Denis Assalim Casado; Dayane Freire Romagnolo

DOI: 10.22167/2675-6528-202604421

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A precificação de projetos de desenvolvimento de software, especialmente no contexto de customizações realizadas por empresas de desenvolvimento e consultorias de implementação, representou um desafio recorrente devido à subjetividade das estimativas e à dificuldade de padronização dos critérios utilizados. O estudo teve como objetivo analisar a aplicação da Inteligência Artificial como ferramenta de apoio ao processo de precificação de customizações de software. A metodologia adotada caracterizou-se como um estudo exploratório e quantitativo, estruturado a partir de um experimento comparativo. Nele, analisaram-se precificações realizadas por métodos tradicionais e compararam-se esses valores com estimativas geradas por modelos de Inteligência Artificial, o que permitiu identificar divergências, possíveis vieses e diferenças quanto à agilidade do processo. A investigação utilizou 20 customizações previamente estimadas por um consultor humano especialista em software OSGT. Os resultados indicaram que a utilização da Inteligência Artificial proporcionou maior rapidez na geração de estimativas e favoreceu a padronização dos resultados, além de possibilitar maior escalabilidade por meio do processamento simultâneo de múltiplas solicitações de precificação. Observou-se também que a eficácia das estimativas geradas dependeu diretamente da qualidade e do nível de detalhamento do escopo das customizações analisadas, concluindo-se que a IA é uma ferramenta viável e relevante para o apoio à decisão.

Palavras-chave: Automação de processos; Customização de software; Estimativa de esforço; Padronização de estimativa.

1. Introdução

A Inteligência Artificial (IA) tem demonstrado uma crescente relevância e aplicação em diversos setores empresariais. No contexto do desenvolvimento de software, sua utilização se expande para áreas como codificação, testes, atendimento ao cliente, personalização de ofertas, prevenção a fraudes e cibersegurança (Ignácio et al., 2024; Moreira et al., 2024). Essa expansão reflete a busca por maior eficiência e otimização de processos nas organizações.

Dentro da área de tecnologia da informação, a determinação precisa dos custos associados ao desenvolvimento de novos produtos é um aspecto crucial. No caso específico da customização de software, esses custos são frequentemente transferidos para o cliente. A estimativa desses valores exige uma análise detalhada da solicitação do cliente, confrontada com a avaliação de um especialista no software para determinar a viabilidade do escopo e o custo em horas das diversas fases de desenvolvimento, que incluem especificação funcional, codificação, teste unitário, teste integrado, aplicação em ambiente de produção e operação assistida (Maschietto et al., 2020).

O processo de estimativa de customizações de software é permeado por desafios e obstáculos significativos. Um dos principais é a frequente falta de detalhamento nas solicitações dos clientes, que muitas vezes não expressam suas necessidades de forma clara e completa. Adicionalmente, as estimativas humanas são suscetíveis a um viés técnico inerente, variando consideravelmente em função da experiência e da percepção individual do profissional responsável pela análise (Romão e Vasconcelos, 2024; Barelli e Leme, 2024).

Outro fator que influencia a precisão das estimativas é o conhecimento prévio que o profissional possui sobre o cliente e seu ambiente. Quando o estimador já está familiarizado com o cenário do cliente, sua percepção tende a ser ajustada por experiências anteriores, o que pode introduzir vieses. Além disso, a limitada disponibilidade de profissionais qualificados, geralmente especialistas com agendas sobrecarregadas, dificulta o planejamento e a execução das atividades de estimativa com a agilidade necessária (Marcon et al., 2025; Stroparo et al., 2024).

Essa complexidade e a subjetividade inerente ao processo de precificação de customizações de software criam uma lacuna prática que demanda soluções mais eficientes e padronizadas. Nesse contexto, a aplicação da Inteligência Artificial emerge como uma ferramenta promissora para agilizar a estimativa de novas customizações, contribuindo para mitigar o viés técnico e a influência do conhecimento prévio do cliente (Dos Santos, 2025). Diante disso, o presente trabalho tem como objetivo analisar a aplicação da Inteligência Artificial como ferramenta de apoio ao processo de precificação de customizações de software.

2. Material e Métodos

A metodologia adotada caracterizou-se como um estudo exploratório, de natureza quantitativa, estruturado a partir de um experimento comparativo. A investigação foi conduzida no período de janeiro de 2026 a março de 2026, com o objetivo de analisar a aplicação da Inteligência Artificial como ferramenta de apoio ao processo de precificação de customizações de software, conforme o objetivo geral do estudo.

O objeto empírico da pesquisa consistiu em precificações de customizações de software. Essas precificações foram realizadas por um consultor humano de uma empresa de consultoria especializada em comércio exterior, responsável pela implementação e customização do software OSGT (OneSource Global Trade), amplamente utilizado por grandes empresas importadoras no Brasil.

Para a composição da amostra, selecionaram-se 20 customizações previamente estimadas por um consultor humano com perfil especialista. O escopo do estudo restringiu-se exclusivamente às customizações pertencentes ao módulo de Importação do referido sistema, garantindo a homogeneidade do conjunto de dados analisados.

Para a coleta de dados, consideraram-se informações quantitativas e levantamento de campo. Essas informações incluíram o escopo detalhado de cada customização e a estimativa, em horas, das principais fases do desenvolvimento de software, conforme previamente estabelecido pelo consultor humano.

As fases de desenvolvimento consideradas para a estimativa foram: especificação funcional, codificação, teste unitário-técnico, teste integrado, aplicação em ambiente de produção e operação assistida após a aplicação do desenvolvimento. Essas etapas representam o ciclo completo de uma customização de software (Mendonça, 2022).

A ferramenta de Inteligência Artificial utilizada para gerar as estimativas foi a Claude.ai. O procedimento inicial envolveu a solicitação à Claude.ai para estimar, em horas, as fases de desenvolvimento de acordo com o escopo de cada customização, buscando replicar o processo de estimativa humana.

Para garantir a consistência das estimativas da IA, definiram-se scripts (prompts) padronizados para a interação com a ferramenta. Um ponto crucial foi a definição do perfil de senioridade para a IA, equiparando-o ao do consultor humano especialista que realizou as estimativas originais.

O papel atribuído à IA foi de “Especialista em comércio exterior com experiência no software OSGT (One Source Global Trade)”. A ação solicitada à IA foi a criação de uma estimativa, em horas, para customizações do OSGT, incluindo a geração de cenários otimista e pessimista.

A IA também foi instruída a comparar suas estimativas com os valores já disponibilizados, junto com a descrição do escopo. Essa abordagem inicial permitiu uma avaliação preliminar da capacidade da IA em replicar o processo de estimativa humana e identificar possíveis vieses.

Observou-se a necessidade de ajustes nos scripts (prompts) após os resultados preliminares, visando maior consistência e reprodutibilidade (Da Silva, 2024). Os ajustes foram realizados para que a IA fornecesse resultados mais coesos, minimizando vieses e “alucinações”.

A informação das horas estimadas pelo consultor humano foi subtraída do script fornecido à ferramenta de IA para evitar vieses e alucinações nos resultados gerados (Da Silva, 2024). Esse refinamento buscou aprimorar a qualidade das saídas da ferramenta.

A análise dos resultados foi realizada em duas dinâmicas distintas de aplicação dos scripts à IA Claude. Na primeira dinâmica, as 20 descrições das customizações foram aplicadas simultaneamente à IA, em uma única solicitação.

Nessa primeira aplicação, a IA gerou uma planilha contendo as customizações separadas por linhas e suas respectivas colunas de precificação para cada fase do desenvolvimento. Adicionalmente, a ferramenta forneceu abas com detalhes, premissas e critérios metodológicos utilizados para a precificação.

Na segunda dinâmica, a solicitação de precificação foi feita individualmente para cada uma das 20 customizações. O script adaptado incluiu a instrução de que a estimativa de gerenciamento correspondesse a 20% do total estimado nas demais fases.

As estimativas geradas pela IA, em ambos os cenários de aplicação do script, foram comparadas com as estimativas realizadas pelo consultor humano especialista. Essa comparação permitiu avaliar a consistência e a variabilidade das estimativas produzidas pela Inteligência Artificial em relação às estimativas humanas.

A técnica de análise dos dados consistiu na confrontação direta dos valores em horas, permitindo identificar divergências e possíveis vieses entre as estimativas humanas e as geradas pela Inteligência Artificial. Não foram inseridas figuras ou tabelas para apresentação de resultados nesta seção.

3. Resultados e Discussão

As análises iniciais da pesquisa revelaram que o processo de precificação de customizações de software, quando apoiado por Inteligência Artificial, apresentou um viés nas estimativas preliminares. Este viés foi observado particularmente quando a ferramenta foi instruída a gerar cenários otimistas e pessimistas com base em estimativas humanas preexistentes. Tal constatação levou a um refinamento crucial no script utilizado para interagir com a IA Claude, visando aprimorar a qualidade das saídas e evitar as chamadas “alucinações” ou vieses nos resultados (Da Silva, 2024). A eficácia da IA demonstrou ser diretamente proporcional ao nível de detalhamento e clareza das informações fornecidas no prompt, sublinhando a importância de uma comunicação precisa com a ferramenta.

Para a análise principal, foram selecionadas vinte customizações de software OSGT, previamente estimadas por um consultor humano especialista em uma empresa de consultoria de comércio exterior. As descrições detalhadas dessas customizações foram então submetidas à Inteligência Artificial Claude, com a solicitação de que fossem geradas estimativas de esforço em horas. Para assegurar a consistência metodológica, a IA foi orientada a considerar as fases padrão do ciclo de desenvolvimento de software: análise funcional, desenvolvimento, testes unitários, testes integrados, implantação em ambiente de produção (cutover), operação assistida e gerenciamento (Mendonça, 2022). Este procedimento permitiu uma comparação direta entre as estimativas humanas e as geradas pela IA.

A dinâmica da análise dos resultados se deu de duas maneiras distintas. Na primeira dinâmica, foi aplicado um script único para todas as vinte customizações simultaneamente na IA Claude. Neste cenário, a ferramenta foi instruída a atuar como um consultor especialista, considerando as fases de desenvolvimento e gerando estimativas para perfis sênior e pleno. Os resultados iniciais desta abordagem, contudo, indicaram uma precificação da fase de gerenciamento consideravelmente baixa e uma falta de detalhamento individualizado para cada customização. Essas inconsistências exigiram ajustes no script para garantir resultados mais coesos e evitar vieses (Da Silva, 2024), levando à adaptação da metodologia para a aplicação individualizada.

Na comparação das estimativas geradas pela IA Claude com as realizadas pelo consultor especialista, considerando a aplicação simultânea do script e o perfil sênior, observou-se que a precificação da IA foi superior em seis customizações, representando 30% da amostra. Em contrapartida, a IA apresentou estimativas inferiores em quatorze customizações, correspondendo a 70% do total. Analisando as variações superiores, quatro precificações (66,67%) ficaram entre 0% e 50% acima da estimativa humana, e duas (33,33%) situaram-se entre 50,01% e 100% acima. Nenhuma estimativa da IA superou 100% da precificação do consultor especialista neste cenário.

No que tange às variações inferiores, das quatorze precificações da IA que foram menores que as do consultor especialista, seis (42,85%) apresentaram uma diferença entre -0,01% e -50%. Quatro precificações (28,57%) ficaram entre -50,01% e -100% abaixo da estimativa humana, e outras quatro (28,57%) foram inferiores a -100%. Verificou-se que, em metade das customizações analisadas (dez), a variação entre a precificação da IA e a do consultor especialista se manteve em uma faixa de -50% a 50%. Este dado sugere uma relativa proximidade em parte dos resultados, mesmo com a tendência de a IA precificar de forma mais conservadora em muitos casos.

A segunda dinâmica de análise consistiu na aplicação do script de precificação individualmente para cada uma das vinte customizações, mantendo o perfil de consultor sênior. Esta abordagem visou mitigar as limitações observadas na aplicação simultânea, como a falta de detalhamento por customização. Os resultados desta aplicação individualizada mostraram uma leve alteração na distribuição das estimativas em comparação com a abordagem simultânea. A IA Claude forneceu precificações superiores às do consultor especialista em sete customizações (35% do total), enquanto treze customizações (65%) tiveram precificações inferiores.

Ao detalhar as variações superiores na aplicação individualizada para o perfil sênior, constatou-se que, das sete precificações da IA que foram mais altas que as do consultor especialista, cinco (71%) se situaram entre 0% e 50% acima da estimativa humana. As duas precificações restantes (29%) apresentaram uma variação entre 50,01% e 100% superior. Assim como na abordagem simultânea, não foram identificadas precificações da IA que excedessem 100% da estimativa do consultor especialista. Este padrão reforça a tendência da IA de gerar estimativas que, embora por vezes mais altas, geralmente se mantêm dentro de um intervalo de variação controlável em relação ao especialista humano.

Em relação às variações inferiores na aplicação individualizada para o perfil sênior, das treze precificações da IA que foram menores que as do consultor especialista, seis (46%) apresentaram uma diferença entre -0,01% e -50%. Três customizações (23%) tiveram precificações entre -50,01% e -100% abaixo, e quatro (31%) foram inferiores a -100%. A comparação entre as duas dinâmicas (simultânea e individual) para o perfil sênior revelou que não houve uma grande divergência na quantidade total de precificações superiores ou inferiores, com apenas uma customização alterando sua classificação de inferior para superior, indicando a robustez dos resultados em termos de tendência geral.

A análise foi estendida para considerar o perfil de um consultor pleno, inicialmente com a aplicação simultânea do script para as vinte customizações. Neste cenário, a Inteligência Artificial Claude gerou precificações superiores às do consultor especialista em cinco customizações (25% da amostra), e inferiores em quinze customizações (75%). As variações superiores incluíram três precificações (60%) entre 0% e 50% acima da estimativa humana e duas (40%) entre 50,01% e 100% acima. Novamente, não foram observadas precificações da IA que ultrapassassem 100% da estimativa do consultor pleno, mantendo um limite de variação.

No que diz respeito às variações inferiores para o perfil pleno na aplicação simultânea, das quinze precificações da IA que foram menores que as do consultor especialista, duas (13%) situaram-se entre -0,01% e -50%. Cinco precificações (33%) apresentaram uma diferença entre -50,01% e -100%, e oito customizações (53%) foram inferiores a -100%. Este resultado indica uma tendência mais acentuada de a IA subestimar o esforço quando comparada a um consultor pleno, especialmente em uma proporção significativa de casos que ficaram abaixo de 100% da estimativa humana.

Ao solicitar a precificação individualmente para a IA, considerando o perfil de consultor pleno, observou-se uma pequena mudança na distribuição das estimativas em comparação com a aplicação simultânea. A IA Claude forneceu precificações superiores às do consultor especialista em seis customizações (30% do total), enquanto quatorze customizações (70%) tiveram precificações inferiores. Esta distribuição é similar à observada para o perfil sênior na aplicação individual, sugerindo que a forma de aplicação do script (simultânea ou individual) tem um impacto limitado na proporção geral de estimativas superiores e inferiores.

Na análise das variações para o perfil pleno na aplicação individual, das seis precificações superiores da IA, seis (86%) ficaram entre 0% e 50% acima da estimativa humana, e uma (14%) situou-se entre 50,01% e 100% acima. Nenhuma superou 100%. Para as quatorze precificações inferiores, duas (14%) ficaram entre -0,01% e -50%, três (21%) entre -50,01% e -100%, e nove (64%) foram inferiores a -100%. A comparação entre as aplicações simultânea e individual para o perfil pleno demonstrou que a divergência na quantidade de precificação não foi significativa, com uma única customização alterando sua classificação de inferior para superior.

Os resultados gerais indicaram que, para o perfil de consultor sênior, as estimativas geradas pela IA Claude apresentaram uma aderência razoável, situando-se dentro de uma faixa de variação de -50% a +50% em relação às estimativas do especialista humano em dez das vinte customizações avaliadas em conjunto e em onze das vinte quando analisadas individualmente. Contudo, para o perfil de consultor pleno, a aderência foi menor, com as estimativas da IA dentro dessa mesma faixa de variação em apenas cinco das vinte customizações em conjunto e em oito das vinte individualmente. Essa divergência ressalta a importância do perfil de senioridade na composição das estimativas (Mendonça, 2022).

A Inteligência Artificial demonstrou ser tecnicamente viável e um instrumento de apoio relevante para a tomada de decisão no processo de precificação de customizações do software OSGT. Embora a IA Claude tenha sido capaz de gerar estimativas próximas às de um consultor especialista, ela frequentemente apresentou valores inferiores, tanto para o perfil sênior quanto para o pleno. As limitações inerentes às inteligências artificiais, como a produção de respostas imprecisas ou “alucinações” em contextos de dados insuficientes, foram evidentes. No entanto, o contínuo treinamento e refinamento desses sistemas tendem a melhorar a qualidade e consistência dos resultados (Da Silva, 2024).

A utilização de um único script aplicado indistintamente a todas as customizações proporcionou maior rapidez na geração das estimativas, evidenciando o potencial da ferramenta para aumentar a produtividade do processo (Stroparo et al., 2024). Contudo, essa abordagem revelou limitações significativas, especialmente no detalhamento das atividades e na distribuição das horas entre as fases do projeto, com a fase de gerenciamento mostrando-se pouco aderente à realidade operacional. Em contraste, a adaptação do script e sua aplicação individualizada para cada customização resultaram em maior consistência e transparência, com melhor distribuição das horas e justificativa das premissas.

Apesar dos avanços proporcionados pela Inteligência Artificial, as diferenças observadas entre as estimativas da IA e as do especialista humano indicam que a ferramenta, em seu estágio atual, não substitui a análise humana. A atuação do consultor permanece fundamental para validar premissas, interpretar particularidades do escopo, considerar exceções e avaliar aspectos subjetivos da complexidade de cada customização. A IA deve ser compreendida como um mecanismo complementar que amplia a eficiência e reduz a subjetividade do processo, mas não elimina a necessidade de julgamento especializado, conforme apontado por Barelli e Leme (2024).

A adoção da Inteligência Artificial pode contribuir significativamente para a padronização dos critérios de precificação e para a redução do tempo despendido na elaboração das estimativas, fatores cruciais em ambientes organizacionais que demandam agilidade. O ganho real reside na integração estruturada e estratégica da IA ao processo, e não em seu uso pontual. Recomenda-se que a empresa adote a IA como ferramenta oficial de apoio à precificação, estruturando seu uso em três níveis de maturidade para maximizar seus benefícios e garantir sua eficácia a longo prazo.

O primeiro nível de maturidade propõe que a IA seja incorporada como geradora inicial de estimativas. Nesse modelo, todo novo escopo de customização passaria primeiramente pela IA, utilizando scripts padronizados e refinados, preferencialmente no formato de aplicação individualizada por customização, que se mostrou mais eficaz no estudo. Esta etapa inicial permitiria ganhos imediatos de produtividade, reduziria o esforço operacional e promoveria maior consistência nas propostas de precificação, estabelecendo uma base sólida para as análises subsequentes e otimizando o fluxo de trabalho.

No segundo nível, a Inteligência Artificial seria posicionada como um instrumento de validação e apoio à análise do consultor. Em vez de apenas gerar uma estimativa, a IA poderia ser utilizada para comparar diferentes cenários (otimista, realista e pessimista), identificar possíveis omissões no escopo, sugerir a distribuição de esforço por fase de desenvolvimento e explicitar premissas que frequentemente permanecem implícitas na análise humana. Essa abordagem eleva o papel do consultor para uma função mais analítica e crítica, aprimorando a qualidade da tomada de decisão e aprofundando a compreensão do projeto.

O terceiro nível, que representa o maior potencial de ganho, envolve a evolução para um uso mais estratégico da IA, estruturando uma base histórica integrada com dados reais de projetos anteriores (horas planejadas versus realizadas). Isso permitiria calibrar os prompts com parâmetros internos da organização, como produtividade média e complexidade por tipo de customização, aumentando significativamente a acurácia das estimativas ao refletir o contexto específico da empresa. Adicionalmente, a formalização de boas práticas, como padronização de scripts, definição de perfis de referência e capacitação de consultores para uso crítico da ferramenta, é essencial.

Em síntese, os achados deste estudo demonstram que a Inteligência Artificial é uma ferramenta aplicável e relevante para o apoio à precificação de customizações de software OSGT, oferecendo contribuições significativas ao processo decisório. As simulações revelaram que a IA pode gerar estimativas com proximidade aos cálculos de especialistas, embora com uma tendência a valores mais baixos e maior sensibilidade ao detalhamento do escopo e ao perfil de senioridade do consultor. A agilidade na geração de estimativas e a potencial padronização dos resultados são benefícios claros, mas a eficácia da IA depende criticamente da qualidade dos prompts e da integração com a expertise humana para validação e interpretação, consolidando seu papel como um acelerador de eficiência e padronização, e não como um substituto da análise especializada.

4. Conclusão

O presente estudo teve como objetivo analisar a aplicação da Inteligência Artificial como ferramenta de apoio ao processo de precificação de customizações de software. Por meio de um experimento comparativo entre estimativas humanas e aquelas geradas pela IA Claude para vinte customizações de software OSGT, verificou-se que a Inteligência Artificial proporcionou maior rapidez na geração de estimativas e favoreceu a padronização dos resultados. Observou-se que a eficácia das estimativas geradas dependeu diretamente da qualidade e do nível de detalhamento do escopo das customizações analisadas, e que a IA tendeu a apresentar valores inferiores aos de consultores especialistas, tanto para o perfil sênior quanto para o pleno. A aderência das estimativas da IA foi mais próxima às do consultor sênior, especialmente com a aplicação individualizada do script, que se mostrou mais consistente e transparente na distribuição de horas entre as fases do projeto.

Apesar dos avanços, as limitações inerentes às inteligências artificiais, como a produção de respostas imprecisas ou “alucinações” em contextos de dados insuficientes, foram evidentes, especialmente com a aplicação de um script único para múltiplas customizações. Contudo, a Inteligência Artificial demonstrou ser um instrumento de apoio relevante para a tomada de decisão, capaz de ampliar a eficiência e reduzir a subjetividade do processo, sem substituir a análise humana. Recomenda-se que a empresa adote a IA como ferramenta oficial de apoio à precificação, estruturando seu uso em três níveis de maturidade: como geradora inicial de estimativas, como instrumento de validação e apoio à análise do consultor, e, estrategicamente, com uma base histórica integrada para calibração. Para estudos futuros, sugere-se a comparação entre as precificações da IA e o esforço efetivamente realizado no desenvolvimento das customizações, a fim de verificar objetivamente a acurácia da ferramenta.

Referências Bibliográficas

Barelli, A.A.; Leme, R.R. 2024. Impacto da inteligência artificial na transformação digital das empresas: remodelando processos, negócios e tomadas de decisões. Brazilian Journal of Technology 7(4), 01-19

Da Silva, W.J.L. 2024. ENGENHARIA DE PROMPT: Uma análise das “alucinações” em Inteligências Artificiais Generativas. Trabalho de Conclusão de Curso Bacharelado /Licenciatura em Sistema de Informação, Fundação de Ensino e Pesquisa do Sul de Minas – FEPESMIG, São Lourenço, MG, Brasil

Dos Santos, M.J.G. 2025. A Revolução da Inteligência Artificial na Governança Corporativa: Desafios, Benefícios e Perspectivas Futuras. Monografia Bacharelado em ciências contábeis, Universidade Federal do Rio Grande do Norte, Natal, RN, Brasil.

Ignácio, A.C.; Oliveria, L.S.; Francez, M.P.M. 2024. Eficiência do Uso da Inteligência Artificial no Desenvolvimento de Software. Advances in Global Innovation & Technology 2(2), 06-16

Marcon, M.F.; Bet, Y.M.; Rojo, C.A.; Parcianello, R.V.R. 2024. O uso de Ferramentas de Inteligência Artificial nos Negócios. Revista Aracê 7(1), 2652-2670

Maschietto, L.G.; Rodrigues, T.N.; Dal Bianco, C.M.; de Moraes, D.M.P.; Vettorazzo, A.S.; de Andrade, A.L.C.; Viviani, C.A.B.; de Moraes, I.S.; Ladeira, R.R.; Bezerra, W.R. 2020. Processos de desenvolvimento de software. Sagah. Porto Alegre. RS. Brasil.

Mendonça, R.G. 2022. TIGER: Uma proposta de solução para recomendação de perfil profissional em times de desenvolvimento de software. Trabalho de Conclusão de Curso de Bacharel em Sistemas de Informação, Universidade Estadual de Goiás, Santa Helena de Goiás, GO, Brasil

Moreira, L.F.; Biegelmeyer, U.H.; Triches, D.; Croco, T.; Camargo, M.E.; Nascimento, K.A.S.; Amaral, G.R.B.; Dias, L.V.J. 2024. Perspectivas futuras do uso da inteligência artificial em gestão de negócios. Revista Observatório de La Economía Latinoamericana 22(7), 01-32

Romão, R.F.R.; Vasconcelos, A.S.V. 2024. Análise Comparativa do Desenvolvimento de Software WEB: Abordagens Tradicionais, com Inteligência Artificial e Híbrida. Artigo apresentado ao Instituto de Ciências Exatas e Informática da Pontifícia Universidade Católica de Minas Gerais, campus Contagem, como pré-requisito parcial para obtenção do título de Bacharel em Sistemas de Informação, Contagem, MG, Brasil.

Stroparo, T.R.; de Araújo, J.H.K.; Bortolotti, M.A.; Junior, O.S.L. 2024. Inteligência Artificial na Gestão de Custos: Avanços, Desafios e Oportunidades. Revista Ibero-Americana de Humanidades, Ciências e Educação 10(6), 1446-1456.

Artigo oriundo de Trabalho de Conclusão de Curso

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