Inteligência Artificial na análise de licitações e fiscalização de obras públicas
DOI:
https://doi.org/10.47236/2594-7036.2026.v10.2120Palavras-chave:
Inteligência Artificial, Processamento de linguagem natural, Licitações públicas, Controle externo, Fiscalização de obras públicasResumo
Este estudo analisa a aplicação de técnicas de Inteligência Artificial no suporte à análise preliminar de licitações, contratos administrativos e fiscalização de obras públicas, com ênfase nos campos da engenharia civil e da administração pública. A relevância do tema decorre do papel dos Tribunais de Contas no exercício do controle externo, especialmente na avaliação preventiva da legalidade, legitimidade, economicidade, eficiência e conformidade das contratações públicas. Embora o avanço recente dessas tecnologias tenha ampliado as possibilidades de análise automatizada de informações, ainda são limitadas as sistematizações voltadas ao seu emprego em instituições fiscalizadoras. Para enfrentar essa lacuna, o estudo realizou uma revisão sistemática da literatura sobre abordagens baseadas em aprendizado de máquina, processamento de linguagem natural e modelos de linguagem de grande porte. Os resultados evidenciam aplicações consistentes dessas técnicas na interpretação automatizada de editais e contratos, na detecção de padrões anômalos em variáveis quantitativas, na estimativa de custos, na identificação de riscos e na previsão de eventos contratuais, como aditivos e disputas. Observou-se, ainda, convergência entre métodos de análise textual e modelagem preditiva, ampliando a capacidade de processamento de informações estruturadas e não estruturadas. Conclui-se que a incorporação dessas tecnologias em ambientes institucionais de controle pode fortalecer o controle externo ao elevar a eficiência analítica, reduzir gargalos operacionais, ampliar a cobertura das análises e contribuir para a mitigação de riscos e a prevenção de irregularidades nas contratações públicas.Downloads
Referências
ALTALHONI, A. et al. Data-driven identification of key pricing factors in highway construction cost estimation during economic volatility. Journal of Construction Engineering and Management, v. 151, n. 2, p. 1-14, 2025.
ASSAF, G.; ASSAAD, R. H. A data-driven decision-support tool for selecting the optimal project delivery method for bundled projects: integrating machine learning and expert domain knowledge. Journal of Construction Engineering and Management, v. 150, n. 6, p. 1-15, 2024.
BRASIL. Constituição (1988). Constituição da República Federativa do Brasil. Brasília, DF: Senado Federal, 1988. Disponível em: www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm. Acesso em: 27 mar. 2026.
BRASIL. Lei nº 14.133, de 1º de abril de 2021. Lei de licitações e contratos administrativos. Brasília, DF: Presidência da República, 2021. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14133.htm. Acesso em: 27 mar. 2026.
BRESSER-PEREIRA, L. C. Reforma do Estado para a cidadania: a reforma gerencial brasileira na perspectiva internacional. São Paulo: Editora 34, 1998.
BROWN, T. B. et al. Language models are few-shot learners. Advances in Neural Information Processing Systems, v. 33, p. 1877-1901, 2020.
DI PIETRO, M. S. Z. Direito administrativo. 36. ed. Rio de Janeiro: Forense, 2023.
DING, L. et al. Applications of natural language processing in construction. Automation in Construction, v. 123, p. 103532, 2021.
ERGELEN, A. Prediction models of international tender results for formulating an innovative construction bidding strategy. Journal of Construction Engineering and Management Innovation, v. 1, n. 1, p. 1-19, 2025.
GARCÍA RODRÍGUEZ, M. et al. Collusion detection in public procurement auctions with machine learning algorithms. Automation in Construction, v. 131, p. 104047, 2022.
HABIB, A.; ABOUHAMAD, M.; BAYOUMI, A. Ensemble learning framework for forecasting construction costs. Automation in Construction, v. 158, p. 105903, 2025.
HOOD, C. A public management for all seasons? Public Administration, London, v. 69, n. 1, p. 3-19, 1991.
JANSSEN, M.; KUK, G. Big and open linked data (BOLD) in government: a challenge to transparency and privacy? Government Information Quarterly, v. 33, n. 4, p. 363-368, 2016.
JURAFSKY, D.; MARTIN, J. H. Speech and language processing. 3. ed. Stanford: Stanford University, 2023.
JUSTEN FILHO, M. Comentários à Lei de Licitações e Contratos Administrativos. São Paulo: Thomson Reuters Brasil, 2021.
KHALEF, R.; EL-ADAWAY, I. H. Automated identification of substantial changes in construction projects of airport improvement program using machine learning and natural language processing. Journal of Construction Engineering and Management, v. 147, n. 4, p. 1-14, 2021.
KIM, J. et al. Inherent risks identification in a contract document through automated sentence parsing and rule generation. Automation in Construction, v. 165, p. 106044, 2025.
KITCHENHAM, B.; CHARTERS, S. Guidelines for performing systematic literature reviews in software engineering. Keele: Keele University, 2007.
KITCHIN, R. The data revolution: big data, open data, data infrastructures and their consequences. London: Sage, 2014.
LE, T. A.; KO, Y. J.; JEONG, H. A natural language processing-based approach for clustering construction projects. Journal of Management in Engineering, v. 38, n. 1, p. 1-13, 2022.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, London, v. 521, p. 436-444, 2015.
LEE, G.; MOON, S.; CHI, S. Reference section identification of construction specifications by a deep structured semantic model. Engineering, Construction and Architectural Management, v. 30, n. 9, p. 4358-4386, 2023.
LIU, W.; CHOU, J. S. Automated legal consulting in construction procurement using metaheuristically optimized large language models. Automation in Construction, v. 168, p. 105891, 2025.
LOCATELLI, G. et al. A multi-label text classifier: application on an Italian public tender procedure, Project ISCOL@. Journal of Information Technology in Construction, v. 29, p. 859-878, 2024.
MITCHELL, T. M. Machine learning. New York: McGraw-Hill, 1997.
MOON, S. et al. Automated construction specification review with named entity recognition using natural language processing. Journal of Construction Engineering and Management, v. 147, n. 5, p. 1-11, 2021.
NINDARTIN, A. et al. Prediction of cost contingency in construction projects by introducing machine learning algorithms. Journal of Civil Engineering and Management, v. 31, n. 6, p. 859-872, 2025.
PAGE, M. J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, v. 372, n. 71, 2021.
RUSSELL, S.; NORVIG, P. Artificial Intelligence: a modern approach. 4. ed. Harlow: Pearson, 2021.
SOUSA, L. J.; MARTINS, J. P.; SANHUDO, L. Predicting construction project compliance with machine learning model: case study using portuguese procurement data. Engineering, Construction and Architectural Management, v. 31, n. 13, p. 285-302, 2024.
TRANFIELD, D.; DENYER, D.; SMART, P. Towards a methodology for developing evidence-informed management knowledge by means of systematic review. British Journal of Management, v. 14, n. 3, p. 207-222, 2003.
UN, H. et al. Forecasting the outcomes of construction contract disputes using machine learning techniques. Engineering, Construction and Architectural Management, v. 32, n. 10, p. 6419-6436, 2025.
WIRTZ, B. W.; WEYERER, J. C.; GEYER, C. Artificial Intelligence and the public sector: applications and challenges. International Journal of Public Administration, v. 42, n. 7, p. 596-615, 2019.
WU, X. et al. Natural language processing for smart construction: current status and future directions. Automation in Construction, v. 134, p. 104086, 2022.
YI, Z.; LUO, X. Construction cost estimation model and dynamic management control analysis based on Artificial Intelligence. Journal of Building Engineering, v. 83, p. 107541, 2024.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Eduardo Pereira Valim, Thiago Dias de Araújo e Silva

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Permite o compartilhamento, adaptação e uso para quaisquer fins, inclusive comerciais, desde que feita a devida atribuição aos autores e à Revista Sítio Novo.
Os autores declaram que o trabalho é original, não foi previamente publicado em parte ou no todo, exceto em servidores de preprints reconhecidos, desde que declarado, e que nenhum outro manuscrito similar de sua autoria está publicado ou em processo de avaliação por outro periódico, seja impresso ou eletrônico.
Declaram que não violaram nem infringiram nenhum tipo de direito de propriedade de outras pessoas, e que todas as citações no texto são fatos verdadeiros ou baseados em pesquisas de exatidão cientificamente considerável.
Os autores mantêm os direitos autorais dos manuscritos publicados nesta revista, permitindo o uso irrestrito de seu conteúdo, desde que citada a autoria original e a fonte da publicação.















