidade técnica moderada, podem produzir efeito preventivo relevante, com números expressivos de licitações analisadas e de valores suspensos ou cancelados. Mostrou também que os alertas geram falsos positivos em proporção elevada em pelo menos uma amostra, o que impede seu uso como prova e exige validação humana, contraditório e motivação.
Quanto aos riscos, destacaram-se o viés decorrente de dados históricos, em especial a reprodução de preços inflados, as alucinações da IA generativa, a opacidade dos modelos complexos e os problemas de proteção de dados, com ênfase no art. 20 da LGPD. O exame comparado indicou a utilidade de classificar os usos por risco, de exigir supervisão humana e rastreabilidade e de investir em infraestrutura de dados.
A hipótese inicial foi corroborada em termos qualitativos: a IA pode contribuir para a eficiência, a economicidade e a integridade das contratações quando empregada como apoio à decisão, com supervisão humana, dados de qualidade, motivação e auditabilidade. Não se trata de conclusão empírica, porque o trabalho não produziu dados primários e os resultados das ferramentas provêm de relatórios institucionais.
Como contribuição, propuseram-se nove diretrizes mínimas de governança algorítmica para as contratações públicas (seção 7.6), aplicáveis desde logo por normas internas e orientações de controle e úteis para a futura regulamentação.
Quanto às limitações, o estudo de caso limitou-se a uma ferramenta, a documentação disponível não permitiu descrever outras ferramentas de controle, como o Carina, e a análise do direito comparado privilegiou instrumentos gerais, sem aprofundar cada sistema nacional. Pesquisas futuras podem avaliar empiricamente o desempenho de ferramentas de pesquisa de preços, medir falsos positivos em diferentes órgãos, examinar o uso de IA na gestão contratual e acompanhar a aplicação do marco legal da IA às compras públicas.
A decisão administrativa continua a ser humana. A IA amplia a capacidade técnica do agente, mas não retira dele o dever de verificar, motivar e responder pelo ato. É nessa medida que a tecnologia pode servir ao interesse público sem enfraquecer as garantias que o regime licitatório existe para proteger.
REFERÊNCIAS
BRASIL. [Constituição (1988)]. Constituição da República Federativa do Brasil. Brasília, DF: Presidência da República, 1988.
BRASIL. Conselho Administrativo de Defesa Econômica (CADE). Combate a cartéis em licitações. Brasília: CADE, 2021.
BRASIL. Controladoria-Geral da União. Artigo sobre a ferramenta Alice (Analisador de Licitações, Contratos e Editais). Brasília: CGU, [s.d.]. Disponível em: https://basedeconhecimento.cgu.gov.br. Acesso em: 9 out. 2026.
BRASIL. Decreto nº 10.947, de 25 de janeiro de 2022. Regulamenta o inciso VII do caput do art. 12 da Lei nº 14.133/2021, para dispor sobre o plano de contratações anual. Brasília, DF: Presidência da República, 2022.
BRASIL. Decreto-Lei nº 2.848, de 7 de dezembro de 1940. Código Penal. Brasília, DF: Presidência da República, 1940.
BRASIL. Decreto-Lei nº 4.657, de 4 de setembro de 1942. Lei de Introdução às Normas do Direito Brasileiro. Brasília, DF: Presidência da República, 1942.
BRASIL. Emenda Constitucional nº 115, de 10 de fevereiro de 2022. Altera a Constituição Federal para incluir a proteção de dados pessoais entre os direitos e garantias fundamentais. Brasília, DF: Presidência da República, 2022.
BRASIL. Lei nº 9.784, de 29 de janeiro de 1999. Regula o processo administrativo no âmbito da Administração Pública Federal. Brasília, DF: Presidência da República, 1999.
BRASIL. Lei nº 12.527, de 18 de novembro de 2011. Lei de Acesso à Informação. Brasília, DF: Presidência da República, 2011.
BRASIL. Lei nº 12.529, de 30 de novembro de 2011. Estrutura o Sistema Brasileiro de Defesa da Concorrência. Brasília, DF: Presidência da República, 2011.
BRASIL. Lei nº 12.846, de 1º de agosto de 2013. Dispõe sobre a responsabilização administrativa e civil de pessoas jurídicas pela prática de atos contra a administração pública. Brasília, DF: Presidência da República, 2013.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília, DF: Presidência da República, 2018.
BRASIL. Lei nº 14.129, de 29 de março de 2021. Lei do Governo Digital. Brasília, DF: Presidência da República, 2021.
BRASIL. Lei nº 14.133, de 1º de abril de 2021. Lei de Licitações e Contratos Administrativos. Brasília, DF: Presidência da República, 2021.
BRASIL. Ministério da Economia. Secretaria de Gestão. Instrução Normativa SEGES/ME nº 65, de 7 de julho de 2021. Dispõe sobre o procedimento administrativo para a realização de pesquisa de preços para a aquisição de bens e contratação de serviços em geral. Brasília, DF: Ministério da Economia, 2021.
BRASIL. Senado Federal. Projeto de Lei nº 2.338, de 2023. Dispõe sobre o uso da inteligência artificial. Brasília, DF: Senado Federal, 2023.
BRASIL. Tribunal de Contas da União. Licitações e contratos: orientações e jurisprudência do TCU. Brasília: TCU, 2021.
BRASIL. Tribunal de Contas da União. Súmula nº 247. Brasília: TCU.
COGLIANESE, Cary. Administrative law in the automated state. Daedalus, v. 150, n. 3, 2021.
DI PIETRO, Maria Sylvia Zanella. Direito administrativo. 36. ed. Rio de Janeiro: Forense, 2023.
DONEDA, Danilo. Da privacidade à proteção de dados pessoais. Rio de Janeiro: Forense, 2020.
FLORIDI, Luciano. The ethics of artificial intelligence. Oxford: Oxford University Press, 2023.
JUSTEN FILHO, Marçal. Comentários à Lei de Licitações e Contratos Administrativos. São Paulo: Thomson Reuters Brasil, 2022.
OCDE. Recommendation of the Council on Artificial Intelligence. Paris: OECD Publishing, 2019.
PORTUGAL. Ministério da Economia e da Transição Digital. AI Portugal 2030: estratégia nacional para a inteligência artificial. Lisboa, 2020.
RUSSELL, Stuart; NORVIG, Peter. Artificial intelligence: a modern approach. 4. ed. Pearson, 2021.
TELETIME. PL de inteligência artificial fica para fevereiro de 2026. 16 dez. 2025. Disponível em: https://teletime.com.br/16/12/2025/pl-de-inteligencia-artificial-fica-para-fevereiro-de-2026/. Acesso em: 9 out. 2026.
UNESCO. Recommendation on the Ethics of Artificial Intelligence. Paris, 2021.
UNIÃO EUROPEIA. Regulamento (UE) 2024/1689 do Parlamento Europeu e do Conselho, de 13 de junho de 2024, que estabelece regras harmonizadas em matéria de inteligência artificial (Regulamento da Inteligência Artificial). Jornal Oficial da União Europeia, 2024.
UNITED STATES. Office of Management and Budget. Advancing governance, innovation, and risk management for agency use of artificial intelligence. Washington, D.C., 2024.
WORLD BANK. GovTech Maturity Index 2022: trends in public sector digital transformation. Washington, D.C.: World Bank, 2023.
YEUNG, Karen. Algorithmic regulation: a critical interrogation. Regulation & Governance, v. 12, n. 4, 2018.
