Câmeras, balanças e inteligência artificial ajudam auditores a selecionar cargas com indícios de irregularidade
Caminhões que entram, saem ou circulam pelo Distrito Federal podem ser identificados e analisados sem a necessidade de uma parada inicial em posto fiscal. A combinação de câmeras, balanças instaladas nas vias e sistemas de dados permite direcionar os auditores para cargas com maior risco de irregularidade.
Duas iniciativas tecnológicas da Secretaria de Economia do Distrito Federal foram apresentadas na 68ª Reunião da Comissão de Gestão Fazendária, realizada entre 16 e 18 de junho, em Brasília.
Uma delas é o Sistema Eletrônico de Fiscalização Tributária em Trânsito. A outra reúne pesquisas sobre o uso de aprendizado de máquina e modelos de linguagem na classificação de mercadorias e na identificação de possíveis fraudes fiscais.
As ferramentas podem tornar a fiscalização mais abrangente e reduzir abordagens aleatórias. O uso responsável, porém, exige validação dos alertas, acompanhamento humano e mecanismos para impedir que uma indicação produzida por algoritmo seja confundida com prova de sonegação.
Sefit acompanha veículos e gera alertas em tempo real
O Sistema Eletrônico de Fiscalização Tributária em Trânsito integra três componentes principais.
As câmeras com reconhecimento óptico de caracteres, tecnologia conhecida pela sigla OCR, leem as placas dos veículos que passam pelos pontos monitorados.
As balanças WIM, expressão em inglês para pesagem em movimento, estimam o peso dos caminhões sem exigir que eles parem sobre uma plataforma convencional.
Um aplicativo reúne as informações e gera alertas para os auditores da Receita do Distrito Federal.
O sistema pode auxiliar na identificação de incompatibilidades entre o veículo, a carga declarada, o peso registrado e as informações disponíveis nos documentos fiscais.
A apresentação foi conduzida por Silvino Nogueira, coordenador de Fiscalização Tributária, Hermógenes Boccanera, gerente do Sistema de Monitoramento de Mercadorias em Trânsito, e Rubens Costa, consultor de tecnologia da informação.
“Com essa automatização, quaisquer mercadorias que entrem ou saiam do DF, ou mesmo circulem internamente, serão fiscalizadas em tempo real”, afirmou Silvino Nogueira.
Na prática, a expressão deve ser compreendida como monitoramento eletrônico ampliado. O sistema não abre ou verifica fisicamente todas as cargas. Ele coleta dados e ajuda a selecionar quais veículos merecem análise adicional.
Localização do DF amplia o desafio da fiscalização
O Distrito Federal está conectado a rodovias que recebem cargas procedentes de diferentes regiões do país. A localização central também favorece a instalação de transportadoras, distribuidoras e centros logísticos.
Esse fluxo torna limitada uma fiscalização baseada exclusivamente em barreiras presenciais.
Uma equipe posicionada em determinado ponto consegue abordar apenas uma parcela dos veículos. A escolha também pode depender da observação do agente, do horário da operação e da disponibilidade de pessoal.
O monitoramento eletrônico amplia o alcance porque funciona continuamente e permite selecionar veículos a partir de critérios previamente definidos.
“É uma resposta inteligente à limitação da fiscalização tradicional, que depende de blitz presenciais e tinha baixa abrangência”, afirmou Hermógenes Boccanera.
O ganho esperado está na capacidade de concentrar os auditores onde existem sinais mais consistentes de irregularidade. Isso pode reduzir o tempo gasto com cargas regulares e aumentar a presença fiscal sem exigir equipes em todos os pontos de entrada.
Alerta do sistema não comprova infração
Uma divergência identificada pelo Sefit deve ser tratada como indício para análise, não como comprovação automática de fraude.
O peso registrado pode variar por razões técnicas. A placa pode ser lida incorretamente. Um documento fiscal pode ter sido cancelado, substituído ou emitido com informação incompleta sem que exista intenção de sonegar.
Também podem ocorrer falhas de comunicação entre bases públicas, atraso na atualização de registros ou associação incorreta entre veículo e mercadoria.
Por isso, os alertas precisam ser confirmados pelos auditores. A eventual autuação deve estar baseada na legislação, nos documentos e nas evidências reunidas durante o procedimento fiscal.
A divulgação pública de indicadores também será necessária para medir o desempenho do sistema. Entre os dados relevantes estão a quantidade de veículos monitorados, o número de alertas emitidos, a proporção de falsos positivos, as cargas efetivamente abordadas e os valores recuperados após confirmação das irregularidades.
Sem essas informações, é possível conhecer a estrutura tecnológica, mas não avaliar com precisão sua efetividade.
Aprendizado de máquina seleciona padrões fiscais
O segundo projeto apresentado no encontro envolve o uso de inteligência artificial para analisar grandes volumes de informações tributárias.
O auditor fiscal Vinícius Di Oliveira mostrou aplicações de aprendizado de máquina na seleção de contribuintes e de operações que podem exigir fiscalização.
Aprendizado de máquina é uma área da inteligência artificial na qual modelos computacionais identificam padrões a partir de exemplos anteriores.
Na fiscalização tributária, o processo pode começar com uma base formada por documentos fiscais, descrições de mercadorias, códigos de classificação e resultados de auditorias.
Especialistas fazem a curadoria dos dados, identificam tipologias conhecidas de irregularidade e selecionam as variáveis consideradas relevantes. Depois, o modelo é treinado para reconhecer combinações semelhantes em novos registros.
Essa estrutura não elimina o trabalho dos auditores. Ao contrário, depende do conhecimento técnico desses profissionais para definir o que será procurado, revisar os dados e interpretar os resultados.
Empresas noteiras podem ser localizadas por comportamento
Uma das aplicações apresentadas trata da identificação de empresas conhecidas como noteiras.
Essas estruturas podem ser criadas ou utilizadas para emitir documentos fiscais sem que haja uma operação comercial verdadeira. Os documentos são empregados para gerar créditos tributários ou simular compras e vendas.
A identificação manual exige o exame de redes empresariais, movimentações, notas emitidas, sócios, endereços, volume declarado e comportamento ao longo do tempo.
Modelos supervisionados podem aprender com casos anteriormente confirmados e indicar empresas que apresentam padrões semelhantes.
Entre os sinais que podem ser examinados estão crescimento repentino de faturamento, grande emissão de documentos sem estrutura operacional compatível, relações frequentes com empresas já investigadas e divergências entre compras, vendas e recolhimentos.
Nenhum desses elementos comprova fraude isoladamente. Uma empresa nova pode crescer rapidamente de forma legítima, e um endereço compartilhado pode ter explicação comercial regular.
O valor do modelo está na triagem. A decisão fiscal permanece condicionada à apuração documental.
Modelo compacto foi treinado para classificar mercadorias
Di Oliveira também apresentou pesquisa desenvolvida em seu doutorado em Informática na Universidade de Brasília.
A tese sobre modelos de linguagem em português estudou a classificação de mercadorias pela Nomenclatura Comum do Mercosul, conhecida como NCM.
A NCM possui códigos usados para identificar produtos em documentos fiscais e operações de comércio exterior. Uma classificação incorreta pode alterar alíquotas, benefícios, controles administrativos e estatísticas comerciais.
O desafio cresce porque as descrições inseridas nas notas fiscais podem conter abreviações, erros ortográficos e nomes incompletos. Um mesmo produto pode aparecer de dezenas de formas diferentes.
A pesquisa utilizou mais de 240 mil registros extraídos de notas fiscais eletrônicas para desenvolver um modelo especializado em português e no domínio tributário.
O modelo foi baseado no TeenyTinyLLaMA e recebeu ajuste específico por uma metodologia chamada SLIM-RAFT. A versão apresentada possui 160 milhões de parâmetros, quantidade pequena em comparação com grandes modelos comerciais.
Resultado foi superior em uma tarefa específica
No teste de classificação pela NCM, o SLIM-RAFT obteve nota média de 8,63 em uma escala de zero a dez.
O modelo denominado ChatGPT 4.0 obteve média de 4,5 no mesmo protocolo, enquanto a versão básica do TeenyTinyLLaMA marcou 0,2.
A avaliação utilizou 100 perguntas que não haviam sido apresentadas durante o treinamento. As identidades dos modelos foram ocultadas, e as respostas receberam notas de um modelo ChatGPT-4 utilizado como avaliador.
O resultado demonstra que um sistema pequeno e especializado pode superar um modelo de uso geral em uma tarefa estreita para a qual recebeu treinamento direcionado.
Não significa que o modelo criado seja mais capaz que o GPT-4 em redação, programação, análise jurídica, raciocínio geral ou outras atividades.
A comparação também depende da base utilizada, do formato das perguntas, dos critérios de pontuação e do avaliador escolhido.
A própria pesquisa reconhece que os experimentos foram realizados em um domínio estruturado e que os resultados não podem ser automaticamente transferidos para outros contextos.
IA generativa ainda exige validação antes do uso real
A apresentação classificou a evolução tecnológica da fiscalização em quatro etapas.
A primeira seria marcada por auditorias presenciais e análise de amostras. A segunda acrescentaria documentos eletrônicos e malhas fiscais. A terceira incorporaria ciência de dados e aprendizado de máquina.
A quarta etapa incluiria inteligência artificial generativa, agentes computacionais e fiscalização preditiva.
Essa divisão funciona como uma síntese apresentada pelo pesquisador, e não como uma classificação legal ou um padrão obrigatório para todas as administrações tributárias.
Modelos generativos podem interpretar descrições, sugerir classificações e reunir informações para o auditor. Também podem produzir respostas incorretas com aparência convincente.
Antes do uso operacional, será necessário testar estabilidade, taxa de erro, atualização das normas, possibilidade de auditoria das respostas e proteção das informações fiscais.
Em áreas que podem resultar em multas, bloqueios ou responsabilização de contribuintes, a velocidade do algoritmo não substitui fundamentação.
Fisco digital precisa combinar eficiência e controle
O uso de câmeras, balanças e modelos de inteligência artificial pode aumentar a capacidade de fiscalização sem exigir que todos os caminhões sejam parados.
A seleção orientada por risco também pode reduzir abordagens sem fundamento e concentrar equipes em situações com maior probabilidade de irregularidade.
Para os contribuintes regulares, o benefício esperado é uma fiscalização mais rápida e menos invasiva. Para o governo, a tecnologia pode ampliar o combate à evasão e à concorrência desleal.
Esse resultado dependerá da qualidade dos dados e da revisão humana.
Um sistema que gera muitos alertas incorretos apenas transfere o trabalho da estrada para a tela. Um modelo treinado com classificações equivocadas pode reproduzir os mesmos erros em escala maior.
O avanço não está apenas em usar inteligência artificial. Está em demonstrar que ela seleciona melhor, erra menos, respeita direitos e permite que cada resultado seja conferido.
Relacionadas, fontes e documentos:
– Crédito rural pode mais que triplicar colheita de alho (Fonte em Foco)
– Transporte gratuito garante almoço (Fonte em Foco)
– Cartão ajuda moradora a reconstruir casa após incêndio (Fonte em Foco)
– Feirão do Trabalhador terá vagas e cursos no DF (Fonte em Foco)
– Tecnologia e Sistema Eletrônico de Fiscalização Tributária em Trânsito (Seec-DF)
– Tecnologia e inteligência artificial a serviço do Fisco do DF (Agência Brasília)