A pressão por mais eficiência e confiabilidade na produção de pesquisas tem levado grandes instituições a repensarem o uso da inteligência artificial. Em um dos maiores bancos multilaterais de desenvolvimento do mundo, esse movimento resultou em um projeto liderado por Guilherme Cunha Lima, profissional de formação não técnica que passou a ocupar papel central no desenvolvimento de soluções avançadas de IA.
Há mais de quatro anos na instituição, Guilherme é formado em Ciências Políticas e possui mestrado em Administração Pública. Sua atuação sempre esteve ligada a áreas analíticas e à produção de conhecimento. O ponto de inflexão ocorreu quando o avanço dos modelos de linguagem generativa passou a desafiar métodos tradicionais de pesquisa, ao mesmo tempo em que ferramentas comerciais amplamente difundidas não atendiam aos padrões institucionais exigidos pelo banco.
Segundo Guilherme Cunha Lima, a maioria dos profissionais que trabalham com inteligência artificial vem de carreiras técnicas, trajetória diferente da sua. Sem formação em programação e com apenas experiências pontuais com código na universidade, ele passou a migrar para o campo tecnológico a partir de uma demanda interna concreta.
A equipe identificou que soluções como o ChatGPT não poderiam ser adotadas institucionalmente devido à falta de transparência, rastreabilidade, rigor metodológico e confiabilidade.
Exploração da inteligência artificial
Diante desse desafio, Guilherme assumiu, há pouco mais de um ano, a missão de explorar como a IA poderia acelerar processos de pesquisa sem comprometer a integridade técnica das análises. O esforço resultou no desenvolvimento de um pipeline de inteligência artificial capaz de produzir estudos complexos com níveis de confiabilidade superiores aos das principais ferramentas comerciais do mercado.
A solução utiliza a arquitetura RAG (Retrieval Augmented Generation), amplamente aplicada em sistemas de IA, mas incorpora dois módulos inéditos, desenvolvidos do zero, voltados à auditoria e correção automática de citações e afirmações geradas pelo modelo.
O sistema consegue processar centenas de documentos originais, como artigos, relatórios e livros, gerar pesquisas utilizáveis pelos especialistas do banco e verificar cada referência diretamente nos textos-fonte, reduzindo imprecisões e alucinações comuns em modelos generativos.
De acordo com Guilherme, a inovação central está nos mecanismos de autoauditoria, que garantem fidelidade rigorosa ao material original. Em testes comparativos com as ferramentas Deep Research, do ChatGPT, e Elicit, o pipeline apresentou taxa de acerto superior a 90%, enquanto os concorrentes registraram desempenho entre 70% e 80%.
Ao longo do projeto, Guilherme também se tornou fluente em programação, utilizando modelos de IA como apoio em um processo intensivo de aprendizado. A entrega final do sistema, após mais de um ano de trabalho, simboliza a convergência entre análise de políticas públicas, domínio metodológico e adaptação tecnológica.
Entre os próximos passos, ele planeja desenvolver uma versão do pipeline voltada ao setor privado, com foco em regulatory intelligence, direcionada a empresas de setores altamente regulados, como biofarmacêuticas, energia e organizações sujeitas a rigoroso compliance federal.