Inteligência artificial (IA) e business analytics (BA) na gestão dos termos de execução descentralizados (TEDs) em universidades públicas : uma abordagem teórico-empírica para a inovação e prestação de contas

Abstract

Esta dissertação, estruturada seguindo o formato multipaper, examina a aplicação da Inteligência Artificial (IA) e do Business Analytics (BA) em instituições públicas de ensino superior, com foco na governança dos Termos de Execução Descentralizada (TEDs), instrumentos voltados à transferência de recursos entre entidades federais e instituições de ensino superior. A investigação indica a existência de problemas persistentes, exemplificados pela fragmentação de dados, pela limitada interoperabilidade entre sistemas (SIAFI, Transferegov e plataformas internas), pelas lacunas normativas e pelas restrições na prestação de contas. O objetivo central foi analisar como a Inteligência Artificial (IA) e o Business Analytics podem ser integrados, de maneira ética e em conformidade com a legislação, ao ciclo dos TEDs, aprimorando a rastreabilidade, a transparência e a eficiência. A metodologia aplicada foi de natureza qualitativa e teórica-propositiva, englobando revisão sistemática da literatura — que abrange o intervalo de 2020 a 2024 —, análise normativa, benchmarking internacional em governança algorítmica e estudo institucional da Universidade de Brasília (UnB), a qual tem implementado protótipos de painéis financeiros por meio de dados do SIAFI/Tesouro Gerencial no Power BI. A dissertação é composta por três artigos: (i) uma análise bibliométrica sobre a aplicação da Inteligência Artificial (IA) e Business Analytics na Administração Pública; (ii) um diagnóstico dos obstáculos teóricos e práticos na gestão de tecnologia de dados; e (iii) a formulação de diretrizes práticas, distribuídas em quatro eixos estratégicos: tecnológico, organizacional, normativo e ético-governamental. Os resultados indicam que as soluções de Business Intelligence oferecem ganhos imediatos em termos de eficiência e transparência, ao passo que modelos preditivos explicáveis têm o potencial de, a médio prazo, aprimorar a alocação de recursos e o controle gerencial, desde que fundamentados em uma governança de dados e na corregulação institucional.