Resumo Executivo

Carlos Eduardo da Silva Carvalho; Washington Sales do Monte

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

Este estudo avalia o potencial da Inteligência Artificial (IA) para inovação e eficiência no desenvolvimento de software em instituições governamentais, combinando fundamentação teórica com a percepção de profissionais da área. A pesquisa investiga como a IA pode redefinir a engenharia de software no setor público; a eficiência deve ser equilibrada com os imperativos de transparência, conformidade legal e responsabilidade social. O trabalho explora as oportunidades e os desafios dessa transição, diagnosticando o estágio atual de adoção e as perspectivas para a modernização dos serviços digitais estatais.

A evolução da Inteligência Artificial, desde pioneiros como Alan Turing (1950) e John McCarthy (McCarthy, 1956 apud Russell; Norvig, 2016) até Marvin Minsky (1986), demonstra a busca contínua por máquinas que simulem o raciocínio humano. A transição “dos átomos para os bits” (Negroponte, 1995) acelerou nas últimas décadas. Autores como Russell e Norvig (2021) defendem que a IA moderna deve transcender a execução de tarefas, incorporando autonomia, aprendizado e alinhamento a valores éticos, um requisito crítico para sua aplicação no governo.

O protagonismo da IA é impulsionado por uma confluência de fatores. Técnicas avançadas de aprendizado de máquina e profundo permitiram processar grandes volumes de dados (Bengio; Hinton; Lecun, 2021). A disponibilidade de big data tornou-se o combustível para modelos preditivos sofisticados (Kitchin, 2014). Simultaneamente, a expansão da capacidade computacional, com GPUs, TPUs e computação em nuvem, forneceu a infraestrutura para treinar e operar esses modelos em larga escala (Jordan; Mitchell, 2015).

Essa convergência, somada a avanços algorítmicos (Goodfellow; Bengio; Courville, 2016) e à democratização de ferramentas de código aberto, consolidou a IA como força central da transformação digital (Zhang et al., 2020). Na Engenharia de Software, a revolução se manifesta na automação de tarefas como geração de código, testes, modelagem de sistemas e documentação técnica. Grandes modelos de linguagem (LLMs) demonstram potencial para aumentar a produtividade, reduzir custos e acelerar os ciclos de entrega de software (Sommerville, 2019).

No setor público, os benefícios da IA impactam diretamente a qualidade e a eficiência dos serviços ao cidadão. A automação de processos e a otimização de sistemas legados podem reduzir custos de manutenção e aumentar a confiabilidade das plataformas governamentais (Zhang et al., 2023; IBM, 2024). A IA também possibilita soluções inovadoras, como assistentes virtuais e sistemas de análise preditiva para políticas públicas. Sua adoção estratégica fortalece pilares da governança digital como transparência, responsabilidade e confiança social (Brasil, 2021; Transparência Brasil, 2021).

A pesquisa é de natureza aplicada, focada em problemas práticos de inovação e eficiência no desenvolvimento de software no setor público (Vergara, 2016). O delineamento combina abordagens exploratória e descritiva para investigar um tema emergente e sistematizar as características do fenômeno, mapeando percepções e práticas dos profissionais (Marconi; Lakatos, 2017; Gil, 2019). Adotou-se um método misto, integrando técnicas quantitativas e qualitativas para uma análise robusta e multifacetada (Creswell, 2014; Wasti et al., 2022). A investigação articulou revisão teórica com uma pesquisa de campo, conduzida por um questionário eletrônico estruturado, eficaz para coletar dados padronizados de uma amostra representativa (Gil, 2019).

O questionário foi organizado em cinco eixos: perfil sociodemográfico, experiência profissional, familiaridade com IA, percepção sobre a importância e o desempenho da tecnologia no ciclo de vida do software, e identificação de barreiras e benefícios. A população-alvo foi composta por profissionais de uma empresa de tecnologia pública, incluindo desenvolvedores, arquitetos, líderes técnicos, gestores, especialistas em qualidade e product owners. A amostragem não probabilística por conveniência resultou em 57 respondentes válidos, selecionados por sua experiência direta com projetos de software no setor público. O estudo seguiu os preceitos éticos da Resolução nº 510/2016 do Conselho Nacional de Saúde e as diretrizes da Lei Geral de Proteção de Dados (LGPD), assegurando anonimato e confidencialidade.

A análise dos dados ocorreu em duas etapas. Questões fechadas (escalas Likert e múltipla escolha) foram tratadas com estatística descritiva, calculando frequências para caracterizar a amostra e identificar padrões. Questões abertas foram submetidas à análise qualitativa categorial, organizando respostas textuais em temas e categorias emergentes para transformar narrativas em padrões analíticos (Dawadi, Shrestha e Giri, 2021). A integração dessas abordagens, princípio central de métodos mistos, permitiu que os resultados se complementassem, oferecendo uma compreensão mais completa do fenômeno (Fetters, Curry e Creswell, 2013). Na Engenharia de Software, essa abordagem é eficaz para capturar dados objetivos de desempenho e percepções subjetivas dos profissionais (Storey et al., 2024).

O perfil dos 57 respondentes é qualificado e experiente. A distribuição etária concentra-se na faixa de 25 a 44 anos (68,4%). Há predominância masculina (80,7%), um padrão comum na área de TI (Rizardi, 2022). O alto nível de escolaridade, com 93% possuindo ensino superior completo ou pós-graduação, confere consistência às avaliações sobre os benefícios e riscos da IA em qualidade, custos e prazos (Briand, 2020; Wiegers; Beatty, 2013). A experiência profissional reforça a relevância dos achados: 22,8% atuam no setor público há 15 anos ou mais e 21,1% entre 8 e 14 anos. Essa vivência em ambientes regulados confere peso às suas percepções sobre conformidade e transparência (Brasil, 2021). A maioria dos respondentes são Desenvolvedores (50,9%), seguidos por Product Owners (19,3%) e Líderes Técnicos (10,5%), refletindo a visão da linha de frente. O grau de familiaridade com IA é majoritariamente intermediário (47,4%), consistente com a fase de difusão de inovações (Rogers, 2003) e modelos de aceitação tecnológica (Venkatesh et al., 2003).

A aplicação da IA nas etapas do ciclo de vida do software é desigual, com forte concentração em atividades técnicas. Geração de código (75,4%) e correção de erros/refatoração (54,4%) são os usos mais frequentes, confirmando o impacto de assistentes de codificação na produtividade e qualidade (Chen et al., 2021; Vaithilingam et al., 2022). Em um patamar intermediário, estão os testes automatizados (45,6%) e a análise de requisitos (45,6%). Embora a automação de testes seja uma área com grande potencial, sua aplicação em requisitos permanece um desafio em sistemas críticos do setor público que exigem rastreabilidade e conformidade (Wiegers; Beatty, 2013). As atividades de modelagem de software (38,6%), atendimento a usuários (22,8%) e gerência de projetos (21,1%) apresentam os menores índices de uso, sinalizando que a IA ainda não atingiu maturidade para se consolidar em fases mais conceituais e gerenciais, que demandam maior contextualização (Pressman; Maxim, 2016).

A percepção sobre a importância da IA revela um forte consenso sobre seu potencial. O aumento da produtividade foi o aspecto mais valorizado (média de 4,53 em 5), refletindo a expectativa de otimização de tempo e recursos. A velocidade de entrega de soluções também recebeu alta avaliação (média de 4,32), alinhada à demanda por agilidade no setor público. A modernização dos serviços de TI foi outro destaque (média de 4,12), indicando a IA como catalisador da transformação digital. A melhoria da qualidade (média de 3,93) e a redução de falhas (média de 3,79) foram consideradas importantes, embora com maior dispersão nas respostas, sugerindo que a materialização desses benefícios depende de avanços metodológicos e integração com processos de garantia de qualidade (Myers; Sandler; Badgett, 2011).

Sobre o desempenho prático da IA, os resultados mostram correlação com as áreas de maior aplicação. A geração ou recomendação de código teve o desempenho mais bem avaliado (média de 4,11), seguida pela automação de testes (média de 4,04). A facilidade de uso das ferramentas de IA obteve a maior média (4,25), indicando a usabilidade como fator crucial para a adoção. Em contrapartida, o desempenho em análise de requisitos (média de 3,68), gerenciamento de projetos (média de 3,71) e integração com processos existentes (média de 3,71) foi considerado moderado. Essa percepção reflete os desafios de alinhar a tecnologia a práticas organizacionais complexas e a necessidade de maior maturidade para garantir consistência e rastreabilidade no ciclo de vida do software (ISO/IEC/IEEE, 2017).

A pesquisa mapeou os principais desafios para a adoção da IA no setor público. O custo das ferramentas foi o principal obstáculo (66,7%), reflexo das restrições orçamentárias governamentais. Em seguida, surgem a baixa integração com sistemas existentes (35,1%) e as questões éticas e legais (35,1%), que destacam a necessidade de governança de dados e conformidade com a LGPD. A falta de conhecimento técnico (28,1%) e a ausência de apoio da gestão (28,1%) evidenciam barreiras de maturidade organizacional, que demandam capacitação e alinhamento estratégico. A resistência à mudança (19,3%) também foi citada, sublinhando a importância da comunicação sobre os benefícios da tecnologia.

Apesar dos desafios, os profissionais identificaram benefícios claros. A agilidade e celeridade nas entregas foi o mais citado (48 ocorrências), seguido por produtividade e eficiência (41 ocorrências), reforçando a visão da IA como instrumento para acelerar processos e otimizar recursos. A melhoria da qualidade e segurança (18 ocorrências) e a modernização e inovação dos serviços (13 ocorrências) também foram destacadas, indicando que a tecnologia é percebida como um catalisador para a transformação digital e a elevação dos padrões de confiabilidade das soluções governamentais.

A análise qualitativa sobre o potencial transformador da IA corroborou os achados quantitativos, reforçando a percepção de ganhos em qualidade, confiabilidade, produtividade e eficiência. A modernização e a agilidade foram associadas à capacidade da IA de apoiar a transformação digital e acelerar a entrega de valor ao cidadão. Contudo, as respostas também evidenciaram consciência sobre limitações como altos custos, resistência cultural e burocracia, que precisam ser endereçadas por meio de políticas de governança e regulamentação adequadas para que o potencial da tecnologia seja plenamente realizado (Brasil, 2021; Transparência Brasil, 2021).

Em síntese, o estudo demonstrou que a IA já se estabeleceu como ferramenta de alto impacto em atividades técnicas do desenvolvimento de software no setor público, gerando ganhos de produtividade e agilidade. A percepção dos profissionais é majoritariamente positiva, reconhecendo a IA como vetor estratégico para inovação. No entanto, a consolidação da tecnologia em etapas mais complexas, como análise de requisitos e gestão de projetos, ainda enfrenta desafios metodológicos, organizacionais e culturais. Barreiras como custos, dificuldades de integração e questões de governança limitam seu potencial e exigem uma abordagem estratégica.

Conclui-se que o objetivo foi atingido: demonstrou-se que a Inteligência Artificial é percebida pelos profissionais como um vetor estratégico de inovação e eficiência no desenvolvimento de software no setor público, embora sua consolidação dependa da superação de desafios estruturais, organizacionais e de governança. Para pesquisas futuras, recomenda-se aprofundar a análise da aplicação da IA em etapas menos exploradas, como a governança de projetos e a análise de requisitos complexos, bem como investigar os impactos diretos da tecnologia na experiência do cidadão e na formulação de políticas públicas digitais. Estudos comparativos entre diferentes instituições governamentais também podem enriquecer a compreensão sobre os fatores contextuais que influenciam o sucesso na adoção da IA, contribuindo para consolidar seu papel na modernização do Estado.

Referências:
Amershi, S.; Weld, D.; Vorvoreanu, M.; Fourney, A.; Nushi, B.; Collisson, P.; Suh, J.; Iqbal, S.; Bennett, P. N.; Inkpen, K.; Teevan, J.; Kikin-Gil, R.; Horvitz, E . Guidelines for human-AI interaction. In: CHI Conference on Human Factors in Computing Systems (CHI 2019) , 2019, Glasgow, Reino Unido. Anais […]. New York: ACM, 2019. p. 1-13. DOI: 10.1145/3290605.3300233.
Bengio, Y.; Hinton, G.; Lecun, Y . Deep learning for AI. Communications of the ACM , v. 64, n. 7, p. 58-65, 2021.
Boehm, B . A spiral model of software development and enhancement. IEEE Computer , v. 21, n. 5, p. 61-72, 1988. DOI: 10.1109/2.59.
Brasil. Estratégia Brasileira de Inteligência Artificial – EBIA. Brasília: Ministério da Ciência, Tecnologia e Inovações, 2021.
Briand, L. Empirical software engineering and AI: challenges and opportunities. ACM SIGSOFT Software Engineering Notes , v. 45, n. 1, p. 1-6, 2020.
Bryson, J. J . Patience is not a virtue: the design of intelligent systems and systems of ethics. Ethics and Information Technology , v. 20, n. 1, p. 15–26, 2018.
Chen, M. et al . Evaluating large language models trained on code. arXiv preprint , arXiv:2107.03374, 2021.
Creswell, J. W. Research design: qualitative, quantitative, and mixed methods approaches . 4. ed. Thousand Oaks: Sage, 2014.
Davis, F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly , v. 13, n. 3, p. 319–340, 1989.
Dawadi, S.; Shrestha, S.; Giri, R . Mixed-methods research: a discussion on its types, processes and challenges. Journal of Practical Studies in Education , v. 2, n. 2, p. 25–36, 2021.
Fetters, M. D.; Curry, L. A.; Creswell, J. W. Achieving integration in mixed methods designs: principles and practices. Health Services Research , v. 48, n. 6, p. 2134–2156, 2013.
Gil, A. C. Métodos e técnicas de pesquisa social . 7. ed. São Paulo: Atlas, 2019.
Github. GitHub Copilot. Disponível em: https://github. com/features/copilot . Acesso em: 14 jun. 2025.
Goodfellow, I.; Bengio, Y.; Courville, A. Deep learning . Cambridge: MIT Press, 2016.
Ibm. Inteligência artificial no desenvolvimento de software. IBM Brasil, 2024. Disponível em: https://www. ibm. com/br-pt/think/topics/ai-in-software-development . Acesso em: 5 maio 2025.
ISO/IEC. 25010:2011 – Systems and software engineering — Systems and software quality models. Geneva: ISO, 2011.
ISO/IEC/IEEE. 12207:2017 – Systems and software engineering — Software life cycle processes. Geneva: ISO; New York: IEEE, 2017.
Jordan, M. I.; Mitchell, T. M. Machine learning: trends, perspectives, and prospects. Science, v. 349, n. 6245, p. 255-260, 2015.
Kitchin, R. The data revolution: big data, open data, data infrastructures and their consequences . London: Sage, 2014.
Marconi, M. de A.; Lakatos, E. M. Fundamentos de metodologia científica . 8. ed. São Paulo: Atlas, 2017.
Mccarthy, J. Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Hanover, NH, 1956. Manuscrito.
Minsky, M. The society of mind . New York: Simon & Schuster, 1986.
Myers, G. J.; Sandler, C.; Badgett, T. The art of software testing . 3. ed. Hoboken: Wiley, 2011.
Negroponte, N. Being digital . New York: Alfred A. Knopf, 1995.
Openai. ChatGPT. Disponível em: https://chat. openai. com/ . Acesso em: 14 jun. 2025.
Pearce, H. et al. Using GitHub Copilot for code generation: an empirical study. In: Proceedings of the 44th International Conference on Software Engineering , 2022, New York, NY, EUA. Anais […]. New York: ACM/IEEE, 2022. p. 1-12.
Pressman, R. S.; Maxim, B. R . Engenharia de software: uma abordagem profissional . 8. ed. Porto Alegre: AMGH, 2016.
Rizardi, B. S. (org.). Caminhos da inovação no setor público . Brasília: ENAP, 2022. Disponível em: https://repositorio. enap. gov. br/bitstream/1/7420/1/caminhosdainovacaonosetorpublico. pdf. Acesso em: 10 jun. 2025.
Rogers, E. M. Diffusion of innovations . 5. ed. New York: Free Press, 2003.
Russell, S.; Norvig, P. Artificial intelligence: a modern approach . 4. ed. Harlow: Pearson, 2021.
Sommerville, I. Engenharia de software . 10. ed. São Paulo: Pearson, 2019.
Storey, M.-A.; Hoda, R.; Paz Milani, A. M.; Baldassarre, M. T. Guiding principles for using mixed methods research in software engineering. arXiv preprint , arXiv:2404.06011, 2024.
Transparência Brasil. Recomendações de governança do uso de IA pelo poder público. São Paulo, 2021. Disponível em: https://www. transparencia. org. br/downloads/publicacoes/RecomendacoesGovernancaUsoIA_PoderPublico. pdf . Acesso em: 2 abr. 2025.
Turing, A. Computing machinery and intelligence. Mind, v. 59, n. 236, p. 433-460, 1950.
Vaithilingam, P.; Zhang, T.; Fogel, A. Expectations vs. experience: evaluating the usability of code generation tools powered by large language models. In: CHI Conference on Human Factors in Computing Systems , 2022, Glasgow, Reino Unido. Anais […]. New York: ACM, 2022. p. 1-15.
Venkatesh, V.; Morris, M. G.; Davis, G. B.; Davis, F. D. User acceptance of information technology: toward a unified view. MIS Quarterly , v. 27, n. 3, p. 425–478, 2003.
Vergara, S. C. Projetos e relatórios de pesquisa em administração . 16. ed. São Paulo: Atlas, 2016.
Wasti, S. P. et al. The growing importance of mixed-methods research in health and social sciences. Journal of Multidisciplinary Healthcare , v. 15, p. 1205–1214, 2022.
Wiegers, K.; Beatty, J. Software requirements . 3. ed. Redmond: Microsoft Press, 2013.
Zhang, C. et al. AI open platforms: a new ecosystem of artificial intelligence. Nature Machine Intelligence , v. 2, p. 59-61, 2020.
Zhang, Y. et al. Generative AI for software engineering: opportunities and challenges. IEEE Software , v. 40, n. 5, p. 36-44, 2023.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}