Sistema computacional baseado em Inteligência Artificial para apoio à elaboração de projetos de Pesquisa, Desenvolvimento e Inovação (PD&I) voltados à captação de recursos

Abstract

Este trabalho tem por objetivo desenvolver um sistema computacional apoiado por Inteligência Artificial para subsidiar a elaboração de projetos de Pesquisa, Desenvolvimento e Inovação (PD&I) voltados à captação de recursos, com ênfase na rastreabilidade dos processos decisórios e na reprodutibilidade das execuções. Parte-se do entendimento de que a captação por editais constitui um processo intensivo em conhecimento, marcado por pressão de tempo, dispersão informacional e requisitos normativos fragmentados, condição particularmente crítica no Front End da Inovação. Adota-se a Design Science Research Methodology (DSRM) para diagnosticar barreiras informacionais e processuais, derivar objetivos e requisitos orientados à verificabilidade, projetar e desenvolver o sistema e demonstrar seu funcionamento em cenário controlado. O recorte empírico concentra-se em chamadas e documentos públicos associados à Finep, utilizados para construir uma base de conhecimento operacional orientada ao edital e traduzi-la em parâmetros, rotinas e verificações implementadas em Python, com interface web. O sistema organiza cada execução em um diretório próprio, registrando insumos, logs e outputs de modo a permitir auditoria e reexecução sob condições equivalentes. Os resultados se materializam em duas funções integradas: a primeira realiza triagem e síntese de oportunidades, consolidando relatórios e evidências por execução; a segunda apoia a preparação e a checagem objetiva de propostas, gerando minutas e relatórios legíveis e imprimíveis, ancorados no edital selecionado. Emprega-se apoio pontual de IA generativa em tarefas específicas de assistência e análise comparativa, mantendo revisão humana e vínculo explícito aos insumos processados. A avaliação técnico-operacional, compatível com o escopo do estudo, verifica a aderência do sistema aos requisitos definidos, destacando rastreabilidade por execução, verificabilidade dos outputs e utilidade operacional no cenário demonstrado, e delimita como limitações a ausência de testes com usuários e a necessidade de calibração para outros financiadores e regras.

Abstract: This study aims to develop a computational system supported by Artificial Intelligence to assist in the preparation of Research, Development and Innovation (R&D&I) projects oriented toward fundraising through public calls, with emphasis on the traceability of decision-making processes and the reproducibility of executions. It is grounded on the understanding that fundraising through calls for proposals constitutes a knowledge-intensive process, marked by time pressure, informational dispersion, and fragmented normative requirements, a condition that is particularly critical in the Front End of Innovation. The Design Science Research Methodology (DSRM) guides the diagnosis of informational and procedural barriers, the derivation of verifiability-oriented objectives and requirements, the design and development of the system, and the demonstration of its operation in a controlled setting. The empirical scope focuses on public calls and related documents associated with Finep, which are used to build an operational knowledge base oriented to the call for proposals and translate it into parameters, routines, and verification procedures implemented in Python, with a web interface. The system organizes each execution in a dedicated directory, recording inputs, logs, and outputs to enable auditing and re-execution under equivalent conditions. The results materialize in two integrated functions: the first performs screening and synthesis of opportunities, consolidating reports and evidence per execution; the second supports proposal preparation and objective compliance checking, generating drafts and readable, printable reports anchored in the selected call for proposals. Generative AI is employed selectively in specific assistance and comparative analysis tasks, while maintaining human review and explicit linkage to the processed inputs. The technical-operational evaluation, compatible with the scope of the study, verifies the system's adherence to the defined requirements, highlighting execution traceability, output verifiability, and operational usefulness in the demonstrated scenario, and identifies as limitations the absence of user testing and the need for calibration for other funding agencies and regulatory contexts.