Uso da Inteligência Artificial na Gestão Tributária

Bruno Lopes de Paulo; Adriana Diniz Gurgel

DOI: 10.22167/2675-6528-202602744

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 conformidade tributária no Brasil representa uma preocupação central para as empresas no desenvolvimento de suas atividades operacionais. O trabalho realizou uma pesquisa experimental sobre o uso da inteligência artificial (IA) na gestão tributária, empregando a técnica Retrieve-Augmented-Generation (RAG). Selecionaram-se textos legislativos para criar um banco vetorial por meio de embedding em um projeto Python. Elaborou-se um questionário com 20 pares de perguntas e respostas sobre a legislação de Imposto de Renda Pessoa Jurídica (IRPJ) e Contribuição Social sobre o Lucro Líquido (CSLL). Submeteram-se os modelos Large Language Model (LLMs), rodando localmente e via APIs (OpenAI e Huggingface), para avaliar tempo de resposta, quantidade de tokens analisados e acurácia jurídica. Os modelos baseados em API demonstraram melhor desempenho em eficiência e tempo de resposta, com o modelo da OpenAI alcançando 85% de acurácia nas respostas, superando significativamente os modelos locais. Concluiu-se que a IA pode gerar ganhos de tempo e acurácia na gestão tributária, mas requer projetos robustos, investimento em hardware e a expertise de profissionais tributários para mitigar riscos e garantir a correta interpretação da legislação.

Palavras-chave: CSLL; Embedding; IRPJ; LLMs; RAG.

1. Introdução

A conformidade tributária no Brasil representa uma preocupação central para as empresas no desenvolvimento de suas atividades operacionais e na manutenção da saúde financeira. O custo da conformidade tributária é um dos principais desafios, sendo percebido pelos contribuintes de forma instintiva, pelo tempo envolvido e pelas preocupações inerentes (Bertolucci, 2003).

O sistema tributário brasileiro é reconhecido pela sua complexidade, caracterizado por um vasto campo de leis, normas e regulamentos que frequentemente se conflitam, gerando insegurança jurídica. Desde a promulgação da Constituição de 1988, foram editadas mais de 5,4 milhões de normas, com uma média de 769 normas por dia, o que posiciona o Brasil entre as nações com as relações tributárias mais complexas do mundo (Amaral et al., 2017). A segurança jurídica é um princípio fundamental que visa garantir a estabilidade, sendo de extrema importância tanto para os contribuintes quanto para o Estado, pois gera confiança na aplicação estável da legislação ao longo do tempo (Silva et al., 2024).

Além da complexidade quantitativa, a legislação tributária brasileira apresenta um desafio interpretativo. O Código Tributário Nacional (CTN) dedica os artigos 107 a 112 à interpretação e integração da legislação. A interpretação formal ocorre perante os órgãos do Estado, enquanto a informal é resultado da doutrina e de planejadores fiscais (Bittencourt, 1999). Embora a interpretação literal seja prevista no artigo 111 do CTN, ela não deve ser confundida com a leitura gramatical isolada, devendo-se tomar como base o núcleo incontroverso dos textos normativos estabelecidos pelo legislador, fundamentado pela segurança jurídica (Bustamante e Alvez, 2012).

Paralelamente a essa realidade tributária, o cenário tecnológico tem experimentado um rápido avanço. O advento da internet nos anos noventa e sua evolução nas décadas seguintes transformaram a velocidade e a globalização do trânsito de informações. A disseminação da inteligência artificial, especialmente com modelos Large Language Model (LLMs) como o chat GPT, a partir do final de 2022, revolucionou a forma como interagimos com as máquinas e executamos tarefas.

A inteligência artificial possibilita a exploração de novas atividades, como a elaboração de imagens e a análise rápida de textos. Modelos de inteligência artificial podem gerar saídas a partir de prompts, que são instruções passadas ao modelo, atuando como assistentes inteligentes capazes de automatizar tarefas repetitivas de forma rápida e eficiente.

Diante da complexidade e do volume da legislação tributária brasileira, a análise manual e a busca por informações precisas consomem tempo e recursos significativos. A lacuna reside na otimização desse processo, onde a inteligência artificial pode oferecer uma solução para gerenciar o vasto volume de dados e as nuances interpretativas, mitigando a insegurança jurídica e os custos associados.

A aplicação da inteligência artificial na gestão tributária justifica-se pela possibilidade de promover economia nos gastos tributários e otimizar o tempo dedicado à análise de textos legislativos. Isso permite que as companhias identifiquem o melhor caminho para cumprir suas obrigações tributárias com segurança. Nesse sentido, o objetivo do trabalho é fazer o uso da inteligência artificial para fazer a análise da legislação dos impostos sobre o lucro no Brasil que envolve imposto de renda e contribuição social sobre o lucro líquido (IRPJ e CSLL). A pesquisa visa trazer economia com gastos tributários e ganho de tempo na análise dos textos legislativos na busca do melhor caminho que uma companhia pode buscar na realização de suas atividades de forma a estar em segurança com suas obrigações tributárias, no que tange aos tributos sobre o lucro.

2. Material e Métodos

A metodologia empregada no presente trabalho caracterizou-se como uma pesquisa experimental, conforme a classificação de Gil (2022). O estudo concentrou-se na aplicação da inteligência artificial para a análise da legislação referente aos impostos sobre o lucro no Brasil, especificamente o Imposto de Renda Pessoa Jurídica (IRPJ) e a Contribuição Social sobre o Lucro Líquido (CSLL). As variáveis analisadas incluíram o tempo de resposta dos modelos, a quantidade de texto legislativo processado, medida em tokens, e a qualidade das respostas obtidas.

Para a realização da pesquisa, empregou-se a técnica Retrieve-Augmented-Generation (RAG), desenvolvida para tarefas de processamento de linguagem natural intensivas em conhecimento (Lewis, 2020). O procedimento envolveu a seleção de textos legislativos, a criação de um banco de dados vetorial, a elaboração de um questionário com pares de perguntas e respostas, a submissão desses dados a diversos modelos Large Language Model (LLM) e a análise das variáveis de desempenho. Um projeto em Python foi desenvolvido para executar essas etapas (Lopes, 2026).

A legislação selecionada para a base de dados abrangeu os tributos sobre o lucro, incluindo as leis que regem o sistema tributário federal e as regras de cálculo do IRPJ e da CSLL. Além das leis ordinárias, incorporaram-se decisões do Conselho Administrativo de Recursos Fiscais (CARF), decretos, instruções normativas, leis complementares e soluções de consulta. No total, foram indexados 920 segmentos de texto legislativo no banco de dados vetorial, visando construir um corpo robusto de informações.

A elaboração do banco de dados vetorial foi realizada por meio de um código na linguagem Python, escolhida por sua sintaxe simples e legibilidade, sendo adequada para trabalhos com inteligência artificial (Ramalho, 2022). Utilizou-se a biblioteca LangChain (LangChain, 2026), que oferece um ambiente para engenharia de agentes de inteligência artificial. O banco de dados foi implementado com SQLite, um sistema de gerenciamento de banco de dados leve.

A primeira etapa do código consistiu na criação do banco de dados vetorial. Para a indexação dos textos legislativos, empregaram-se as classes WebBaseLoader, UnstructuredPDFLoader e DirectoryLoader da biblioteca LangChain. Essas classes foram responsáveis por requisitar links, ler arquivos PDF desestruturados e varrer diretórios em busca de diversos formatos de arquivos (PDF, TXT), armazenando-os no banco de dados.

Após a carga dos documentos, realizou-se a divisão dos textos em pedaços, denominados “chunks”, para a indexação. Um modelo Large Language Model (LLM) foi utilizado para transformar esses textos em valores numéricos, um processo conhecido como embedding. Os embeddings são representações vetoriais que capturam o significado de unidades de linguagem natural (Pilehvar e Camacho-Collados, 2021). Para a indexação, empregou-se o modelo “text-embedding-3-small” da OpenAI, acessado via API.

Para testar os modelos, elaborou-se um questionário composto por 20 pares de perguntas e respostas sobre a tributação do IRPJ e da CSLL. As questões foram formuladas com base na aplicação objetiva da legislação, abordando alíquotas, bases de cálculo, percentuais de presunção e obrigações acessórias. A construção do questionário evitou questões que dependessem de interpretações jurisprudenciais ou que pudessem ser objeto de controvérsia legítima (Carvalho e Rennó, 2020).

Os modelos Large Language Model (LLMs) foram submetidos ao código Python para processamento e comparação. Os testes foram realizados em duas abordagens: a primeira, com modelos rodando localmente na máquina, utilizando a ferramenta Ollama, e a segunda, via APIs da OpenAI e Huggingface. Os modelos locais incluíram llama3, mistral-nemo, phi3:medium e gemma2:9b. Os modelos via API foram deepseek-ai/DeepSeek-V3, Qwen/Qwen2.5-72B-Instruct, CohereLabs/c4ai-command-r-08-2024 e gpt-5.1.

A análise dos dados coletados focou em três variáveis principais: tempo de resposta, quantidade de tokens processados por segundo e acurácia jurídica das respostas. Para a avaliação da qualidade das respostas, utilizou-se um modelo avaliador, o “gpt-5-nano” da OpenAI, que verificou a fidelidade da resposta à fonte trazida pelo banco de dados vetorial, estabelecendo um score de acerto ou erro, sem analisar a qualidade argumentativa ou a sustentação jurídica.

Como considerações metodológicas, o estudo constituiu um ensaio de viabilidade técnica, não buscando esgotar o julgamento do sistema jurídico tributário. A base legislativa indexada, embora abrangente, não representou a totalidade da legislação aplicável ou da jurisprudência. Os testes dos modelos locais foram realizados em um computador com 32GB de memória RAM, processador AMD Ryzen 5 5625U (2.3GHz) e placa gráfica AMD Radeon™ Graphics (496MB), configurações que influenciaram os resultados. A legislação e as versões dos modelos utilizados eram vigentes no período de elaboração do trabalho.

3. Resultados e Discussão

A pesquisa experimental sobre o uso da inteligência artificial na gestão tributária revelou insights importantes sobre a viabilidade e o desempenho de modelos Large Language Model (LLMs) na análise da legislação de Imposto de Renda Pessoa Jurídica (IRPJ) e Contribuição Social sobre o Lucro Líquido (CSLL). Os modelos foram avaliados em três abordagens distintas: execução local em um computador, utilização via API de modelos do Hugging Face e acesso a modelos pagos da OpenAI. Essa metodologia permitiu uma comparação abrangente das variáveis de tempo de resposta, quantidade de tokens processados por segundo e, crucialmente, a acurácia jurídica das respostas, fornecendo uma base sólida para entender as capacidades e limitações da IA neste contexto.

A análise do tempo médio de resposta dos modelos para as 20 questões elaboradas demonstrou uma clara distinção entre as abordagens. Os modelos executados localmente, como `oll_phi3`, `oll_mistral_nemo`, `oll_gemma2` e `oll_llama3`, apresentaram tempos de resposta significativamente mais longos, variando de 361,11 segundos a 729,43 segundos. Em contraste, os modelos acessados via API, incluindo `gpt_openai_5_1`, `hf_deepseek`, `hf_qwen` e `hf_cohere_command_r`, foram notavelmente mais rápidos. O modelo `gpt_openai_5_1` obteve o melhor desempenho, com um tempo médio de resposta de 5,66 segundos, indicando uma eficiência superior na recuperação e geração de informações.

Essa diferença no tempo de resposta sublinha a necessidade de hardware dedicado e robusto para a execução eficiente de modelos LLMs localmente. A performance superior dos modelos baseados em API, mesmo com as limitações de cotas gratuitas, sugere que a infraestrutura de computação em nuvem oferece vantagens substanciais em termos de velocidade e processamento. A implementação de soluções de inteligência artificial no ambiente de negócios, portanto, requer um investimento considerável em infraestrutura tecnológica para garantir a agilidade necessária na análise de grandes volumes de texto legislativo, conforme apontado pela literatura sobre a otimização de tarefas intensivas em conhecimento (Lewis et al., 2020).

No que tange à eficiência de processamento, medida em tokens por segundo, os modelos via API também superaram os modelos locais. O `gpt_openai_5_1` demonstrou uma capacidade de processamento de 773,15 tokens por segundo, seguido por `hf_cohere_command_r` com 480,67 tokens por segundo e `hf_deepseek` com 452,64 tokens por segundo. Em contrapartida, os modelos locais como `oll_phi3` e `oll_mistral_nemo` registraram taxas de 4,03 e 5,62 tokens por segundo, respectivamente. Essa métrica é fundamental para avaliar a capacidade da inteligência artificial de analisar rapidamente contextos complexos da legislação tributária, reforçando a vantagem dos modelos baseados em nuvem para tarefas que exigem alta velocidade de processamento.

A acurácia jurídica das respostas foi uma das variáveis mais críticas avaliadas, utilizando um modelo avaliador (`gpt-5-nano`) para determinar a correção das 20 questões. O modelo `gpt_openai_5_1` alcançou uma acurácia de 85%, o que representa um desempenho significativamente superior em comparação com os demais modelos. Os modelos `hf_deepseek`, `hf_cohere_command_r` e `hf_qwen` obtiveram 60%, 55% e 55% de acurácia, respectivamente. Já os modelos locais apresentaram resultados mais modestos, com `oll_gemma2` atingindo 35%, `oll_llama3` 25%, `oll_mistral_nemo` 25% e `oll_phi3` apenas 10% de acerto.

Essa disparidade na acurácia destaca a importância da qualidade do treinamento e da capacidade de interpretação dos modelos para lidar com a complexidade da legislação tributária brasileira. A presunção hermenêutica que embasou a elaboração do questionário focou na aplicação objetiva da legislação, como alíquotas e percentuais de presunção, permitindo uma verificação direta das respostas com o texto legislativo. A superioridade do modelo da OpenAI sugere uma maior capacidade de compreender e aplicar as nuances legais de forma precisa, o que é essencial para mitigar a insegurança jurídica e os custos de conformidade tributária (Bertolucci, 2003; Silva et al., 2024).

Para ilustrar a performance dos modelos, considerou-se a questão sobre a alíquota básica do IRPJ e o percentual do adicional aplicável. A resposta esperada era de 15% para a alíquota básica e 10% de adicional sobre a parcela do lucro que excedesse R$ 20.000,00 por mês. O modelo `gpt_openai` forneceu uma resposta correta e detalhada, citando a alíquota básica de 15% e o adicional de 10% sobre o limite de R$ 20.000,00, com base na legislação pertinente. Similarmente, os modelos `mistral-nemo` e `phi3` também apresentaram respostas corretas para esta questão, demonstrando a capacidade de extrair informações diretas da base de dados vetorial.

Outro exemplo relevante foi a questão sobre a tributação de ganhos de capital na alienação de bens do ativo imobilizado no regime do Lucro Presumido. A resposta esperada indicava que os ganhos de capital são tributados integralmente, aplicando-se as alíquotas de IRPJ (15% + adicional) e CSLL (9%) sobre a diferença positiva entre o valor de alienação e o valor contábil. O modelo `gpt_openai` detalhou que o ganho de capital integra a base de cálculo do IRPJ e da CSLL como rendimento não operacional, sendo apurado pela diferença positiva entre o valor de alienação e o valor contábil, conforme a legislação. Os modelos `mistral-nemo` e `deepseek` também forneceram respostas alinhadas com a legislação, embora com diferentes níveis de detalhe e citação de artigos.

A questão sobre o percentual de presunção da CSLL para empresas de comércio no Lucro Presumido, com resposta esperada de 12% sobre a receita bruta, também foi analisada. O modelo `gpt_openai` confirmou o percentual de 12%, citando o Art. 20 do Decreto-Lei nº 1.598/1977. Os modelos `llama3` e `qwen` igualmente apresentaram respostas corretas, reforçando a capacidade dos modelos de API em extrair e aplicar informações específicas da legislação. A variedade nas respostas dos modelos, mesmo quando corretas, reflete a qualidade da informação armazenada no banco de dados vetorial e a forma como cada modelo processa e aborda a questão levantada.

É fundamental considerar as limitações da pesquisa para uma interpretação adequada dos resultados. O estudo constitui um ensaio de viabilidade técnica, focado em responder questões baseadas em trechos da legislação recuperados de um banco de dados vetorial, sem esgotar a complexidade do sistema jurídico tributário, que envolve uma hermenêutica mais ampla. A base legislativa indexada, composta por 920 segmentos, não representa a totalidade da legislação aplicável nem a jurisprudência judicial ou administrativa, embora inclua leis ordinárias, regulamentos e instruções normativas de IRPJ e CSLL.

O ambiente de teste para os modelos locais também impôs limitações, pois foram utilizados recursos de hardware específicos (computador com 32GB de RAM, processador AMD Ryzen 5 5625U e placa gráfica AMD Radeon™ Graphics de 496MB). Essas configurações influenciaram diretamente os resultados de desempenho dos modelos locais, sugerindo que um hardware mais potente poderia alterar esses desfechos. Além disso, o recorte temporal da legislação e das versões dos modelos utilizados nas APIs é específico do período de elaboração do trabalho, o que implica que a reprodução em um período posterior pode gerar resultados distintos, dada a constante evolução da legislação e dos próprios modelos de IA.

Apesar dessas limitações, os resultados demonstram que a inteligência artificial, especialmente os modelos mais avançados via API, possui um potencial significativo para otimizar a gestão tributária. A capacidade de gerar respostas com alta acurácia e em tempo reduzido pode proporcionar ganhos substanciais de tempo e economia nos gastos tributários para as empresas. No entanto, a implementação bem-sucedida de tais soluções requer projetos robustos, investimento em tecnologia e, crucialmente, a expertise de profissionais tributários para validar as interpretações, mitigar riscos de erro e garantir a conformidade com a complexa legislação brasileira (Carvalho e Rennó, 2020; Bittencourt, 1999).

4. Conclusão

A pesquisa experimental buscou empregar a inteligência artificial para otimizar a análise da legislação de Imposto de Renda Pessoa Jurídica (IRPJ) e Contribuição Social sobre o Lucro Líquido (CSLL) no Brasil, visando ganhos de tempo e acurácia na gestão tributária. Verificou-se que os modelos Large Language Model (LLMs) baseados em API, notadamente o da OpenAI, apresentaram desempenho superior em eficiência e tempo de resposta, com o modelo `gpt_openai_5_1` alcançando 85% de acurácia jurídica nas respostas. Em contraste, os modelos executados localmente demonstraram tempos de resposta significativamente mais longos e menor acurácia. Essa capacidade de gerar respostas precisas em tempo reduzido representa uma contribuição prática significativa para a otimização da conformidade tributária, oferecendo às empresas uma ferramenta para mitigar a complexidade e os custos associados ao vasto e dinâmico sistema tributário brasileiro.

Contudo, o estudo configurou-se como um ensaio de viabilidade técnica, e a base legislativa indexada, composta por 920 segmentos, não abrangeu a totalidade do sistema jurídico tributário, incluindo jurisprudência judicial ou administrativa, o que limita a generalização dos achados. As configurações de hardware do ambiente de teste para os modelos locais também influenciaram diretamente os resultados de desempenho, sugerindo que um hardware mais potente poderia alterar esses desfechos. Para a implementação efetiva da inteligência artificial na gestão tributária, são necessários projetos robustos, investimentos em infraestrutura tecnológica e a indispensável expertise de profissionais tributários para validar as interpretações, mitigar riscos de erro e garantir a conformidade com a complexa legislação. Estudos futuros poderiam focar na expansão da base de dados vetorial para incluir jurisprudência e na avaliação de modelos em ambientes de hardware mais potentes, além de explorar a aplicabilidade em outras áreas do direito tributário.

Referências Bibliográficas

AMARAL, Gilberto L.; João Eloi; AMARAL, Letícia M. F. 2016. Quantidade de Normas Tributárias Editadas no Brasil: 28 anos da constituição de 1988. São Paulo, SP, Brasil. Disponível em: <https://static.poder360.com.br/2017/06/Normas-editadas-ibpt-30jun2017.pdf>. Acesso em 25 ago. 2026.

BERTOLUCCI, Aldo V. 2003. Quanto custa pagar tributos. Atlas, Rio de Janeiro, RJ, Brasil. Disponível em: <https://app.minhabiblioteca.com.br/reader/books/9788522472475/.> Acesso em: 20 out. 2025.

BITTENCOURT, Marcelo M. R. 1999. A Interpretação no Direito Tributário. Revista do Ministério Público, n. 9,

SILVA, A.F.; ROCHA, D.A.; SOUZA, E.M.; FILHO, J.I.; ALENCAR, J.M.; LEITÃO, R.D.; PORTO, R.A.. 2024. Direitos Fundamentais do Contribuinte. Foco Jurídico Ltda, Indaiatuba, SP, Brasil.

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

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