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.
