Bruna Rachwal; Daniel Augusto De Moura Pereira

DOI: 10.22167/2675-6528-202600612

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Com o advento das tecnologias da Indústria 4.0, as ferramentas tradicionais de gestão da qualidade mostraram sinais de obsolescência, exigindo modelos que traduzam processos operacionais em valor estratégico real. O presente estudo teve como objetivo desenvolver e aplicar um modelo de maturidade para a Qualidade 4.0, estruturado como um scorecard, visando converter critérios qualitativos de uma área de auditoria em indicadores objetivos de geração de valor. A metodologia empregada consistiu em cinco fases: revisão bibliográfica para definição de dimensões críticas, estruturação de critérios e escalas, atribuição de pesos estratégicos, validação qualitativa junto a um comitê de lideranças e aplicação prática em um cenário real. A etapa de validação resultou no refino do framework para 15 critérios focados em eficiência e aprendizado, incluindo métricas como o ROI Produtivo e a Acurácia da Inteligência Artificial (IA). A aplicação prática gerou um Índice de Maturidade em Qualidade (IMQ) de 3,08, posicionando a área no nível “Integrado”. Os resultados demonstraram excelência na infraestrutura de processos digitais, mas identificaram lacunas críticas na quantificação financeira do retorno e no uso de análises preditivas de massa. Concluiu-se que o framework atuou como uma ponte estratégica eficaz, transformando a área de auditoria em um parceiro de negócio focado na proteção de receita e ganho de capacidade produtiva através da digitalização.

Palavras-chave: Auditoria; Eficiência Operacional; Gestão da Qualidade; Maturidade Digital.

1. Introdução

Com o avanço das tecnologias da Indústria 4.0, as abordagens tradicionais de gestão da qualidade têm demonstrado sinais de obsolescência. Este cenário exige o desenvolvimento de modelos capazes de traduzir processos operacionais em valor estratégico tangível para as organizações. A Indústria 4.0, caracterizada pela integração de sistemas ciberfísicos, internet das coisas e inteligência artificial, impulsiona uma transformação profunda nos métodos de controle e avaliação, estendendo-se por toda a cadeia de valor (Liu et al., 2023).

A evolução da gestão da qualidade pode ser compreendida em fases distintas. A Qualidade 1.0 focava na inspeção e controle para garantir que os produtos atendessem às especificações, eliminando defeitos. Posteriormente, a Qualidade 2.0 orientou-se para o alinhamento de processos, visando manter o nível de qualidade durante a produção e operação, prevenindo falhas. A terceira fase, conhecida como Qualidade 3.0 ou Total Quality Management (TQM), expandiu o foco para a organização como um todo, assegurando que todas as atividades satisfizessem as expectativas dos clientes, incluindo fornecedores, processos e a própria empresa (Liu et al., 2023).

Nesse contexto, emerge a Qualidade 4.0, que transcende as fases anteriores ao incorporar monitoramento preditivo, automação e análises de dados avançadas e integradas (Liu et al., 2023). A implementação da Qualidade 4.0 oferece benefícios significativos, como a redução de custos por meio da melhoria da eficiência operacional, diminuição de não-conformidades, entregas pontuais, aumento da receita e lançamentos de produtos mais assertivos (Antony et al., 2021). Para que essa transição seja bem-sucedida, aspectos qualitativos como a cultura organizacional e o comprometimento da liderança são fundamentais (Ali et al., 2022; Antony et al., 2014). Sony et al. (2020) identificaram oito Fatores Críticos de Sucesso (CSFs) para a adoção da Qualidade 4.0, incluindo suporte da liderança, visão estratégica e treinamento, que são cruciais para direcionar e alocar recursos adequadamente.

A fim de operacionalizar essa transformação e mensurar seu impacto, diversos autores têm proposto modelos de maturidade, frameworks de qualidade e scorecards. Nenadál et al. (2022), por exemplo, desenvolveram um modelo conceitual com 22 itens avaliados e sete níveis de maturidade. Chiarini e Kumar (2022) propuseram um modelo que integra Indústria 4.0 e Qualidade 4.0 baseado em elementos de Pessoas, Processos e Tecnologia. Sureshchandar (2022) identificou doze eixos prioritários, e Ranjith Kumar et al. (2022) elaboraram uma revisão consolidada e um framework holístico. Bui et al. (2022) desenvolveram um modelo aplicado à gestão da qualidade da cadeia de suprimentos, com quatro níveis de maturidade.

Apesar da diversidade de modelos na literatura sobre Qualidade 4.0, muitos deles permanecem predominantemente teóricos e taxonômicos. Observa-se uma lacuna na capacidade dessas propostas de converter o progresso técnico em métricas de valor estratégico mensurável, como o retorno financeiro sobre erros evitados ou o ganho de eficiência produtiva. Essa desconexão é particularmente crítica em empresas de tecnologia, onde a inovação acelerada exige que o monitoramento atue como um mecanismo de proteção e geração de valor, e não apenas como uma função de conferência (Liu et al., 2023; Antony et al., 2021).

Identifica-se, portanto, a ausência de um framework robusto, com fundamentação científica e adaptação pragmática à realidade operacional, capaz de traduzir processos qualitativos em dados de performance objetivos e alinhados à estratégia corporativa. O problema central desta pesquisa reside em como operacionalizar um sistema de indicadores fundamentado na Qualidade 4.0 que consiga mensurar o desempenho de áreas de auditoria e sua eficácia na geração de valor.

Este estudo justifica-se pela necessidade de preencher essa lacuna, oferecendo uma ferramenta prática para empresas que buscam otimizar suas operações de auditoria na era digital. O trabalho propõe o desenvolvimento e a aplicação de um modelo de maturidade para a Qualidade 4.0, formatado como um scorecard, visando converter critérios qualitativos de uma área de auditoria em indicadores objetivos de geração de valor, em uma empresa de tecnologia do estado de São Paulo.

2. Material e Métodos

A presente pesquisa caracterizou-se, quanto à sua natureza, como um estudo de caráter aplicado, buscando gerar conhecimentos para aplicação prática e solução de problemas específicos no cotidiano de uma área de auditoria. A abordagem do problema assumiu uma perspectiva mista, combinando elementos qualitativos e quantitativos. O viés qualitativo manifestou-se na revisão bibliográfica e na validação dos critérios junto a um comitê de alta gestão, enquanto o quantitativo traduziu-se na estruturação das escalas, atribuição de pesos e no cálculo matemático do Índice de Maturidade em Qualidade (IMQ).

Em relação aos objetivos, o trabalho classificou-se como exploratório e descritivo, visando aprofundar o entendimento sobre a transição para a Qualidade 4.0 em áreas de auditoria, detalhando as dimensões, critérios e evidências que compõem o modelo proposto. Como procedimento técnico principal, adotou-se o estudo de caso, aplicado em uma empresa de tecnologia situada no estado de São Paulo.

Para o desenvolvimento do framework de maturidade, o estudo foi estruturado em cinco fases principais, conectando a base teórica da Qualidade 4.0 à realidade operacional de uma área de auditoria. O processo compreendeu desde a identificação de dimensões críticas na literatura até a validação e aplicação do modelo final para o diagnóstico e geração de planos de ação.

A primeira fase consistiu na revisão da literatura e na definição das dimensões. Realizou-se uma pesquisa aprofundada sobre a Qualidade 4.0 e os modelos de maturidade existentes, com o objetivo de identificar as dimensões críticas para o framework. Inicialmente, foram definidas cinco dimensões que abrangiam desde a agilidade de resposta até a percepção de valor pela alta gestão.

Na segunda fase, procedeu-se à estruturação dos critérios e escalas de medição. Os conceitos teóricos foram convertidos em indicadores mensuráveis, resultando na definição de quinze critérios. Adotou-se uma escala de maturidade de 1 a 4, inspirada em modelos de infraestrutura e segurança da informação, onde 1 representava caráter incidental e 4, caráter otimizado, com excelência preditiva e automações.

A terceira fase envolveu a definição de pesos e o cálculo do Índice de Maturidade em Qualidade (IMQ). A atribuição de pesos para cada dimensão do framework resultou de um processo de triangulação entre o embasamento teórico e a deliberação estratégica de um comitê consultivo. A lógica de distribuição foi fundamentada na premissa de que a maturidade em Qualidade 4.0 deve ser tracionada pela entrega de resultados tangíveis ao negócio.

A hierarquização dos pesos seguiu uma lógica matemática adaptada de Nenadál et al. (2022), garantindo que o IMQ refletisse as prioridades estratégicas da empresa. O processo de quantificação seguiu um modelo matemático de dois estágios: primeiro, calculou-se a média aritmética simples das notas dos critérios de cada dimensão; em seguida, a nota de cada dimensão foi multiplicada pelo seu peso relativo, somando-se os produtos para obter o IMQ consolidado.

A quarta etapa da pesquisa consistiu na validação técnica do framework proposto. Utilizou-se a técnica de Comitê Consultivo, estruturado sob a forma de grupo focal, composto por seis participantes. Os membros foram selecionados por amostragem intencional e não probabilística, baseada na acessibilidade e competência técnica na área de Operações da empresa foco, incluindo a Diretora de Operações, a Head de Controles Internos, a Gerência de Processos e Melhoria Contínua, e três Líderes Operativos.

A validação ocorreu em uma sessão única de discussão mediada, na qual o protótipo do scorecard foi apresentado individualmente para cada critério. Para garantir a objetividade e o rigor acadêmico, a dinâmica foi conduzida por meio de um roteiro de entrevista estruturado, composto por cinco eixos de avaliação: abrangência, diferenciação, relevância, isenção e pragmatismo.

Os dados e percepções coletados foram tratados por meio de análise qualitativa de conteúdo. As sugestões do comitê foram categorizadas e convertidas em ajustes técnicos no modelo, buscando o consenso absoluto do grupo para cada modificação realizada. Esse refinamento iterativo permitiu separar métricas burocráticas de indicadores de resultado financeiro, alinhando o IMQ às expectativas da organização.

A etapa final da pesquisa consistiu na aplicação prática do framework consolidado em um cenário real. A aplicação ocorreu na célula de auditoria da empresa de tecnologia objeto de estudo, especificamente na unidade responsável pelo monitoramento de conformidade e risco em fluxos operacionais. Coletaram-se dados operacionais, técnicos e financeiros referentes ao último trimestre de 2025 para alimentar os quinze critérios que compõem o Índice de Maturidade em Qualidade (IMQ).

A equipe de auditoria, composta por três analistas, processou uma volumetria média de 2600 análises mensais no período. Para mitigar subjetividades, a atribuição das notas foi realizada pela autora mediante o exame das evidências documentais descritas no Apêndice. Posteriormente, realizou-se um processo de triangulação e validação de dados junto à Gerência de Processos, assegurando que cada pontuação refletisse a realidade operacional.

O processamento das notas resultou no cálculo do Índice de Maturidade em Qualidade (IMQ). Por fim, realizou-se uma análise de gaps para a proposição de um plano de ação focado na transição para a Qualidade 4.0, visando o nível de maturidade e metas de melhoria.

3. Resultados e Discussão

O presente estudo buscou desenvolver e aplicar um modelo de maturidade para a Qualidade 4.0, estruturado como um scorecard, com o objetivo de converter critérios qualitativos de uma área de auditoria em indicadores objetivos de geração de valor. Os achados iniciais da pesquisa revelaram que o framework proposto, após um processo de validação e refinamento, demonstrou capacidade de fornecer um diagnóstico robusto da maturidade digital. A aplicação prática em uma empresa de tecnologia resultou em um Índice de Maturidade em Qualidade (IMQ) de 3,08, posicionando a área no nível “Integrado”, o que indica um estágio avançado na transição para a Qualidade 4.0, superando a média de indústrias tradicionais.

Análise da Validação e Refino do Modelo

A etapa de validação do modelo de maturidade foi conduzida por um comitê consultivo composto por seis especialistas, incluindo a Diretora de Operações e o Head de Controles Internos. Este processo, realizado por meio de um grupo focal e roteiro de entrevista estruturado, avaliou o framework em cinco eixos: abrangência, diferenciação, relevância, isenção e pragmatismo. As percepções e sugestões coletadas foram categorizadas e resultaram em ajustes técnicos significativos, visando alinhar o modelo às expectativas estratégicas da organização e garantir que as métricas fossem focadas em resultados financeiros e operacionais tangíveis, e não apenas em aspectos burocráticos.

O refinamento do modelo implicou em alterações substanciais em diversos critérios. Na Dimensão 1, Alinhamento e Sincronia Estratégica, o critério “Reatividade Atualização” foi revisado para “Reatividade Ponderada”. Essa mudança estratégica visou diferenciar a urgência das atualizações em incidentes críticos de features rotineiras, incorporando pesos de criticidade no cálculo da média de dias. A motivação, conforme o Gerente de Processos e Melhoria Contínua, foi garantir que atrasos em mudanças críticas impactassem o índice final de forma mais contundente, refletindo a importância da sincronia com a dinâmica do negócio.

Na Dimensão 2, Autoridade e Governança Técnica, o critério “Índice de Consenso” foi transformado em “Consenso e Evolução Normativa”. A alteração técnica focou na avaliação do percentual de aceitação dos casos atípicos, aliada à atualização e criação de normas e regras relacionadas. Essa modificação, sugerida pelo Líder Operativo, buscou provar que a área de Qualidade gera aprendizado e aprimoramento de processo, e não apenas concordância, fortalecendo sua legitimidade como parceira estratégica perante os stakeholders e não apenas como uma função punitiva.

A Dimensão 4, Tecnologia e Escala, teve o critério “Cobertura Tecnologia e por IA” refinado para “Acurácia da IA”. A mudança técnica incluiu a taxa de concordância de um humano “no loop” no indicador, com a pontuação máxima exigindo cobertura total aliada a um baixo falso positivo. O Head de Controles Internos motivou essa alteração para garantir que a Inteligência Artificial seja precisa e atue como um automatizador de triagens volumétricas sem comprometer a qualidade técnica, assegurando a confiabilidade dos modelos preditivos e a redução da carga cognitiva humana.

Para a Dimensão 5, Impacto e Valor ao Negócio, o critério “Custo dos Erros Operativos” foi revisado para “ROI Produtivo”. A alteração técnica implementou a monetização do risco, incluindo horas de retrabalho evitadas, e vinculou a escala ao nível de governança do reporte. A Diretora de Operações justificou essa mudança pela necessidade de demonstrar como a célula de Qualidade protege a capacidade operativa e a receita da companhia, por meio do cálculo regular dos valores monetários salvos, transformando a percepção da área de um centro de custo para um gerador de valor.

Adicionalmente, um novo item foi introduzido na Dimensão 5: “Taxa de Contestações”. Este critério visa medir a precisão técnica e o prestígio da área de auditoria perante a operação, funcionando como um balizador de justiça técnica. A criação deste indicador, conforme os Líderes Operativos, teve como motivação garantir a justiça técnica e mitigar o sentimento de fiscalização meramente punitiva, avaliando o volume de contestações aceitas e revertidas pela operação por erro de critério em relação ao total de auditorias realizadas.

Detalhamento dos Critérios e Cálculos Consolidados

O critério Reatividade Ponderada, inserido na Dimensão 1, mede a agilidade da área de Qualidade em atualizar as réguas de auditoria após modificações estratégicas ou de features, ponderando a criticidade do lançamento. O cálculo deste indicador considera a quantidade de dias corridos para a atualização da regra ou documentação, multiplicada por um peso de criticidade (Crítico = 3, Estratégico = 2, Sustentação = 1). A unidade de medida são dias, e os dados são obtidos de logs de lançamento de produtos e do histórico das versões das réguas de auditoria. A interpretação é direta: quanto menor o valor, maior a sincronia da área com o negócio. A régua de pontuação estabelece que notas de 1 a 4 correspondem, respectivamente, a tempos de atualização superiores a 15 dias, entre 8 e 14 dias, entre 3 e 7 dias, e inferiores a 48 horas, com foco em sincronia.

Na Dimensão 2, o critério Consenso e Evolução Normativa avalia a autoridade técnica da auditoria em decisões subjetivas e atípicas, bem como sua capacidade de converter essas discussões em melhorias estruturais e normas definitivas. Este indicador é calculado multiplicando a Taxa de Aceitação (volume de pareceres aceitos pela Operação sobre o total de casos discutidos) pela Taxa de Conversão Normativa (número de casos atípicos que geraram atualização de normas sobre o total de casos aceitos). A unidade de medida é percentual, e as fontes de dados incluem transcrições de reuniões do fórum de Casos Atípicos e o repositório normativo da área. Resultados superiores a 85% indicam autoridade técnica de referência. A escala de pontuação varia de 1 a 4, onde 1 representa baixa aceitação (85%) significa referência técnica absoluta com conversão de quase totalidade dos casos atípicos em normas.

A Acurácia da IA, pertencente à Dimensão 4, acompanha a escalabilidade das análises com o objetivo de monitorar 100% da base de dados, mantendo a precisão analítica por meio de calibrações humanas periódicas. O cálculo envolve o volume de alertas gerados pela IA validados positivamente pela calibração humana, dividido pelo total de alertas avaliados na amostra mensal de calibração, e multiplicado pelo percentual de cobertura da base monitorada por algoritmos. A unidade de medida é percentual, e as fontes de dados são relatórios de performance dos agentes de IA e planilhas de calibração manual. A nota máxima exige 100% de cobertura com acurácia superior a 95%. A régua de pontuação define que 1 representa 0% de IA e dependência de análise humana, 2 indica triagem volumétrica com alta taxa de falsos positivos (>40%), 3 aponta cobertura entre 31% e 70% da base com acurácia >80%, e 4 significa 100% das transações avaliadas por IA com acurácia superior a 95%.

Na Dimensão 5, o ROI Produtivo monetiza as perdas financeiras evitadas e as horas de retrabalho poupadas pela atuação preventiva da Qualidade. O cálculo deste indicador é realizado subtraindo o custo operacional total da unidade de monitoramento (pessoal e ferramentas) do valor financeiro economizado (soma do valor monetário dos erros detectados e o custo das horas de retrabalho evitadas pela detecção precoce), e dividindo o resultado pelo custo operacional total. A unidade de medida é um índice financeiro, e os dados provêm de dashboards financeiros de perdas e reportes mensais de governança. A regra de interpretação indica que o ROI é utilizado para justificar investimentos em expansão e novas tecnologias. A régua de pontuação para este critério estabelece que a nota 1 significa que a área é vista como centro de custo sem monetização de erros, 2 indica acompanhamento pontual de perdas evitadas sem metodologia padrão, 3 representa uma metodologia validada para calcular o ROI com resultados apresentados regularmente, e 4 significa que o ROI é usado como KPI estratégico, com reporte automatizado e auditado, justificando investimentos.

A Taxa de Contestações, também na Dimensão 5, mede a precisão técnica e o prestígio da área de auditoria perante a operação, atuando como balizador de justiça técnica. É calculada como o volume de contestações abertas pela Operação que foram aceitas e revertidas pela Qualidade por erro de critério, dividido pelo total de auditorias realizadas no período, multiplicado por cem. A unidade de medida é percentual, e a fonte de dados é o sistema de gestão de contestações. A regra de interpretação estabelece que quanto menor o índice, maior a precisão técnica da equipe, com maturidade máxima inferior a 2%. A régua de pontuação varia de 1 a 4, onde 1 indica mais de 10% de apontamentos contestados e revertidos, 2 representa taxa de contestação entre 5% e 10%, 3 aponta taxa entre 2% e 4%, e 4 significa menos de 2% de contestações, caracterizando a Qualidade como referência de precisão técnica.

Aplicação Prática

A aplicação do framework consolidado ocorreu na célula de auditoria de uma empresa de tecnologia em São Paulo, utilizando dados operacionais, técnicos e financeiros do último trimestre de 2025. A equipe de auditoria, composta por três analistas após um ganho de eficiência de 67% via automação, processou uma volumetria média de 2600 análises mensais. A atribuição das notas para cada critério foi realizada pela autora, baseada em evidências documentais e validada pela Gerência de Processos, garantindo a fidelidade à realidade operacional da empresa.

O processamento das notas resultou em um Índice de Maturidade em Qualidade (IMQ) de 3,08. Este valor posicionou a organização no Nível Integrado, que abrange pontuações entre 2,6 e 3,5. Este estágio, conforme a classificação estabelecida, indica que a área superou as fases reativas e incidentais, caracterizando-se por possuir fluxos digitais bem estabelecidos, autoridade técnica reconhecida e um sistema de feedback em tempo real para a operação. Tal desempenho corrobora a trajetória de integração sistêmica proposta por Bui et al. (2022), e se destaca frente à média de indústrias tradicionais, onde cerca de 60% das empresas ainda se encontram em estágios iniciais, evidenciando a maturidade digital do setor de tecnologia.

A análise detalhada dos critérios revelou que na Dimensão 1, Alinhamento Estratégico, a Reatividade Ponderada obteve nota 2, indicando que a área leva de 8 a 14 dias para atualizar as regras de auditoria após modificações estratégicas. A Agilidade em Novos Fluxos alcançou nota 3, com a adoção de novas frentes de auditoria demorando entre 15 e 29 dias. Na Dimensão 2, Autoridade e Governança Técnica, o Consenso e Evolução Normativa obteve nota 3, refletindo um alto nível de aceitação (71-85%) em fóruns de “Casos Críticos” e a conversão dessas discussões em atualizações de normas. O Uso Estratégico do Índice de Severidade de Risco (ISR) também recebeu nota 3, pois, embora a área calcule o índice, ele ainda não é usado como gatilho para revisão do design do produto ou automação. O NPS Geral da Área de Qualidade, com nota 3, indicou um nível de parceria na tomada de decisão, embora ainda não esteja na zona de excelência.

Na Dimensão 3, Infraestrutura e Integração, a Digitalização Centralizada e a Integração de Dados via API obtiveram nota máxima (4), evidenciando que o processo de auditoria ocorre integralmente no sistema oficial, com 100% dos logs auditáveis e a maior parte das frentes auditadas com integração automática de dados. A Taxa de Implementação de Melhorias também alcançou nota 4, indicando que mais de 50% das sugestões da Qualidade são implementadas nos processos estratégicos da Operação. Na Dimensão 4, Tecnologia e Escala, a Acurácia da IA recebeu nota 3, com os agentes de IA cobrindo entre 31% e 70% da base com acurácia superior a 80%, mas ainda sem cobertura total. O Analytics de Massa obteve nota 2, pois, embora o monitoramento básico exista em dashboards, os algoritmos de IA ainda não abrangem 100% da base em busca de padrões atípicos. A Automação de Suporte (Backoffice) recebeu nota 3, com vários casos notificados via script e reports automáticos, mas ainda com indicadores que exigem consolidação manual.

Na Dimensão 5, Impacto e Valor ao Negócio, o ROI Produtivo obteve nota 2, indicando que a análise financeira e de riscos estratégicos ainda é pontual, realizada apenas em casos de crises ou falhas, e não para todos os projetos rotineiros. A Taxa de Contestações alcançou nota máxima (4), com índices girando em torno de 1%, demonstrando alta precisão técnica. A Redução de Erros Críticos recebeu nota 3, pois, apesar da tendência de queda ao longo de 2025, ainda existem erros do mesmo tipo e áreas onde a quantidade não é próxima de zero. A Capacidade de Processamento obteve nota 4, um achado central da aplicação, com a equipe reduzindo o quadro de pessoal em 67% e mantendo o mesmo volume auditado, um ganho de produtividade significativo impulsionado pela implementação de automações e agentes de IA, corroborando Fedyk et al. (2022) sobre a otimização de recursos com IA na auditoria.

Contudo, a análise dos resultados também revelou lacunas críticas. A baixa pontuação no critério ROI Produtivo (nota 2) e na cobertura de Analytics de Massa (nota 2) reflete um desafio comum na literatura, onde o alto custo inicial e a dificuldade de traduzir a Qualidade 4.0 em benefícios financeiros imediatos são barreiras para atingir o nível “Otimizado” (Liu et al., 2023; Antony et al., 2021). Além disso, a acurácia de 80% nos modelos de IA da área (Dimensão 4) indica que o auditor ainda opera em um fluxo “human-in-the-loop”, onde a opinião profissional é indispensável para interpretar dados automatizados e garantir a integridade dos resultados, conforme sugerido por Semenova et al. (2023), mesmo com a automação de tarefas manuais e detecção de riscos.

Com base nesse diagnóstico, um plano de ação foi proposto para direcionar a transição definitiva para a Qualidade 4.0, priorizando a visibilidade financeira e a cobertura integral de dados. A primeira ação prevê a implementação de um Dashboard de ROI Contínuo, migrando da análise pontual em crises para um reporte mensal do ROI Produtivo. Isso visa evidenciar o custo do retrabalho evitado pela auditoria, elevando o prestígio da área perante a diretoria e transformando a percepção de valor da função de auditoria.

A segunda ação proposta é a Expansão do Analytics de Massa, que busca evoluir os algoritmos de IA para monitorar 100% da base de transações em todas as frentes de auditoria. Esta medida tem como objetivo eliminar o risco residual das amostras manuais e, consequentemente, elevar a nota da Dimensão 4, garantindo uma cobertura mais abrangente e preditiva na detecção de anomalias. A terceira ação consiste na Redução do SLA de Atualização, implementando o fluxo de Reatividade Ponderada para garantir que incidentes críticos gerem atualizações de réguas de auditoria em menos de 48 horas, aumentando o alinhamento estratégico com os times parceiros e a agilidade operacional da área.

Em síntese, os resultados da pesquisa demonstraram que o modelo de maturidade desenvolvido e aplicado é uma ferramenta eficaz para diagnosticar o estágio da Qualidade 4.0 em áreas de auditoria, convertendo critérios qualitativos em indicadores objetivos de valor estratégico. A empresa estudada alcançou o nível “Integrado”, evidenciando excelência em infraestrutura digital e ganhos de eficiência significativos, embora ainda precise avançar na monetização do risco e na cobertura preditiva de massa. O framework, portanto, atua como uma ponte estratégica, capacitando a área de auditoria a se posicionar como um parceiro de negócio focado na proteção de receita e no ganho de capacidade produtiva por meio da digitalização.

4. Conclusão

O presente estudo buscou desenvolver e aplicar um modelo de maturidade para a Qualidade 4.0, estruturado como um scorecard, com o propósito de converter critérios qualitativos de uma área de auditoria em indicadores objetivos de geração de valor. Verificou-se que o framework proposto, após refinamento e validação, demonstrou capacidade de fornecer um diagnóstico robusto da maturidade digital. A aplicação prática em uma empresa de tecnologia resultou em um Índice de Maturidade em Qualidade (IMQ) de 3,08, posicionando a área no nível “Integrado”. Observou-se excelência na infraestrutura de processos digitais e um ganho significativo de eficiência, com a equipe de auditoria reduzindo seu quadro em 67% enquanto mantinha o mesmo volume auditado, um achado central que corrobora a otimização de recursos impulsionada pela automação e agentes de Inteligência Artificial. Adicionalmente, identificou-se alta precisão técnica, refletida em uma taxa de contestações em torno de 1%. A principal contribuição do estudo reside na operacionalização de conceitos de prontidão digital em métricas objetivas de desempenho, transformando a área de auditoria de um centro de custo para um parceiro estratégico focado na proteção de receita e no ganho de capacidade produtiva através da digitalização.

Contudo, a análise dos resultados também revelou lacunas críticas na quantificação financeira do retorno e no uso de análises preditivas de massa, com baixa pontuação nos critérios de ROI Produtivo e Analytics de Massa. A acurácia dos modelos de Inteligência Artificial, em torno de 80%, indicou que o auditor ainda opera em um fluxo “human-in-the-loop”, onde a opinião profissional é indispensável para a interpretação de dados automatizados. As limitações desta pesquisa residem no caráter singular da aplicação prática, restrita a uma única organização e a um recorte temporal de um trimestre, além da dependência da percepção de especialistas internos para a atribuição de notas, o que pode introduzir vieses contextuais e limitar a replicabilidade. Como plano de ação, propôs-se a implementação de um Dashboard de ROI Contínuo, a expansão do Analytics de Massa para monitorar 100% da base de transações e a redução do SLA de atualização para incidentes críticos. Para estudos futuros, sugere-se a replicação do instrumento em outros setores econômicos para validar sua universalidade e o desenvolvimento de uma versão do scorecard integrada nativamente a sistemas de Business Intelligence corporativos para o monitoramento contínuo e em tempo real.

Referências Bibliográficas

Ali, K.; Johl, S.K.; Muneer, A.; Alwadain, A.; Ali, R.F. 2022. Soft and hard total quality management practices promote Industry 4.0 readiness: A SEM-Neural Network Approach. Sustainability 14(19): 11917.

Antony, J. 2014. Readiness factors for the Lean Six Sigma journey in the higher education sector. International Journal of Productivity and Performance Management 63(2): 257-264.

Antony, J.; McDermott, O.; Sony, M. 2021. Quality 4.0 conceptualisation and theoretical understanding: a global exploratory qualitative study. The TQM Journal 34(5): 1169-1188.

Bui, L.T.C.; Carvalho, M.; Pham, H.T.; Nguyen, T.T.B.; Duong, A.T.B.; Quang, H.T. 2022. Supply chain quality management 4.0: conceptual and maturity frameworks. International Journal of Quality & Reliability Management 42(3): 785-808.

Chiarini, A.; Kumar, M. 2022. What is Quality 4.0? An exploratory sequential mixed methods study of Italian manufacturing companies. International Journal of Production Research 60(16): 4890-4910.

Fedyk et al., 2022 [Referência completa não encontrada no documento original]

Kumar, R. R.; Ganesh, L.S.; Rajendran, C. 2022. Quality 4.0 – a review of and framework for quality management in the digital era. International Journal of Quality & Reliability Management 39(6): 1385-1411.

Liu, H.C.; Liu, R.; Gu, X.; Yang, M. 2023. From total quality management to Quality 4.0: A systematic literature review and future research agenda. Front. Eng. Manag. 10(2): 191-205.

Nenadál, J.; Vykydal, D.; Halfarová, P.; Tylecková, E. 2022. Quality 4.0 maturity assessment in light of the current situation in the Czech Republic. Sustainability 14(12): 7519.

Sony, M.; Antony, J.; Douglas, J.A. 2020. Essential ingredients for the implementation of quality 4.0: a narrative review of literature and future directions for research. The TQM Journal 32(4): 779-793.

Sureshchandar, G.S.; 2022. Quality 4.0 – understanding the criticality of the dimensions using the analytic hierarchy process (AHP) technique. International Journal of Quality & Reliability Management 39(6): 1336-1367.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy