A auditoria, função essencial na garantia da transparência e da probidade na administração pública, vivencia uma revolução silenciosa, mas profunda: a integração da Inteligência Artificial (IA). Profissionais do setor público, como auditores de controle externo e interno, promotores de justiça e procuradores, encontram na IA um aliado formidável para lidar com volumes massivos de dados, identificar padrões complexos e detectar anomalias com precisão e velocidade inatingíveis pelos métodos tradicionais. Este artigo explora o potencial transformador da IA na auditoria pública, apresentando fundamentos legais, aplicações práticas e modelos que ilustram como essa tecnologia pode otimizar o controle governamental.
A Base Legal e Normativa para o Uso da IA na Auditoria
A utilização da IA na administração pública, e especificamente na auditoria, não ocorre em um vácuo normativo. Pelo contrário, ela se apoia em um arcabouço legal que busca promover a eficiência e a inovação, sempre com foco na segurança e na transparência.
O Decreto nº 10.332/2020, que institui a Estratégia de Governo Digital, incentiva a adoção de tecnologias emergentes, incluindo a IA, para aprimorar os serviços públicos e a gestão interna. A Lei nº 14.129/2021 (Lei do Governo Digital) reforça essa diretriz, estabelecendo princípios como a inovação e o uso de dados para a tomada de decisões.
Especificamente no contexto do controle e auditoria, o Tribunal de Contas da União (TCU) tem sido pioneiro na adoção e regulamentação do uso de IA. A Resolução TCU nº 344/2022 estabelece as diretrizes para o desenvolvimento e uso de soluções de Inteligência Artificial no âmbito do Tribunal, enfatizando a necessidade de transparência, explicabilidade e não-discriminação algorítmica.
Além disso, a Lei Geral de Proteção de Dados Pessoais (LGPD - Lei nº 13.709/2018) impõe balizas cruciais. Qualquer solução de IA utilizada em auditoria que processe dados pessoais deve observar os princípios da finalidade, adequação e necessidade, garantindo a proteção dos direitos dos titulares, conforme previsto no art. 6º da referida lei.
No âmbito da atuação do Ministério Público, a Recomendação CNMP nº 82/2021 orienta os Ministérios Públicos a adotarem medidas para o fomento e o desenvolvimento de soluções tecnológicas, incluindo IA, para aprimorar a atuação institucional.
Até 2026, espera-se uma consolidação ainda maior dessas normativas, com a possível edição de diretrizes específicas para o uso de IA em auditorias de entes federativos e empresas estatais, alinhando-se aos princípios constitucionais da eficiência, impessoalidade e moralidade (art. 37, caput, da Constituição Federal).
Aplicações Práticas da IA na Auditoria Pública
A IA não substitui o auditor, mas atua como um "exosqueleto cognitivo", ampliando sua capacidade de análise e permitindo que o profissional se concentre em tarefas de maior valor agregado, como a interpretação de resultados e a formulação de recomendações.
1. Análise Preditiva e Detecção de Fraudes
A IA é excepcionalmente capaz de identificar padrões que escapam à análise humana, especialmente em grandes volumes de dados (Big Data). Modelos de machine learning (aprendizado de máquina) podem ser treinados com dados históricos de fraudes, irregularidades e desvios, aprendendo a reconhecer as "assinaturas" desses eventos.
Na auditoria de licitações, por exemplo, a IA pode analisar milhares de editais, contratos e notas fiscais, cruzando informações sobre preços praticados, histórico das empresas vencedoras, vínculos entre sócios e padrões de dispensa de licitação. Isso permite identificar, com alta probabilidade, indícios de conluio, superfaturamento ou direcionamento, antes mesmo que os recursos sejam desembolsados.
2. Auditoria Contínua e Monitoramento em Tempo Real
Tradicionalmente, a auditoria é um processo retrospectivo. A IA possibilita a transição para a auditoria contínua, onde os sistemas monitoram transações e processos em tempo real. Algoritmos podem analisar fluxos de caixa, movimentações bancárias e registros contábeis, emitindo alertas imediatos caso sejam detectadas transações atípicas, desvios de padrões estabelecidos ou violações de regras de negócio.
Essa abordagem permite uma atuação preventiva, reduzindo o risco de danos ao erário e agilizando a correção de falhas nos controles internos.
3. Processamento de Linguagem Natural (NLP) na Análise Documental
O Processamento de Linguagem Natural (NLP) permite que a IA "leia" e compreenda textos não estruturados, como contratos, relatórios, pareceres jurídicos e e-mails.
Na auditoria de contratos de obras públicas, por exemplo, o NLP pode ser utilizado para extrair informações relevantes de diários de obras, relatórios de medição e ofícios, cruzando esses dados com o cronograma físico-financeiro e identificando inconsistências, atrasos não justificados ou pedidos de aditivos suspeitos.
4. Análise de Redes e Relacionamentos
A IA pode mapear redes complexas de relacionamentos entre empresas, sócios, servidores públicos e agentes políticos. Essa análise, conhecida como Network Analysis, é fundamental para identificar conflitos de interesse, nepotismo cruzado e esquemas de lavagem de dinheiro ou corrupção.
Ao cruzar dados da Receita Federal, Juntas Comerciais, portais de transparência e declarações de bens, a IA pode revelar conexões ocultas que seriam praticamente impossíveis de serem detectadas manualmente.
Modelos Práticos de IA para Auditoria
Para ilustrar o potencial da IA, apresentamos dois modelos práticos que podem ser implementados por órgãos de controle e auditoria.
Modelo 1: Detecção de Anomalias em Notas Fiscais Eletrônicas (NF-e)
Objetivo: Identificar notas fiscais com indícios de superfaturamento, empresas de fachada ou simulação de operações.
Dados: Base de dados de NF-e emitidas para o órgão público, contendo informações como CNPJ do emitente, valor, descrição dos itens, NCM (Nomenclatura Comum do Mercosul), data de emissão, etc.
Técnica de IA: Machine Learning não supervisionado (Algoritmos de Clustering ou Isolation Forest).
Funcionamento: O modelo analisa as características das notas fiscais e agrupa aquelas que possuem padrões semelhantes (por exemplo, preços compatíveis com o mercado para determinado NCM). Notas fiscais que se distanciam significativamente desses padrões (outliers) são marcadas como "anômalas" e enviadas para análise detalhada pelo auditor.
Exemplo Prático: O modelo identifica uma NF-e de compra de canetas esferográficas com um valor unitário 500% superior à média histórica e aos preços praticados por outros fornecedores para o mesmo NCM. O auditor recebe o alerta e investiga a transação.
Modelo 2: Classificação de Risco em Processos Licitatórios
Objetivo: Priorizar a análise de processos licitatórios com maior risco de irregularidades, otimizando o tempo e os recursos da equipe de auditoria.
Dados: Base de dados histórica de licitações, contendo informações sobre a modalidade, objeto, valor estimado, quantidade de participantes, histórico de recursos administrativos, pareceres jurídicos, etc., além do resultado final (se houve irregularidade ou não).
Técnica de IA: Machine Learning supervisionado (Algoritmos de Classificação, como Random Forest ou Regressão Logística).
Funcionamento: O modelo é treinado com a base histórica, aprendendo a relacionar as características da licitação com a probabilidade de ocorrência de irregularidades. Ao ser aplicado a novos processos licitatórios, o modelo atribui uma pontuação de risco (score) a cada um.
Exemplo Prático: O modelo analisa um novo edital de concorrência para a construção de uma escola. Ao identificar características como um prazo exíguo para apresentação de propostas, exigências técnicas restritivas e um histórico de irregularidades em licitações semelhantes conduzidas pelo mesmo setor, o modelo atribui um alto score de risco. A equipe de auditoria, então, prioriza a análise desse edital antes da abertura das propostas.
Desafios e Cuidados na Implementação
A adoção da IA na auditoria pública exige cautela e planejamento estratégico. Alguns desafios e cuidados devem ser observados:
- Qualidade dos Dados: A eficácia da IA depende fundamentalmente da qualidade dos dados utilizados para treinar os modelos. Dados incompletos, inconsistentes ou enviesados levarão a resultados imprecisos e decisões equivocadas. É crucial investir na governança e na higienização dos dados.
- Explicabilidade (XAI): Os modelos de IA não podem ser "caixas pretas". Os auditores precisam compreender como a IA chegou a determinada conclusão para poderem validar os resultados e utilizá-los como evidência em seus relatórios. A utilização de técnicas de Explainable AI (XAI) é fundamental para garantir a transparência e a confiabilidade do processo.
- Viés Algorítmico: É necessário garantir que os modelos de IA não reproduzam ou amplifiquem preconceitos e discriminações presentes nos dados históricos. Auditorias regulares nos algoritmos são necessárias para identificar e mitigar vieses.
- Segurança da Informação e Privacidade: O tratamento de grandes volumes de dados sensíveis exige medidas robustas de segurança cibernética e estrita conformidade com a LGPD.
- Capacitação Profissional: A integração da IA exige que os auditores desenvolvam novas habilidades, como a compreensão de conceitos básicos de ciência de dados e a capacidade de interpretar e validar os resultados gerados pelos algoritmos.
Conclusão
A Inteligência Artificial representa um ponto de inflexão na auditoria pública. Ao automatizar tarefas repetitivas, identificar padrões complexos e permitir a análise de volumes massivos de dados em tempo real, a IA potencializa a capacidade de controle e fiscalização do Estado. Para os profissionais do setor público, a adoção responsável e estratégica dessa tecnologia, fundamentada no arcabouço legal vigente e pautada pela ética e pela transparência, é o caminho para uma atuação mais eficiente, preventiva e assertiva na defesa do patrimônio público e na promoção da boa governança.
Aviso: Este artigo tem caráter informativo e didático. Deve ser verificado e adaptado a cada caso concreto por profissional habilitado. Acesse minuta.tech para mais recursos.