Inteligencia Artificial en el análisis de licitaciones y la fiscalización de obras públicas
DOI:
https://doi.org/10.47236/2594-7036.2026.v10.2120Palabras clave:
Inteligencia Artificial, Procesamiento del lenguaje natural, Licitaciones públicas, Control externo, Fiscalización de obras públicasResumen
Este estudio analiza la aplicación de técnicas de Inteligencia Artificial en el apoyo al análisis preliminar de licitaciones, contratos administrativos y la fiscalización de obras públicas, con énfasis en los campos de la ingeniería civil y la administración pública. La relevancia del tema se deriva del papel de los Tribunales de Cuentas en el ejercicio del control externo, especialmente en la evaluación preventiva de la legalidad, legitimidad, economicidad, eficiencia y conformidad de las contrataciones públicas. Aunque los avances recientes en esas tecnologías tengan ampliado las posibilidades de análisis automatizado de información, aún son limitadas las sistematizaciones orientadas a su aplicación en instituciones reguladoras. Para abordar esa brecha, el estudio realizó una revisión sistemática de la literatura sobre enfoques basados en aprendizaje automático, procesamiento del lenguaje natural y modelos de lenguaje de gran escala. Los resultados evidencian aplicaciones consistentes de esas técnicas en la interpretación automatizada de pliegos de licitación y contratos, en la detección de patrones anómalos en variables cuantitativas, en la estimación de costos, en la identificación de riesgos y en la predicción de eventos contractuales, como modificaciones contractuales y disputas. Asimismo, se observó una convergencia entre métodos de análisis textual y modelización predictiva, ampliando la capacidad de procesamiento de información estructurada y no estructurada. Se concluye que la incorporación de esas tecnologías en entornos institucionales de control puede fortalecer el control externo al mejorar la eficiencia analítica, reducir los obstáculos operativos, ampliar la cobertura de los análisis y contribuir a la mitigación de riesgos y a la prevención de irregularidades en las contrataciones públicas.Descargas
Métricas
Citas
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. DOI: https://doi.org/10.1080/15623599.2025.2511065
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. DOI: https://doi.org/10.1061/JCEMD4.COENG-15116
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. DOI: https://doi.org/10.31462/jcemi.2025.01019048
GARCÍA RODRÍGUEZ, M. et al. Collusion detection in public procurement auctions with machine learning algorithms. Automation in Construction, v. 131, p. 104047, 2022. DOI: https://doi.org/10.1016/j.autcon.2021.104047
HABIB, A.; ABOUHAMAD, M.; BAYOUMI, A. Ensemble learning framework for forecasting construction costs. Automation in Construction, v. 158, p. 105903, 2025. DOI: https://doi.org/10.1016/j.autcon.2024.105903
HOOD, C. A public management for all seasons? Public Administration, London, v. 69, n. 1, p. 3-19, 1991. DOI: https://doi.org/10.1111/j.1467-9299.1991.tb00779.x
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. DOI: https://doi.org/10.1016/j.giq.2015.11.007
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. DOI: https://doi.org/10.1061/(ASCE)ME.1943-5479.0000959
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. DOI: https://doi.org/10.1016/j.autcon.2025.106044
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. DOI: https://doi.org/10.4135/9781473909472
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. DOI: https://doi.org/10.1038/nature14539
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. DOI: https://doi.org/10.1108/ECAM-10-2021-0920
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. DOI: https://doi.org/10.1016/j.autcon.2024.105891
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. DOI: https://doi.org/10.36680/j.itcon.2024.038
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. DOI: https://doi.org/10.1061/(ASCE)CO.1943-7862.0001953
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. DOI: https://doi.org/10.3846/jcem.2025.24913
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. DOI: https://doi.org/10.1108/ECAM-09-2023-0973
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. DOI: https://doi.org/10.1111/1467-8551.00375
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. DOI: https://doi.org/10.1108/ECAM-05-2023-0510
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. DOI: https://doi.org/10.1080/01900692.2018.1498103
WU, X. et al. Natural language processing for smart construction: current status and future directions. Automation in Construction, v. 134, p. 104086, 2022. DOI: https://doi.org/10.1016/j.autcon.2021.104059
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Eduardo Pereira Valim, Thiago Dias de Araújo e Silva

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Permite el intercambio, la adaptación y el uso para cualquier fin, incluso comercial, siempre que se otorgue la debida atribución a los autores y a la Revista Sítio Novo.
Los autores declaran que el trabajo es original y que no ha sido publicado previamente, ni total ni parcialmente, salvo en servidores de preprints reconocidos, siempre que se declare, y que ningún otro manuscrito similar de su autoría se encuentra publicado ni en proceso de evaluación por otra revista, ya sea impresa o electrónica.
Declaran que no han violado ni infringido ningún tipo de derecho de propiedad de terceros, y que todas las citas en el texto son hechos verídicos o están basadas en investigaciones con exactitud científicamente comprobable.
Los autores conservan los derechos de autor de los manuscritos publicados en esta revista, permitiendo el uso irrestricto de su contenido, siempre que se cite adecuadamente la autoría original y la fuente de publicación.















