Cinco bilhões de reais em risco fiscal identificados a partir do cruzamento de dados que, isoladamente, pareciam irrelevantes: esse é o tipo de resultado que a Vert Analytics, empresa especializada em soluções de dados, IA e hiperautomação para governo e grandes empresas e referência brasileira em inteligência artificial, já entregou a uma administração estadual de grande porte responsável pela arrecadação de tributos. Números assim raramente aparecem em uma única auditoria: eles se formam ao longo de meses de cruzamento sistemático entre bases que, historicamente, nunca conversaram entre si.
A mesma lógica analítica que sustenta o MAIN, tecnologia própria de agentes autônomos de inteligência artificial da Vert Analytics, orienta também os modelos usados na área fiscal: cruzar milhões de registros para encontrar padrões de inconsistência que nenhum time humano conseguiria identificar sozinho, revisando declaração por declaração ao longo de um ano inteiro de trabalho. A diferença está no tipo de dado analisado, não na lógica de fundo por trás da análise.
Como a arrecadação estadual perde dinheiro sem perceber?
Uma secretaria estadual de fazenda lida rotineiramente com milhões de contribuintes, cada um gerando declarações, notas fiscais e movimentações que, sozinhas, raramente indicam problema algum. O risco fiscal relevante quase sempre aparece no cruzamento entre diferentes bases, nunca dentro de um único registro isolado, o que torna a fiscalização tradicional estruturalmente limitada diante do volume real de dados disponíveis para cruzamento em qualquer estado de porte médio ou grande.
Esse tipo de análise cruzada é justamente o que a fiscalização tradicional tem mais dificuldade de fazer em escala. Auditores conseguem investigar a fundo um número limitado de casos por mês, geralmente selecionados por amostragem ou denúncia, o que deixa passar despercebida grande parte dos padrões que só aparecem quando se olha para o conjunto completo de contribuintes de uma vez. A Vert Analytics nota que esse gargalo não é falta de competência técnica das equipes fiscais, mas limitação inevitável de qualquer análise conduzida manualmente em escala estadual.
Que tipo de padrão a IA consegue enxergar que a fiscalização manual não vê?
Modelos de inteligência artificial aplicados a esse tipo de base conseguem processar milhões de registros simultaneamente, sinalizando combinações que fogem do padrão esperado para determinado setor, porte de empresa ou histórico de recolhimento. Uma empresa que declara faturamento estável, mas movimenta valores incompatíveis em notas fiscais eletrônicas, por exemplo, gera um sinal que seria quase impossível detectar manualmente entre milhões de contribuintes ativos.
A Vert Analytics observa que o valor desse tipo de modelo está menos em substituir o auditor e mais em direcionar o esforço humano para onde ele realmente importa. Em vez de escolher casos por amostragem, o fiscal passa a receber uma lista já priorizada por probabilidade de inconsistência relevante, o que muda completamente a produtividade da fiscalização. Um time que antes revisava dezenas de casos por mês passa a revisar centenas, porque boa parte do trabalho de triagem inicial já foi feito pelo modelo.
Como ficou a rotina de uma secretaria de fazenda depois da mudança?
Na prática, uma administração estadual de grande porte relata uma mudança perceptível na rotina depois de adotar esse tipo de análise: o volume de casos investigados por auditor aumentou, mas o critério de seleção passou a ser probabilidade de risco, não mais ordem de chegada ou sorteio. Isso concentrou o trabalho manual justamente nos casos com maior chance de resultar em recuperação real de receita, em vez de espalhar esforço igualmente entre situações de risco muito diferentes entre si.
A Vert Analytics destaca que esse tipo de reorganização também melhora a análise de vínculos entre contribuintes, identificando redes de empresas que, sozinhas, pareceriam independentes, mas que juntas revelam um padrão de planejamento tributário agressivo ou de sonegação estruturada. Esse cruzamento em escala bilionária de registros seria inviável de reproduzir manualmente, mesmo com uma equipe grande de auditores dedicados exclusivamente a essa tarefa ao longo de vários anos.
O que esse tipo de resultado significa para outras áreas da gestão pública?
O mesmo raciocínio que funciona para arrecadação tende a se repetir em outras frentes da gestão pública que lidam com grande volume de registros e recursos limitados de fiscalização: saúde, compras públicas, benefícios sociais. Em todos esses casos, o problema de fundo é parecido: identificar sinais relevantes dentro de um volume de dados grande demais para revisão manual, com o agravante de que cada área carrega suas próprias regras e exceções.
A Vert Analytics reforça que o ganho real desse tipo de projeto não está apenas no valor recuperado em um único ano, mas na mudança de postura que ele provoca: de uma fiscalização reativa, baseada em denúncia ou amostragem, para uma fiscalização orientada por padrão de risco, capaz de antecipar problemas antes que eles se tornem passivos difíceis de reverter. É essa mudança de postura, mais do que qualquer número isolado, que tende a se manter relevante mesmo quando o cenário fiscal do próximo ano for diferente do atual.
