IA na auditoria de obras de saneamento

O Brasil possui um déficit histórico em saneamento básico: cerca de 35 milhões de pessoas não têm acesso à água tratada e mais de 100 milhões vivem sem coleta de esgoto. Para reverter esse cenário, o Novo Marco do Saneamento (Lei 14.026/2020) estabeleceu metas ambiciosas — universalizar o acesso até 2033. Para cumprir essas metas, são necessários investimentos da ordem de R$ 500 bilhões em obras de infraestrutura, incluindo estações de tratamento de água e esgoto (ETA e ETE). Em 2025, o Tribunal de Contas da União (TCU) analisou 120 contratos de obras de saneamento e encontrou indícios de superfaturamento em 28 deles — um percentual de 23% que acendeu o alerta para a necessidade de novas ferramentas de controle (TCU, relatório de auditoria operacional 2025).

A fiscalização tradicional de obras de saneamento sempre dependeu de vistorias presenciais, análise de planilhas orçamentárias e comparação com tabelas de referência como o SINAPI (Sistema Nacional de Pesquisa de Custos e Índices da Construção Civil). Esse modelo, embora necessário, é lento e reativo. Quando o problema é identificado, a obra já avançou, o dinheiro já foi pago e a correção se torna cara ou inviável.

É nesse cenário que a inteligência artificial começa a ocupar um papel central. Algoritmos de machine learning estão sendo treinados para analisar projetos de engenharia, comparar custos unitários, detectar desvios em cronogramas e até prever quais obras têm maior probabilidade de apresentar irregularidades. A promessa é transformar a auditoria de reativa em preditiva — e os primeiros resultados já aparecem.

O desafio da fiscalização de obras de saneamento

Obras de saneamento básico são um dos terrenos mais férteis para fraude e má gestão no setor público. Os motivos são estruturais: contratos de longa duração, medições complexas, especificações técnicas que variam conforme o terreno e uma cadeia de fornecedores que dificulta a verificação de preços.

Um contrato típico de construção de uma ETE envolve dezenas de itens: escavação, fundações, estruturas de concreto, sistemas de bombeamento, tubulações, equipamentos de tratamento biológico e químico, além de obras complementares como acessos e cercamento. Cada um desses itens tem custos que variam com a região, o tipo de solo, a distância de transporte de materiais e a sazonalidade. Para um auditor humano, verificar se cada valor está dentro da faixa razoável é uma tarefa hercúlea.

O TCU, em sua auditoria de 2025, utilizou uma abordagem híbrida: equipes técnicas analisaram amostras de contratos enquanto um sistema computacional cruzava dados de todos os 120 contratos. O sistema identificou padrões como preços unitários acima da média nacional, medições superiores ao executado e aditivos de prazo sem justificativa técnica (TCU, relatório de auditoria operacional 2025). O resultado foi a recomendação de suspensão de pagamentos em 12 obras até que as inconsistências fossem esclarecidas.

"A inteligência artificial não substitui o auditor, mas o capacita a enxergar o que antes era invisível. Em obras de saneamento, onde os valores envolvidos são bilionários e o impacto social é imediato, essa capacidade de antecipação é decisiva." — Trecho do relatório do TCU sobre auditoria operacional em obras de saneamento, 2025.

O caso ilustra uma mudança de paradigma. Em vez de auditar tudo com o mesmo nível de profundidade, o órgão de controle passou a usar a IA para priorizar onde concentrar esforços. A auditoria se torna mais eficiente porque o algoritmo aponta as obras com maior risco — e o auditor humano se dedica a investigar a fundo esses casos.

Como a IA analisa projetos de engenharia

O coração da nova abordagem está na análise de dados de projetos. Um sistema de machine learning pode ser treinado com milhares de projetos de saneamento anteriores, incluindo seus custos finais, para aprender quais combinações de itens e preços são plausíveis.

O processo funciona em etapas. Primeiro, o algoritmo extrai informações de documentos técnicos — planilhas orçamentárias, memoriais descritivos, cronogramas físico-financeiros. Em seguida, ele normaliza esses dados para uma base comparável, considerando fatores como localização geográfica e porte da obra. Por fim, aplica modelos estatísticos para identificar outliers: itens cujo custo unitário foge significativamente da distribuição esperada.

Um exemplo prático: o custo do metro cúbico de concreto armado para estruturas de estações de tratamento varia entre R$ 1.200 e R$ 1.800 em obras federais, dependendo da região e da complexidade da estrutura. Se um contrato apresenta valor de R$ 2.500, o sistema sinaliza automaticamente. O auditor então verifica se há justificativa técnica — como a necessidade de concreto de alta resistência — ou se há indício de superfaturamento.

A Controladoria-Geral da União (CGU) desenvolveu uma plataforma que aplica essa lógica em escala. Em teste realizado com dados de 25 contratos do Ministério das Cidades, o sistema identificou 89 itens com preços acima do esperado, dos quais 72 foram confirmados como superfaturamento após análise manual (CGU, relatório técnico 2025). A taxa de acerto de 81% demonstra o potencial da ferramenta, embora o número de contratos analisados ainda seja pequeno para generalizações.

O papel do Ministério das Cidades e da CGU na nova fiscalização

O Ministério das Cidades, responsável pela política nacional de saneamento, também está adotando ferramentas de IA. Em parceria com universidades, o órgão desenvolveu um sistema de monitoramento de cronogramas que usa dados de GPS de máquinas e imagens de satélite para verificar se o andamento físico da obra corresponde ao que está sendo pago.

A CGU ampliou sua atuação com algoritmos de detecção de anomalias em contratos de obras. Em 2025, a CGU reportou uma economia de R$ 1,2 bilhão em contratos de saneamento graças à identificação precoce de irregularidades (CGU, balanço anual 2025). O valor inclui cancelamento de medições indevidas, renegociação de preços e prevenção de aditivos injustificados.

O sistema da CGU cruza dados de diferentes fontes: registros de empresas, histórico de sanções, preços de insumos e até informações meteorológicas que podem afetar o andamento de obras. A IA encontra conexões que passariam despercebidas — como uma empresa que venceu contratos em estados diferentes com a mesma equipe técnica, sugerindo possível intermediação irregular.

A tabela acima resume o momento atual. Os números mostram que a IA não é mais uma promessa distante — é uma ferramenta operacional com resultados mensuráveis.

Desafios e limites da aplicação de IA

Apesar dos avanços, a aplicação de IA na auditoria de obras de saneamento enfrenta desafios significativos. O primeiro é a qualidade dos dados. Muitos contratos antigos estão digitalizados de forma precária, com planilhas em formatos incompatíveis e informações incompletas. Sem dados limpos e padronizados, o algoritmo perde precisão.

O segundo desafio é a resistência institucional. Auditores acostumados a métodos tradicionais podem ver a IA como uma ameaça ao seu papel. A experiência do TCU mostra que a integração é mais eficaz quando a tecnologia é apresentada como uma ferramenta de apoio, não de substituição. O algoritmo sugere, o auditor decide.

Há também o risco de viés algorítmico. Se o modelo for treinado com dados históricos que refletem práticas regionais de superfaturamento, ele pode normalizar esses valores como aceitáveis. Para mitigar esse risco, é essencial que os modelos sejam auditados periodicamente e que os dados de treinamento sejam revisados por especialistas independentes.

Conclusão: o futuro da auditoria preditiva

A aplicação de IA na auditoria de obras de saneamento básico representa uma evolução significativa na forma como o Estado brasileiro controla seus investimentos em infraestrutura. Os resultados iniciais — com a identificação de superfaturamento em 23% dos contratos analisados pelo TCU e a economia de R$ 1,2 bilhão pela CGU — demonstram que a tecnologia já é uma realidade operacional, não apenas uma promessa teórica.

O caminho à frente envolve superar os desafios de qualidade de dados, capacitação de equipes e mitigação de vieses. Mas a direção é clara: a auditoria preditiva, baseada em machine learning e análise de grandes volumes de dados, será cada vez mais central na garantia de que os recursos públicos destinados ao saneamento cheguem efetivamente às obras que transformarão a vida de milhões de brasileiros.

Com a universalização do saneamento como meta até 2033, a IA não é apenas uma ferramenta de eficiência — é uma necessidade estratégica para que o país alcance seus objetivos com transparência e responsabilidade fiscal. Os próximos anos serão decisivos para consolidar essa transformação, e os órgãos de controle que adotarem essas tecnologias estarão na vanguarda de uma nova era de governança pública.