Resumo Executivo

Adalberto Francisco Chagas; Aldo José Brunhara

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

O avanço das tecnologias de Inteligência Artificial tem reconfigurado profundamente a forma como organizações públicas e privadas conduzem seus processos operacionais, especialmente em setores caracterizados por grande volume de dados técnicos e elevados requisitos normativos. No cenário brasileiro, o setor de saneamento básico passou por significativas transformações com a promulgação do Marco Legal do Saneamento, por meio da Lei 14.026 de 2020, que estabelece a meta de universalização dos serviços até 2033 e estimula a competitividade entre os operadores. A partir de 2023, a Companhia de Saneamento Básico do Estado de São Paulo iniciou um processo de reestruturação societária, deixando de ser controlada exclusivamente pelo Estado e tornando-se uma empresa de capital aberto com governança privada, em parceria com o Grupo Equatorial Energia, enquanto o Estado manteve posição acionária estratégica. Esse novo contexto organizacional impõe à companhia uma busca contínua por eficiência, inovação e rigor técnico para garantir a sustentabilidade de seus projetos e o cumprimento de metas contratuais rigorosas.

Um dos principais desafios operacionais enfrentados por companhias de saneamento refere-se à regularização fundiária para implantação de obras de infraestrutura, processo que envolve desapropriações e a instituição de faixas de servidão. A execução eficaz dessas etapas depende de análises técnicas de documentos como matrículas de imóveis, plantas topográficas e descrições perimétricas, os quais devem seguir normas da ABNT e diretrizes internas específicas, como a Norma Técnica Sabesp NTS 0105. No entanto, o caráter técnico e repetitivo dessas atividades, somado à complexidade e ao volume de documentos, torna o processo vulnerável a erros humanos e atrasos. O processamento de dados técnicos e legais críticos, como os documentos fundiários de faixas e áreas, sempre representou um gargalo operacional. A análise manual é um processo moroso e propenso a falhas, que pode impactar o cronograma de grandes obras de infraestrutura urbana e rural.

Em um panorama nacional, a expectativa é que a automação possa aumentar a produtividade em até 40% nas empresas brasileiras (McKinsey & Company, 2025). Soluções análogas em áreas jurídicas demonstram a capacidade de reduzir em até 98% o tempo de revisão contratual (Webdox, 2024), o que torna a investigação da Inteligência Artificial um imperativo estratégico. Ao confrontar a vulnerabilidade humana a erros e atrasos, a tecnologia demonstra capacidade de transformar um gargalo operacional em um processo que exige apenas 10% do tempo original. Soluções baseadas em modelos de linguagem natural têm potencial de reduzir em até 60% o tempo de verificação técnica em tarefas que envolvem leitura e conferência documental estruturada (Ribeiro et al., 2023). Além disso, a aplicação dessas ferramentas impacta positivamente a confiabilidade e a rastreabilidade dos processos de engenharia (Silva e Campos, 2022). O objetivo desta análise é avaliar, de forma prática e aplicada, o uso da Inteligência Artificial para a verificação automatizada de documentos técnicos no setor de saneamento, utilizando acervos reais para contribuir com a modernização dos processos e a mitigação de riscos operacionais.

A investigação foi conduzida como um estudo de caso aplicado, com abordagem predominantemente qualitativa, incorporando elementos quantitativos para aferição de desempenho. A pesquisa foi desenvolvida em uma empresa de referência estratégica do setor de saneamento básico, situada no Estado de São Paulo, que atua em projetos de regularização fundiária e obras técnicas em centenas de municípios. O foco central foi a aplicação de modelos de linguagem natural baseados em Inteligência Artificial, especificamente da família GPT (Generative Pre-trained Transformers), na automatização da verificação técnica de documentos topográficos e cadastrais. A amostragem constituiu-se de 19 documentos técnicos reais, extraídos de bases de dados internas da companhia, agrupados em quatro localidades distintas, cada uma representando um caso de teste prático aplicado.

A primeira localidade, Monteiro Lobato, situada na Região do Vale do Paraíba, contou com quatro documentos, incluindo planta topográfica, descrição perimétrica e matrícula de registro. A segunda localidade abrangeu os municípios de Itapecerica da Serra e Embu das Artes, com um conjunto de nove documentos relativos à regularização fundiária, incluindo IPTU, matrículas e croquis. O terceiro caso, Rio do Peixe, envolvendo Socorro e Serra Negra, incluiu três documentos técnicos relativos à área de captação e servidão, com características de ocupação e descrição perimétrica. Por fim, a localidade de Tanque, em Salto de Pirapora, foi analisada a partir de três documentos distintos, contendo planta numerada, registro no Cartório de Registro de Imóveis e documentos de recebimento.

A ferramenta central para a validação foi o modelo GPT 4.0, configurado para operar como um analista técnico especializado. A configuração do sistema, conhecida como System Prompt, foi fundamental para a precisão dos resultados, instruindo o modelo a simular o rigor de um engenheiro da companhia. O foco residiu na verificação de conformidade em relação às diretrizes estabelecidas na Norma Técnica Sabesp NTS 0105, que trata do cadastramento de propriedades. O propósito foi testar a capacidade da tecnologia em aplicar a norma, confrontando dados da matrícula e da descrição perimétrica com os requisitos de entrada documental. Para cada conjunto documental, foram realizados testes iterativos com diferentes comandos aplicados ao modelo, visando reconhecer padrões estruturais, identificar inconsistências normativas e emitir relatórios automatizados.

As variáveis analisadas incluíram a clareza dos apontamentos, a abrangência da análise, a coerência normativa e a capacidade de recomendação de ajustes técnicos. A análise quantitativa concentrou-se na mensuração do tempo de resposta da Inteligência Artificial frente ao tempo médio de análise humana. O trabalho foi realizado integralmente com o suporte de profissionais da Diretoria de Gestão Imobiliária e Patrimônio da companhia. Em conformidade com a Lei Geral de Proteção de Dados, os nomes de proprietários e dados de identificação sensíveis foram suprimidos ou anonimizados. A conformidade com as diretrizes éticas seguiu a Resolução CNS 510 de 2016, dispensando submissão ao Comitê de Ética por não envolver coleta de dados diretamente com seres humanos ou intervenções clínicas.

Os resultados empíricos obtidos com a aplicação do modelo GPT 4.0 na verificação técnico-jurídica demonstraram uma robustez significativa. No primeiro estudo de caso, em Monteiro Lobato, o conjunto analisado incluiu a matrícula do imóvel, a planta topográfica e a descrição perimétrica. O modelo foi submetido a três ciclos de comandos. No primeiro ciclo, focado na extração de dados cadastrais como nome do proprietário e número da matrícula, a acurácia foi de 100%. No segundo ciclo, destinado à confrontação documental para vincular o proprietário à descrição perimétrica, a acurácia atingiu 97%. No terceiro ciclo, que exigia uma análise de detalhe técnico para verificar se a descrição perimétrica correspondia à planta topográfica, a acurácia foi de 90%, sendo capaz de identificar discrepâncias de área e emitir alertas de risco.

O desempenho médio neste primeiro caso atingiu 96% de acurácia, com um tempo de resposta inferior a oito segundos por comando. Isso representa um ganho operacional expressivo frente ao processo manual, que pode levar horas para uma conferência minuciosa de vértices e coordenadas. A redução de tempo confirma a viabilidade da tecnologia como ferramenta estratégica para a mitigação de riscos e aceleração de entregas, liberando o corpo técnico para atividades de maior valor agregado, como a validação crítica e a gestão de interfaces complexas. O principal aprendizado foi a necessidade de vincular a narrativa jurídico-descritiva da matrícula à representação gráfica da planta, transformando um gargalo tradicional em um processo ágil e rastreável.

No segundo estudo de caso, referente a Itapecerica da Serra e Embu das Artes, a análise envolveu três áreas distintas representadas em uma mesma planta topográfica. Inicialmente analisadas de forma agrupada, as áreas foram posteriormente reclassificadas como cadastros independentes devido às suas especificidades dominiais. Para o primeiro cadastro desta localidade, a acurácia na extração de dados foi de 100%, confirmando CNPJ, endereço e número de matrícula. Na confrontação entre a matrícula e os vértices da planta, a acurácia foi de 97%, com a Inteligência Artificial associando os elementos de forma coesa. A verificação técnica e espacial da descrição apresentou 95% de acurácia, identificando correspondência espacial com a planta, apesar de pequenas variações aceitáveis nos ângulos.

A análise detalhada mostrou que a área total da gleba de 167,13 m² estava subdividida em dois segmentos de 97,83 m² e 69,30 m², ambos perfeitamente descritos na planta com vértices numerados. As distâncias entre os vértices variaram entre 5,35 m e 23,54 m, com precisão gráfica confirmada. Os azimutes e ângulos internos mostraram-se corretos e coerentes com a geometria representada, sem sobreposições com limites laterais. No entanto, o segundo cadastro desta localidade apresentou um desafio crítico: a inexistência de título dominial registrado. A área de 18,02 m², vinculada à prefeitura municipal, não possuía matrícula própria, sendo demarcada exclusivamente com base em levantamento topográfico. Embora os dados técnicos estivessem corretos, a ausência de matrícula fragiliza a segurança jurídica e pode gerar entraves para intervenções fundiárias futuras. O modelo de Inteligência Artificial detectou essa ausência com 90% de acurácia, emitindo um alerta sobre a falta de título formal.

O terceiro cadastro da mesma localidade englobou uma extensa área de 12.025,50 m² dividida em três registros distintos. Durante a conferência, a tecnologia identificou uma divergência entre a titularidade declarada e o documento de identificação, com um número de CPF que não correspondia ao nome principal nos registros. Além disso, as matrículas apresentavam descrições imprecisas, utilizando termos como “medindo aproximadamente”, sem coordenadas georreferenciadas. Essa falta de referência técnica compromete a localização exata no território. O modelo classificou o caso como tecnicamente inconclusivo quanto à vinculação espacial, recomendando a retificação cadastral e a atualização das matrículas com coordenadas georreferenciadas modernas. A acurácia para a identificação desses conflitos documentais foi de 88%.

No terceiro estudo de caso, no Rio do Peixe, o foco foi a área de captação hídrica e faixas de servidão. Os documentos apresentavam desafios específicos de interpretação da linguagem descritiva e padronização gráfica. Na primeira abordagem, a Inteligência Artificial identificou corretamente o número da matrícula, mas errou na extração da descrição perimétrica ao confundir coordenadas UTM com metragens lineares. Foi necessário ajustar o comando com orientações específicas sobre descrições georreferenciadas. Após o ajuste, a extração melhorou significativamente, atingindo 90% de acurácia para a matrícula e 85% para a planta. O modelo conseguiu reconhecer elementos básicos como escala gráfica e linha d’água, mas enfrentou dificuldades com a baixa qualidade do escaneamento. Com um comando de leitura assistida, a tecnologia passou a indicar corretamente a presença da faixa de servidão, estimando uma distância média de 6 m.

O quarto estudo de caso, em Salto de Pirapora, envolveu o Tanque de Recebimento de Descargas Líquidas e Sólidas, com uma área de aproximadamente 7.502,78 m². O processo de conferência automatizada visou identificar incoerências entre as descrições perimétricas, a titularidade e os dados de localização urbana. Inicialmente, a ferramenta apresentou dificuldade em distinguir informações do croqui daquelas da descrição textual. Após o ajuste do comando para organizar os dados em formato de tabela, a extração dos pontos, azimutes e distâncias foi realizada corretamente. A Inteligência Artificial confirmou a coerência entre os dados da planta e a área descrita, identificando o proprietário como um espólio e indicando que a matrícula estava de acordo com o uso declarado para instalação de infraestrutura sanitária. A acurácia final foi estimada em 98%.

A estruturação de um modelo ideal de interação com a Inteligência Artificial exige objetividade e especificidade no comando. Prompts diretos obtêm resultados mais acurados, enquanto a contextualização progressiva permite que a ferramenta responda melhor quando o cenário é revelado em camadas. O uso de múltiplos ciclos de checagem cruzada e refinamento aumenta consideravelmente a confiabilidade da análise. Observou-se que comandos genéricos levam a respostas incompletas, enquanto a adição de referências geográficas e cartoriais eleva a acurácia acima de 95%. A tecnologia mostrou-se eficaz na detecção de descrições precárias, ausência de coordenadas e divergências de titularidade, estabelecendo um fluxo lógico que vai da leitura da matrícula para a planta, seguida pelo memorial e, por fim, o cadastro.

A redução de falhas de interpretação e a agilidade no cruzamento de informações evidenciam o potencial transformador da tecnologia para processos tradicionalmente morosos. A principal contribuição deste estudo ultrapassa a validação técnica, propondo uma nova abordagem na gestão de documentos fundiários. Ciclos iterativos de comandos, combinados com intervenções humanas, melhoram a qualidade da análise documental. Essa lógica de atuação, baseada na colaboração entre a máquina e o especialista, posiciona-se como uma inovação relevante no contexto da transformação digital. A ferramenta não substitui o analista, mas amplia sua capacidade de atuação, contribuindo para decisões mais rápidas e embasadas, com menor margem de erro.

No que tange às precauções éticas, o tratamento de dados sensíveis deve respeitar rigorosamente a legislação vigente. Durante a pesquisa, informações patrimoniais e dados pessoais foram tratados com sigilo, sendo omitidos ou anonimizados quando necessário. O estudo evidenciou que, embora a acurácia seja elevada, desafios persistem na compreensão de documentos com descrições técnicas muito imprecisas ou na ausência total de títulos dominiais, o que reforça a importância da validação humana e da interpretação jurídica especializada. A Inteligência Artificial deve ser adotada como uma ferramenta de apoio à triagem e análise inicial, sendo capaz de identificar inconformidades e emitir alertas relevantes que orientem a ação do corpo técnico.

Essa abordagem é especialmente útil para instituições públicas, escritórios de engenharia e empresas do setor imobiliário que lidam com grandes volumes documentais e precisam garantir a integridade das informações. Além do ganho de produtividade, destaca-se o potencial da ferramenta como instrumento formativo, auxiliando no treinamento de novos profissionais e estimulando uma cultura organizacional voltada à inovação. Como desdobramento futuro, sugere-se a criação de sistemas de gestão documental inteligentes que integrem recursos de georreferenciamento e rastreabilidade digital, garantindo conformidade legal em todas as etapas do processo de regularização fundiária.

Do ponto de vista acadêmico, a pesquisa abre espaço para novos estudos sobre os impactos da tecnologia em setores regulados, especialmente na interface entre tecnologia, direito e engenharia. A construção de modelos preditivos e a personalização de comandos para cada tipo de norma técnica são caminhos promissores. A integração da Inteligência Artificial nos fluxos de trabalho de saneamento não apenas acelera as entregas estratégicas, mas também eleva o padrão de governança e transparência nos processos de gestão patrimonial e imobiliária, alinhando a operação às exigências de um mercado cada vez mais dinâmico e tecnológico.

Conclui-se que o objetivo foi atingido, validando a viabilidade e a eficácia do uso de modelos de linguagem natural na automatização da análise técnica de documentos fundiários no setor de saneamento. A aplicação prática demonstrou ganhos de eficiência superiores a 90% e acurácia média de 96%, transformando processos morosos em fluxos ágeis e rastreáveis. A tecnologia provou ser capaz de identificar inconsistências críticas, como divergências de titularidade e imprecisões em descrições perimétricas, atuando como um suporte robusto à decisão técnica. A colaboração entre a inteligência artificial e a supervisão humana especializada configura-se como o modelo ideal para mitigar riscos operacionais e acelerar a regularização fundiária necessária para a universalização dos serviços de saneamento.

Referências Bibliográficas:

BRASIL. 2020. Lei nº 14.026, de 15 de jul. de 2020. Atualiza o marco legal do saneamento básico e altera as Leis nº 9.984/2000, nº 10.768/2003, nº 11.107/2005 e nº 11.445/2007. Diário Oficial da União, Brasília, 16 jul. 2020. Seção 1.

MCKINSEY & COMPANY. 2023. The state of organizations 2023. Disponível em: https://www.mckinsey.com. Acesso em: 02 abr. 2025.

Resolução CNS 510 de 2016 [Referência completa não encontrada no documento original]

Ribeiro et al., 2023 [Referência completa não encontrada no documento original]

Silva e Campos, 2022 [Referência completa não encontrada no documento original]

WEBDOX. n.d. O que é gestão de contratos e por que é tão importante. Disponível em: https://www.webdoxclm.com. Acesso em: 02 abr. 2025.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de MBA em Gestão de Negócios

Saiba mais sobre o curso, clique aqui