SmartB: an artificial intelligence artifact for business diagnosis prediction

Abstract

A criação de novas empresas desempenha um papel importante no desenvolvimento econômico, na geração de empregos e na distribuição de renda. No Brasil, porém, apesar da alta taxa de atividade empreendedora, um número significativo de empresas fracassaram nos primeiros anos de operação. O chamado \"viés de otimismo\" frequentemente contribui para os desafios empresariais, principalmente devido à falta de formação específica e falta de conhecimento em gestão por parte dos empreendedores. Nesse contexto, esta tese propõe um framework para diagnóstico e predição empresarial utilizando inteligência artificial. Esta pesquisa tecnológica se fundamenta em uma abordagem filosófica pragmática, adotando métodos mistos e sendo conduzida em cinco etapas: (1) caracterização da pesquisa; (2) desenvolvimento de um framework conceitual para diagnóstico e avaliação empresarial; (3) implementação de um artefato de predição baseado em inteligência artificial para instanciar o framework; (4) avaliação do artefato; e (5) aplicação e disseminação dos resultados. Diferentemente de abordagens anteriores, o Framework BSM proposto integra cinco dimensões-chave, abordando uma lacuna na literatura e na prática: gestão, empreendedorismo, finanças, mercado e tecnologia. Esta estrutura fornece a base conceitual para a implementação do artefato SmartB, um sistema baseado em IA que aplica questionários para coletar dados de diagnóstico de empresas e compara essas informações com um banco de dados selecionado de casos de negócios reais. Com base nesse processo, o artefato gera avaliações de diagnóstico, incluindo indicadores de desempenho, análises descritivas e recomendações de melhoria direcionadas para cada dimensão do negócio. O desenvolvimento do artefato foi baseado em entrevistas com especialistas e revisões bibliográficas integrativas e exploratórias, que revelaram que a maioria das ferramentas de diagnóstico e previsão existentes se baseiam predominantemente em dados financeiros e não oferecem uma avaliação multidimensional. A estrutura conceitual e o artefato de diagnóstico foram refinados e validados com o apoio de 9 consultores de negócios experientes, que forneceram feedback especializado sobre a relevância da estrutura e a clareza das perguntas de diagnóstico, resultando em uma avaliação de satisfação geral de 90,4%. O sistema foi ainda avaliado por meio da análise de 17 entrevistas de diagnóstico de negócios reais, com uma satisfação geral média dos usuários de 93,2%. O feedback desses empreendedores que interagiram com o artefato SmartB destacou sua utilidade prática e coerência com os desafios reais dos negócios. Os resultados demonstram que a inteligência artificial, quando combinada com uma estrutura de diagnóstico estruturada e dados reais de diagnóstico de empreendimentos, pode fornecer previsões de diagnósticos empresariais consistentes e interpretáveis. A revisão da literatura mostrou que nenhuma outra ferramenta atualmente combina essas cinco dimensões de diagnóstico em um único sistema baseado em IA, reforçando a originalidade e a contribuição prática desta pesquisa para os campos da engenharia do conhecimento e da gestão de negócios.

Abstract: The creation of new businesses plays an important role in economic development, employment generation, and income distribution. In Brazil, however, despite a high rate of entrepreneurial activity, a significant number of enterprises fail within their first years of operation. The so-called \"optimism bias\" often contributes to business challenges, primarily due to entrepreneurs? lack of specific education and management knowledge. In this context, this thesis proposes a framework for business diagnostic prediction using artificial intelligence. This technological research is grounded in a pragmatic philosophical approach, adopting mixed methods and conducted in five stages: (1) characterization of the research; (2) development of a conceptual framework for business diagnosis and assessment; (3) implementation of an artificial intelligence-based prediction artifact to instantiate the framework; (4) evaluation of the artifact; and (5) application and dissemination of the results. Unlike previous approaches, the proposed BSM framework integrates five key dimensions, addressing a gap in current literature and practice: management, entrepreneurship, finance, market, and technology. This framework provides the conceptual basis to instantiate the SmartB artifact, an AI-driven system that applies questionnaires to collect diagnostic data from enterprises and compares this information with a curated database of real business cases. Based on this process, the artifact generates diagnostic assessments, including performance indicators, descriptive analyses, and targeted improvement recommendations for each business dimension. The development of the artifact was informed by expert interviews and both integrative and scoping literature reviews, which revealed that most existing diagnostic and predictive tools rely predominantly on financial data and do not offer a multidimensional assessment. The conceptual framework and diagnostic artifact were refined and validated with the support of 9 experienced business consultants, who provided expert feedback on both the framework's relevance and the clarity of diagnostic questions, giving an overall satisfaction assessment of 90,4%. The system was further evaluated through the analysis of 17 real business diagnostic interviews, with overall satisfaction of 93,2%. The feedback from these entrepreneurs who interacted with the SmartB artifact highlighted its practical usefulness and coherence with real business challenges. The results demonstrate that artificial intelligence, when combined with a structured diagnostic framework and real business diagnosis data, can support consistent, interpretable, and actionable business diagnosis prediction. The literature review showed no other tool currently combines these five diagnostic dimensions within a single AI-driven system, reinforcing the originality and practical contribution of this research to the fields of knowledge engineering and business management.