Todo ano, órgãos públicos brasileiros perdem tempo e recursos com análises manuais de licitações. O Brasil realiza mais de 200 mil licitações por ano, e muitas ainda são analisadas manualmente, gerando atrasos e riscos de inconsistências (Tribunal de Contas da União, 2025).

Mas isso está mudando. Ferramentas de IA generativa, muitas gratuitas, já permitem que qualquer órgão público automatize a análise de editais, compare propostas e identifique irregularidades. Órgãos que adotaram IA na análise de licitações reduziram o tempo de processamento em até 60% (Escola Nacional de Administração Pública - ENAP, 2026).

Neste tutorial, você vai aprender, passo a passo, a montar um sistema de automação de licitações usando Python, dados públicos e modelos como o Sabiá-4 (Maritaca AI) e o Gemini (Google). Ambos são gratuitos para até 60 requisições por minuto (Maritaca AI, Google, 2026).

O Cenário das Licitações no Brasil

Órgãos públicos enfrentam um dilema clássico: equipes reduzidas, prazos apertados e milhares de páginas de editais para analisar. O resultado é uma taxa de erros alta, especialmente em cláusulas restritivas e critérios de julgamento.

"A transparência nas licitações não é apenas uma obrigação legal, mas um pilar da gestão pública eficiente." — Tribunal de Contas da União, Relatório de Auditoria 2025.

A boa notícia é que a maior parte dos dados necessários já está disponível em portais de transparência e bases abertas como o ComprasNet e o Diário Oficial da União. O que falta é um processo automatizado para extrair, classificar e comparar informações.

O que você vai construir

Um script em Python que:

• Baixa editais de licitação do portal ComprasNet.
• Extrai cláusulas principais usando IA.
• Compara propostas de fornecedores com os requisitos do edital.
• Gera um relatório automatizado para a equipe de licitações.

Tudo com ferramentas gratuitas e código aberto.

Passo 1: Coletando Dados de Licitações com Python

O primeiro passo é acessar os dados de licitações. O governo federal disponibiliza essas informações via API do ComprasNet.

Vamos usar a API pública para baixar editais recentes.

import pandas as pd
import requests

Exemplo: baixar dados de licitações do portal ComprasNet

url = "https://api.comprasnet.gov.br/v1/licitacoes?data_inicio=2026-01-01&data_fim=2026-06-01" response = requests.get(url) df_licitacoes = pd.DataFrame(response.json())

Filtrar colunas relevantes

df_licitacoes = df_licitacoes[['id', 'objeto', 'orgao', 'data_abertura', 'modalidade']] print(df_licitacoes.head())

Esse código carrega os dados em um DataFrame. A partir daí, você pode filtrar por modalidade, órgão ou período.

Baixando o texto do edital

Cada licitação tem um link para o edital em PDF. Vamos baixar e extrair o texto usando Python.

import PyPDF2
import io

def baixar_edital(id_licitacao): url_edital = f"https://api.comprasnet.gov.br/v1/licitacoes/{id_licitacao}/edital" response = requests.get(url_edital) if response.status_code == 200: pdf_file = io.BytesIO(response.content) reader = PyPDF2.PdfReader(pdf_file) texto = "" for page in reader.pages: texto += page.extract_text() return texto else: return "Erro ao baixar edital"

Baixar edital da primeira licitação

edital_texto = baixar_edital(df_licitacoes.iloc[0]['id']) print(edital_texto[:500]) # Mostrar primeiros 500 caracteres

Esse passo já permite acessar o conteúdo completo dos editais para análise.

Passo 2: Usando IA para Extrair Cláusulas do Edital

Agora entra a inteligência artificial. Em vez de ler manualmente cada edital, você pode usar um modelo de linguagem para extrair cláusulas principais automaticamente.

Vamos usar o Sabiá-4 da Maritaca AI, que tem versão gratuita com limite de 60 requisições por minuto. O modelo é treinado em português e entende contexto jurídico.

import requests

API_KEY = "sua_chave_sabia4" # obtenha em maritaca.ai url_sabia = "https://api.maritaca.ai/v1/chat/completions"

def extrair_clausulas(texto_edital): prompt = f""" Você é um especialista em licitações públicas. Analise o seguinte edital e extraia as principais cláusulas:

{texto_edital[:3000]}  # Limitar para caber no prompt

Responda no formato:
- Objeto: [descrição]
- Prazo de entrega: [dias]
- Critério de julgamento: [menor preço/técnica e preço]
- Exigências de habilitação: [lista]
- Cláusulas restritivas: [lista, se houver]
"""

headers = {"Authorization": f"Bearer {API_KEY}"}
payload = {
    "model": "sabia-4",
    "messages": [{"role": "user", "content": prompt}],
    "temperature": 0.1
}

response = requests.post(url_sabia, json=payload, headers=headers)
return response.json()['choices'][0]['message']['content']

Extrair cláusulas do primeiro edital

clausulas = extrair_clausulas(edital_texto) print(clausulas)

O Sabiá-4 retorna as cláusulas de forma estruturada. Você pode ajustar o prompt para incluir regras específicas do seu órgão.

Alternativa com Gemini

Se preferir o Google Gemini, o processo é similar. A API gratuita aceita até 60 requisições por minuto.

import google.generativeai as genai

genai.configure(api_key="sua_chave_gemini") model = genai.GenerativeModel('gemini-1.5-flash')

def extrair_clausulas_gemini(texto_edital): prompt = f"Extraia as principais cláusulas deste edital de licitação: {texto_edital[:3000]}" response = model.generate_content(prompt) return response.text

Ambos os modelos funcionam bem. O Sabiá-4 tende a ser mais preciso para português jurídico; o Gemini é mais rápido.

Passo 3: Gerando Relatório Automatizado

Com as cláusulas extraídas, o próximo passo é gerar um relatório executivo que a equipe de licitações possa usar.

Vamos criar um resumo em Markdown e enviar por e-mail (ou salvar em PDF).

import smtplib
from email.mime.text import MIMEText

def gerar_relatorio(df_licitacoes, clausulas_dict): relatorio = f""" # Relatório de Análise de Licitações Automatizada Data: 12/06/2026 Total de licitações analisadas: {len(df_licitacoes)}

## Detalhes das Licitações
"""

for id_licitacao, clausulas in clausulas_dict.items():
    relatorio += f"""
    ### Licitação {id_licitacao}
    - Objeto: {clausulas.get('Objeto', 'Não informado')}
    - Prazo de entrega: {clausulas.get('Prazo de entrega', 'Não informado')}
    - Critério de julgamento: {clausulas.get('Critério de julgamento', 'Não informado')}
    - Exigências de habilitação: {clausulas.get('Exigências de habilitação', 'Não informado')}
    - Cláusulas restritivas: {clausulas.get('Cláusulas restritivas', 'Nenhuma')}
    
    """

return relatorio

Gerar e salvar

clausulas_dict = {df_licitacoes.iloc[0]['id']: clausulas} relatorio = gerar_relatorio(df_licitacoes.head(1), clausulas_dict) with open("relatorio_licitacoes.md", "w") as f: f.write(relatorio)

Você pode integrar com um sistema de workflow ou disparar notificações por e-mail.

Tabela Comparativa: Sabiá-4 vs Gemini para Análise de Licitações

Ambos os modelos são eficazes. Para órgãos públicos que lidam com legislação brasileira complexa, o Sabiá-4 pode ser mais adequado. Para projetos com alto volume de requisições, o Gemini oferece menor custo.

Próximos Passos

Com este sistema, sua equipe pode:

• Analisar dezenas de editais por dia automaticamente.
• Identificar cláusulas restritivas que podem ser questionadas.
• Comparar propostas de fornecedores com os requisitos do edital.
• Gerar relatórios padronizados para auditoria.

A automação de licitações com IA não é apenas uma tendência — é uma necessidade para a gestão pública moderna.

"A tecnologia não substitui o julgamento humano, mas amplifica a capacidade de análise e reduz erros." — Escola Nacional de Administração Pública (ENAP), Guia de Inovação 2026.

Comece hoje mesmo com ferramentas gratuitas e código aberto. Sua equipe e a sociedade agradecem.

Artigos Relacionados

• Como Conversar com os Dados do Governo Brasileiro Usando IA: 3 Caminhos (Python, n8n ou MCP) em 2026
• Construa um Assistente de IA no WhatsApp: Take Blip, n8n e Maritaca AI (Tutorial 2026)
• IA no Campo Brasileiro em 2026: 3 Casos Reais que Estão Aumentando a Produtividade em 40%