ANTES DO PREÇO, A TRIAGEM

Por que mais dados, mais IA ou mais automação não resolvem sozinhos a pesquisa de preços nas compras públicas

Versão de divulgação do estudo completo “Antes do Preço, a Triagem”.

Duas horas, sete preços, nenhuma certeza

Marina abre o PNCP às oito da manhã. Precisa do preço de uma seringa descartável de 10 ml. Parece fácil. Ela digita “seringa”. Milhares de resultados. Tenta “seringa 10 ml”. No primeiro processo, encontra só agulha. No segundo, a seringa tem agulha, caixa com 100. No terceiro é por unidade, mas não diz se tem agulha.  Duas horas depois, Marina tem sete preços e uma dúvida: encontrou sete preços do mesmo produto?

O problema nem é tanto encontrar preços. É saber quais preços pertencem à mesma comparação.

Figura 1 — Uma busca pode recuperar registros nominalmente parecidos e economicamente diferentes.

Hoje, grande parte da pesquisa acontece na cabeça de quem busca preços. O sistema recupera registros, mas é o usuário quem decide o que serve. É esse trabalho anterior ao cálculo que chamamos de triagem.

A média chega muito depois

Quando se discute pesquisa de preços, a conversa costuma ir rapidamente para média, mediana, média saneada, outliers. Tudo isso importa. Mas existe uma sequência anterior. E mais fundamental. Imagine que alguém colocou numa planilha os preços de caixa com 20 comprimidos, pacote com 100, unidade avulsa e um produto com dosagem diferente. A mediana pode estar matematicamente perfeita e ser economicamente inútil. O cálculo não consegue corrigir sozinho a fragilidade da amostra.

Figura 2 — Antes do cálculo, quatro decisões precisam estar razoavelmente resolvidas

Já existem experiências que resolveram pedaços do problema. A CGU já criou algoritmo para tornar homogêneos atributos e unidades antes de calcular estatísticas. Minas Gerais reuniu milhões de registros de variadas fontes e desenvolveu o “Quanto Custa”. O Banco de Preços em Saúde acumulou conhecimento especializado em medicamentos. O Rio Grande do Sul usa notas fiscais para estimar preços.

A tecnologia também avançou. IA consegue aproximar textos diferentes, extrair atributos, sugerir códigos e encontrar candidatos que uma busca literal não localizaria. O problema é ir de “parecido” para “comparável”.“Seringa 10ml” e “seringa 20ml” são textos muito próximos. Não são o mesmo produto. Uma caixa com 20 comprimidos e outra com 100 podem ser o mesmo medicamento, mas os preços precisam de uma unidade comum. E mesmo dois registros do mesmo exato produto podem ter preços formados em condições muito diferentes. Dez unidades entregues com urgência numa cidade distante não são necessariamente uma boa referência para cem mil unidades entregues num centro de distribuição.

A IA pode ajudar a encontrar. Ainda precisamos decidir.

Mais dados podem piorar a pesquisa

A Lei nº 14.133/2021 prometeu ao PNCP um Painel Nacional de Preços, um Banco de Preços em Saúde e acesso à base nacional de notas fiscais eletrônicas. A NF-e parece particularmente atraente porque costuma informar melhor o que foi faturado: marca, modelo, GTIN, NCM, unidade comercial, quantidade e apresentação.

Ótimo. Mas aparece outro problema. Imagine uma licitação de 1.000 unidades por R$ 10 cada. O fornecedor entrega em vinte remessas de cinquenta unidades e emite vinte notas fiscais. Quantos preços de mercado temos? Um.

Se cada nota entrar como uma nova observação independente, o sistema passará a enxergar vinte compras de cinquenta unidades a R$ 10. A escala que formou o preço desaparece. Contratos com mais entregas parceladas também ganham artificialmente mais peso na amostra. Esse tipo de erro é conhecido como pseudorreplicação: estamos contando várias vezes a mesma evidência.

Figura 3 — Vinte documentos de execução não significam vinte negociações independentes.

Por isso, integrar NF-e não basta. É preciso ligar edital, resultado, ata, contrato, ordem de fornecimento, nota fiscal, recebimento e liquidação para reconstruir o negócio em que aquele preço nasceu. A nota fiscal sabe bastante sobre o produto. A licitação conta a negociação. Precisamos das duas.

Dado demais, contexto de menos

O problema já aparece antes da NF-e. A Transparência Brasil encontrou milhares de duplicidades no PNCP. Também encontrou milhares de produtos repetidos dentro da mesma compra. Parte desses casos pode ser legítima, talvez lotes distintos ou tratamento favorecido a pequenas empresas. O ponto é justamente este: olhando apenas a linha, nem sempre dá para saber o que ela representa.

O TCU encontrou outro sintoma: mais de quinhentas compras estimadas acima de R$ 100 milhões e valor homologado pelo menos cem vezes menor. Havia estimativa de R$ 900 bilhões homologada por R$ 30 mil.

Se os auditores mais bem equipados do país precisam separar erro de cadastro de irregularidade real, triagem não é burocracia adicional para o comprador. É uma capacidade que falta ao sistema inteiro.

Quando a triagem decide quem compete com quem

Até aqui parece que estamos discutindo apenas pesquisa de preços. Não estamos. A mesma capacidade de reconhecer produtos equivalentes serve para decidir quem concorre com quem. E aí o problema fica maior.

O melhor exemplo vem do Chile. Lá os próprios fornecedores preenchiam atributos dos produtos ofertados. O catálogo parecia ter enorme variedade. Só parecia.

Pesquisadores descobriram que mais de 7 mil registros correspondiam a menos de 3 mil produtos. Muitas ofertas equivalentes apareciam no sistema como coisas diferentes, inviabilizando a disputa. Quando a descrição dependia inteiramente do fornecedor, quase tudo era vendido sem disputa.

A correção começou pelo cadastro. Primeiro organizaram categorias e atributos, usaram IA para ganhar escala e revisão humana nos casos duvidosos. Só depois conseguiram redesenhar a competição e economizar, estimulando maior competição. Padronizar tornou possível dinamizar as disputas.

Figura 4 — No Chile, organizar a identidade do produto foi condição para redesenhar a competição.

E o Sicx?

A experiência chilena interessa diretamente ao Brasil. O sistema do Sicx prevê objetos padronizados, ofertas e ranqueamento automático. O decreto fala expressamente em comparabilidade, e precisa falar.

Todo ranking começa antes do algoritmo. Quando o sistema decide quais ofertas são do mesmo conjunto.

Figura 5 — O mesmo erro de identidade produz efeitos diferentes no Painel e no Sicx.

O decreto exige transparência dos critérios, pesos e parâmetros usados no ranqueamento. Isso é positivo. Mas existe uma pergunta anterior: por que aquelas ofertas foram colocadas no mesmo ranking? Ou, no caso oposto, por que duas ofertas equivalentes ficaram em conjuntos diferentes?

Explicar muito bem quem ficou em primeiro e segundo lugar ajuda pouco se ninguém consegue explicar por que aqueles concorrentes foram colocados na mesma corrida.

O Sicx é oportunidade rara porque pode fazer a comparação nascer melhor na origem. E pode automatizar um problema antigo. Vai depender de como catálogo e regras de equivalência forem construídos.

O que o Painel Nacional precisa saber antes de calcular

A solução não parece ser um grande algoritmo central capaz de resolver qualquer mercado. Café, medicamento, pneu e equipamento médico não precisam dos mesmos atributos. Alguma coisa, porém, precisa ser comum: o que foi comprado, em que unidade, a que negócio cada documento pertence e por que dois registros podem ou não entrar na mesma comparação.

Depois disso, um Painel oficial pode calcular referências nacionais. O BPS pode manter curadoria especializada em saúde. Outros setores podem fazer o mesmo. Universidades, órgãos de controle, empresas e ferramentas de IA podem usar a mesma matéria-prima para construir soluções diferentes.

Figura 6 — Uma base pública comum pode sustentar o Painel oficial, motores setoriais e ferramentas externas.

A Lei exige um Painel Nacional de Preços. Não exige que toda inteligência sobre os dados públicos caiba numa única tela. O Estado tem um papel especialmente importante porque há coisas que só a origem consegue garantir. Se a dose do medicamento nunca foi informada, ferramenta nenhuma recupera a dose com certeza. Se a unidade desapareceu, alguém terá de adivinhar. Se contrato e nota fiscal não têm vínculo, reconstruir a compra fica muito mais caro.

Corrigir o dado quando ele nasce costuma ser mais barato do que tentar descobri-lo anos depois.

E quem está pesquisando hoje?

Não precisamos esperar que toda essa infraestrutura exista. Há perguntas que qualquer pesquisa já pode fazer antes de aceitar o número.

1	Sei exatamente que produto cada registro representa?
2	Os preços estão na mesma unidade?
3	Estou contando compras diferentes ou documentos da mesma compra?
4	Consigo explicar por que cada preço entrou ou saiu?
5	A amostra é boa o bastante ou estou forçando um número?

A última pergunta talvez seja a mais desconfortável. Sistemas foram feitos para responder. Às vezes, porém, a resposta correta é: não há comparáveis suficientes. O objeto pode ser incomum, a especificação está estreita demais. Um número qualquer fecha a tela. Não necessariamente melhora a contratação.

O desafio é maior que o Painel de Preços

Começamos tentando resolver a pesquisa de preços. No caminho, percebemos que o mesmo problema aparece em outras decisões. Para pesquisar preços, precisamos saber quais negócios passados pertencem à mesma comparação. Para organizar o Sicx, precisamos saber quais ofertas pertencem ao mesmo mercado. Para modelar estratégias de compras, também precisamos reconhecer objetos comparáveis.

Figura 7 — A mesma capacidade de reconhecer objetos comparáveis sustenta o espaço de evidência e o espaço competitivo.

Marina continua precisando de um número até o fim do dia. O Estado consegue lhe dar um número. Uma plataforma privada também. Uma IA pode produzir um em segundos.

A dificuldade está em outra parte: o que o número realmente compara e por que merece ser usado?

Para continuar a conversa, leia o estudo completo AQUI.