Automatização da elaboração da prévia de aproveitamento de disciplinas em uma instituição de ensino utilizando agentes de inteligência artificial

Abstract

O processo de elaboração da prévia de aproveitamento de disciplinas desempenha papel importante nos fluxos de transferência em instituições de ensino superior, pois permite avaliar quais componentes curriculares cursados anteriormente podem ser reconhecidos na nova trajetória acadêmica do estudante. Entretanto, essa atividade normalmente depende da análise manual de históricos escolares, ementas e matrizes curriculares, demandando elevado esforço operacional, conhecimento especializado e tempo de execução. Nesse contexto, este trabalho apresenta o desenvolvimento de uma solução para automatização da elaboração da prévia de aproveitamento de disciplinas em uma instituição de ensino. A metodologia adotada contemplou o levantamento e a análise do processo atual, a modelagem dos processos As-Is e To-Be, a identificação de gargalos, a definição dos requisitos da solução, o desenvolvimento de uma plataforma web e a implementação de mecanismos de automação, integração de sistemas e agentes de Inteligência Artificial (IA). A solução desenvolvida centraliza as solicitações, os documentos acadêmicos e as informações utilizadas durante o processo, além de apoiar a análise das disciplinas por meio de agentes de Inteligência Artificial (IA) especializados na estruturação das informações acadêmicas e na identificação de equivalências curriculares. Para sua implementação foram utilizadas tecnologias voltadas à automação de processos, desenvolvimento web, integração de sistemas e Inteligência Artificial, incluindo a plataforma N8N, a Azure AI Foundry e uma aplicação web desenvolvida especificamente para o projeto. Os resultados obtidos demonstraram redução significativa das atividades manuais envolvidas no processo, centralização das informações anteriormente distribuídas entre diferentes sistemas e aumento da padronização e rastreabilidade das análises realizadas. Além disso, o tempo necessário para elaboração da prévia de aproveitamento foi reduzido de aproximadamente seis dias para cerca de dez minutos, ampliando significativamente a capacidade operacional da instituição. Dessa forma, o trabalho demonstra o potencial da aplicação integrada de automação de processos, integração de sistemas e agentes de Inteligência Artificial (IA) para apoiar atividades acadêmicas que dependem da análise de documentos e da tomada de decisão especializada.

The process of course credit transfer assessment plays an important role in student transfer processes in higher education institutions, as it allows the evaluation of previously completed courses that may be recognized within a student’s new academic program. However, this activity typically depends on the manual analysis of academic transcripts, course syllabi, and curriculum structures, requiring significant operational effort, specialized knowledge, and processing time. In this context, this work presents the development of a solution to automate the preparation of preliminary course credit transfer assessments in an educational institution. The adopted methodology included the analysis of the current process, the modeling of As-Is and To-Be processes, the identification of bottlenecks, the definition of solution requirements, the development of a web platform, and the implementation of process automation, system integration mechanisms, and Artificial Intelligence (AI) agents. The developed solution centralizes requests, academic documents, and information used throughout the process, while supporting course equivalency analysis through AI agents specialized in structuring academic information and identifying curriculum equivalencies. The implementation employed technologies related to process automation, web development, system integration, and Artificial Intelligence, including the N8N platform, Azure AI Foundry, and a web application specifically developed for the project. The results demonstrated a significant reduction in the manual activities involved in the process, the centralization of information previously distributed across different systems, and increased standardization and traceability of the analyses performed. Furthermore, the time required to prepare a preliminary course credit transfer assessment was reduced from approximately six days to around ten minutes, significantly increasing the institution’s operational capacity. Therefore, this work demonstrates the potential of integrating process automation, system integration, and AI agents to support academic activities that depend on document analysis and specialized decision-making.