Aplicação de modelos de linguagem natural e aprendizado de máquina integrados para apoiar a gestão de ideias.

Abstract

Plataformas de inovação aberta acumulam grandes volumes de ideias textuais, tornando a triagem manual um processo complexo e pouco escalável. Este estudo apresenta um pipeline computacional para apoiar a análise e a organização automatizada de 14.442 ideias provenientes de plataformas de tendências de mercado. A abordagem combina técnicas de representação semântica, agrupamento, recuperação vetorial e geração de conteúdo por modelo de linguagem de grande escala executado localmente. Foram comparadas estratégias de agrupamento baseadas em densidade e modelagem de tópicos, evidenciando diferentes níveis de coesão e abrangência na identificação de padrões temáticos. Os agrupamentos obtidos foram posteriormente utilizados em um mecanismo de recuperação semântica para subsidiar a geração de Matrizes SWOT e Planos de Negócios. Os resultados demonstram o potencial da abordagem para reduzir o esforço de triagem e ampliar a exploração de oportunidades presentes em grandes coleções de ideias. Entretanto, a análise das respostas geradas identificou inconsistências, especialmente em informações financeiras sem respaldo no contexto recuperado. Dessa forma, o pipeline mostra-se adequado como ferramenta de apoio à análise e à priorização de ideias, mas suas saídas devem ser submetidas à validação humana antes de serem utilizadas em processos de tomada de decisão.