IA na Geração de Relatórios Técnicos

Prévia do material em texto

Marcus Possi is an electrical engineer with over 45 years of experience in energy 
systems, automation, and high-voltage substation assembly. Between 1980 and 
2000, he led major infrastructure projects and joined the ABNT Technical Standards 
Committee, pioneering SF6 gas-insulated substations in South America and contrib-
uting to international standards. He also helped standardize productivity metrics for 
engineering planning. 
He has over 35 years in project management and 25 years in forensic electrical and 
contractor analysis. Marcus developed the “Liquid Planning” method, a modern evo-
lution of CPM, published in 2020. Since 2024, he has been studing and applying 
Generative AI tools such as LLMs and RAG frameworks to automate technical re-
ports and analyze contractual deviations. While AI is not his primary field, it comple-
ments his established expertise. 
He is a frequent speaker at conferences like the Project Controls Expo, including the 
2025 edition held in Brazil and the 2021 edition in Malaysia, and has presented 
technical works in Portugal (2011), Greece (2011), Venezuela (2006), and at numer-
ous events throughout Brazil. He designed and coordinated two postgraduate pro-
grams in project management (UGF and UFRJ, 2003) and actively contributes to 
technical publications. 
He also leads a consulting firm with nearly 25 years of service in engineering, con-
tract management, and enterprise oversight. He provides training and guidance in 
NR10 safety, renewable energy, hybrid contract structures, and operational diagnos-
tics. Certified in photovoltaic energy, energy efficiency, and judicial expertise, he is 
also a member of the Portuguese Order of Engineers. 
Known for his clarity, practical insights, and commitment to education, as demon-
strated by the integration of his methodologies into utility companies' planning frame-
works and measurable performance improvements, he delivers impactful content 
grounded in real-world practice and regulatory rigor, whether in classrooms, corpo-
rate trainings, or industry panels. 
 
 
 
Marcus Possi 
 
Electrical and Occupational Safety Engineer – UGF (1986), UCAM (2018) 
Postgraduate in Judicial and Extrajudicial Expertise – Unileya (2021) 
Specialist in Photovoltaic Energy and Energy Efficiency – Unileya (2019), UFF (2015) 
Specialist in Project and Contract Management – FGV (2003), PMI 
Executive Education in Artificial Intelligence – MIT & NORAI 
 
Título: 
Uso de IA na Geração Imediata de Relatórios Técnicos sobre Desvios em Pro-
jetos como Ferramenta Pré-Negocial 
 
 
Summary 
This article presents an innovative methodology for the immediate generation of tech-
nical reports on contractual deviations in projects, using language models (LLMs) as 
analytical and interpretive support. The proposal aims to transform operational data, 
such as measurements and construction records, into structured evidence that links 
causes, consequences, and responsibilities in a traceable manner. The objective is to 
strengthen pre-negotiation actions, reduce litigation, and enable well-founded tech-
nical decisions, while avoiding the opportunism of companies and professionals in re-
solving chaos that could have been prevented. The approach combines prompt engi-
neering, document analysis, and techniques such as RAG, proposing a new standard 
of contractual accountability based on applied artificial intelligence. 
 
 
Resumo 
Este artigo apresenta uma metodologia inovadora para a geração imediata de relató-
rios técnicos sobre desvios contratuais em projetos, utilizando modelos de linguagem 
(LLMs) como suporte analítico e interpretativo. A proposta visa transformar dados ope-
racionais, como medições e registros de obra, em evidências estruturadas que asso-
ciam causas, consequências e responsabilidades de forma rastreável. O objetivo é 
fortalecer as ações pré-negociais, reduzir litígios e permitir decisões técnicas funda-
mentadas, enquanto evita o oportunismo de empresas e profissionais na resolução de 
caos que poderia ter sido evitado. A abordagem combina engenharia de prompt, aná-
lise documental e técnicas como RAG, propondo um novo padrão de responsabiliza-
ção contratual baseado em inteligência artificial aplicada. 
 
1. Introdução: 
 
Muito se fala e se pratica nos assuntos de relatórios técnicos sobre desvios 
quantitativos das grandezas imediatas de um projeto ou contrato de serviços de pro-
dução. Até então, as ferramentas disponíveis trouxeram facilidade matemática na 
comprovação de resultados e criação de indicadores de desempenho. Entretanto, a 
identificação automática e processada de responsáveis, impactos e consequências 
desses desvios ainda é pouco explorada (U.S. GAO, 2009, p. 153)[1]. Com o avanço 
de LLMs, que não se baseiam em algoritmos precisos, mas em matrizes vetoriais de 
probabilidade, aplicadas à concatenação de documentos fragmentados, isso se torna 
possível com redução significativa de parcialidade (DigitalOcean, 2024)[2]. Este tra-
balho objetiva mostrar que o estado da arte já permite emitir relatórios técnicos sobre 
responsabilidades e impactos associados a desvios quantitativos, comparando o rea-
lizado com o previsto para finalidades pré-negociais. 
Assim como já conseguimos grande agilidade com técnicas digitais baseadas 
em algoritmos tradicionais, agora vemos essa mesma agilidade sendo ampliada com 
o uso de recursos dos LLMs. É importante esclarecer que o termo “algoritmo” se refere 
a um conjunto de regras lógicas, precisas e determinísticas, implementado como pro-
cedimento finito em software/hardware (Knuth, 1973; Rogers, 1987; Yanofsky, 
2006)[3]. Por outro lado, o uso de LLMs representa abordagem distinta: trata-se de 
modelos linguísticos que utilizam técnicas como ReAct, Reasoning e RAG, baseadas 
em matrizes vetoriais de probabilidade (DigitalOcean, 2024)[2], e conseguem identifi-
car relações, contextos, causas e possíveis responsáveis a partir de documentos for-
mais correlacionando eventos quantitativos de forma interpretativa. 
Enquanto o primeiro modelo tecnológico é maduro, previsível e consolidado, o 
segundo — baseado em linguagem e ainda em evolução — já demonstra grande po-
tencial. Atua no campo da inferência contextual, onde a semântica associada a indi-
cadores técnicos pode gerar resultados rápidos e em larga escala, mesmo em situa-
ções complexas (PMI/PMBox, 2021, Cap. Monitoramento e Controle)[4]. 
A diferença está no fato de que, por mais de 60 anos, as melhores práticas 
consolidadas (como PMBOK/PMBox/GIM e TCM/AACE) não foram eficazes em resol-
ver impasses sobre atribuição de responsabilidades, impactos e consequências de 
desvios quantitativos em contratos e regras (PMI, 2021, Cap. Monitoramento e Con-
trole; AACE, 2006, p. 12)[4][5]. Algumas práticas recomendadas — diferentes das me-
lhores práticas — revelam-se difíceis por oportunismo, incompetência ou falta de ele-
mentos essenciais. Muitos profissionais as seguem mesmo que, embora multidiscipli-
nares, sua eficácia não esteja comprovada. O uso difundido não garante valor com-
provado (U.S. GAO, 2009, p. 153)[1]. 
Talvez por isso o termo “práticas recomendadas” não alcance o patamar de 
“melhores práticas”. Práticas empíricas não são resultados de estudos científicos, 
principalmente quando são produzidas por uma ou duas pessoas ou profissionais. 
Melhores práticas são aquelas que já foram consolidadas como as que, de fato, dão 
certo. 
No caso da prática recomendada muito utilizada para análise forense de des-
vios e impactos — a RP 29R‑03 da AACE, que fornece “princípios técnicos básicos e 
diretrizes para aplicação do CPM em análises forenses” [6] —, trata-se de algo parti-
cular, muito restrito, de difícil aplicação e entendimento, devido à sua natureza publi-
cada e enfoque exclusivo em CPM. Ela sempre foca projetos cuja premissa básica é 
o atendimento à metodologia do caminho crítico, algoque, desde a recessão de 1990–
91, se mostra uma abordagem artificial, já que falha diante da complexidade real dos 
projetos, que exigem flexibilidade além do CPM[7]. 
 
 
 
Referencias locais 
[1]: U.S. Government Accountability Office – GAO Cost Estimating and Assessment Guide, 
2009, p. 153: “The lack of a sensitivity analysis affects a cost estimate…” 
 
[2]: DigitalOcean – What are Large Language Models (LLMs)?, 2024: “An LLM is a lan-
guage model designed to understand, generate, and process natural language. Built using 
deep learning architectures and transformer models… use neural networks with billions of 
parameters.” 
 
[3]: Knuth, D. E. (1973); Rogers, H. J. (1987); Yanofsky, N. S. (2006) – definição clássica 
de algoritmo: algoritmo = “procedimento computacional bem definido com entrada e saída 
finitas” 
 
[4]: PMI – PMBOK® Guide, 7ª ed., 2021, Cap. Monitoramento e Controle: “Atua no campo 
do monitoramento e controle com análise contextual de indicadores técnicos.” 
 
[5]: AACE International – Total Cost Management Framework, 2006, p. 12: “Definições con-
solidadas de práticas de monitoramento e reporte de custos e responsabilidades técnicas.” 
 
[6]: AACE International. Recommended Practice No. 29R‑03 – Forensic Schedule Analy-
sis. April 2011. “The purpose of this RP is to provide a unifying reference of basic technical 
principles and guidelines for the application of critical path method (COM) scheduling in 
forensic schedule analysis.” 
 
[7]: National Bureau of Economic Research (NBER). U.S. Business Cycle Expansions and 
Contractions. The recession of July 1990 to March 1991 marked the beginning of a slow-
down in project investments and exposed the limitations of rigid scheduling methods like 
CPM in volatile economic environments. 
 
 
2.Revisão de Literatura: 
 
Este artigo apresenta estudos e tecnologias aplicadas à geração automatizada de re-
latórios, análise preditiva de desvios em projetos e ao papel da IA como mediadora de 
processos decisórios, destacando a escassez de soluções voltadas à fase pré-nego-
cial. Apesar do avanço das mídias sociais, a área de inteligência artificial voltada à 
geração automatizada de relatórios profissionais para apoio à decisão e análise de 
desvios em projetos permanece pouco explorada, muitas vezes de forma amadora. 
Esta revisão propõe explorar um caminho ainda pouco consolidado, dado o ineditismo 
das ferramentas de IA aplicadas à avaliação de desempenho de projetos e contratos. 
Pela ausência de abordagens que antecipem tecnicamente a negociação de desvios, 
o tema é tratado como inovador. A partir dessa lacuna identificada, realizou-se uma 
pesquisa aprofundada na literatura técnica e científica , com foco no uso de Inteligên-
cia Artificial no controle de contratos e no monitoramento de projetos e obras. 
Foram encontrados casos relevantes desde 2004 até os avanços mais recentes de 
2025, os quais foram classificados em duas categorias: conceituais e aplicados. Entre 
os aplicados, destacam-se soluções como Buildots, que utiliza câmeras 360° e com-
paração com BIM para reduzir atrasos em até 50% (TopMost Ads, 2025) [1]. 
Doxel, por sua vez, emprega robôs autônomos e LIDAR para análise de produtividade 
e orçamento (NVIDIA Developer Blog, 2022) [2]. 
Já a ALICE Technologies oferece uma plataforma de simulação que gera cronogramas 
otimizados com redução média de 15% no tempo de execução (Iron Pros, 2024) [3]. 
Por fim, o V7 Go é um agente legal de IA que analisa contratos, extraindo cláusulas 
críticas com links rastreáveis para o texto-fonte (V7 Labs, 2025) [4]. 
No campo conceitual, surgem propostas como o framework de observabilidade cog-
nitiva para agentes LLM (arXiv:2411.03455v2, 2025) [5]; os modelos de IA explicável 
(XAI) aplicados à análise contratual (Google Blog, 2025) [6]; e as estruturas multia-
gentes cooperativas voltadas ao controle distribuído de riscos e responsabilidades 
(Fondion, 2025) [7]. 
O conjunto de casos analisados comprova que a aplicação da IA na gestão de projetos 
já ultrapassou a etapa experimental, sendo hoje uma alternativa operacional viável — 
especialmente quando voltada à antecipação de desvios e à responsabilização téc-
nica baseada em dados, com grande potencial para uso pré-negocial. 
Dentre todos os casos levantados nesta pesquisa, apenas o Buildots apresenta ali-
nhamento direto e substancial com o escopo deste estudo, que trata da identificação 
de desvios, responsabilidades, impactos, causas e consequências com base na com-
paração entre produção realizada e planejamento contratual. A solução da Buildots se 
destaca por utilizar câmeras 360° para medir com precisão milimétrica o avanço físico 
das obras, comparando esses dados em tempo real com o cronograma e as metas 
contratuais. Além disso, seus relatórios automatizados permitem rastrear atividades 
por equipe, identificar responsáveis por atrasos e atribuir causas objetivas aos desvios 
detectados. Essa estrutura corresponde ao tipo de análise técnica exigida em audito-
rias contratuais fundamentadas em dados objetivos de desempenho, embora sem in-
tegração direta com os instrumentos contratuais formais. Considerando os critérios 
centrais deste trabalho — controle numérico de produção, verificação contratual, e 
suporte à responsabilização técnica — o alinhamento da plataforma Buildots com o 
estudo proposto pode ser considerado como “possível”, mas não adequado. Essa li-
mitação torna-se evidente ao se eliminar o fator BIM da análise, uma vez que este 
estudo não tem como foco a modelagem de informações da construção, mas sim a 
responsabilização contratual com base em dados de desempenho objetivo. Quando 
observada apenas sob a ótica da medição física, avaliação de desvios, identificação 
de responsáveis e vinculação com compromissos contratuais, a plataforma Buildots 
demonstra desempenho robusto em aspectos operacionais — como a coleta de dados 
objetivos e identificação de atrasos — mas falha em traduzir esses desvios em ações 
contratuais formais, como aplicação de multas, emissão de notificações ou execução 
de cláusulas previstas. 
A ausência de um mecanismo integrado para correlacionar os desvios detectados com 
instrumentos jurídicos torna a solução insuficiente para suportar uma responsabiliza-
ção contratual plena. Dessa forma, a Buildots deve ser compreendida como uma fer-
ramenta de apoio técnico à gestão de obra, útil na geração de alertas precoces e 
evidências de produção. No entanto, sua maior limitação — a ausência de conexão 
direta com cláusulas contratuais e instrumentos jurídicos — é justamente o principal 
fator que inviabiliza seu uso direto para responsabilização contratual. 
Diante dessa constatação, este trabalho propõe o uso da Inteligência Artificial como 
ferramenta analítica voltada à antecipação técnica de desvios e suas consequências 
jurídicas. Identifica-se uma lacuna metodológica na literatura: a falta de abordagens 
que conectem desvios produtivos a cláusulas contratuais específicas, viabilizando res-
ponsabilização formal e consequências jurídicas mensuráveis. O objetivo é preencher 
essa lacuna transformando dados objetivos — como registros de produção, desem-
penho acumulado e avanço real — em evidências acionáveis para mediação, notifica-
ção, controle contratual e, como objetivo final, denunciar um possível litígio ao final, 
de forma tempestiva e oportuna, ainda no âmbito negocial. Com isso, a revisão 
estabelece a base conceitual para a próxima etapa: a aplicação prática dessas pre-
missas em um estudo de caso. 
 
[1] Buildots – TopMost Ads (2025): https://topmostads.com/buildots-construction-tracking/ 
[2] Doxel – NVIDIA Developer Blog (2022): https://developer.nvidia.com/blog/autonomous-
robot-helps-keep-construction-projects-on-track/ 
[3] ALICE Technologies – Iron Pros (2024): https://www.ironpros.com/work-management-
scheduling-software/article/22908133/understanding-alice-construction-ai-and-simulation-tool-for-scheduling 
[4] V7 Go – V7 Labs (2025): https://www.v7labs.com/blog/v7-go-legal-ai-agent 
[5] Observabilidade Cognitiva / Agentware – arXiv:2411.03455v2 (2025): https://ar-
xiv.org/abs/2411.03455 
[6] XAI em contratos – Google Blog (2025): https://blog.google/technology/ai/gemini-25-
our-most-intelligent-models-are-getting-even-better/ 
[7] Sistemas Multiagentes Cooperativos – Fondion (2025): https://fondion.com/how-ai-is-
revolutionizing-construction-project-management-in-2025 
 
3 Proposta Metodológica ou Análise Crítica 
 
3.1 Introdução 
A literatura técnica e científica ainda carece de soluções metodológicas robustas vol-
tadas à antecipação técnica de desvios em projetos e à responsabilização contratual 
https://topmostads.com/buildots-construction-tracking/
https://developer.nvidia.com/blog/autonomous-robot-helps-keep-construction-projects-on-track/
https://developer.nvidia.com/blog/autonomous-robot-helps-keep-construction-projects-on-track/
https://www.ironpros.com/work-management-scheduling-software/article/22908133/understanding-alice-construction-ai-and-simulation-tool-for-scheduling
https://www.ironpros.com/work-management-scheduling-software/article/22908133/understanding-alice-construction-ai-and-simulation-tool-for-scheduling
https://www.ironpros.com/work-management-scheduling-software/article/22908133/understanding-alice-construction-ai-and-simulation-tool-for-scheduling
https://arxiv.org/abs/2411.03455
https://arxiv.org/abs/2411.03455
estruturada com base em dados de desempenho, especialmente em áreas como 
construção civil, obras públicas e infraestrutura pesada, onde atrasos e custos extras 
são recorrentes e frequentemente mal documentados do ponto de vista jurídico. As 
soluções já publicadas se limitam a métodos baseados em observações por meio de 
tecnologias complexas, como drones com sensores visuais desacompanhados de 
análise contratual automatizada ou plataformas isoladas de BIM sem integração com 
módulos jurídicos, de aplicação difícil, frequentemente questionáveis quanto à eficá-
cia, e muitas vezes dependentes de equipamentos sofisticados ou de baixo desem-
penho prático. 
Este trabalho surge, portanto, como resposta a essa lacuna, propondo o uso da Inte-
ligência Artificial como instrumento analítico e decisório na avaliação de consequên-
cias contratuais. O foco é transformar dados objetivos de produção — como registros 
físicos, indicadores acumulados e avanço comparado ao cronograma — em evidên-
cias acionáveis, úteis no cotidiano da gestão contratual para respaldar ações como 
emissão de notificações formais, revisão de cláusulas, aplicação de penalidades, re-
negociação de prazos e condução de processos de responsabilização e controle con-
tratual. Relatórios técnicos devem acompanhar os desvios numéricos ou a deteriora-
ção de indicadores, analisando suas causas, impactos futuros e responsabilidades 
contratuais, com base na identificação da origem do problema e sua associação direta 
à parte contratual envolvida. 
A proposta fundamenta-se no cruzamento de informações provenientes de relatórios 
técnicos de medição física — como a comparação entre valores previstos e realizados 
— com documentos formais de registro, tais como RDOs e atas de reunião. Esses 
dados, quando devidamente registrados e atualizados, são parte integrante do con-
trato de compromisso entre as partes e de seus anexos, servindo como base para 
alimentar redes neurais otimizadas para o entendimento e cruzamento de informa-
ções. Isso ocorre em perfeita integração com os dados provenientes de sistemas ele-
trônicos de medição. As ferramentas de IA, por sua vez, são capazes de rastrear his-
tóricos e vincular compromissos formais. Ao fazê-lo, busca-se superar a lacuna pre-
sente na literatura, propondo uma abordagem inédita que não apenas detecta desvios 
produtivos, mas os vincula diretamente a cláusulas contratuais específicas — algo 
ainda ausente nas soluções existentes, que geralmente se limitam a registros opera-
cionais ou análises isoladas. Essa conexão estruturada entre desempenho e obriga-
ção formal é condição essencial para a responsabilização jurídica eficaz e a preven-
ção tempestiva de litígios. 
 
3.2 IA – Inteligência Artificial 
Como afirma o neurocientista Miguel Nicolelis, “a inteligência artificial não é nem inte-
ligente nem artificial” [1]. Segundo ele, a IA baseia-se em algoritmos estatísticos ali-
mentados por bancos de dados humanos, sem qualquer sinal de cognição genuína 
ou autonomia decisória. Seu uso intensivo, alerta Nicolelis, pode inclusive reduzir o 
papel do intelecto humano a uma função reflexa, empobrecendo o raciocínio crítico. 
Essa provocação fundamenta a abertura desta sessão: ao revisitar as principais téc-
nicas de IA, este trabalho não pretende apenas apresentá-las como ferramentas pro-
missoras, mas também expor com clareza seus limites. Diante disso, torna-se neces-
sário iniciar com o resgate das origens e da evolução das técnicas de Inteligência 
Artificial — não como novidade, mas como reforço à compreensão do leitor sobre seu 
papel atual em processos técnicos e decisórios. A exposição a seguir buscará, por-
tanto, conciliar o entusiasmo pela inovação com o senso crítico indispensável à apli-
cação responsável da IA em contextos complexos. 
 
3.2.1 História da IA aplicada à Engenharia de Prompt 
A história da Inteligência Artificial remonta aos anos 1950, com as primeiras tentativas 
de simular o raciocínio humano [2]. Com o avanço dos modelos de linguagem, espe-
cialmente os LLMs (Large Language Models), surgiu a engenharia de prompt como 
técnica essencial. Ela evoluiu de comandos simples para estruturas complexas capa-
zes de orientar modelos generativos, como prompts encadeados com lógica condici-
onal, delimitação de persona, contexto de função e até formatos híbridos com múlti-
plas instruções interpretadas em sequência. Nos últimos anos, sua aplicação ganhou 
maturidade, tornando-se uma prática estratégica para extrair respostas precisas, gerar 
conteúdo e tomar decisões automatizadas. Hoje, a engenharia de prompt representa 
a ponte entre o conhecimento humano e o potencial operacional da IA moderna. Essa 
síntese foi construída com base nas reflexões apresentadas no livro Mestria em Pro-
mpt Engineering [3], que aborda especificamente a prática e o refinamento do uso de 
prompts em LLMs, diferentemente do livro Inteligência Artificial – Educação e Assis-
tência Judicial [4], do mesmo autor, que discute o papel institucional e jurídico da IA 
em ambientes educacionais e judiciais, também confirmada por trechos do livro Inte-
ligência Artificial – Educação e Assistência Judicial (Marcus Possi, Editora Ecthos CD, 
Rio de Janeiro, 2025), que reforça a emergência dessa técnica como disciplina apli-
cada e seu papel na transição entre usuários e sistemas generativos (p. 12 e 19). No 
entanto, é apenas a partir de 2022 que essa ferramenta se aproxima verdadeiramente 
do cotidiano das pessoas, marcando um ponto de inflexão em sua adoção em larga 
escala. Como uma verdadeira caixa de Pandora aberta ao mercado, a IA generativa 
passa a ocupar novos espaços e funções, ampliando suas implicações sociais, técni-
cas e contratuais. 
 
3.2.2 Aplicação de IA 
Neste contexto, destacam-se duas ferramentas fundamentais: o algoritmo computaci-
onal e o LLM (Large Language Model). Um algoritmo computacional é uma ferramenta 
que resolve problemas com base em uma sequência finita de instruções lógicas e bem 
definidas [5]. Usado para garantir precisão e previsibilidade, ele é essencial em siste-
mas digitais que exigem resultados consistentes. Na engenharia, esses algoritmos 
processam dados claros e retornam sempre o mesmo resultado quando submetidos 
às mesmas condições. Já um LLM (Large Language Model) é uma ferramenta base-
ada em redes neurais profundas, treinada com grandes volumes de linguagem hu-
mana [6]. Ao contrário dos algoritmos clássicos,os LLMs operam com base em con-
texto e intenção, oferecendo respostas adaptáveis, mas sem garantia de repetição 
exata. 
Ambos são ferramentas computacionais com propósitos distintos e complementares. 
Já há mais de meio século os profissionais da gestão se apoiam nas melhores práticas 
de gestão de projetos [7]. Além disso, gestão de projetos não se resume a planeja-
mento: inclui controle e monitoramento contínuo. Ainda assim, como se congelado na 
origem, o mercado acaba recorrendo a diferentes ferramentas que priorizam o plane-
jamento, deixando em segundo plano a interpretação crítica dos resultados. Essas 
ferramentas promovem medições numéricas do avanço físico, tempo, custos e demais 
variáveis que traduzem, por meio de indicadores matemáticos, a direção da obra ou 
do projeto. Ocorre que, ao final, é necessário justificar desvios, impactos e falhas com 
base nos acordos contratuais. 
Com décadas de evolução, muitas dessas ferramentas — mesmo que ainda imperfei-
tas — já conseguem sustentar os controles matemáticos básicos, por meio de algorit-
mos consolidados e testados. Tais algoritmos sempre convergem para os mesmos 
resultados, independentemente de quantas vezes sejam aplicadas as avaliações. O 
papel da IA, nesse contexto, é atuar não como mais uma ferramenta de cálculo, mas 
como um mediador entre os dados gerados e os compromissos formais assumidos. 
Sua capacidade de ler padrões, correlacionar desvios e contextualizar decisões já 
vem sendo explorada em ambientes experimentais e, em alguns setores, aplicada em 
soluções piloto para suporte à gestão contratual. Essa capacidade pode transformar 
radicalmente a lógica da gestão contratual e da responsabilização técnica. 
A evolução da engenharia de prompt pode ser observada em diferentes frentes, desde 
o uso inicial de prompts simples, como o Zero-Shot e Few-Shot, até estruturas mais 
complexas como prompts de sistema e de usuário. O desenvolvimento avançou com 
técnicas como prompt modular, templates reutilizáveis e prompts voltados para depu-
ração e geração de código. Outros formatos incluem prompts de comparação técnica, 
documentação, checklist e refatoração, além de usos mais visuais, como os prompts 
de diagramas de arquitetura. Recentemente, surgiram integrações com ferramentas 
externas, como Toolformers, RAG e plugins automáticos. Por fim, destaca-se o prompt 
estratégico executivo, voltado à análise e decisão em alto nível institucional. 
 
Esta proposta metodológica tem como base a utilização de Large Language Models 
(LLMs) como recurso coordenativo na análise de dados quantitativos de produção, 
com o objetivo de avaliar os impactos sobre indicadores de desempenho em projetos, 
bem como apurar, com base documental, os responsáveis por eventuais desvios con-
tratuais. A abordagem prevê a construção e aplicação de prompts estruturados con-
forme os princípios da engenharia de prompt, explorando a capacidade dos LLMs de 
contextualizar informações provenientes de relatórios de obra, medições de fatura-
mento, atas de reunião e comunicações formais trocadas entre as partes contratantes. 
A metodologia não visa a criação de agentes autônomos complexos, mas sim a de-
monstração de que, por meio de estratégias de interação textual simplificadas e bem 
formuladas, é possível obter resultados significativos em apoio à responsabilização 
técnica e contratual. O processo será conduzido com base em uma LLM em estágio 
maduro, integrando seu ecossistema de ferramentas quando necessário. Técnicas 
como RAG (Retrieval-Augmented Generation) e Toolformers serão aplicadas como 
suporte à recuperação e correlação de informações técnicas, contratuais e operacio-
nais, viabilizando uma análise mais precisa, rastreável e orientada a evidências. 
 
 
Fontes: 
[1] Nicolelis, M. (2025). “A inteligência artificial não é nem inteligente, nem artificial”. En-
trevista concedida ao UOL Tilt. Disponível em: https://www.uol.com.br/tilt/noticias/reda-
cao/2025/02/01/nem-inteligente-nem-artificial-ia-e-jogada-de-marketing-diz-nicolelis.htm 
[2] Mestria em Prompt Engineering, cap. 1. 
[3] Mestria em Prompt Engineering, Marcus Possi, 2025. 
[4] Inteligência Artificial – Educação e Assistência Judicial, Marcus Possi, Editora Ecthos 
CD, 2025. 
[5] Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4ª ed.). 
Pearson. 
[6] OpenAI Documentation – GPT-4 Technical Report. 
[7] Project Management Institute. (2021). A Guide to the Project Management Body of 
Knowledge (PMBOK® Guide) – 7ª edição. PMI. 
 
 
 
4 Metodologia para Análise de Desvios Contratuais com Suporte de LLMs 
 
A metodologia proposta sistematiza o processo de análise de desvios contratuais com 
apoio de modelos de linguagem em estágio maduro, como os LLMs. Seu princípio 
central é utilizar a IA como mediadora entre os dados de produção e os compromissos 
formais assumidos, estruturando uma abordagem aplicável a diversos contextos téc-
nicos e contratuais. 
A primeira etapa consiste na definição dos parâmetros analíticos a serem extraídos 
ou calculados. Para garantir uma análise técnica e contratual precisa, os seguintes 
elementos devem estar claramente representados: 
(1) "identificação do desvio": descrição objetiva da irregularidade ou alteração detec-
tada; (2) "tipo do desvio": classificação quanto à sua natureza funcional (ex.: contra-
tual, técnico, administrativo ou logístico); (3) "parte envolvida": setor, empresa ou pro-
fissional associado diretamente ao desvio; (4) "responsável técnico registrado": nome 
e vínculo do agente responsável formalmente pela atividade afetada; (5) "grau de con-
tribuição": percentual estimado de responsabilidade de cada parte envolvida; (6) "na-
tureza da causa": categorização da origem do desvio (como "caso fortuito", "decisão 
gerencial" ou "falha técnica"); (7) "marco contratual de referência": cláusula, item ou 
seção do contrato que define a obrigação afetada; (8) "consequências imediatas": im-
pactos observados no curto prazo (como atrasos ou retrabalho); (9) "consequências 
potenciais": projeções de risco caso o desvio não seja mitigado; (10) "documentação 
formal do evento": registros comprobatórios produzidos, como relatórios, notificações 
ou atas; (11) "impacto cronológico": extensão do efeito em dias ou horas sobre o cro-
nograma do projeto; (12) "consumo adicional de recursos": insumos ou materiais ex-
cedentes utilizados em função do desvio; (13) "custos excedentes": valores financei-
ros implicados pelo desvio; (14) "penalidades potenciais": multas ou sanções previstas 
em contrato em razão da falha identificada. 
Esses parâmetros devem ser organizados de forma estruturada, com atenção à ras-
treabilidade e à consistência com os marcos contratuais estabelecidos. A qualidade 
desses dados é fundamental para garantir diagnósticos bem embasados e decisões 
responsáveis. 
A segunda etapa envolve a extração e padronização das grandezas operacionais a 
partir dos sistemas de gestão. O formato preferencial é planilha eletrônica (.xlsx ou 
.csv), com colunas bem nomeadas e dados atualizados. Nessa etapa, são utilizados 
dois arquivos complementares que contêm os seguintes conjuntos de informações: 
(1) "arquivo operacional": representa o estado atual do projeto, consolidando os dados 
acumulados até o momento e refletindo a projeção futura com base na produção rea-
lizada, desempenho efetivo e medidas corretivas ou preventivas aplicadas. Os princi-
pais parâmetros incluídos são: (1) "atividades planejadas", (2) "atividades executa-
das", (3) "percentual de avanço físico", (4) "produtividade observada", (5) "reprogra-
mações registradas" e (6) "ajustes de planejamento" anotados diretamente na plani-
lha. 
(2) "arquivo de histórico de desempenho": consolida o registro detalhado de todas as 
medições até a data de status considerada. Para cada atividade, apresenta: (1) "data 
de início e fim real", (2) "tempo decorrido",(3) "custo realizado por item de serviço", 
(4) "materiais consumidos", (5) "variações de cronograma", (6) "ocorrências associa-
das a desvios" e (7) "registro de causas, consequências e responsáveis técnicos". É 
recomendável que esse arquivo contenha também campos específicos para "justifica-
tivas operacionais" e "evidências documentadas". 
Juntos, esses arquivos oferecem uma visão abrangente da situação atual do projeto 
e de sua evolução histórica, servindo como base confiável para as análises conduzi-
das pelo LLM. 
Além dos parâmetros já descritos, é recomendável que os arquivos incluam também: 
(8) "classificação da atividade" (ex.: crítica, secundária ou suporte), (9) "identificação 
do responsável pela medição" (nome e função de quem registrou ou validou os dados) 
e (10) "referência cruzada ao item contratual medido" (vinculando a medição direta-
mente ao escopo contratual correspondente). Esses elementos adicionais ampliam a 
precisão da análise, fortalecem a rastreabilidade e favorecem a responsabilização téc-
nica com base em evidências verificáveis. A ambos se associa um dicionário técnico-
descritivo que descreve a função de cada campo, unidade de medida e origem das 
informações, assegurando que o LLM compreenda o conteúdo sem ambiguidades e 
possa interpretar corretamente os dados históricos e projetados. 
Na terceira etapa, realiza-se uma verificação da suficiência dos dados disponíveis. 
Antes de aplicar os prompts, é necessário avaliar se os campos fornecidos pelos ar-
quivos exportados — "arquivo operacional" e "arquivo de histórico de desempenho" 
— são adequados para responder às exigências da análise de desvios contratuais. 
Para isso, podem ser utilizadas técnicas específicas de engenharia de prompt, como 
prompts de diagnóstico de estrutura, checklists automatizados, validação cruzada 
(few-shot), prompts modulares e explicações iterativas, permitindo identificar lacunas, 
inconsistências ou ausência de campos críticos. Essa etapa possibilita revisar os ar-
quivos de origem, complementar informações e ajustar a estrutura dos dados. A vali-
dação prévia assegura que os prompts sejam aplicados sobre uma base informacional 
sólida e coerente com os objetivos da investigação técnica. 
Na quarta etapa, aplicam-se os prompts, elaborados segundo os princípios da enge-
nharia de prompt, utilizando formatos como análise comparativa, checklist de integri-
dade, geração de parecer técnico e refatoração narrativa. O LLM, além das planilhas 
estruturadas, será conectado a um diretório específico — local ou em nuvem — con-
tendo documentos complementares essenciais, como atas de reunião, relatórios, con-
tratos e e-mails formais. Essa integração, viabilizada por ferramentas compatíveis com 
ambientes como Dropbox, Google Drive ou servidores internos, permite ao modelo 
acessar diretamente os arquivos, interpretar seus conteúdos, extrair inferências técni-
cas e contratuais, e correlacioná-los aos dados numéricos. Assim, a IA atua sobre um 
conjunto completo de evidências, unindo linguagem formal e dados operacionais em 
uma lógica analítica rastreável, responsiva e tecnicamente fundamentada. 
Na etapa final, técnicas como RAG (para recuperação contextual de documentos) e 
Toolformers (para segmentação de tarefas) podem ser incorporadas, ampliando a pre-
cisão e profundidade da análise. O objetivo não é automatizar decisões, mas fornecer 
suporte técnico robusto, documentado e rastreável, capaz de subsidiar a responsabi-
lização e a tomada de decisões qualificadas por gestores ou peritos. 
Essa metodologia, em sua concepção, concentra o maior esforço na elaboração e 
refinamento do que chamamos de "prompt do sistema" — o conjunto estruturado de 
instruções que orienta o modelo de IA na análise dos dados, na leitura dos documen-
tos e na geração de diagnósticos. Esse prompt é fixo, reutilizável e contém toda a 
lógica técnica e contratual necessária à avaliação. Ao usuário final cabe apenas o 
envio dos dois arquivos principais — "arquivo operacional" e "arquivo de histórico de 
desempenho" — e a formulação de um pedido simples, como "Gerar relatório técnico 
de desvio para o mês de julho". Esse pedido pontual é o chamado "prompt do usu-
ário", que aciona o sistema sem exigir alterações na estrutura de análise já definida 
no "prompt do sistema". 
O agente LLM será programado para apresentar, de forma padrão, três modelos de 
relatório ou resultado, previamente definidos por sua eficácia no diagnóstico de res-
ponsabilidade técnica e contratual — como relatórios por período, por responsável 
técnico ou por natureza do desvio. Esses modelos servirão como referência inicial 
para a maior parte das solicitações. No entanto, a metodologia deixa aberta a possi-
bilidade de o usuário solicitar outros tipos de análise. Nesses casos, o sistema aplicará 
estratégias de ReAct, permitindo que a IA formule perguntas de esclarecimento para 
compreender com maior precisão a intenção do usuário e, assim, gerar relatórios ou 
resultados adicionais de forma adaptada e responsiva, sem comprometer a estrutura 
lógica definida no prompt do sistema. 
 
5 Resultados: 
 
5.1 Estrutura Geral do Caso 
O estudo do primeiro caso — o projeto fictício EXPO-BRAZIL – 2025 — abrange as 
fases de mobilização, execução e encerramento de um empreendimento industrial, 
integrando atividades civis, elétricas e mecânicas. O ciclo se inicia com o planeja-
mento detalhado, montagem do canteiro e definição de procedimentos técnicos. Em 
seguida, a fase executiva contempla instalações, obras estruturais, testes e controle 
de qualidade. O encerramento inclui inspeções finais, comissionamento, 
documentação técnica e desmobilização. O projeto adota práticas de supervisão, se-
gurança e avaliação de desempenho, fundamentadas em um cronograma estruturado 
e indicadores operacionais. 
 
5.2 Abordagem Metodológica 
Todo o processo é documentado, rastreável e orientado a resultados, em conformi-
dade com padrões contratuais e diretrizes de compliance. Esse conjunto está inserido 
na proposta metodológica de análise de desvios em relação às metas e expectativas 
de planejamento e contrato. Nesse contexto, utilizou-se como referência inicial o plano 
de um projeto real, complementado por seu contrato, anexos, aditivos e pelo procedi-
mento formal de monitoramento de desempenho, que inclui indicadores de referência 
e limites de tolerância para desvios. 
 
5.3 Base Documental Complementar 
O sistema de apoio por IA foi também alimentado com documentos operacionais rele-
vantes, como diários de obra, atas de reunião, correspondências formais, cartas e 
registros de replanejamento. Esses elementos forneceram um contexto rico e essen-
cial para a avaliação da situação. 
A utilização integrada desses documentos — técnicos, administrativos e contratuais 
— é fundamental para que a análise orientada por IA possa cumprir seu papel con-
forme proposto nos capítulos iniciais deste estudo. Eles estabelecem a ligação entre 
os dados de produção e os compromissos firmados, transformando desvios quantita-
tivos em evidências acionáveis. Também oferecem base jurídica para responsabiliza-
ção, ao identificar partes envolvidas, cláusulas afetadas e decisões registradas. Além 
disso, fornecem o contexto necessário para que a IA interprete padrões, identifique 
causas e projete consequências. Por fim, viabilizam a antecipação de conflitos e for-
talecem o processo de mediação pré-negocial, elemento central da abordagem pro-
posta. 
 
5.4 Documentos Ordinários e Rastreabilidade 
Entre os documentos ordinários e de praxe em obras e contratos, encontram-se o 
contrato principal do projeto, seus anexos e aditivos formais, diários de obra, atas de 
reunião, correspondências formais (como cartas e notificações), registros de replane-
jamento, relatórios técnicos de medição, planilhas de controle físico-financeiro, justifi-
cativas operacionaisdocumentadas, termos de recebimento de serviço, registros fo-
tográficos ou de vídeo, cronogramas atualizados, registro de ocorrências, histórico de 
produtividade e desempenho, notas fiscais vinculadas à medição e protocolos de en-
trega e aceite de etapas. Esses documentos formam a base para a rastreabilidade 
dos dados e sua correlação com os compromissos contratuais. 
 
5.5 Ferramentas, Integração e Estrutura de Dados 
Dando continuidade à integração documental previamente abordada, presume-se que 
esses registros já estejam previstos e em uso, o que facilita sua disponibilização ao 
agente de IA encarregado da avaliação automatizada de desvios e responsabilidades. 
No entanto, persiste a necessidade de traduzir os dados existentes nos aplicativos de 
apoio e nas estruturas de armazenamento — tanto em termos de formato quanto de 
organização — para que possam ser compreendidos e processados corretamente 
pela IA. Neste caso, as ferramentas utilizadas para a medição de progresso foram o 
software Spider Project, responsável pelo controle físico e cronológico das atividades, 
e a plataforma Dropbox, utilizada para armazenar e compartilhar os documentos as-
sociados. 
A partir dessas ferramentas, foram extraídos dois arquivos principais, selecionados 
por representarem os dados essenciais à análise automatizada: o primeiro descreve 
a execução frente ao planejamento (linha de base), enquanto o segundo consolida o 
histórico de medições com foco nos desvios e nas respectivas responsabilidades. 
O primeiro arquivo inclui campos como VolPlan (volume restante planejado), VolFact 
(volume realizado), VolFact_DIFF (diferença em relação ao baseline), DurPlan (dura-
ção restante), Start e Fin (datas reais), CPI e SPI (indicadores de desempenho), bem 
como Start_DIFF, Fin_DIFF, DurPlan_DIFF, c_pln_Cost_DIFF e demais campos 
administrativos e comparativos (Name, Type, Person, Notes e suas versões _COMP 
e _DIFF). 
Nota: Assim como no primeiro arquivo, os campos definidos fornecem uma base ro-
busta para a análise inicial dos desvios e sua caracterização. No entanto, a lista atual 
não contempla todos os campos disponíveis no sistema original, como A (área do es-
paço), Split (atividade interrompível), Calen, Calen_COMP e Calen_DIFF (informa-
ções de calendário), DurPlanD, DurPlanD_COMP e DurPlanD_DIFF (duração em 
dias), Unit, Unit_COMP e Unit_DIFF (unidade de medida), VolFact_COMP, Vol-
Plan_COMP e VolPlan_DIFF (volumes planejados e variações), entre outros. A inclu-
são desses campos pode agregar valor à análise ao permitir avaliações complemen-
tares sobre interrupções, variações de calendário, métricas em diferentes unidades e 
produtividade acumulada. Embora não sejam essenciais para esta etapa específica 
de comparação entre realizado e planejado, eles são recomendados para análises 
futuras mais completas e fundamentadas. 
O segundo arquivo reúne o histórico completo das medições, com dados numéricos e 
registros formais de controle organizados de forma detalhada, incluindo campos adi-
cionais específicos para este estudo. Esses campos foram definidos como "campos 
livres" ou "campos do usuário", nos quais os profissionais responsáveis pelo monito-
ramento e medição puderam incluir informações complementares relevantes para a 
análise automatizada por IA. 
Nota: Para a análise inicial dos desvios e sua caracterização, a inclusão de campos 
complementares como Impacto_Cronológico, Custo_Adicional, Cláusula_Contra-
tual_Vinculada, Penalidade_Prevista, Risco_Potencial e Consequência_Projetada au-
mentaria significativamente a capacidade do sistema em gerar relatórios completos 
de responsabilização técnica e contratual, conforme proposto na metodologia do es-
tudo. 
Esse material adicional será utilizado como fonte em um sistema RAG (Retrieval-Aug-
mented Generation), técnica que combina busca em base documental com geração 
de respostas por IA, enriquecendo a análise automatizada com contextualização di-
nâmica e rastreabilidade documental. 
 
 
Tabela 1 – Campos do Primeiro Arquivo 
 
Significado Campo 
Volume restante planejado VolPlan 
Volume realizado VolFact 
Diferença do volume em relação ao baseline VolFact_DIFF 
Duração restante DurPlan 
Início e fim reais da atividade Start / Fin 
Índices de desempenho (custo e cronograma) CPI / SPI 
Diferença nas datas reais vs. planejadas Start_DIFF / Fin_DIFF 
Diferença da duração em relação ao baseline DurPlan_DIFF 
Diferença de custo restante c_pln_Cost_DIFF 
Nome, tipo e responsável da atividade Name, Type, Person 
Observações Notes 
Versões de baseline e diferenças de todos os campos acima *_COMP / *_DIFF 
Nome da atividade (detalhado) OperName 
Código da atividade OperCode 
Quantidade executada (real) Number 
Volume executado (real) Vol 
Duração em horas (real) Dur 
 
 
Tabela 2 – Campos do Segundo Arquivo 
 
Significado Campo 
Nome da atividade OperName 
Início e término da atividade Start / Fin 
Causa do desvio ocorrido Desvio_Causa 
Documentos de referência relacionados ao desvio Desvio_Doc 
Empresa ou elemento responsável pelo desvio Desvio_Causador 
Medidas corretivas propostas Desvio_Corretiva 
Responsável direto pelo desvio Desvio_Resp 
Código da atividade OperCode 
Quantidade executada (real) Number 
Volume executado (real) Vol 
Duração da atividade em horas (real) Dur 
 
Tabela 3 – Campos dos Documentos Ordinários (Atas, Relatórios, RDOs e outros 
documentos formais) 
 
Significado 
Nome do documento 
Tipo de documento (ata, RDO, relatório, etc.) 
Data de emissão 
Número do documento ou protocolo 
Parte responsável pela emissão 
Parte destinatária do documento 
Objeto do documento 
Referência contratual vinculada 
Dados associados ao desvio identificado 
Medidas corretivas mencionadas 
Assinaturas ou responsáveis formais 
Observações adicionais relevantes 
Local do evento ou fato registrado 
Registro fotográfico, anexo ou complementar (link) 
Indicação de concordância ou discordância da parte 
 
 
 
 
5.6 Medições, Arquivos e Organização no Sistema 
O projeto segue em andamento desde fevereiro de 2025 e, ao atingir sua 12ª medição 
semanal de desempenho, teve sua produção e desvios congelados para análise de-
talhada. Relatórios são emitidos regularmente pela equipe de supervisão e utilizados 
como base para o faturamento mensal. 
Nesse contexto, a equipe realiza a extração e conversão dos dados dos dois arquivos 
previamente apresentados para o formato Excel. Essa etapa é fundamental para que 
o sistema de Inteligência Artificial — que opera com análise tabular estruturada — 
interprete adequadamente os campos organizados, facilitando sua leitura e indexa-
ção, o que viabiliza a análise automatizada. 
Os arquivos são então alocados na pasta do projeto no Dropbox com os seguintes 
nomes: Planejamento e baseline (>.gantoper.xls) e Execução e desvios 
(>.fact.xls). Após isso, a equipe verifica a existência dos documentos ordiná-
rios citados, assegurando que todos os elementos de apoio à análise estejam atuali-
zados e devidamente disponíveis no diretório indicado. 
Espera-se encontrar nesta pasta os seguintes documentos: o planejamento e baseline 
(>.gantoper.xls), a execução e desvios (>.fact.xls) e os documen-
tos ordinários complementares utilizados para rastreamento de campo e justificativas 
de desvios. 
Esse material adicional será utilizado como fonte em um sistema RAG (Retrieval-Aug-
mented Generation), técnica que combina busca em base documental com geração 
de respostas por IA, enriquecendo a análise automatizada com contextualização di-
nâmica e rastreabilidade documental. 
 
5.7 Procedimento de Montagem dos Prompts 
 
Para viabilizar a análise automatizada de desvios, a equipe técnica elabora dois tipos 
de prompts: um prompt de sistema e um prompt de usuário. 
O prompt de sistema é responsável por estabelecer as instruções gerais para a IA, 
definindo parâmetroscomo estrutura de análise, ênfases interpretativas, foco na 
identificação fundamentada de responsabilidades e critérios técnicos que assegurem 
a comparação ética, transparente e sensível entre o planejado e o realizado, respei-
tando os limites de exposição de informações sigilosas ou sensíveis. Sua tarefa é 
também apoiar o usuário, sugerindo alternativas possíveis a partir dos dados disponí-
veis e indicando, de forma proativa, quais tipos de análises podem ser realizadas com 
base na completude dos arquivos estruturados e da documentação associada. 
Já o prompt de usuário concentra-se na questão específica a ser investigada, podendo 
envolver a verificação de causas, responsabilização, impacto cronológico ou jurídico 
e projeções de consequências. Quando necessário, esse prompt pode ativar uma es-
trutura de raciocínio em cadeia (ReAct), permitindo ao modelo explorar múltiplas op-
ções de saída — como sugerir causas distintas para um mesmo desvio, estimar im-
pactos alternativos ou propor diferentes medidas corretivas. O modelo avalia cada 
cenário e justifica os caminhos lógicos adotados com base nos dados estruturados 
dos arquivos e nas evidências presentes nos documentos ordinários, sempre respei-
tando critérios éticos, normas contratuais e os limites de exposição de informações 
sensíveis [8][9][10]. 
 
Nota: 
Prompt de Sistema: "Você é um sistema de análise técnica especializado em contra-
tos de engenharia e planejamento, operando sob diretrizes éticas e com atenção à 
sensibilidade e sigilo dos dados processados. Sua tarefa é orientar o usuário quanto 
às possibilidades e limitações dos dados disponíveis, assegurando que os relatórios 
gerados reflitam fielmente o conteúdo analisado. Proponha saídas conforme o grau 
de completude da informação e indique, quando necessário, quais documentos adici-
onais seriam úteis para aprofundar a análise. Sua saída deve ser estruturada, técnica, 
rastreável, com linguagem objetiva e possibilidade de apresentar múltiplas hipóteses, 
quando ativada a função de raciocínio em cadeia (ReAct)." 
 
Prompt de Usuário: "Explique o desvio detectado na atividade 'Instalação de disjun-
tores', que apresenta atraso de 14 dias (Start_DIFF e Fin_DIFF) e SPIseria capaz de mapear 
causas com precisão técnica, reforçar a rastreabilidade probatória e justificar com 
base objetiva medidas como multas contratuais, retenções financeiras, exclusão de 
equipes ou renegociação formal de cláusulas. 
 
A integração futura dessas colunas ampliaria o valor estratégico dos relatórios gerados 
pela IA, tornando-os aptos não apenas para relatar o ocorrido, mas para sustentar 
tecnicamente a responsabilização de partes, com fundamentação objetiva, histórica e 
contextual, dentro de critérios de compliance e governança contratual. 
 
 
7. Limitações do Estudo 
Embora a metodologia proposta apresente robustez técnica, algumas limitações de-
vem ser consideradas. A análise automatizada depende diretamente da adesão aos 
procedimentos de trabalho da organização, especialmente do preenchimento com-
pleto e padronizado de documentos como relatórios diários de obra, registros de mu-
danças, aditivos contratuais e dados sobre as grandezas executadas, bem como das 
causas dos desvios em relação ao planejamento original. Além disso, nem todos os 
documentos formais apresentam linguagem clara ou estruturada, carecendo de um 
pré treino dos operadores e usuários, o que dificulta a extração automatizada de cau-
sas e consequências. 
A construção do agente, independentemente da plataforma utilizada, exige uma inter-
face extremamente simples. Essa interface deve viabilizar o uso direto a partir do de-
pósito das informações essenciais — arquivos de medição de produtividade, planos 
originais de execução e documentos pertinentes ao período analisado e ao seu histó-
rico —, ainda não plenamente facilitado até 2025. 
Apesar de ter sido aplicado a um caso piloto simulado, com representação fidedigna 
de produção e fornecimento documental, o método carece de validação em contratos 
reais de grande porte. Tal validação é essencial para avaliar sua utilidade efetiva e o 
potencial de eliminação de etapas intermediárias por meio de técnicas automatizadas 
e acesso direto à documentação necessária. 
Já existem estudos que demonstram a eficácia de abordagens semelhantes à pro-
posta apresentada. Jafari et al. (2021) aplicaram técnicas de processamento de lin-
guagem natural para extrair exigências contratuais com mais de 95% de acurácia (1). 
Em outro caso, pesquisadores suíços usaram drones e visão computacional para mo-
nitoramento de obras, obtendo ganhos objetivos de tempo e controle de qualidade (2). 
Além disso, aplicações práticas de automação em relatórios diários mostraram redu-
ção no tempo de preenchimento e aumento na precisão dos dados (3). Esses exem-
plos evidenciam que, embora a proposta ainda exija validação em contratos de maior 
porte, existem iniciativas bem-sucedidas que reforçam sua viabilidade técnica e ope-
racional. 
Fontes: 
(1) https://www.mdpi.com/2076-3417/11/13/6188 
(2) https://www.mdpi.com/2412-3811/5/11/98 
(3) https://www.mdpi.com/2624-6511/3/1/8 
 
 
8. Conclusão 
A conclusão do artigo confirma que o uso de Inteligência Artificial, especialmente por 
meio de LLMs, já permite a geração imediata de relatórios técnicos com foco em des-
vios contratuais, conforme proposto na seção 4. Ao considerar as diretrizes práticas 
que devem nortear sua aplicação, torna-se evidente que os problemas devem ser re-
solvidos de forma imediata, por meio de ações corretivas embasadas tecnicamente e 
documentadas no momento de sua ocorrência. Isso está em consonância com a pro-
posta metodológica de transformar dados operacionais — como medições de desem-
penho e registros de campo — em evidências acionáveis. 
A estrutura apresentada também evidencia que a identificação de responsáveis deve 
ocorrer diretamente por meio da integração de dados documentais (como RDOs e 
atas) com os desvios detectados, eliminando a necessidade de intermediários exter-
nos. O sistema utiliza prompts estruturados que associam causas, consequências e 
responsáveis com base nos próprios documentos do projeto, tornando desnecessária 
a intervenção de agentes descolados da realidade da obra. 
O artigo reforça que a eficácia da Inteligência Artificial depende diretamente da quali-
dade, completude e tempestividade dos registros produzidos ao longo do projeto. Do-
cumentos como relatórios diários de obra (RDOs), atas e notificações devem ser pre-
enchidos com rigor técnico, pois são a base que alimenta a análise automatizada e 
viabiliza a rastreabilidade contratual. Mais do que interpretar dados isolados, a IA atua 
no garimpo, leitura cruzada, validação e contraste entre múltiplos documentos e ane-
xos, organizando o conteúdo disperso que circula entre as partes. Esse apoio é es-
sencial para evitar a chamada “síndrome do excesso de provas”, quando há volume 
elevado de informações, mas sem organização técnica que permita responsabiliza-
ções claras. Ao negligenciar a documentação ou postergar sua análise, corre-se o 
risco de transferir decisões a terceiros descolados do contexto, que podem adotar 
práticas genéricas, como a controversa RP 29R-03 da AACE. 
Por isso, a metodologia proposta neste artigo vai além da inovação: ela estabelece 
um novo padrão de atuação preventiva, com apoio da IA para garantir a responsabili-
zação técnica tempestiva, reduzir litígios e promover decisões assertivas ainda na 
fase pré-negocial. Além disso, fornece elementos sólidos para sustentar a entrada 
contratual de câmaras arbitrais, ampliando a segurança jurídica e a capacidade de 
antecipação estratégica dos conflitos.