João Miguel Mesquita
A inteligência artificial está a deixar de ser uma experiência periférica nas administrações públicas para se tornar parte da infraestrutura operacional dos serviços do Estado. O estudo da SAS sobre IA fiável no setor público descreve esta transição como uma mudança gradual, mas já suficientemente avançada para obrigar as organizações governamentais a reverem a forma como tratam dados, processos e responsabilidades.
A principal conclusão é que a adoção de IA no setor público só cria valor sustentável quando assenta em dados governados, modelos explicáveis e mecanismos claros de controlo. Sem estes elementos, os projetos podem produzir ganhos pontuais, mas dificilmente evoluem para sistemas escaláveis e auditáveis.
O documento refere que 46% das organizações analisadas enfrentam um desalinhamento entre a confiança depositada na IA e a fiabilidade efetiva dos sistemas. Este desfasamento assume duas formas: a subutilização de sistemas robustos por falta de confiança interna e, no sentido oposto, a dependência excessiva de soluções ainda insuficientemente comprovadas.
A questão é particularmente sensível no setor público porque as decisões suportadas por IA podem afetar áreas como fiscalidade, saúde, segurança, serviços sociais, mobilidade ou resposta a emergências. Neste contexto, a confiança deixa de ser uma dimensão reputacional e passa a ser uma exigência técnica, regulatória e operacional.
O estudo não apresenta dados específicos sobre Portugal ou Espanha. A Europa surge apenas como referência regional e regulatória, sobretudo pela adoção de práticas de IA responsável e pelo enquadramento do AI Act.
No entanto as indicações do estudo são aplicáveis em Portugal, e a base técnica da IA pública continua a ser a qualidade dos dados. O estudo sublinha que dados incompletos, fragmentados ou mal governados aumentam o risco de resultados enviesados, decisões incorretas e falhas de conformidade. Para decisores de tecnologia, importa ter em atenção, que antes de escalar modelos, é necessário consolidar arquitetura de dados, integração, qualidade, rastreabilidade e políticas de acesso.
A governação é apresentada como o mecanismo que transforma modelos de IA em sistemas controláveis, explicáveis e auditáveis. Ainda assim, apenas 5% dos líderes governamentais inquiridos afirmam ter confiança nos seus atuais modelos de governação de IA, o que evidencia uma lacuna relevante entre ambição tecnológica e capacidade institucional.
O estudo organiza a transformação em três pilares, pessoas, processos e tecnologia. No primeiro, destaca a necessidade de formar equipas internas e combinar conhecimento técnico com experiência de domínio. No segundo, aponta para práticas de governação, conformidade, monitorização contínua e controlo do ciclo de vida dos modelos. No terceiro, sublinha a importância de infraestruturas flexíveis, dados fiáveis e arquiteturas preparadas para diferentes tipos de IA.
A componente humana permanece central. A IA é descrita como uma ferramenta de aumento da capacidade dos serviços, não como substituto da decisão humana. A curadoria dos dados, a validação dos modelos, a supervisão dos resultados e a definição de limites continuam a depender de equipas qualificadas.
O estudo identifica várias aplicações possíveis no setor público, desde machine learning para deteção de fraude e análise de risco, até processamento de linguagem natural para tratar formulários, relatórios e contributos públicos. Refere ainda visão computacional, modelos de linguagem, dados sintéticos, geração aumentada por recuperação, gémeos digitais e agentes de IA aplicados a serviços ao cidadão, contratação pública, planeamento urbano, saúde pública e gestão de emergências.
A seleção dos casos de uso deve partir de problemas concretos, métricas de impacto e retorno mensurável, e não da pressão para adotar tecnologia por si só. O estudo recomenda que as organizações escolham iniciativas capazes de demonstrar valor operacional num horizonte claro, evitando projetos tecnicamente apelativos mas difíceis de sustentar.
Os casos citados no documento mostram essa lógica aplicada em contextos distintos. Na Carolina do Norte, sistemas analíticos foram usados para melhorar a triagem de denúncias de fraude em seguros. Em Jacarta, a integração de dados e analítica avançada apoiou a gestão urbana e a resposta a cheias. Na Bélgica, um gémeo digital foi aplicado à análise de impacto de alterações fiscais.
A leitura para o mercado português é indireta, mas relevante. A pressão para introduzir IA nos serviços públicos não elimina a necessidade de investimento prévio em dados, governação, competências e controlo de risco. Pelo contrário, torna essa base mais crítica.
A adoção de IA no setor público entra, assim, numa fase menos centrada na experimentação e mais dependente da execução. Para as administrações, a questão já não é apenas identificar onde a IA pode ser usada. É garantir que cada implementação pode ser explicada, auditada, monitorizada e corrigida quando necessário.
