250 editais por dia e 59 auditores: o tribunal que decidiu ler tudo
O TCE de Santa Catarina colocou IA para pré-analisar 100% dos editais de licitação do estado e dos 295 municípios. O ganho não é ler mais, é mudar o funil.
Um tribunal de contas recebe cerca de 250 pré-publicações de edital por dia. Tem 59 auditores fiscais para dar conta do volume. A aritmética não fecha: em algum ponto do caminho, alguém precisa decidir o que não será lido.
É aí que mora o prejuízo. Um edital com cláusula irregular que passa sem análise vira contrato assinado, e o problema só aparece anos depois, na auditoria, quando o dinheiro já saiu. A conta de não ler é maior do que a conta de ler — mas ninguém consegue ler tudo com equipe finita.
O Tribunal de Contas de Santa Catarina decidiu atacar essa equação por outro lado: em vez de contratar mais gente, colocou um modelo de IA para pré-analisar todos os editais do governo do estado e dos 295 municípios catarinenses antes da abertura. O sistema se chama VigIA e foi desenvolvido dentro da própria instituição.
O resultado descrito é uma inversão de funil. O auditor deixa de gastar o dia escolhendo o que ler e passa a receber uma lista curta do que merece leitura profunda.
O que o TCE/SC colocou no ar
Os números do problema, divulgados pelo próprio tribunal, dão a escala:
- Volume: 62.941 editais publicados em 2021, 65.994 em 2022 e 66.667 em 2023. Só em abril de 2024 foram 7.391, recorde mensal.
- Dinheiro: os valores previstos somaram R$ 39,29 bilhões em 2021, R$ 65,45 bilhões em 2022 e R$ 50,37 bilhões em 2023 — cerca de 10% do PIB de Santa Catarina por ano.
- Estrutura: mais de 1.800 unidades fiscalizadas entre estado e municípios, com 59 auditores fiscais de controle externo na diretoria de licitações.
O VigIA entrou em operação e, nas três primeiras semanas, analisou quase 800 editais enviados pelo e-Sfinge, o sistema de fiscalização integrada de gestão. Gerou cerca de 10 mil respostas de auditoria no período.
Na fase de testes, antes da operação oficial, o sistema notificou 24 licitações que estavam prestes a abrir, com materialidade somada de cerca de R$ 68 milhões. Em 14 delas as irregularidades apontadas foram corrigidas, o que corresponde a aproximadamente R$ 36 milhões em certames ajustados. Outras 8 seguiam em análise pelos municípios, somando R$ 27 milhões, e 2 não foram resolvidas a tempo.
Nada disso é IA generativa solta lendo edital e opinando. É um desenho bem mais chato — e é justamente o que faz funcionar.
A decisão técnica que sustenta o sistema
O ponto central do VigIA não é o modelo. São as perguntas.
O sistema procura, dentro dos documentos do edital, as respostas para perguntas de auditoria que os próprios auditores escreveram e cadastraram na plataforma. A IA não julga se a licitação é boa ou ruim: ela localiza, no texto, o que responde a cada pergunta do checklist.
Essa escolha resolve três problemas de uma vez:
1. Torna o achado contestável. Um alerta do tipo "este edital tem irregularidade" não serve para nada: ninguém consegue defender nem refutar. Um alerta do tipo "a pergunta sobre prazo mínimo de publicação foi respondida como não, e o trecho está na página 4" pode ser verificado em segundos pelo gestor e pelo auditor. Controle que não se explica não se sustenta.
2. Transforma conhecimento tácito em ativo. O conjunto de perguntas é a codificação do que os auditores experientes já verificam de cabeça. Isso sobrevive à troca de modelo, de fornecedor e de tecnologia. Quem começa pela ferramenta, e não pelo inventário de perguntas, compra um chatbot; quem começa pelas perguntas, constrói um sistema.
3. Separa triagem de julgamento. A IA faz varredura completa e barata. O humano faz a análise cara e criteriosa, só nos casos selecionados. Marcel Damato Belli, chefe da divisão de tratamento de dados do tribunal, resumiu bem: a IA libera os auditores para as análises complexas que exigem discernimento humano. E acrescentou o aviso que quase todo projeto de automação ignora — "o sistema não faz nada por si só", precisa de gente para operar.
O funil mudou de lugar
O ganho descrito não é "o tribunal agora lê mais rápido". É mais estrutural do que isso.
Antes, o controle externo trabalhava por amostra: escolhe-se parte dos processos, analisa-se a fundo, e o resto passa. Depois, quando o problema aparece, a correção vem por processo administrativo, com prazo, advogado e desgaste.
Com a triagem automática, a lógica inverte. A cobertura vira total na varredura e a profundidade se concentra onde há sinal. E a correção acontece antes da assinatura: o achado vai para o gestor, que ajusta o edital ou suspende o certame.
Há um exemplo concreto no material do tribunal. Num pregão eletrônico da prefeitura de Santa Cecília, o modelo apontou ausência de cláusulas exigidas, num trabalho sobre transporte escolar. A unidade suspendeu o edital para adequação. Nenhum processo foi aberto, nenhum contrato precisou ser desfeito.
Esse é o tipo de resultado que não aparece em relatório de economia: o prejuízo que não aconteceu. E é exatamente o motivo pelo qual projetos assim são difíceis de justificar antes de existirem.
O que a fonte não prova
Esta é a parte que separa leitura de release de leitura de caso.
A publicação é de maio de 2024. Os números de operação cobrem as três primeiras semanas do sistema. Procurei divulgação de escala atualizada em 2025 e 2026 e não encontrei material público com o desempenho consolidado. Tudo aqui deve ser lido como resultado inicial, não como patamar estável.
"100% dos editais" é a capacidade projetada, não uma cobertura medida e auditada. O objetivo declarado é avaliar todos os editais antes da publicação. O texto não informa taxa de cobertura efetiva alcançada depois da fase inicial.
Os R$ 36 milhões são materialidade, não economia comprovada. Esse valor corresponde ao montante previsto dos certames que foram ajustados. Um edital corrigido não significa automaticamente um contrato mais barato: significa que a cláusula irregular deixou de existir. A diferença importa.
Não há métrica pública de precisão. O material informa 24 notificações, 14 correções, 8 em análise e 2 sem solução a tempo. Não informa quantos falsos positivos o modelo produziu, nem qual a taxa de acerto por tipo de pergunta. Para um sistema de controle, esse é o número que mais interessa — e ele não está lá.
A fonte é institucional e interessada. Trata-se de comunicação oficial do próprio tribunal sobre o próprio projeto, com dirigentes falando bem do sistema que comandam. Não é avaliação independente.
Nada disso invalida o caso. Só define o que ele é: um desenho de arquitetura bem resolvido, com resultado inicial promissor, divulgado por quem o construiu.
Como isso se aplica fora do setor público
A tentação é ler esse caso como assunto de governo. Não é. O padrão que ele descreve aparece igual em qualquer operação privada que revisa documento em volume: contratos, propostas, notas fiscais, onboarding de cliente, due diligence de fornecedor, KYC.
Em todas elas, o gargalo tem a mesma forma: existe um checklist mental que o especialista aplica, o volume cresce mais rápido que o time, e a revisão vira amostragem. O que passa sem revisão é o risco que ninguém mede.
O caminho de implementação é o mesmo em três etapas:
1. Extraia o checklist do especialista. Sente com quem revisa e liste as perguntas que essa pessoa sempre faz. Não peça "o que você analisa" — peça exemplos concretos de documentos que ela reprovou e o motivo. Reprovou porque faltava cláusula? Porque o valor divergia da proposta? Porque a vigência estava fora do padrão? Cada motivo real vira uma pergunta verificável.
2. Confirme que a resposta está no documento. Se a resposta depende de informação que não está escrita em lugar nenhum, o primeiro projeto não é IA: é registro. Pergunta cuja resposta mora na cabeça de alguém não é automatizável — é treinável.
3. Automatize a triagem, preserve o julgamento. O modelo varre 100% e devolve, para cada apontamento, o trecho que sustenta a resposta. O especialista revisa a lista curta e decide. O ponto de consequência — reprovar, suspender, escalar — continua com uma pessoa, e continua registrado.
O que vem depois, no caso do tribunal, é a lição menos comentada: o próximo projeto não é analisar melhor, é organizar o fluxo em volta da análise. O TCE/SC anunciou o desenvolvimento do GuIA, sistema para gerir de forma unificada os indícios gerados pelos robôs e automatizar a produção dos relatórios de instrução.
Ou seja: depois de automatizar a leitura, eles foram automatizar a papelada que a leitura gera. É a mesma sequência que qualquer operação de compliance enfrenta, com ou sem tribunal.
O que sobra para quem está decidindo
O caso não prova que IA resolve controle. Prova algo mais modesto e mais útil: em operação documental de alto volume, o retorno não vem de analisar melhor uma amostra, vem de eliminar a amostra.
Isso exige duas coisas que não se compram prontas: um inventário de perguntas que a sua operação realmente faz, e a disciplina de manter a decisão final com gente — inclusive quando o modelo acerta, porque é a assinatura humana que transforma um indício em decisão defensável.
O tribunal não passou a ler tudo porque ganhou tempo. Passou a ler tudo porque parou de decidir, edital por edital, o que valia a pena ler.

Quer levar isso para a sua operação?
A Vanquish implementa agentes de IA, apps e integrações com o seu ERP, CRM e WhatsApp. Conte o seu caso e a gente desenha a solução.
Conhecer: Ambientes de IA sob medidaNão conheca alguma sigla? Veja o glossário de tecnologia e inovação.
Veja também
O pedido que o app de terceiro levava: a Brendi fez o WhatsApp vender
A Brendi transformou o WhatsApp do restaurante em canal próprio de vendas. A agente Brenda fecha cerca de 65% dos pedidos e o desenho dá para copiar.
A venda parava quando o vendedor saía: o WhatsApp virou o salão
A maior rede de brinquedos do Brasil levou a venda do salão para o WhatsApp com um agente de IA. A conversão publicada saltou 554% e o desenho dá para copiar.
Formulário perdia o lead: 49 mil matrículas do Yduqs no WhatsApp
A Estácio, o Ibmec e o Wyden trocaram o formulário por conversa: 49 mil inscrições em seis meses, custo por inscrição 25% menor e 45% menos transbordo para o time humano.