Por que a IA de projetos avalia contra a norma, não compara versões

A inteligência artificial usada na análise de projetos de licenciamento funciona bem quando compara um documento contra uma norma fixa e codificada — recuo, taxa de ocupação, coeficiente de aproveitamento — e falha quando é usada para comparar dois documentos entre si, como cruzar disciplinas de um mesmo projeto ou verificar se uma versão corrigida atendeu aos apontamentos de uma análise anterior. A diferença não está na qualidade do modelo. Está no tipo de tarefa: regra fixa é auditável, comparação interpretativa não é.

É comum um setor de planejamento urbano pedir de um fornecedor de IA exatamente o oposto do que ela entrega bem: quer que o sistema leia o projeto elétrico, o hidráulico e o estrutural da mesma edificação e aponte sozinho onde uma viga invade o traçado de uma tubulação, ou que compare a versão corrigida de uma prancha com a anterior e diga se o projetista atendeu ao apontamento. São tarefas de julgamento técnico sênior — e é aí que a IA generalista, testada até em ferramentas como ChatGPT ou Gemini, tende a alucinar.

Regra fixa é repetível, comparação de documentos é interpretação livre

Uma norma urbanística — recuo frontal mínimo, altura máxima, área permeável exigida — é um parâmetro estável, escrito, sem ambiguidade de leitura. Quando esse parâmetro é configurado como critério da IA, toda vez que um novo projeto entra no fluxo, o sistema aplica a mesma régua, da mesma forma, para o primeiro e para o centésimo processo do mês. Essa é a tarefa que escala: aplicar critério idêntico sem variar de analista para analista.

Comparar duas versões de uma mesma peça técnica, ou cruzar disciplinas dentro de um único projeto, não tem parâmetro fixo de referência. A IA precisaria entender a intenção de dois documentos distintos e julgar se um responde ao outro — e isso exige o mesmo tipo de leitura contextual que um analista sênior faz com anos de prática, não um critério que se escreve uma vez e se aplica sempre igual.

O erro é pedir o trabalho do analista sênior, não o do analista júnior

Boa parte do fluxo de licenciamento é, na prática, trabalho de conferência repetitiva: bater um dado contra um limite normativo, checar se um campo obrigatório foi preenchido, validar se um documento anexado corresponde ao tipo exigido. Isso é trabalho de analista júnior, determinístico, e é exatamente aí que a IA configurada contra regra fixa entrega ganho real e mensurável.

Julgar se uma correção atendeu a um apontamento anterior, ou se um projeto estrutural é compatível com o hidráulico da mesma edificação, é trabalho de analista sênior — depende de know-how tácito, não de um critério redigido. Pedir para uma IA generalista fazer esse julgamento a partir de PDFs de plantas tende a produzir respostas confiantes e erradas, porque o modelo tenta responder mesmo sem ter um parâmetro objetivo para comparar.

Ignorar essa distinção gera dois erros opostos de gestão

O primeiro erro é superdimensionar a IA: comprar a promessa de “sistema que analisa qualquer projeto” e descobrir, na operação, que ela não substitui a compatibilização entre disciplinas nem o julgamento sobre uma correção. O resultado é frustração com uma ferramenta que nunca prometeu fazer aquilo — e, pior, a conclusão errada de que “IA de licenciamento não funciona”.

O segundo erro, simétrico, é descartar a IA por completo depois dessa frustração, jogando fora o ganho real que ela oferece: dezenas de checagens de norma automatizadas por processo, aplicadas com o mesmo critério em toda a fila, sem depender de qual analista pegou o caso naquele dia. O recorte certo não é “a IA resolve ou não resolve o licenciamento” — é mapear, dentro do fluxo, o que é regra fixa (delegável) e o que é julgamento técnico (fica com o analista).

Conclusão

Antes de contratar ou expandir o uso de IA no licenciamento, vale uma pergunta direta ao fornecedor: essa IA aplica uma norma configurada e estática, ou promete comparar e julgar documentos entre si? A resposta honesta define o que esperar da ferramenta — e evita tanto a decepção de quem esperava um analista sênior digital quanto o desperdício de quem descarta um ganho real de produtividade por ter pedido a tarefa errada. No Aprova, a IA de análise de projetos foi construída sobre esse limite: ela aplica parâmetros urbanísticos configurados pela própria prefeitura a cada novo projeto, com o mesmo critério do primeiro ao último processo da fila — não tenta comparar versões nem substituir o julgamento técnico do analista responsável pela aprovação final.