determinar.ia.br - Determine suas informações - User contributions [en]

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:58:55Z

Determinaradmin:

<jsonld>
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Dataset",
"@id": "https://determinar.ia.br/dataset/da-lei-ao-grafo-inteligencia-juridica-verificavel",
"name": "Da Lei ao Grafo: infraestrutura nacional para inteligência jurídica verificável (Lei nº 14.129/2021)",
"description": "Dataset e documentação arquitetural da Determinar.ia.br DKI sobre transformação de legislação brasileira em conhecimento computável: modelagem da Lei nº 14.129/2021 (Governo Digital) em RDF/grafo, regras SHACL, consulta SPARQL, GraphRAG jurídico, regra de ouro (ausência ≠ permissão para inventar), proveniência, temporalidade e decisão auditável. Pipeline Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. Dataset correlato no Harvard Dataverse (DOI 10.7910/DVN/YVQN6C). Destinado a órgãos, escritórios, agências, pesquisadores e Google Dataset Search. Não substitui interpretação jurídica nem elimina ambiguidades hermenêuticas; reduz alucinação de recuperação e exige supervisão humana.",
"url": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"identifier": [
"da-lei-ao-grafo-2026",
"doi:10.7910/DVN/YVQN6C",
"https://doi.org/10.7910/DVN/YVQN6C",
"Lei 14.129/2021",
"Q112005"
],
"keywords": [
"inteligência artificial jurídica",
"knowledge graph",
"RDF",
"SPARQL",
"SHACL",
"Lei do Governo Digital",
"Lei 14.129/2021",
"proveniência",
"agentes de IA",
"auditabilidade",
"GraphRAG",
"computação normativa",
"DKI",
"determinar.ia.br",
"Harvard Dataverse",
"regra de ouro",
"soberania informacional"
],
"creator": {
"@type": "Person",
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1",
"name": "Paulo C. P. Santos",
"alternateName": "Paulo Leads",
"identifier": "https://orcid.org/0009-0003-3436-3117"
},
"publisher": {
"@type": "Organization",
"@id": "https://wikivendas.com.br/#organization",
"name": "Wikivendas",
"url": "https://wikivendas.com.br"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"isAccessibleForFree": true,
"inLanguage": "pt-BR",
"datePublished": "2026-09-05",
"dateModified": "2026-09-05",
"temporalCoverage": "2026-09-05/..",
"spatialCoverage": {
"@type": "Place",
"name": "Brasil"
},
"distribution": [
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"name": "Página canônica — Da Lei ao Grafo"
},
{
"@type": "DataDownload",
"encodingFormat": "application/ld+json",
"contentUrl": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"name": "JSON-LD estruturado"
},
{
"@type": "DataDownload",
"encodingFormat": "application/sparql-query",
"contentUrl": "https://query.determinar.ia.br/sparql",
"name": "Endpoint SPARQL"
},
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C",
"name": "Dataset Harvard Dataverse — Lei 14.129/2021 (DOI 10.7910/DVN/YVQN6C)"
},
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm",
"name": "Texto oficial Lei nº 14.129/2021 — Planalto"
},
{
"@type": "DataDownload",
"encodingFormat": "image/png",
"contentUrl": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"name": "Diagrama LEIS.png (600×600)"
}
],
"citation": [
{
"@id": "https://doi.org/10.7910/DVN/YVQN6C"
},
{
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
}
],
"variableMeasured": [
"cobertura de dispositivos e relações modelados",
"fidelidade texto oficial ↔ nó jurídico",
"percentual de afirmações com fonte e versão",
"acurácia temporal (vigência, alteração, revogação)",
"taxa de recusa correta diante de ausência (regra de ouro)",
"precisão e cobertura de evidências (RAG/SPARQL)",
"sucesso em RDF, JSON-LD, TSV e consultas abertas",
"taxa de ações autorizadas, bloqueadas e registradas (agentes)",
"reprodutibilidade por versão",
"latência de consulta",
"detecção de conflito entre redações",
"presença de hash, URN, URI canônica e token de integridade"
],
"measurementTechnique": "Pipeline Norma→RDF→Grafo→Regra→Consulta→Decisão Auditável; SHACL; SPARQL; GraphRAG jurídico; metadados de proveniência (hash, coleta, método de extração, confiança estrutural); regra de falha segura (ausência → não sei / não se aplica)"
},
{
"@type": "Dataset",
"@id": "https://doi.org/10.7910/DVN/YVQN6C",
"name": "Knowledge graph / dataset derivado da Lei nº 14.129/2021",
"description": "Grafo de conhecimento derivado da Lei nº 14.129/2021 (Governo Digital), com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas. Depositado no Harvard Dataverse para preservação, citação e reuso. Formatos incluem JSON, TSV e PNG. Licença CC0 1.0.",
"url": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C",
"identifier": [
"doi:10.7910/DVN/YVQN6C",
"https://doi.org/10.7910/DVN/YVQN6C",
"10.7910/DVN/YVQN6C"
],
"creator": {
"@type": "Person",
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1",
"name": "Paulo C. P. Santos",
"alternateName": "Paulo Leads",
"identifier": "https://orcid.org/0009-0003-3436-3117"
},
"publisher": {
"@type": "Organization",
"name": "Harvard Dataverse",
"url": "https://dataverse.harvard.edu"
},
"license": "https://creativecommons.org/publicdomain/zero/1.0/",
"isAccessibleForFree": true,
"inLanguage": ["pt-BR", "en"],
"keywords": [
"Lei 14.129/2021",
"Governo Digital",
"RDF",
"knowledge graph",
"SPARQL",
"Brasil",
"computação normativa"
],
"distribution": [
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C",
"name": "Página do dataset no Harvard Dataverse"
}
],
"sameAs": [
"https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C"
]
},
{
"@type": "ImageObject",
"@id": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"name": "LEIS.png — diagrama Da Lei ao Grafo",
"contentUrl": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"url": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"thumbnailUrl": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"encodingFormat": "image/png",
"width": "600",
"height": "600",
"caption": "Diagrama da infraestrutura Determinar.ia.br DKI: da norma legal ao grafo de conhecimento jurídico verificável",
"license": "https://creativecommons.org/licenses/by/4.0/",
"creator": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"isPartOf": {
"@id": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo"
},
"inLanguage": "pt-BR"
},
{
"@type": "Legislation",
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm",
"name": "Lei nº 14.129, de 29 de março de 2021",
"alternateName": [
"Lei do Governo Digital",
"L14129"
],
"legislationIdentifier": "L14129",
"legislationDate": "2021-03-29",
"datePublished": "2021-03-30",
"url": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm",
"description": "Dispõe sobre princípios, regras e instrumentos para o Governo Digital e para o aumento da eficiência pública. Caso de demonstração e benchmark da modelagem DKI (item Q112005) no determinar.ia.br.",
"legislationType": "Lei ordinária",
"jurisdiction": {
"@type": "AdministrativeArea",
"name": "Brasil"
},
"keywords": [
"Governo Digital",
"interoperabilidade",
"dados abertos",
"desburocratização",
"eficiência pública"
],
"sameAs": [
"https://determinar.ia.br/wiki/Item:Q112005"
]
},
{
"@type": ["CreativeWork", "TechArticle", "Article", "HowTo", "ScholarlyArticle"],
"@id": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"name": "Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável",
"alternateName": [
"Infraestrutura nacional para inteligência jurídica verificável",
"Lei 14.129/2021 como grafo de conhecimento",
"Computação normativa e regra de ouro para IA jurídica"
],
"headline": "Da Lei ao Grafo — infraestrutura nacional para inteligência jurídica verificável",
"description": "Abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana. A Determinar.ia.br DKI transforma a lei de documento legível por pessoas em conhecimento computável por máquinas, sem confundir computabilidade com substituição da interpretação jurídica. Pipeline Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável; regra de ouro (ausência não é permissão para completar); métricas de cobertura, fidelidade, proveniência, temporalidade e segurança semântica.",
"abstract": "A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada. O grafo elimina alucinações de recuperação e melhora a rastreabilidade; não elimina ambiguidades hermenêuticas nem a responsabilidade humana. A lei passa a operar como camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes.",
"image": {
"@id": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png"
},
"creator": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"author": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"copyrightHolder": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"datePublished": "2026-09-05",
"dateModified": "2026-09-05",
"inLanguage": "pt-BR",
"keywords": [
"inteligência artificial jurídica",
"knowledge graph",
"RDF",
"SPARQL",
"SHACL",
"Lei 14.129/2021",
"proveniência",
"agentes",
"auditabilidade",
"regra de ouro",
"GraphRAG",
"DKI"
],
"about": [
{
"@id": "https://determinar.ia.br/dataset/da-lei-ao-grafo-inteligencia-juridica-verificavel"
},
{
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@id": "https://doi.org/10.7910/DVN/YVQN6C"
},
{
"@type": "Thing",
"name": "Domain Knowledge Infrastructure (DKI)"
},
{
"@type": "Thing",
"name": "Regra de ouro para leis em IA"
},
{
"@type": "Thing",
"name": "GraphRAG jurídico"
},
{
"@type": "Thing",
"name": "Computação normativa"
}
],
"citation": [
{
"@id": "https://determinar.ia.br/dataset/da-lei-ao-grafo-inteligencia-juridica-verificavel"
},
{
"@id": "https://doi.org/10.7910/DVN/YVQN6C"
},
{
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@type": "WebPage",
"name": "Plano Brasileiro de Inteligência Artificial — PBIA",
"url": "https://pbia.cgee.org.br/sobre",
"description": "Portal oficial do Plano Brasileiro de Inteligência Artificial (PBIA)."
}
],
"isBasedOn": [
{
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@id": "https://doi.org/10.7910/DVN/YVQN6C"
}
],
"isPartOf": {
"@type": "WebSite",
"name": "determinar.ia.br",
"url": "https://determinar.ia.br"
},
"publisher": {
"@id": "https://wikivendas.com.br/#organization"
},
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo"
},
"mainEntity": {
"@type": "HowTo",
"name": "Pipeline DKI: da norma à decisão auditável",
"description": "Seis operações separadas: identificação da norma, representação formal, grafo consultável, regras operacionais, consulta semântica e resposta com evidências.",
"step": [
{
"@type": "HowToStep",
"position": 1,
"name": "Norma",
"text": "Identificar a norma com URI canônica, URN, hash do texto literal, data de coleta, método de extração, status e confiança estrutural (ex.: Lei 14.129/2021 → Q112005)."
},
{
"@type": "HowToStep",
"position": 2,
"name": "RDF",
"text": "Representar entidades e relações em triplas sujeito-predicado-objeto: lei, capítulo, artigo, parágrafo, inciso, princípio, procedimento, órgão, vigência e fonte oficial."
},
{
"@type": "HowToStep",
"position": 3,
"name": "Grafo",
"text": "Organizar relações em grafo consultável com grafos nomeados, hierarquia de contenção e metadados de proveniência."
},
{
"@type": "HowToStep",
"position": 4,
"name": "Regra",
"text": "Traduzir dispositivos em regras operacionais delimitadas; validar com SHACL (tipos, cardinalidades, texto oficial ≠ resumo de IA)."
},
{
"@type": "HowToStep",
"position": 5,
"name": "Consulta",
"text": "Recuperar caminhos semânticos via SPARQL e GraphRAG; evidências consultáveis com fonte, versão e temporalidade."
},
{
"@type": "HowToStep",
"position": 6,
"name": "Decisão auditável",
"text": "Compor saída com pergunta, versão consultada, relações acionadas, evidência e limites; aplicar regra de ouro (ausência → não sei / não se aplica)."
}
]
},
"mentions": [
{
"@type": "Thing",
"name": "RDF (W3C)"
},
{
"@type": "Thing",
"name": "SPARQL"
},
{
"@type": "Thing",
"name": "SHACL"
},
{
"@type": "Thing",
"name": "GraphRAG jurídico"
},
{
"@type": "Thing",
"name": "Regra de ouro (ausência não é permissão)"
},
{
"@type": "Thing",
"name": "NIST AI RMF"
},
{
"@type": "Thing",
"name": "Item Q112005"
},
{
"@type": "Organization",
"name": "Harvard Dataverse"
},
{
"@type": "CreativeWork",
"name": "Plano Brasileiro de Inteligência Artificial (PBIA)"
}
],
"audience": [
{
"@type": "Audience",
"audienceType": "Órgãos públicos e agências federais"
},
{
"@type": "Audience",
"audienceType": "Escritórios de advocacia e departamentos jurídicos"
},
{
"@type": "Audience",
"audienceType": "Pesquisadores e engenheiros de conhecimento"
},
{
"@type": "Audience",
"audienceType": "Desenvolvedores de agentes e sistemas de IA jurídica"
}
],
"potentialAction": [
{
"@type": "ConsumeAction",
"name": "Consultar grafo jurídico via SPARQL",
"target": "https://query.determinar.ia.br/sparql"
},
{
"@type": "ViewAction",
"name": "Abrir dataset Harvard Dataverse (DOI 10.7910/DVN/YVQN6C)",
"target": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C"
},
{
"@type": "ViewAction",
"name": "Ler texto oficial Lei 14.129/2021",
"target": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@type": "ViewAction",
"name": "Ver diagrama LEIS.png",
"target": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png"
},
{
"@type": "RegisterAction",
"name": "Solicitar modelagem ou parceria via WikiVendas",
"target": "https://wikivendas.com.br"
}
],
"hasPart": [
{
"@type": "Question",
"name": "O grafo elimina ambiguidades hermenêuticas do Direito?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. Elimina alucinações de recuperação e melhora rastreabilidade. Não elimina conflitos normativos, lacunas legislativas, ambiguidades interpretativas nem a responsabilidade humana."
}
},
{
"@type": "Question",
"name": "O que é a regra de ouro para leis em IA?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Quando uma propriedade está ausente, o agente deve responder «não sei» ou «não se aplica» — jamais completar a lacuna com conhecimento inventado. É o núcleo da arquitetura de segurança normativa."
}
},
{
"@type": "Question",
"name": "Computabilidade da norma substitui a interpretação jurídica?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. A DKI torna a norma identificável, conectada e verificável. A interpretação, em casos concretos, permanece aberta e depende de fatos não modelados e de juízo profissional."
}
},
{
"@type": "Question",
"name": "O que significa «determinístico» nesta arquitetura?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Determinismo da infraestrutura (consulta, validação de esquema, regras explícitas) para o que foi formalmente especificado — não determinismo universal do Direito."
}
},
{
"@type": "Question",
"name": "Um agente seguro é o que executa mais ações?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. Um agente seguro é o que sabe quando não pode executar: permissões, pré-condições, prazos, sigilo e políticas de parada com logs imutáveis."
}
},
{
"@type": "Question",
"name": "Qual o papel do dataset no Harvard Dataverse?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Grafo derivado da Lei 14.129/2021 em triplas RDF (DOI 10.7910/DVN/YVQN6C), com licença CC0 1.0, preservável, baixável e reutilizável — desloca o projeto de demonstração local para objeto científico citável."
}
},
{
"@type": "Question",
"name": "Resumo de IA pode substituir o texto legal no grafo?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. O esquema separa texto legal (fonte normativa), resumo (transformação informacional) e confiança (metadado de processo). Misturá-los produz falsa equivalência."
}
},
{
"@type": "Question",
"name": "A infraestrutura já está pronta para órgãos e escritórios?",
"acceptedAnswer": {
"@type": "Answer",
"text": "A DKI demonstra grafo operacional, métricas de qualidade e suíte de avaliação (perguntas factuais, temporais, de ausência e de execução condicionada). Implementação em produção exige cobertura, governança, LGPD e supervisão humana conforme o caso."
}
},
{
"@type": "Question",
"name": "Quais elementos mínimos de uma decisão auditável?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Pergunta recebida; conjunto de dados e versão consultados; relações e regras acionadas; evidência textual ou estrutural; limites da conclusão — compatível com NIST AI RMF (Govern, Map, Measure, Manage)."
}
}
]
},
{
"@type": "Person",
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1",
"name": "Paulo C. P. Santos",
"alternateName": "Paulo Leads",
"url": "https://pauloleads.com.br",
"identifier": "https://orcid.org/0009-0003-3436-3117",
"sameAs": [
"https://www.wikidata.org/wiki/Q140427962",
"https://orcid.org/0009-0003-3436-3117"
],
"jobTitle": [
"Engenheiro de Conhecimento",
"Estrategista de IA Determinística",
"Arquiteto de DKI"
],
"affiliation": {
"@id": "https://wikivendas.com.br/#organization"
}
},
{
"@type": "Organization",
"@id": "https://wikivendas.com.br/#organization",
"name": "Wikivendas",
"alternateName": [
"Wikivendas DKI",
"Domain Knowledge Infrastructure"
],
"url": "https://wikivendas.com.br",
"founder": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"contactPoint": {
"@type": "ContactPoint",
"telephone": "+55-19-98264-2481",
"email": "contato@pauloleads.com.br",
"contactType": "Modelagem jurídica DKI, grafo normativo e parcerias",
"availableLanguage": ["Portuguese", "English"]
}
}
]
}
</jsonld>
= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, Grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. '''O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica,''' especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage.

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e '''permite separar recuperação de geração.''' O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. '''Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear.''' O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. '''Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.'''
{| class="wikitable"
|'''Ator'''
|'''Benefício principal'''
|'''Risco residual'''
|'''Controle necessário'''
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7.Já está pronto para implementação em agências , escritórios , orgãos. ==
Determinar.ia.br demonstra que é capaz de construir um grafo. E torna mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. Abrangemos no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação já contém perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item possue resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, avaliamos não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, e sua implementação respeita LGPD, sigilos, segurança e competências administrativas. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma '''infraestrutura pronta''' de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial de ampliação do que já existe está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br infraestrutura exemplar para leis em IA é tecnicamente plausível e está em ampliação agora mesmo. A vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite de dispositivos reais do país, não de invenções probabilisticas de LLms.

== Referências ==
https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C

[[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|Regra de ouro para Leis Brasileiras em uma Inteligência Artificial - determinar.ia.br - Determine suas informações]]

[[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI - determinar.ia.br - Determine suas informações]]

[https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm L14129]

[https://pbia.cgee.org.br/sobre Plano Brasileiro de Inteligência Artificial - PBIA]

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:55:01Z

Determinaradmin:

<jsonld>
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Dataset",
"@id": "https://determinar.ia.br/dataset/da-lei-ao-grafo-inteligencia-juridica-verificavel",
"name": "Da Lei ao Grafo: infraestrutura nacional para inteligência jurídica verificável (Lei nº 14.129/2021)",
"description": "Dataset e documentação arquitetural da Determinar.ia.br DKI sobre transformação de legislação brasileira em conhecimento computável: modelagem da Lei nº 14.129/2021 (Governo Digital) em RDF/grafo, regras SHACL, consulta SPARQL, GraphRAG jurídico, regra de ouro (ausência ≠ permissão para inventar), proveniência, temporalidade e decisão auditável. Pipeline Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. Dataset correlato no Harvard Dataverse (DOI 10.7910/DVN/YVQN6C). Destinado a órgãos, escritórios, agências, pesquisadores e Google Dataset Search. Não substitui interpretação jurídica nem elimina ambiguidades hermenêuticas; reduz alucinação de recuperação e exige supervisão humana.",
"url": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"identifier": [
"da-lei-ao-grafo-2026",
"doi:10.7910/DVN/YVQN6C",
"https://doi.org/10.7910/DVN/YVQN6C",
"Lei 14.129/2021",
"Q112005"
],
"keywords": [
"inteligência artificial jurídica",
"knowledge graph",
"RDF",
"SPARQL",
"SHACL",
"Lei do Governo Digital",
"Lei 14.129/2021",
"proveniência",
"agentes de IA",
"auditabilidade",
"GraphRAG",
"computação normativa",
"DKI",
"determinar.ia.br",
"Harvard Dataverse",
"regra de ouro",
"soberania informacional"
],
"creator": {
"@type": "Person",
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1",
"name": "Paulo C. P. Santos",
"alternateName": "Paulo Leads",
"identifier": "https://orcid.org/0009-0003-3436-3117"
},
"publisher": {
"@type": "Organization",
"@id": "https://wikivendas.com.br/#organization",
"name": "Wikivendas",
"url": "https://wikivendas.com.br"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"isAccessibleForFree": true,
"inLanguage": "pt-BR",
"datePublished": "2026-09-05",
"dateModified": "2026-09-05",
"temporalCoverage": "2026-09-05/..",
"spatialCoverage": {
"@type": "Place",
"name": "Brasil"
},
"distribution": [
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"name": "Página canônica — Da Lei ao Grafo"
},
{
"@type": "DataDownload",
"encodingFormat": "application/ld+json",
"contentUrl": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"name": "JSON-LD estruturado"
},
{
"@type": "DataDownload",
"encodingFormat": "application/sparql-query",
"contentUrl": "https://query.determinar.ia.br/sparql",
"name": "Endpoint SPARQL"
},
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C",
"name": "Dataset Harvard Dataverse — Lei 14.129/2021 (DOI 10.7910/DVN/YVQN6C)"
},
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm",
"name": "Texto oficial Lei nº 14.129/2021 — Planalto"
},
{
"@type": "DataDownload",
"encodingFormat": "image/png",
"contentUrl": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"name": "Diagrama LEIS.png (600×600)"
}
],
"citation": [
{
"@type": "Dataset",
"name": "Knowledge graph / dataset derivado da Lei nº 14.129/2021",
"identifier": "doi:10.7910/DVN/YVQN6C",
"url": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C",
"license": "https://creativecommons.org/publicdomain/zero/1.0/"
},
{
"@type": "Legislation",
"name": "Lei nº 14.129, de 29 de março de 2021",
"legislationIdentifier": "L14129",
"url": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm",
"legislationDate": "2021-03-29"
}
],
"variableMeasured": [
"cobertura de dispositivos e relações modelados",
"fidelidade texto oficial ↔ nó jurídico",
"percentual de afirmações com fonte e versão",
"acurácia temporal (vigência, alteração, revogação)",
"taxa de recusa correta diante de ausência (regra de ouro)",
"precisão e cobertura de evidências (RAG/SPARQL)",
"sucesso em RDF, JSON-LD, TSV e consultas abertas",
"taxa de ações autorizadas, bloqueadas e registradas (agentes)",
"reprodutibilidade por versão",
"latência de consulta",
"detecção de conflito entre redações",
"presença de hash, URN, URI canônica e token de integridade"
],
"measurementTechnique": "Pipeline Norma→RDF→Grafo→Regra→Consulta→Decisão Auditável; SHACL; SPARQL; GraphRAG jurídico; metadados de proveniência (hash, coleta, método de extração, confiança estrutural); regra de falha segura (ausência → não sei / não se aplica)"
},
{
"@type": "ImageObject",
"@id": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"name": "LEIS.png — diagrama Da Lei ao Grafo",
"contentUrl": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"url": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"thumbnailUrl": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png",
"encodingFormat": "image/png",
"width": "600",
"height": "600",
"caption": "Diagrama da infraestrutura Determinar.ia.br DKI: da norma legal ao grafo de conhecimento jurídico verificável",
"license": "https://creativecommons.org/licenses/by/4.0/",
"creator": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"isPartOf": {
"@id": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo"
},
"inLanguage": "pt-BR"
},
{
"@type": "Legislation",
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm",
"name": "Lei nº 14.129, de 29 de março de 2021",
"alternateName": [
"Lei do Governo Digital",
"L14129"
],
"legislationIdentifier": "L14129",
"legislationDate": "2021-03-29",
"datePublished": "2021-03-30",
"url": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm",
"description": "Dispõe sobre princípios, regras e instrumentos para o Governo Digital e para o aumento da eficiência pública. Caso de demonstração e benchmark da modelagem DKI (item Q112005) no determinar.ia.br.",
"legislationType": "Lei ordinária",
"jurisdiction": {
"@type": "AdministrativeArea",
"name": "Brasil"
},
"keywords": [
"Governo Digital",
"interoperabilidade",
"dados abertos",
"desburocratização",
"eficiência pública"
],
"sameAs": [
"https://determinar.ia.br/wiki/Item:Q112005"
]
},
{
"@type": ["CreativeWork", "TechArticle", "Article", "HowTo", "ScholarlyArticle"],
"@id": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo",
"name": "Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável",
"alternateName": [
"Infraestrutura nacional para inteligência jurídica verificável",
"Lei 14.129/2021 como grafo de conhecimento",
"Computação normativa e regra de ouro para IA jurídica"
],
"headline": "Da Lei ao Grafo — infraestrutura nacional para inteligência jurídica verificável",
"description": "Abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana. A Determinar.ia.br DKI transforma a lei de documento legível por pessoas em conhecimento computável por máquinas, sem confundir computabilidade com substituição da interpretação jurídica. Pipeline Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável; regra de ouro (ausência não é permissão para completar); métricas de cobertura, fidelidade, proveniência, temporalidade e segurança semântica.",
"abstract": "A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada. O grafo elimina alucinações de recuperação e melhora a rastreabilidade; não elimina ambiguidades hermenêuticas nem a responsabilidade humana. A lei passa a operar como camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes.",
"image": {
"@id": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png"
},
"creator": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"author": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"copyrightHolder": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"datePublished": "2026-09-05",
"dateModified": "2026-09-05",
"inLanguage": "pt-BR",
"keywords": [
"inteligência artificial jurídica",
"knowledge graph",
"RDF",
"SPARQL",
"SHACL",
"Lei 14.129/2021",
"proveniência",
"agentes",
"auditabilidade",
"regra de ouro",
"GraphRAG",
"DKI"
],
"about": [
{
"@id": "https://determinar.ia.br/dataset/da-lei-ao-grafo-inteligencia-juridica-verificavel"
},
{
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@type": "Thing",
"name": "Domain Knowledge Infrastructure (DKI)"
},
{
"@type": "Thing",
"name": "Regra de ouro para leis em IA"
},
{
"@type": "Thing",
"name": "GraphRAG jurídico"
},
{
"@type": "Thing",
"name": "Computação normativa"
}
],
"citation": [
{
"@id": "https://determinar.ia.br/dataset/da-lei-ao-grafo-inteligencia-juridica-verificavel"
},
{
"@type": "Dataset",
"identifier": "doi:10.7910/DVN/YVQN6C",
"url": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C"
},
{
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@type": "WebPage",
"name": "Plano Brasileiro de Inteligência Artificial — PBIA",
"url": "https://pbia.cgee.org.br/sobre"
}
],
"isBasedOn": [
{
"@id": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@type": "Dataset",
"identifier": "doi:10.7910/DVN/YVQN6C",
"url": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C"
}
],
"isPartOf": {
"@type": "WebSite",
"name": "determinar.ia.br",
"url": "https://determinar.ia.br"
},
"publisher": {
"@id": "https://wikivendas.com.br/#organization"
},
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://determinar.ia.br/wiki/Da_Lei_ao_Grafo"
},
"mainEntity": {
"@type": "HowTo",
"name": "Pipeline DKI: da norma à decisão auditável",
"description": "Seis operações separadas: identificação da norma, representação formal, grafo consultável, regras operacionais, consulta semântica e resposta com evidências.",
"step": [
{
"@type": "HowToStep",
"position": 1,
"name": "Norma",
"text": "Identificar a norma com URI canônica, URN, hash do texto literal, data de coleta, método de extração, status e confiança estrutural (ex.: Lei 14.129/2021 → Q112005)."
},
{
"@type": "HowToStep",
"position": 2,
"name": "RDF",
"text": "Representar entidades e relações em triplas sujeito-predicado-objeto: lei, capítulo, artigo, parágrafo, inciso, princípio, procedimento, órgão, vigência e fonte oficial."
},
{
"@type": "HowToStep",
"position": 3,
"name": "Grafo",
"text": "Organizar relações em grafo consultável com grafos nomeados, hierarquia de contenção e metadados de proveniência."
},
{
"@type": "HowToStep",
"position": 4,
"name": "Regra",
"text": "Traduzir dispositivos em regras operacionais delimitadas; validar com SHACL (tipos, cardinalidades, texto oficial ≠ resumo de IA)."
},
{
"@type": "HowToStep",
"position": 5,
"name": "Consulta",
"text": "Recuperar caminhos semânticos via SPARQL e GraphRAG; evidências consultáveis com fonte, versão e temporalidade."
},
{
"@type": "HowToStep",
"position": 6,
"name": "Decisão auditável",
"text": "Compor saída com pergunta, versão consultada, relações acionadas, evidência e limites; aplicar regra de ouro (ausência → não sei / não se aplica)."
}
]
},
"mentions": [
{
"@type": "Thing",
"name": "RDF (W3C)"
},
{
"@type": "Thing",
"name": "SPARQL"
},
{
"@type": "Thing",
"name": "SHACL"
},
{
"@type": "Thing",
"name": "GraphRAG jurídico"
},
{
"@type": "Thing",
"name": "Regra de ouro (ausência não é permissão)"
},
{
"@type": "Thing",
"name": "NIST AI RMF"
},
{
"@type": "Thing",
"name": "Item Q112005"
},
{
"@type": "Organization",
"name": "Harvard Dataverse"
},
{
"@type": "CreativeWork",
"name": "Plano Brasileiro de Inteligência Artificial (PBIA)"
}
],
"audience": [
{
"@type": "Audience",
"audienceType": "Órgãos públicos e agências federais"
},
{
"@type": "Audience",
"audienceType": "Escritórios de advocacia e departamentos jurídicos"
},
{
"@type": "Audience",
"audienceType": "Pesquisadores e engenheiros de conhecimento"
},
{
"@type": "Audience",
"audienceType": "Desenvolvedores de agentes e sistemas de IA jurídica"
}
],
"potentialAction": [
{
"@type": "ConsumeAction",
"name": "Consultar grafo jurídico via SPARQL",
"target": "https://query.determinar.ia.br/sparql"
},
{
"@type": "ViewAction",
"name": "Abrir dataset Harvard Dataverse (DOI 10.7910/DVN/YVQN6C)",
"target": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C"
},
{
"@type": "ViewAction",
"name": "Ler texto oficial Lei 14.129/2021",
"target": "https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm"
},
{
"@type": "ViewAction",
"name": "Ver diagrama LEIS.png",
"target": "https://determinar.ia.br/w/images/thumb/9/91/LEIS.png/600px-LEIS.png"
},
{
"@type": "RegisterAction",
"name": "Solicitar modelagem ou parceria via WikiVendas",
"target": "https://wikivendas.com.br"
}
],
"hasPart": [
{
"@type": "Question",
"name": "O grafo elimina ambiguidades hermenêuticas do Direito?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. Elimina alucinações de recuperação e melhora rastreabilidade. Não elimina conflitos normativos, lacunas legislativas, ambiguidades interpretativas nem a responsabilidade humana."
}
},
{
"@type": "Question",
"name": "O que é a regra de ouro para leis em IA?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Quando uma propriedade está ausente, o agente deve responder «não sei» ou «não se aplica» — jamais completar a lacuna com conhecimento inventado. É o núcleo da arquitetura de segurança normativa."
}
},
{
"@type": "Question",
"name": "Computabilidade da norma substitui a interpretação jurídica?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. A DKI torna a norma identificável, conectada e verificável. A interpretação, em casos concretos, permanece aberta e depende de fatos não modelados e de juízo profissional."
}
},
{
"@type": "Question",
"name": "O que significa «determinístico» nesta arquitetura?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Determinismo da infraestrutura (consulta, validação de esquema, regras explícitas) para o que foi formalmente especificado — não determinismo universal do Direito."
}
},
{
"@type": "Question",
"name": "Um agente seguro é o que executa mais ações?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. Um agente seguro é o que sabe quando não pode executar: permissões, pré-condições, prazos, sigilo e políticas de parada com logs imutáveis."
}
},
{
"@type": "Question",
"name": "Qual o papel do dataset no Harvard Dataverse?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Grafo derivado da Lei 14.129/2021 em triplas RDF (DOI 10.7910/DVN/YVQN6C), com licença CC0 1.0, preservável, baixável e reutilizável — desloca o projeto de demonstração local para objeto científico citável."
}
},
{
"@type": "Question",
"name": "Resumo de IA pode substituir o texto legal no grafo?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. O esquema separa texto legal (fonte normativa), resumo (transformação informacional) e confiança (metadado de processo). Misturá-los produz falsa equivalência."
}
},
{
"@type": "Question",
"name": "A infraestrutura já está pronta para órgãos e escritórios?",
"acceptedAnswer": {
"@type": "Answer",
"text": "A DKI demonstra grafo operacional, métricas de qualidade e suíte de avaliação (perguntas factuais, temporais, de ausência e de execução condicionada). Implementação em produção exige cobertura, governança, LGPD e supervisão humana conforme o caso."
}
},
{
"@type": "Question",
"name": "Quais elementos mínimos de uma decisão auditável?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Pergunta recebida; conjunto de dados e versão consultados; relações e regras acionadas; evidência textual ou estrutural; limites da conclusão — compatível com NIST AI RMF (Govern, Map, Measure, Manage)."
}
}
]
},
{
"@type": "Person",
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1",
"name": "Paulo C. P. Santos",
"alternateName": "Paulo Leads",
"url": "https://pauloleads.com.br",
"identifier": "https://orcid.org/0009-0003-3436-3117",
"sameAs": [
"https://www.wikidata.org/wiki/Q140427962",
"https://orcid.org/0009-0003-3436-3117"
],
"jobTitle": [
"Engenheiro de Conhecimento",
"Estrategista de IA Determinística",
"Arquiteto de DKI"
],
"affiliation": {
"@id": "https://wikivendas.com.br/#organization"
}
},
{
"@type": "Organization",
"@id": "https://wikivendas.com.br/#organization",
"name": "Wikivendas",
"alternateName": [
"Wikivendas DKI",
"Domain Knowledge Infrastructure"
],
"url": "https://wikivendas.com.br",
"founder": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"contactPoint": {
"@type": "ContactPoint",
"telephone": "+55-19-98264-2481",
"email": "contato@pauloleads.com.br",
"contactType": "Modelagem jurídica DKI, grafo normativo e parcerias",
"availableLanguage": ["Portuguese", "English"]
}
}
]
}
</jsonld>
= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, Grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. '''O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica,''' especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage.

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e '''permite separar recuperação de geração.''' O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. '''Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear.''' O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. '''Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.'''
{| class="wikitable"
|'''Ator'''
|'''Benefício principal'''
|'''Risco residual'''
|'''Controle necessário'''
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7.Já está pronto para implementação em agências , escritórios , orgãos. ==
Determinar.ia.br demonstra que é capaz de construir um grafo. E torna mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. Abrangemos no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação já contém perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item possue resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, avaliamos não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, e sua implementação respeita LGPD, sigilos, segurança e competências administrativas. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma '''infraestrutura pronta''' de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial de ampliação do que já existe está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br infraestrutura exemplar para leis em IA é tecnicamente plausível e está em ampliação agora mesmo. A vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite de dispositivos reais do país, não de invenções probabilisticas de LLms.

== Referências ==
https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C

[[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|Regra de ouro para Leis Brasileiras em uma Inteligência Artificial - determinar.ia.br - Determine suas informações]]

[[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI - determinar.ia.br - Determine suas informações]]

[https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm L14129]

[https://pbia.cgee.org.br/sobre Plano Brasileiro de Inteligência Artificial - PBIA]

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:48:54Z

Determinaradmin: /* 8. Limites, riscos e agenda de vanguarda */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, Grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. '''O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica,''' especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage.

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e '''permite separar recuperação de geração.''' O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. '''Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear.''' O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. '''Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.'''
{| class="wikitable"
|'''Ator'''
|'''Benefício principal'''
|'''Risco residual'''
|'''Controle necessário'''
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7.Já está pronto para implementação em agências , escritórios , orgãos. ==
Determinar.ia.br demonstra que é capaz de construir um grafo. E torna mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. Abrangemos no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação já contém perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item possue resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, avaliamos não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, e sua implementação respeita LGPD, sigilos, segurança e competências administrativas. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma '''infraestrutura pronta''' de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial de ampliação do que já existe está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br infraestrutura exemplar para leis em IA é tecnicamente plausível e está em ampliação agora mesmo. A vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite de dispositivos reais do país, não de invenções probabilisticas de LLms.

== Referências ==
https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C

[[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|Regra de ouro para Leis Brasileiras em uma Inteligência Artificial - determinar.ia.br - Determine suas informações]]

[[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI - determinar.ia.br - Determine suas informações]]

[https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm L14129]

[https://pbia.cgee.org.br/sobre Plano Brasileiro de Inteligência Artificial - PBIA]

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:41:57Z

Determinaradmin: /* 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, Grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. '''O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica,''' especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage.

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e '''permite separar recuperação de geração.''' O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. '''Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear.''' O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. '''Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.'''
{| class="wikitable"
|'''Ator'''
|'''Benefício principal'''
|'''Risco residual'''
|'''Controle necessário'''
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7.Já está pronto para implementação em agências , escritórios , orgãos. ==
Determinar.ia.br demonstra que é capaz de construir um grafo. E torna mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. Abrangemos no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação já contém perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item possue resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, avaliamos não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, e sua implementação respeita LGPD, sigilos, segurança e competências administrativas. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:35:16Z

Determinaradmin: /* 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, Grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. '''O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica,''' especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage.

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e '''permite separar recuperação de geração.''' O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. '''Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear.''' O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:33:47Z

Determinaradmin: /* 5. Consulta semântica, RAG de grafos e decisão auditável */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, Grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. '''O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica,''' especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage.

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:32:44Z

Determinaradmin: /* 5. Consulta semântica, RAG de grafos e decisão auditável */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. '''O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica,''' especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:32:02Z

Determinaradmin: /* 5. Consulta semântica, RAG de grafos e decisão auditável */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:30:50Z

Determinaradmin: /* 4. A regra de ouro: ausência não é permissão para completar */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é uma recomendação editorial nem uma simples cautela contra respostas imprecisas. Ela é o núcleo de uma arquitetura de segurança normativa para inteligência artificial. '''Ao determinar que uma propriedade ausente produza “não sei” ou “não se aplica”''', o grafo estabelece uma fronteira formal entre o que está autorizado pela base jurídica e o que permanece fora dela. '''Essa fronteira impede que o modelo transforme probabilidade linguística em fato jurídico,''' impede que o agente converta lacuna de dados em permissão de agir e impede que uma inferência não documentada seja apresentada como conteúdo da lei.

Em escala, essa regra muda a natureza do sistema. O grafo deixa de ser apenas uma representação semântica da legislação e passa a funcionar como mecanismo de contenção epistemológica, controle de competência e governança da evidência. Ele define não somente quais relações podem ser percorridas, mas também quando a máquina deve interromper a resposta, declarar insuficiência, preservar a incerteza e devolver a decisão ao operador humano competente. É essa capacidade de limitar a própria autoridade computacional — e não apenas a capacidade de gerar respostas — que '''confere à Determinar DKI sua dimensão estratégica: a lei passa a operar como uma camada verificável de autorização, restrição e prestação de contas para sistemas de IA e agentes autônomos.'''

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:26:22Z

Determinaradmin: /* 4. A regra de ouro: ausência não é permissão para completar */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder '''“não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento inventado probabilistico estocastico. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.'''

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades. Assim, o cada dispositivo tem identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um '''resumo de IA qualquer nunca substitua o texto original'''; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|'''GRAFO PERMITE'''
|'''Comportamento seguro do sistema'''
|'''Comportamento proibido'''
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:21:43Z

Determinaradmin: /* 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item [[Item:Q112005|Q112005]] acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder “não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento geral não autorizado [3]. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança [3]. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades [7]. Assim, o benchmark pode impor que cada dispositivo tenha identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um resumo nunca substitua o texto original; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|Situação do grafo
|Comportamento seguro do sistema
|Comportamento proibido
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:19:56Z

Determinaradmin: /* 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é '''um grafo de conhecimento derivado da Lei nº 14.129/2021''', com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas '''operável nesse exato momento não é apenas um pdf ou texto solto'''. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

A página do item Q112005 acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder “não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento geral não autorizado [3]. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança [3]. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades [7]. Assim, o benchmark pode impor que cada dispositivo tenha identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um resumo nunca substitua o texto original; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|Situação do grafo
|Comportamento seguro do sistema
|Comportamento proibido
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:16:38Z

Determinaradmin: /* 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a '''interoperabilidade de sistemas e a promoção de dados abertos.'''

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é descrito como um grafo de conhecimento derivado da Lei nº 14.129/2021, com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas [4]. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG [4]. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

Ponto de precisão metodológica. O fato de um dataset declarar capacidade de recuperação determinística, auditabilidade ou aplicação em IA não basta, isoladamente, para provar desempenho operacional em todos esses cenários. O benchmark precisa separar metadados declarados, testes reproduzíveis, cobertura efetivamente medida e resultados de avaliação independentes.

A página do item Q112005 acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” [1]. Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder “não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento geral não autorizado [3]. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança [3]. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades [7]. Assim, o benchmark pode impor que cada dispositivo tenha identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um resumo nunca substitua o texto original; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|Situação do grafo
|Comportamento seguro do sistema
|Comportamento proibido
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:16:13Z

Determinaradmin: /* 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 '''estabelece princípios, regras e instrumentos''' para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a interoperabilidade de sistemas e a promoção de dados abertos.

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é descrito como um grafo de conhecimento derivado da Lei nº 14.129/2021, com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas [4]. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG [4]. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

Ponto de precisão metodológica. O fato de um dataset declarar capacidade de recuperação determinística, auditabilidade ou aplicação em IA não basta, isoladamente, para provar desempenho operacional em todos esses cenários. O benchmark precisa separar metadados declarados, testes reproduzíveis, cobertura efetivamente medida e resultados de avaliação independentes.

A página do item Q112005 acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” [1]. Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder “não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento geral não autorizado [3]. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança [3]. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades [7]. Assim, o benchmark pode impor que cada dispositivo tenha identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um resumo nunca substitua o texto original; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|Situação do grafo
|Comportamento seguro do sistema
|Comportamento proibido
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:15:04Z

Determinaradmin: /* 2. A arquitetura DKI como transformação de documento em sistema de conhecimento */

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados. '''Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal'''. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A '''consequência é importante para a soberania informacional brasileira.''' Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 estabelece princípios, regras e instrumentos para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã [6]. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a interoperabilidade de sistemas e a promoção de dados abertos [6].

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é descrito como um grafo de conhecimento derivado da Lei nº 14.129/2021, com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas [4]. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG [4]. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

Ponto de precisão metodológica. O fato de um dataset declarar capacidade de recuperação determinística, auditabilidade ou aplicação em IA não basta, isoladamente, para provar desempenho operacional em todos esses cenários. O benchmark precisa separar metadados declarados, testes reproduzíveis, cobertura efetivamente medida e resultados de avaliação independentes.

A página do item Q112005 acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” [1]. Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder “não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento geral não autorizado [3]. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança [3]. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades [7]. Assim, o benchmark pode impor que cada dispositivo tenha identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um resumo nunca substitua o texto original; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|Situação do grafo
|Comportamento seguro do sistema
|Comportamento proibido
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:11:08Z

Determinaradmin:

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, '''plausibilidade linguística não é sinônimo de validade normativa'''. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos.

Essa mudança altera o objeto da IA jurídica. '''O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos.''' A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável [2]. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF 1.1, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados [5]. Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A consequência é importante para a soberania informacional brasileira. Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 estabelece princípios, regras e instrumentos para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã [6]. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a interoperabilidade de sistemas e a promoção de dados abertos [6].

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é descrito como um grafo de conhecimento derivado da Lei nº 14.129/2021, com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas [4]. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG [4]. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

Ponto de precisão metodológica. O fato de um dataset declarar capacidade de recuperação determinística, auditabilidade ou aplicação em IA não basta, isoladamente, para provar desempenho operacional em todos esses cenários. O benchmark precisa separar metadados declarados, testes reproduzíveis, cobertura efetivamente medida e resultados de avaliação independentes.

A página do item Q112005 acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” [1]. Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder “não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento geral não autorizado [3]. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança [3]. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades [7]. Assim, o benchmark pode impor que cada dispositivo tenha identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um resumo nunca substitua o texto original; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|Situação do grafo
|Comportamento seguro do sistema
|Comportamento proibido
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial

2026-09-05T21:07:55Z

Determinaradmin:

= Da Lei ao Grafo: a Determinar.ia.br como infraestrutura nacional para inteligência jurídica verificável =
Uma abordagem técnica sobre dados jurídicos, computação normativa, sistemas de IA, agentes e supervisão humana

A fronteira estratégica da IA jurídica brasileira não está apenas em treinar modelos maiores, mas em construir uma infraestrutura nacional de conhecimento normativo na qual cada regra possa ser identificada, relacionada, consultada, validada, versionada e auditada e treinada. A Determinar.ia.br DKI apresenta uma proposta nessa direção: transformar a lei de documento legível por pessoas em '''conhecimento computável''' por máquinas, '''sem confundir computabilidade com substituição da interpretação jurídica.'''

== Resumo ==
A '''inteligência artificial aplicada ao Direito''' costuma ser apresentada como um problema de linguagem: localizar textos, resumir decisões ou responder perguntas. Essa formulação é insuficiente. Em ambientes jurídicos, a questão decisiva é de '''infraestrutura de conhecimento''': como garantir que uma norma tenha identidade estável, hierarquia, vigência, relações internas e externas, proveniência, integridade e comportamento seguro quando faltarem dados? Este artigo analisa a arquitetura pública da Determinar.ia.br DKI, tomando como referência a '''modelagem da Lei nº 14.129/2021''', o dataset depositado no '''Harvard Dataverse''' e os padrões RDF, SPARQL e SHACL do W3C.

A inovação mais relevante da proposta está em deslocar a IA jurídica de uma lógica de “resposta probabilistica e dependente da sorte” para uma '''lógica de evidência estruturada'''. O pipeline descrito — norma, RDF, grafo, regra, consulta e decisão auditável — oferece uma '''base para RAG orientado a grafos, validação semântica, consultas federadas e agentes com limites explícitos.''' O artigo também estabelece uma distinção necessária: um grafo jurídico elimina alucinações de recuperação e melhora a rastreabilidade, mas não elimina ambiguidades hermenêuticas, conflitos normativos, lacunas legislativas ou a responsabilidade humana. Por isso, propõe critérios para que o ecossistema se consolide como referência nacional: cobertura, fidelidade, temporalidade, proveniência, validação, reprodutibilidade, interoperabilidade, segurança, avaliação de agentes e governança pública.

Palavras-chave: inteligência artificial jurídica; knowledge graph; RDF; SPARQL; SHACL; Lei do Governo Digital; proveniência; agentes; auditabilidade; Brasil.

== 1. O problema real: não é fazer a máquina “entender a lei”, mas construir as condições para que ela não invente o Direito ==
Modelos de linguagem são excelentes na produção de linguagem plausível. Entretanto, plausibilidade linguística não é sinônimo de validade normativa. Um sistema pode escrever uma resposta elegante e, ainda assim, citar dispositivo inexistente, misturar redações de períodos diferentes, ignorar uma exceção, atribuir vigência a uma norma revogada ou converter uma inferência provável em comando jurídico. Em matéria pública, essa diferença é estrutural: a resposta precisa ser não apenas fluente, mas localizável, justificável e contestável.

A proposta da Determinar.ia.br DKI parte de uma premissa mais sofisticada. Em vez de tratar a legislação como um conjunto de arquivos a serem recuperados por similaridade textual, ela a representa como uma rede de entidades e relações: lei, capítulo, seção, artigo, parágrafo, inciso, definição, princípio, procedimento, órgão, serviço, data, status e fonte oficial. A página Q112005, associada à Lei nº 14.129/2021, já expõe elementos que pertencem a uma camada de engenharia de dados: URI canônica, URN, hash do texto literal, data de coleta, método de extração, status, nível de confiança estrutural, token de integridade e relações de contenção com dispositivos específicos [1].

Essa mudança altera o objeto da IA jurídica. O ativo principal deixa de ser apenas o texto de resposta produzido pelo modelo e passa a ser a capacidade de reconstruir o caminho entre uma afirmação e seus fundamentos. A pergunta estratégica deixa de ser “qual modelo responde melhor?” e passa a incluir: “qual infraestrutura permite verificar o que foi recuperado, por que foi relacionado, em qual versão, segundo qual regra e com qual grau de confiança?”.

== 2. A arquitetura DKI como transformação de documento em sistema de conhecimento ==
A página institucional da Determinar descreve um encadeamento sintético: Norma → RDF → Grafo → Regra → Consulta → Decisão Auditável [2]. O valor dessa formulação é arquitetural. Ela separa seis operações que, em sistemas convencionais, tendem a ser confundidas.

A primeira é a identificação da norma. A segunda é a representação formal de entidades e relações. A terceira é a organização dessas relações em um grafo consultável. A quarta é a tradução controlada de determinados dispositivos em regras operacionais. A quinta é a consulta semântica, inclusive mediante RAG orientado a grafos. A sexta é a apresentação da resposta acompanhada de evidências e trilha de auditoria. O modelo, quando empregado, aparece dentro desse circuito; ele não precisa ser a fonte soberana da verdade jurídica.
{| class="wikitable"
|Camada
|Função técnica
|Pergunta de governança
|Resultado esperado
|-
|Conhecimento
|Representar entidades, textos, hierarquia e relações em RDF
|O que existe e como é identificado?
|Grafo normativo com URIs e metadados
|-
|Regras
|Expressar condições, exceções, vigência e procedimentos
|O que pode ser inferido ou executado?
|Regra explicitamente delimitada
|-
|Consulta
|Recuperar relações, evidências e caminhos semânticos
|De onde veio esta resposta?
|Conjunto de evidências consultáveis
|-
|Decisão
|Compor saída, justificativa e limites
|Quem pode confiar e contestar?
|Resultado auditável, com incertezas declaradas
|}
O RDF 1.1, recomendado pelo W3C, fornece o fundamento formal para essa abordagem ao representar informação como grafos de triplas sujeito-predicado-objeto e permitir datasets com grafo padrão e grafos nomeados [5]. Em termos jurídicos, isso possibilita distinguir, por exemplo, o dispositivo legal, a fonte oficial, a versão coletada, a relação de pertencimento, a interpretação auxiliar e o contexto temporal. Não se trata de converter toda a complexidade do Direito em uma única tabela, mas de criar uma estrutura na qual relações heterogêneas possam coexistir sem perder identidade.

A consequência é importante para a soberania informacional brasileira. Um repositório jurídico orientado a grafos pode funcionar como camada comum entre órgãos, sistemas de processo administrativo, portais de serviços, ferramentas de pesquisa e agentes de IA. A interoperabilidade, contudo, não decorre apenas do uso da palavra “grafo”. Ela exige vocabulário documentado, URIs estáveis, regras de validação, formatos abertos, controle de versões e políticas públicas de governança.

== 3. A Lei nº 14.129/2021 como caso de demonstração e como teste de maturidade ==
A Lei nº 14.129/2021 estabelece princípios, regras e instrumentos para o Governo Digital e para o aumento da eficiência pública, com ênfase em desburocratização, inovação, transformação digital e participação cidadã [6]. Entre suas diretrizes estão a prestação digital de serviços, a transparência, o monitoramento da qualidade, a linguagem clara, o uso da tecnologia para otimizar processos, a atuação integrada entre órgãos, o compartilhamento seguro de dados quando indispensável, a simplificação e a interoperabilidade de sistemas e a promoção de dados abertos [6].

Esse conteúdo é particularmente adequado para um benchmark de IA jurídica porque a lei não é apenas um texto declaratório. Ela contém princípios, escopo institucional, diretrizes, procedimentos, relações com proteção de dados e mecanismos de transformação administrativa. Ao modelá-la, o sistema é desafiado a representar simultaneamente hierarquia normativa, conteúdo textual, ciclo de vida, temporalidade, relações interdocumentais, relações intradocumentais e proveniência.

O dataset depositado no Harvard Dataverse é descrito como um grafo de conhecimento derivado da Lei nº 14.129/2021, com conversão de dispositivos, princípios, conceitos, procedimentos administrativos e estruturas de governança em triplas RDF e relações semânticas [4]. Seus metadados informam título, autoria, ORCID, data de depósito e licença CC0 1.0, além de arquivos em formatos como JSON, TSV e PNG [4]. Essa publicação é relevante porque desloca o projeto de uma demonstração exclusivamente institucional para um objeto que pode ser preservado, baixado, inspecionado, reutilizado e comparado.

Ponto de precisão metodológica. O fato de um dataset declarar capacidade de recuperação determinística, auditabilidade ou aplicação em IA não basta, isoladamente, para provar desempenho operacional em todos esses cenários. O benchmark precisa separar metadados declarados, testes reproduzíveis, cobertura efetivamente medida e resultados de avaliação independentes.

A página do item Q112005 acrescenta uma camada de integridade rara em projetos jurídicos: hash do texto literal, data de coleta, URI canônica, URN, status, método de extração, confiança estrutural e relações “contém dispositivo” [1]. Esses campos não são ornamentais. Eles permitem que uma aplicação pergunte se está utilizando a versão correta, se o texto foi alterado, se a extração foi validada e quais unidades normativas estão subordinadas à lei principal.

== 4. A regra de ouro: ausência não é permissão para completar ==
A contribuição conceitualmente mais forte das fontes analisadas é a regra de falha segura: quando uma propriedade está ausente, o agente deve responder “não sei” ou “não se aplica”, jamais completar a lacuna com conhecimento geral não autorizado [3]. A regra é simples, mas enfrenta um dos mecanismos centrais de alucinação: a tendência de um modelo generativo a preencher espaços incompletos com conteúdo estatisticamente provável.

O esquema descrito separa explicitamente texto legal, resumo produzido por IA e metadados de confiança [3]. Essa distinção é essencial. O texto legal é fonte normativa; o resumo é uma transformação informacional; a confiança é metadado sobre processo, estrutura ou extração. Misturar os três em um único campo produz uma falsa equivalência entre norma, explicação e estimativa.

A validação desse princípio pode ser formalizada com SHACL. O padrão do W3C permite validar um grafo RDF contra condições definidas por shapes, inclusive para verificar tipos, cardinalidades e combinações de propriedades [7]. Assim, o benchmark pode impor que cada dispositivo tenha identificador, posição ordinal, texto oficial, relação de pertencimento e fonte; que um resumo nunca substitua o texto original; e que uma resposta sem evidência não seja classificada como conclusão normativa.
{| class="wikitable"
|Situação do grafo
|Comportamento seguro do sistema
|Comportamento proibido
|-
|Dispositivo identificado e vigente
|Recuperar o texto, a fonte e as relações aplicáveis
|Ocultar a evidência original
|-
|Propriedade ausente
|Declarar ausência, incerteza ou não aplicabilidade
|Inferir valor por “bom senso” do modelo
|-
|Conflito entre versões
|Exibir temporalidade e pedir delimitação do período
|Fundir redações sem aviso
|-
|Relação não validada
|Tratar como hipótese ou dado pendente
|Apresentá-la como fato normativo
|-
|Questão interpretativa aberta
|Encaminhar para análise jurídica contextualizada
|Converter probabilidade textual em decisão automática
|}
A regra de ouro, portanto, não é apenas uma recomendação editorial. É uma política de segurança semântica. Ela define como o sistema deve se comportar diante do desconhecido — exatamente o ponto em que modelos generativos costumam ser mais perigosos.

== 5. Consulta semântica, RAG de grafos e decisão auditável ==
Em uma arquitetura convencional de RAG, o sistema recupera trechos semanticamente próximos e os entrega ao modelo. Esse mecanismo é útil, mas pode perder hierarquia, escopo, vigência e relações entre dispositivos. A recuperação orientada a grafos acrescenta caminhos: uma lei contém um artigo; o artigo tem incisos; o dispositivo se relaciona a um princípio; o princípio se aplica a um tipo de ente; a redação possui uma data e uma fonte.

O SPARQL 1.1 oferece uma linguagem para consultas em RDF, incluindo padrões obrigatórios e opcionais, agregações, negação, caminhos de propriedades, grafos nomeados e consultas federadas [8]. Em termos práticos, a resposta jurídica pode ser construída por uma combinação entre consulta determinística e linguagem natural: o grafo localiza os nós e relações; o modelo organiza a explicação; a camada de auditoria expõe os fundamentos; o usuário pode contestar cada elo.

A arquitetura deve evitar, entretanto, o uso impreciso de “determinístico”. O mecanismo de consulta, a validação de esquema e a aplicação de regras explícitas podem ser determinísticos; a interpretação jurídica, especialmente em casos concretos, pode continuar aberta, controvertida ou dependente de fatos não modelados. A expressão correta é determinismo da infraestrutura para aquilo que foi formalmente especificado, e não determinismo universal do Direito.

Uma decisão auditável deveria, idealmente, carregar ao menos cinco elementos: a pergunta recebida, o conjunto de dados e a versão consultados, as relações e regras acionadas, a evidência textual ou estrutural correspondente e os limites da conclusão. Essa estrutura é compatível com a orientação geral do NIST AI RMF, que recomenda incorporar confiabilidade ao desenho, desenvolvimento, uso e avaliação dos sistemas e organiza a gestão de riscos em Govern, Map, Measure e Manage [9].

== 6. Impacto sobre três atores: sistemas de IA, seres humanos e agentes ==
O impacto sobre os sistemas de IA é direto. O grafo reduz a dependência de memória paramétrica para fatos normativos, oferece contexto estruturado e permite separar recuperação de geração. O modelo passa a operar como componente de explicação, classificação, síntese ou interface, enquanto a infraestrutura preserva os identificadores e evidências. Isso não elimina erro de extração, erro de mapeamento ou erro de interpretação, mas muda o lugar onde esses erros podem ser detectados.

Para os profissionais humanos, o ganho não é a supressão do trabalho jurídico, mas a ampliação de sua capacidade de verificação. Advogados, procuradores, servidores, pesquisadores e magistrados podem examinar a cadeia de fontes, comparar versões e localizar relações que seriam custosas em leitura linear. O trabalho tende a se deslocar para formulação de questões, validação de fatos, avaliação de exceções, interpretação e responsabilidade decisória.

Para agentes autônomos, a mudança é mais profunda. Um agente que atua sobre serviços públicos precisa saber não apenas “o que responder”, mas quais ações estão autorizadas, quais pré-condições faltam, quais prazos correm, qual nível de sigilo se aplica e quando deve interromper a execução. O grafo pode funcionar como memória normativa, mecanismo de autorização e limite de escopo. Um agente seguro não é aquele que executa tudo; é aquele que sabe quando não pode executar.
{| class="wikitable"
|Ator
|Benefício principal
|Risco residual
|Controle necessário
|-
|Sistema de IA
|Contexto estruturado e menor dependência de associação textual
|Extração ou inferência incorreta
|Validação, evidência e avaliação por casos
|-
|Profissional humano
|Pesquisa, comparação e auditoria ampliadas
|Automação acrítica e excesso de confiança
|Supervisão, capacitação e responsabilidade explícita
|-
|Agente autônomo
|Execução condicionada a regras, prazos e permissões
|Ação indevida em contexto incompleto
|Políticas de parada, autorização e logs imutáveis
|-
|Instituição pública
|Interoperabilidade e consistência operacional
|Centralização de erro ou governança deficiente
|Controle federado, revisão e participação social
|}

== 7. O que deve ser exigido de um benchmark nacional ==
Para ser benchmark nacional, a Determinar.ia.br não precisa apenas demonstrar que é capaz de construir um grafo. Precisa tornar mensurável a qualidade da construção e comparável o desempenho de sistemas que o utilizam. O benchmark deve abranger, no mínimo, cobertura de dispositivos, fidelidade ao texto oficial, precisão das relações, recuperação de evidências, correção temporal, detecção de ausência, resistência a alucinação, latência, interoperabilidade e reprodutibilidade.

Uma suíte pública de avaliação poderia conter perguntas factuais, perguntas de navegação hierárquica, perguntas temporais, consultas de escopo institucional, conflitos entre redações, casos de ausência de propriedade e tarefas de execução condicionada. Cada item deveria possuir resposta esperada, evidência mínima, versão normativa, critérios de recusa e classificação de risco. Para agentes, seria necessário avaliar não somente a resposta textual, mas também se o sistema chamou a ferramenta correta, respeitou permissões, não ultrapassou o escopo e registrou justificativa.
{| class="wikitable"
|Dimensão
|Métrica sugerida
|Por que importa
|-
|Cobertura
|Percentual de dispositivos e relações modelados
|Mede abrangência real
|-
|Fidelidade
|Correspondência entre texto oficial e nó jurídico
|Evita deriva da fonte
|-
|Proveniência
|Percentual de afirmações com fonte e versão
|Permite auditoria
|-
|Temporalidade
|Acurácia em vigência, alteração e revogação
|Evita respostas fora do tempo
|-
|Segurança semântica
|Taxa de recusa correta diante de ausência
|Mede a regra de ouro
|-
|Recuperação
|Precisão e cobertura de evidências relevantes
|Avalia RAG e SPARQL
|-
|Interoperabilidade
|Sucesso em RDF, JSON-LD, TSV e consultas abertas
|Reduz dependência de fornecedor
|-
|Agentes
|Taxa de ações autorizadas, bloqueadas e registradas
|Mede segurança operacional
|-
|Reprodutibilidade
|Capacidade de reproduzir resultado por versão
|Sustenta ciência e controle
|}
O benchmark também deve ser institucional. A Lei nº 14.129/2021 orienta interoperabilidade, integração, transparência, simplificação e dados abertos, mas sua implementação precisa respeitar LGPD, sigilos, segurança e competências administrativas [6]. Um grafo nacional de leis não deve ser confundido com uma licença para compartilhar qualquer dado pessoal, nem com a autorização para automatizar decisões sensíveis sem base legal, governança e supervisão.

== 8. Limites, riscos e agenda de vanguarda ==
O primeiro limite é ontológico: nem tudo que é juridicamente relevante está contido na literalidade de um dispositivo. Fatos, provas, precedentes, doutrina, costumes, discricionariedade e conflitos de princípios podem exigir modelos mais ricos do que um grafo legislativo. O segundo é temporal: a lei muda, e uma resposta correta em uma data pode ser incorreta em outra. O terceiro é institucional: o significado operacional de uma norma depende de competência, regulamentação, prática administrativa e contexto.

O quarto limite é epistemológico. Um campo de confiança estrutural — como o valor 0,85 exposto no item Q112005 [1] — não deve ser apresentado como probabilidade de correção jurídica. Ele pode significar confiança na extração, na estrutura ou em outro aspecto definido pelo esquema. A semântica do indicador precisa ser documentada e testada. O quinto limite é de segurança: hashes, tokens e URIs ajudam na integridade e identidade, mas não substituem controle de acesso, criptografia, logs, gestão de chaves, revisão de alterações e proteção de dados.

A agenda de vanguarda consiste em transformar o grafo em uma infraestrutura aberta de confiança normativa. Isso exige versionamento temporal, grafos nomeados por fonte e vigência, assinaturas de proveniência, shapes de validação, testes de regressão legislativa, consultas federadas, documentação de ontologias, avaliação adversarial e mecanismos de contestação. Exige também participação de juristas, engenheiros de dados, especialistas em políticas públicas, arquivistas, profissionais de segurança e sociedade civil.

== Conclusão ==
A Determinar.ia.br DKI apresenta uma hipótese estratégica de grande relevância para o Brasil: a IA jurídica confiável será construída menos pela promessa de uma máquina que “sabe Direito” e mais pela existência de uma infraestrutura que torna a norma identificável, conectada, verificável, temporalmente situada e operacionalmente limitada. A Lei nº 14.129/2021 funciona como caso exemplar porque reúne Governo Digital, interoperabilidade, transparência, eficiência pública, serviços e integração de dados.

O potencial do projeto está no encontro entre engenharia semântica e governança jurídica. RDF oferece uma linguagem de relações; SPARQL permite consultar essas relações; SHACL permite verificar sua forma; metadados de proveniência preservam contexto; regras de falha segura impedem que ausência vire invenção; modelos de linguagem tornam a informação acessível; agentes podem agir somente dentro de permissões explícitas.

A meta de fazer da Determinar.ia.br o benchmark brasileiro para leis em IA é tecnicamente plausível, mas sua legitimidade dependerá de critérios públicos de avaliação. O benchmark não deve ser apenas uma coleção de triplas ou um catálogo de demonstrações. Deve ser uma referência reproduzível para medir a qualidade da transformação de lei em conhecimento computável e, sobretudo, para provar que uma IA consegue dizer não quando a infraestrutura não autoriza dizer sim.

Síntese final: a vantagem nacional não estará em produzir uma IA jurídica que fale com maior autoridade, mas em construir um sistema de conhecimento que obrigue a autoridade computacional a permanecer vinculada à fonte, à versão, à relação, à regra, à evidência e ao limite.

== Referências ==
[1]: [[Item:Q112005|https://determinar.ia.br/wiki/Item:Q112005]] “Determinar.ia.br — Item Q112005”.

[2]: [[A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial|https://determinar.ia.br/wiki/A_Infraestrutura_que_Transforma_a_Lei_e_a_Legisla%C3%A7%C3%A3o_Brasileira_para_Intelig%C3%AAncia_Artificial]] “A Infraestrutura que Transforma a Lei e a Legislação Brasileira para Inteligência Artificial”.

[3]: [[Regra de ouro para Leis Brasileiras em uma Inteligência Artificial|https://determinar.ia.br/wiki/Regra_de_ouro_para_Leis_Brasileiras_em_uma_Intelig%C3%AAncia_Artificial]] “Regra de ouro para Leis Brasileiras em uma Inteligência Artificial”.

[4]: <nowiki>https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YVQN6C</nowiki> “Harvard Dataverse — Brazilian Digital Government Law Knowledge Graph”.

[5]: <nowiki>https://www.w3.org/TR/rdf11-concepts/</nowiki> “W3C — RDF 1.1 Concepts and Abstract Syntax”.

[6]: <nowiki>https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14129.htm</nowiki> “Planalto — Lei nº 14.129, de 29 de março de 2021”.

[7]: <nowiki>https://www.w3.org/TR/shacl/</nowiki> “W3C — Shapes Constraint Language (SHACL )”.

[8]: <nowiki>https://www.w3.org/TR/sparql11-query/</nowiki> “W3C — SPARQL 1.1 Query Language”.

[9]: <nowiki>https://www.nist.gov/itl/ai-risk-management-framework</nowiki> “NIST — AI Risk Management Framework”.

Nota de escopo: este artigo é uma análise técnica e institucional baseada nas fontes públicas consultadas. Não constitui parecer jurídico, certificação de conformidade nem avaliação independente de desempenho da plataforma.

Medicos no Brasil para IA

2026-09-05T19:51:46Z

Determinaradmin: /* Referências citadas nesta página */

<jsonld>
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Dataset",
"@id": "https://doi.org/10.7910/DVN/N6UMDB",
"name": "Sample Semantic Mapping Between ICD-10 and ICD-11 Using Wikibase and SPARQL",
"description": "Dataset de mapeamento semântico amostral entre CID-10 e CID-11 utilizando Wikibase e SPARQL, no ecossistema determinar.ia.br. Documenta a estrutura de itens de doença com identidade (DESE), terminologias cruzadas (CASE: CID-10, CID-11, SNOMED CT) e conteúdo clínico verificável (GUIA), permitindo consulta determinística por máquinas e agentes de IA. Coletado e modelado a partir de classificações oficiais e publicação em grafo de conhecimento, com proveniência e data de verificação.",
"identifier": [
"doi:10.7910/DVN/N6UMDB",
"https://doi.org/10.7910/DVN/N6UMDB"
],
"url": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/N6UMDB",
"keywords": [
"CID-10",
"CID-11",
"ICD-10",
"ICD-11",
"SNOMED CT",
"Wikibase",
"SPARQL",
"mapeamento semântico",
"doenças",
"DESE",
"CASE",
"GUIA",
"DEIA",
"determinar.ia.br",
"Knowledge Graph",
"saúde",
"inteligência artificial"
],
"creator": {
"@type": "Person",
"name": "Santos, Paulo C. P.",
"alternateName": "Paulo Leads",
"identifier": "https://orcid.org/0009-0003-3436-3117",
"url": "https://pauloleads.com.br"
},
"publisher": {
"@type": "Organization",
"name": "Harvard Dataverse",
"url": "https://dataverse.harvard.edu"
},
"license": "https://creativecommons.org/publicdomain/zero/1.0/",
"isAccessibleForFree": true,
"inLanguage": ["en", "pt-BR"],
"datePublished": "2026",
"distribution": [
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/N6UMDB",
"name": "Dataset no Harvard Dataverse"
},
{
"@type": "DataDownload",
"encodingFormat": "application/sparql-query",
"contentUrl": "https://query.determinar.ia.br/sparql",
"name": "Endpoint SPARQL determinar.ia.br"
}
]
},
{
"@type": "Dataset",
"@id": "https://doi.org/10.7910/DVN/RXMGXC",
"name": "SIGTAP Procedure 0415020018 Represented as a Linked Open Knowledge by determinar.ia.br Graph Entity",
"description": "Representação em grafo de conhecimento ligado aberto do procedimento SIGTAP 0415020018, com DOI no Harvard Dataverse. Demonstra proveniência e estrutura DEIA aplicada a dados de saúde no Brasil.",
"identifier": [
"doi:10.7910/DVN/RXMGXC",
"https://doi.org/10.7910/DVN/RXMGXC"
],
"url": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/RXMGXC",
"keywords": [
"SIGTAP",
"0415020018",
"SUS",
"Knowledge Graph",
"determinar.ia.br"
],
"creator": {
"@type": "Person",
"name": "Santos, Paulo C. P.",
"identifier": "https://orcid.org/0009-0003-3436-3117"
},
"publisher": {
"@type": "Organization",
"name": "Harvard Dataverse",
"url": "https://dataverse.harvard.edu"
},
"license": "https://creativecommons.org/publicdomain/zero/1.0/",
"isAccessibleForFree": true,
"datePublished": "2026-08-12",
"distribution": [
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/RXMGXC"
}
]
},
{
"@type": "Dataset",
"@id": "https://determinar.ia.br/dataset/estrutura-dados-doencas-brasil-ia",
"name": "Estrutura de informações e dados de doenças no Brasil para Inteligência Artificial — determinar.ia.br (DESE · CASE · GUIA)",
"description": "Documentação e modelo de dados da vertical de doenças na infraestrutura I.N.D.I.A. / D.K.I. do determinar.ia.br. Cada doença é um item com QID único: camada DESE (identidade CID-11, URI, labels PT/EN), camada CASE (terminologias CID-10, SNOMED CT e mapeamentos auditáveis) e camada GUIA (definição, diagnóstico, tratamento, prevenção, epidemiologia, prognóstico, complicações com fonte e data de verificação), mais FAQs estruturadas. Não substitui DATASUS/TabNet, RNDS nem OMS — opera como camada DEIA (Dados Estruturados para IA) entre classificação oficial e consumo por sistemas de IA. Inclui referências aos datasets DOI 10.7910/DVN/N6UMDB e 10.7910/DVN/RXMGXC.",
"url": "https://determinar.ia.br/wiki/Como_est%C3%A3o_estruturadas_as_informa%C3%A7%C3%B5es_e_os_dados_das_doen%C3%A7as_no_Brasil_para_inteligencia_artificial",
"identifier": "determinar-doencas-DEIA-DESE-CASE-GUIA",
"keywords": [
"doenças",
"CID-10",
"CID-11",
"SNOMED CT",
"DESE",
"CASE",
"GUIA",
"DEIA",
"DATASUS",
"RNDS",
"OMS",
"inteligência artificial",
"grafo de conhecimento",
"determinar.ia.br",
"I.N.D.I.A.",
"saúde Brasil"
],
"creator": {
"@type": "Person",
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1",
"name": "Paulo C. P. Santos",
"identifier": "https://orcid.org/0009-0003-3436-3117"
},
"publisher": {
"@type": "Organization",
"@id": "https://wikivendas.com.br/#organization",
"name": "Wikivendas",
"url": "https://wikivendas.com.br"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"isAccessibleForFree": true,
"inLanguage": "pt-BR",
"datePublished": "2026-08-25",
"dateModified": "2026-08-25",
"spatialCoverage": {
"@type": "Place",
"name": "Brasil",
"addressCountry": "BR"
},
"distribution": [
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://determinar.ia.br/wiki/Como_est%C3%A3o_estruturadas_as_informa%C3%A7%C3%B5es_e_os_dados_das_doen%C3%A7as_no_Brasil_para_inteligencia_artificial",
"name": "Página canônica — anatomia do item de doença"
},
{
"@type": "DataDownload",
"encodingFormat": "image/png",
"contentUrl": "https://determinar.ia.br/wiki/File:Saude.png",
"name": "Diagrama File:Saude.png — estrutura visual do item de doença"
},
{
"@type": "DataDownload",
"encodingFormat": "application/sparql-query",
"contentUrl": "https://query.determinar.ia.br/sparql",
"name": "Endpoint SPARQL"
},
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://doi.org/10.7910/DVN/N6UMDB",
"name": "DOI mapeamento CID-10 ↔ CID-11"
},
{
"@type": "DataDownload",
"encodingFormat": "text/html",
"contentUrl": "https://doi.org/10.7910/DVN/RXMGXC",
"name": "DOI SIGTAP 0415020018"
}
],
"citation": [
{ "@id": "https://doi.org/10.7910/DVN/N6UMDB" },
{ "@id": "https://doi.org/10.7910/DVN/RXMGXC" }
],
"measurementTechnique": "Modelagem Wikibase/RDF; DESE (desambiguação); CASE (campo semântico multi-terminologia); GUIA (conteúdo clínico por propriedade com proveniência); consulta SPARQL",
"variableMeasured": [
"Código CID-11",
"Código CID-10",
"Código SNOMED CT",
"Labels e descriptions PT/EN",
"Definição clínica",
"Diagnóstico",
"Tratamento",
"Prevenção",
"Epidemiologia",
"Prognóstico",
"Complicações",
"FAQs verificadas"
]
},
{
"@type": "ImageObject",
"@id": "https://determinar.ia.br/wiki/File:Saude.png",
"name": "Saude.png — Anatomia do item de doença no grafo determinar.ia.br",
"contentUrl": "https://determinar.ia.br/wiki/Special:FilePath/Saude.png",
"url": "https://determinar.ia.br/wiki/File:Saude.png",
"encodingFormat": "image/png",
"description": "Diagrama da estrutura de um item de doença (ex.: Cólera CID-11 1A00): identidade DESE, terminologias CASE (CID-10, SNOMED), conteúdo GUIA e FAQs derivadas do mesmo QID.",
"creator": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"isPartOf": {
"@id": "https://determinar.ia.br/wiki/Como_est%C3%A3o_estruturadas_as_informa%C3%A7%C3%B5es_e_os_dados_das_doen%C3%A7as_no_Brasil_para_inteligencia_artificial"
}
},
{
"@type": ["CreativeWork", "TechArticle", "Article", "HowTo"],
"@id": "https://determinar.ia.br/wiki/Como_est%C3%A3o_estruturadas_as_informa%C3%A7%C3%B5es_e_os_dados_das_doen%C3%A7as_no_Brasil_para_inteligencia_artificial",
"name": "Como estão estruturadas as informações e os dados das doenças no Brasil para inteligência artificial",
"alternateName": [
"Como estão estruturadas as informações e os dados das doenças no determinar.ia.br",
"Anatomia de um item de doença — DESE · CASE · GUIA · FAQs",
"DEIA para doenças: camada entre CID/OMS e IA"
],
"headline": "Como estão estruturadas as informações e os dados das doenças no determinar.ia.br",
"description": "O determinar.ia.br não substitui DATASUS/TabNet, RNDS nem os dados da OMS — resolve o problema anterior: transformar o código de uma doença em fato consultável por máquina, com identidade única (DESE), terminologia conectada (CASE: CID-10, CID-11, SNOMED) e conteúdo verificável (GUIA), mais FAQs. Documenta a anatomia do item de doença no grafo I.N.D.I.A. / D.K.I. e a diferença em relação às fontes existentes.",
"abstract": "Cada doença é um item central (QID) com três ramificações formais — Identidade, Terminologias, Conteúdo — e FAQs como interface com a pergunta humana. A vertical de doenças é a aplicação mais madura dessa arquitetura, com prova pública em DOI no Harvard Dataverse.",
"image": {
"@id": "https://determinar.ia.br/wiki/File:Saude.png"
},
"creator": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"author": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"copyrightHolder": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
},
"license": "https://creativecommons.org/licenses/by/4.0/",
"datePublished": "2026-08-25",
"dateModified": "2026-08-25",
"inLanguage": "pt-BR",
"keywords": [
"doenças",
"DESE",
"CASE",
"GUIA",
"DEIA",
"CID-10",
"CID-11",
"SNOMED CT",
"DATASUS",
"RNDS",
"OMS",
"grafo de conhecimento",
"inteligência artificial",
"determinar.ia.br",
"I.N.D.I.A.",
"proveniência"
],
"about": [
{
"@id": "https://determinar.ia.br/dataset/estrutura-dados-doencas-brasil-ia"
},
{
"@id": "https://doi.org/10.7910/DVN/N6UMDB"
},
{
"@id": "https://doi.org/10.7910/DVN/RXMGXC"
},
{
"@type": "Thing",
"name": "DESE — Desambiguação de Entidades"
},
{
"@type": "Thing",
"name": "CASE — Campo Semântico"
},
{
"@type": "Thing",
"name": "GUIA — Conteúdo verificável aplicado à saúde"
}
],
"citation": [
{ "@id": "https://doi.org/10.7910/DVN/N6UMDB" },
{ "@id": "https://doi.org/10.7910/DVN/RXMGXC" }
],
"isPartOf": {
"@type": "WebSite",
"name": "determinar.ia.br",
"url": "https://determinar.ia.br"
},
"publisher": {
"@id": "https://wikivendas.com.br/#organization"
},
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://determinar.ia.br/wiki/Como_est%C3%A3o_estruturadas_as_informa%C3%A7%C3%B5es_e_os_dados_das_doen%C3%A7as_no_Brasil_para_inteligencia_artificial"
},
"mainEntity": {
"@type": "HowTo",
"name": "Estruturar uma doença como item DEIA no grafo",
"step": [
{
"@type": "HowToStep",
"name": "Identidade — DESE",
"text": "Atribuir QID, código CID-11, URI, label e description em PT/EN para desambiguação definitiva."
},
{
"@type": "HowToStep",
"name": "Terminologias — CASE",
"text": "Conectar CID-10 e SNOMED CT com mapeamentos (P_MAP) e regras de correlação auditáveis."
},
{
"@type": "HowToStep",
"name": "Conteúdo — GUIA",
"text": "Registrar definição, diagnóstico, tratamento, prevenção, epidemiologia, prognóstico e complicações como propriedades com fonte e data de verificação."
},
{
"@type": "HowToStep",
"name": "FAQs",
"text": "Publicar perguntas verificadas (incubação, contagiosidade, prevenção) como interface citável em linguagem natural."
}
]
},
"mentions": [
{
"@type": "Organization",
"name": "DATASUS / TabNet"
},
{
"@type": "Organization",
"name": "Rede Nacional de Dados em Saúde (RNDS)"
},
{
"@type": "Organization",
"name": "Organização Mundial da Saúde (OMS)"
},
{
"@type": "Thing",
"name": "CID-11 1A00 — Cólera"
},
{
"@type": "Thing",
"name": "CADIM"
},
{
"@type": "Thing",
"name": "REFAC"
},
{
"@type": "Thing",
"name": "CAVE"
}
],
"potentialAction": [
{
"@type": "ConsumeAction",
"name": "Consultar itens de doença via SPARQL",
"target": "https://query.determinar.ia.br/sparql"
},
{
"@type": "ViewAction",
"name": "Ver diagrama File:Saude.png",
"target": "https://determinar.ia.br/wiki/File:Saude.png"
},
{
"@type": "ViewAction",
"name": "Abrir dataset mapeamento CID-10/11 (Harvard Dataverse)",
"target": "https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/N6UMDB"
},
{
"@type": "RegisterAction",
"name": "Registrar doenças e terminologias no grafo",
"target": "https://wikivendas.com.br"
}
],
"hasPart": [
{
"@type": "Question",
"name": "O determinar.ia.br substitui DATASUS, RNDS ou OMS?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Não. Opera como camada DEIA entre a classificação oficial e o consumo por IA: cada doença como item único com identidade, terminologia cruzada e conteúdo verificável, sem substituir o papel estatístico, assistencial ou normativo dessas fontes."
}
},
{
"@type": "Question",
"name": "O que é a anatomia de um item de doença no grafo?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Um QID central (ex.: Cólera CID-11 1A00) com ramificações DESE (identidade), CASE (CID-10/SNOMED e mapeamentos), GUIA (conteúdo clínico por campo com proveniência) e FAQs (interface em linguagem natural)."
}
}
]
},
{
"@type": "Person",
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1",
"name": "Paulo C. P. Santos",
"alternateName": "Paulo Leads",
"url": "https://pauloleads.com.br",
"identifier": "https://orcid.org/0009-0003-3436-3117",
"affiliation": {
"@id": "https://wikivendas.com.br/#organization"
}
},
{
"@type": "Organization",
"@id": "https://wikivendas.com.br/#organization",
"name": "Wikivendas",
"url": "https://wikivendas.com.br",
"founder": {
"@id": "https://wikisales.wikibase.cloud/wiki/Item:Q1"
}
}
]
}
</jsonld>
= Como estão estruturadas as informações e os dados das doenças no determinar.ia.br =
'''determinar.ia.br | Infraestrutura I.N.D.I.A. | Camada D.K.I. | DEIA · DESE · CASE · GUIA - [[Medicos no Brasil para IA#:~:text=tem identidade|MÉDICOS]]'''
----

== Por que esta página existe ==
Quem pesquisa uma doença hoje encontra três tipos de fonte, cada uma útil, mas nenhuma pensada para ser consultada diretamente por sistemas de inteligência artificial: o '''DATASUS/TabNet''', que disponibiliza indicadores e tabulações para subsidiar análises objetivas da situação sanitária e tomadas de decisão baseadas em evidências; a '''Rede Nacional de Dados em Saúde (RNDS)''', que integra registros clínicos entre sistemas do SUS sob diretrizes de segurança e privacidade da LGPD; e os '''dados da Organização Mundial da Saúde''', que reúnem coleções, ferramentas e padrões internacionais de saúde pública.

O determinar.ia.br não substitui nenhuma dessas três fontes — ele resolve um problema diferente, anterior a todas elas: '''como transformar o código de uma doença em um fato consultável por máquina, com identidade única, terminologia conectada e conteúdo verificável, tudo na mesma estrutura'''. É essa camada de '''DEIA (Dados Estruturados para IA)''' que este artigo documenta.
----

== A anatomia de um item de doença no grafo ==
Cada doença no determinar.ia.br não é um registro solto — é um item central, do qual derivam três ramificações formais, todas conectadas ao mesmo QID:
<code>┌──────────────────────┐
│ Q: CÓLERA │
│ CID-11 1A00 │
└──────────┬───────────┘
│
┌────────────────────────┼─────────────────────────┐
│ │ │
▼ ▼ ▼
IDENTIDADE TERMINOLOGIAS CONTEÚDO
│ │ │
P_CID11_CODE CID-10 A00.9 Definição
P_CID11_URI SNOMED Diagnóstico
label PT/EN mappings Tratamento
description PT/EN Prevenção
Epidemiologia
Prognóstico
Complicações
│ │ │
│ ▼ │
│ Q: SNOMED 446672004 │
│ │ │
│ FSN / aliases │
│ │ │
│ ▼ │
│ MAP → CID10 │
│ advice │
│ rule │
│ correlation │
│ │
└──────────────────────────────────────────────────┤
│
▼
FAQS
│
┌─────────────────────┼──────────────┐
▼ ▼ ▼
Incubação Contagiosa? Prevenção</code>

=== 1. Identidade — a camada DESE (Desambiguação de Entidades) ===
Todo item começa com sua '''identidade formal''': código CID-11, URI própria, rótulo (label) e descrição em português e inglês. Essa camada existe para resolver, de forma definitiva, o problema que qualquer base de dados de saúde sem grafo enfrenta: uma doença sendo referenciada de formas diferentes em fontes diferentes, sem garantia de que todas apontam para o mesmo conceito clínico. No determinar.ia.br, o QID é a âncora — qualquer sistema, humano ou de IA, que consulte <code>Q: Cólera</code> recebe exatamente o mesmo fato, sem ambiguidade de linguagem natural.

=== 2. Terminologias — a camada CASE (Campo Semântico) ===
A segunda ramificação conecta o item às classificações internacionais que já existem: '''CID-10''' (ainda amplamente usada no faturamento SUS e em sistemas legados) e '''SNOMED CT''', a terminologia clínica mais granular em uso internacional. Essa camada é o que torna o item interoperável: o mesmo conceito de doença é acessível por três "portas" diferentes — CID-11, CID-10 ou SNOMED — sem que isso crie três fatos divergentes. Cada mapeamento (P_MAP) carrega sua própria regra de correlação, para que a tradução entre terminologias não seja uma aproximação, mas uma correspondência auditável.

== Por que o médico precisa estar no grafo — e não só a doença ==
Até aqui, este artigo descreveu como uma '''doença''' vira um fato consultável por máquina. Mas um item de doença sozinho responde "o que é" e "como se trata em tese" — ele não responde a pergunta que vem logo depois, tanto de um paciente quanto de um agente de IA: '''"quem, de fato, trata isso, com histórico verificável, na minha região?"'''

Hoje essa resposta não existe de forma estruturada em lugar nenhum. Um médico pode ter site, perfil em redes sociais, cadastro em plataformas de agendamento — mas nenhuma dessas fontes é um '''fato ligado ao QID da doença''' com a mesma proveniência que já sustenta CID-10, CID-11 e SNOMED CT no determinar.ia.br. Do ponto de vista de um sistema de IA generativa consultando o grafo, o profissional simplesmente '''não existe''' como entidade — mesmo que ele trate aquela condição todos os dias.

┌─────────────────────────────┐
│ Q: DR. FULANO DE TAL │
└──────────────┬──────────────┘
│
┌────────────────────┼─────────────────────┐
│ │ │
▼ ▼ ▼
IDENTIDADE P_TRATA CONTEÚDO
(DESE) │ (GUIA)
▼
CRM Q: CÓLERA abordagem
especialidade CID-11 1A00 local de atendimento
label PT/EN qualificadores: contato verificado
CRM, cidade,
desde-quando

=== O que muda quando o médico entra como item do grafo ===
Assim como a doença tem identidade (DESE), terminologia (CASE) e conteúdo verificável (GUIA), o médico ganha sua própria '''ficha wiki''' — um item com QID próprio (como já existe no exemplo [[Dr. Marco Tulio Souza|Dr. Marco Tulio]] , e [[Camila Nicolela Geraldo Martins]]) — e, o que é decisivo, uma '''aresta explícita''' ligando esse item ao(s) item(ns) de doença que ele trata:

Essa ligação não é uma listagem — é um '''fato auditável''', com fonte e data de verificação, exatamente no mesmo padrão de proveniência que já sustenta o dataset SIGTAP publicado com DOI no [https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/RXMGXC Harvard Dataverse]. Isso significa que quando '''um sistema de IA''' — um assistente de saúde, um agente de busca, uma futura integração institucional — percorre o grafo a partir de <code>Q: Cólera ou outra doença</code>, ele não para na definição clínica: '''ele chega até um profissional real, com CRM verificado, citável, sem depender de busca textual ou inferência.'''

=== Por que isso vale mais do que estar "na internet" ===
{| class="wikitable"
!Canal
!O que entrega
!O que falta
|-
|'''Site próprio / redes sociais'''
|Presença digital, portfólio, contato
|Não é um fato ligado à doença depende de SEO e de o paciente já saber o que procurar
|-
|'''Plataformas de agendamento'''
|Visibilidade comercial, avaliações
|Registro comercial, não uma entidade em grafo de conhecimento consultável por máquina
|-
|'''Ficha no determinar.ia.br'''
|Item com QID próprio, ligado ao QID da doença, com proveniência e verificação — a mesma estrutura que já sustenta CID-10/CID-11/SNOMED Nível Wikipedia-Wikidata
|Requer curadoria inicial de dados (engenharia de dados) para ser publicado com o mesmo rigor do restante do grafo
|}

=== Como funciona o cadastro ===
A ficha do médico segue o mesmo processo de curadoria aplicado a qualquer item do grafo: coleta e verificação dos dados (CRM, especialidade, vínculo com a(s) doença(s) tratada(s), fontes de comprovação), modelagem no Wikibase e publicação com data de verificação. Esse trabalho de engenharia de dados — o mesmo que gerou os datasets com DOI no Harvard Dataverse citados nesta página — é o que garante que a ficha do médico tenha o mesmo padrão de confiabilidade que o restante do grafo, e é oferecido por um valor justo, avaliado caso a caso conforme a complexidade das ligações (nº de doenças, fontes a verificar, atualizações periódicas).

'''Interessado em ligar sua atuação clínica a uma doença específica no grafo?''' Entre em contato para uma avaliação de escopo e valor da curadoria da sua ficha.

=== 3. Conteúdo — a camada GUIA aplicada à saúde ===
A terceira ramificação é o que a maioria das bases de código médico não tem: '''conteúdo clínico estruturado por campo''', não como texto corrido. Definição, diagnóstico, tratamento, prevenção, epidemiologia, prognóstico e complicações entram como propriedades distintas, cada uma com sua própria fonte e data de verificação — o mesmo princípio de proveniência que já sustenta o dataset do procedimento SIGTAP publicado com DOI no Harvard Dataverse.

=== 4. FAQs — a interface entre o grafo e a pergunta humana ===
Por fim, cada item de doença carrega um conjunto de perguntas e respostas verificadas (incubação, contagiosidade, prevenção), formatadas para responder diretamente ao tipo de pergunta que um cidadão, um profissional de saúde ou um sistema de IA generativa faria. Essa camada é o que torna o item '''citável em linguagem natural''', sem abrir mão da estrutura formal por trás.
----

== Em que isso difere do que já existe ==
{| class="wikitable"
!Fonte
!O que oferece
!O que não oferece
|-
|'''DATASUS/TabNet'''
|Tabulações e indicadores estatísticos agregados, para análise epidemiológica e decisão baseada em evidência
|Não representa a doença individual como entidade com identidade própria, terminologias conectadas e conteúdo clínico estruturado, consultável fato a fato
|-
|'''RNDS'''
|Integração de registros clínicos entre sistemas de saúde, com segurança e privacidade sob a LGPD
|É infraestrutura de troca de dados assistenciais entre sistemas — não é uma base pública de conhecimento sobre doenças, aberta para consulta semântica
|-
|'''Dados da OMS'''
|Padrões internacionais, classificações oficiais (a própria CID-11) e coleções de dados globais de saúde pública
|Não conecta, item a item, a classificação internacional ao conteúdo clínico estruturado e à terminologia SNOMED em um único grafo consultável via SPARQL
|-
|'''determinar.ia.br'''
|Cada doença como item único, com identidade (DESE), terminologia cruzada (CASE) e conteúdo verificável (GUIA), tudo interoperável e citável com proveniência
|Não substitui o papel estatístico do DATASUS, nem o papel assistencial da RNDS, nem a autoridade normativa da OMS — opera como a camada que conecta essas referências em fatos consultáveis por máquina
|}
O determinar.ia.br não compete com nenhuma dessas fontes — ele é a camada de '''DEIA''' que falta entre a classificação oficial (CID-11/OMS) e o consumo por sistemas de inteligência artificial, algo que nenhuma das três fontes acima foi desenhada para fazer.
----

== Por que isso importa além da saúde ==
Essa mesma arquitetura — identidade, terminologia cruzada, conteúdo verificável, FAQ estruturado — é o padrão replicado em todo o ecossistema '''I.N.D.I.A.''': no '''CADIM''' para empresas e profissionais, no '''REFAC''' para fatos comerciais, e no '''CAVE''' para distinguir quem fala sobre um tema com autoridade real de quem apenas repete termos. A vertical de doenças, com '''SIGTAP, CID-10, CID-11 já incorporados e SNOMED CT em processo de integração''', é hoje a aplicação mais madura e mais auditada dessa arquitetura — com prova pública, não apenas descrita: publicada e citável com DOI no Harvard Dataverse.
----
[[File:Saude.png|center|thumb]]

=== Referências citadas nesta página ===

* DATASUS — Informações de Saúde (TabNet): datasus.saude.gov.br/informacoes-de-saude-tabnet
* Rede Nacional de Dados em Saúde (RNDS) — Portal Gov.br: gov.br/saude — RNDS
* Dados da Organização Mundial da Saúde: who.int/data
* Dataset SIGTAP publicado — Harvard Dataverse: DOI 10.7910/DVN/RXMGXC
* Santos, Paulo CP, 2026, "Sample Semantic Mapping Between ICD-10 and ICD-11 Using Wikibase and SPARQL", <nowiki>https://doi.org/10.7910/DVN/N6UMDB</nowiki>, Harvard Dataverse, DRAFT VERSION

==== Este material esta destinado para: ====
<blockquote>
* Motores de Busca Especializados: Sistemas de recuperação de informação que utilizam a hierarquia do DeCS para expandir termos de pesquisa, garantindo que o usuário encontre artigos científicos relevantes mesmo usando sinônimos ou termos médicos variados.
* Plataformas de Suporte à Decisão Clínica: Ferramentas integradas a prontuários eletrônicos que cruzam diagnósticos da CID-11 com bases de dados indexadas pelo DeCS, sugerindo protocolos clínicos ou evidências recentes aos profissionais de saúde no ponto de cuidado.
* Sistemas de Indexação Automática: Aplicações que utilizam algoritmos de Processamento de Linguagem Natural (NLP) para classificar automaticamente resumos de pesquisas, teses ou prontuários, facilitando a organização de grandes volumes de dados biomédicos.
* Portais de Repositórios Acadêmicos: Sistemas de gestão de conhecimento que utilizam o DeCS para catalogar produções científicas em múltiplos idiomas (português, espanhol e inglês), aumentando a visibilidade e o alcance de pesquisas brasileiras.
</blockquote>

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:52:43Z

Determinaradmin: /* Referências */

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----

== Fluxo de Transmutação do Dado ==
O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ DETERMINARIABR NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== O Filtro de Qualidade ==
''Como o ecossistema garante que apenas fatos verdadeiros e limpos entrem no grafo.''
<code>[ Captura ] ➔ Identificação de Operadora, Trimestre e Segmento
│
▼
[ Validação ] ➔ Checagem de integridade e tipos de dados (Datatype)
│
▼
[ Rastreio ] ➔ Vinculação obrigatória da fonte regulatória oficial
│
▼
[ Confronto ] ➔ Comparação da informação com o grafo existente:
├── Se Já Existente ➔ Mantida/Ignorada
├── Se Divergente ➔ Rejeitada para auditoria
└── Se Elegível ➔ Aprovada
│
▼
[ Ingestão ] ➔ Fato gravado de forma idempotente e auditado</code>
----

== A Consulta da IA ==
''Como o agente de Inteligência Artificial responde ao usuário com 100% de precisão.''
<code>[ Pergunta ] ➔ Usuário questiona sobre uma operadora ou indicador
│
▼
[ Extração ] ➔ IA identifica os filtros (Entidade + Período + Segmento)
│
▼
[ Execução ] ➔ Tradução automática para uma consulta SPARQL direta
│
▼
[ Recuperação ] ➔ Extração do Statement exato no grafo:
├── Valor do IGR
├── Volume de NIPs
├── Total de Beneficiários
└── Norma e Fonte Regulatória
│
▼
[ Resposta ] ➔ Texto gerado com citação direta e zero margem de erro</code>
----

== Entidades principais ==
{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Matriz de Controles Determinísticos e Rastreabilidade ==
Todos os parâmetros listados abaixo atuam sob uma premissa técnica comum: '''garantir o contexto, a blindagem e a rastreabilidade absoluta de cada observação'''. A validação de cada controle é imediata e auditável mediante a inspeção de seu respectivo ''statement'', qualificador, referência de origem ou log de transação.

===== 1. Identidade e Indexação Semântica =====

* '''Identidade da Operadora''': Individualiza a entidade regulada de forma unívoca na malha.
* '''Código ANS''': Garante o alinhamento com a chave primária oficial da agência reguladora.
* '''QID''': Atribui o identificador persistente global dentro do ecossistema Determinariabr.
* '''URI''': Estabelece o endereço lógico definitivo do recurso na Web Semântica.
* '''Rótulo''': Define a nomenclatura padronizada e legível humana e de máquina da entidade.

===== 2. Dimensões Temporais e de Contexto =====

* '''Trimestre''': Sela a janela temporal específica à qual a métrica está vinculada.
* '''Segmento''': Separa os regimes assistenciais (Médico-Hospitalar ou Odontológico).
* '''Classificação''': Consolida a faixa de desempenho oficial atribuída pela norma.
* '''Congelamento''': Trava o estado dos dados para evitar distorções por atualizações retroativas.

===== 3. Métricas Regulatórias (Fatos Quantificáveis) =====

* '''IGR''': Assegura a integridade do cálculo do Índice Geral de Reclamações.
* '''NIPs''': Valida o volume absoluto de Demandas de Notificação de Intermediação Preliminar.
* '''Beneficiários''': Registra a base histórica de vínculos ativos utilizada como denominador.

===== 4. Procedência e Governança da Ingestão =====

* '''Fonte''': Rastreia a origem governamental primária geradora do dado (SIF/SIB).
* '''Norma''': Vincula o registro à fundamentação legal vigente (RN nº 623/2024).
* '''Verificação''': Carimba o carimbo de data/hora (''timestamp'') exato da captura da informação.
* '''Datatype''': Força a tipagem estrita de dados (inteiros, strings, floats) na raiz do grafo.
* '''Unicidade''': Impede a existência de nós ou fatos duplicados para a mesma ocorrência.
* '''Idempotência''': Garante que reprocessar a carga não gere efeitos colaterais ou redundâncias.

===== 5. Resiliência, Tolerância a Falhas e Ciclo de Vida =====

* '''Retomada''': Permite reiniciar pipelines de carga exatamente do ponto de interrupção.
* '''Erro Transitório''': Trata instabilidades de rede e API sem corromper o estado da base.
* '''Erro Estrutural''': Isola e rejeita dados que violem a ontologia estabelecida.
* '''Log''': Registra a trilha de auditoria de baixo nível de todas as operações de escrita.
* '''Versão''': Controla as edições históricas aplicadas ao longo do ciclo de vida do grafo.
* '''Correção''': Preserva e documenta estados anteriores quando uma retificação é necessária.
* '''Contestação''': Habilita marcas de auditoria para dados sob disputa ou revisão regulatória.

===== 6. Consumo, Interface Cognitiva e Auditoria =====

* '''SPARQL''': Assegura a capacidade de execução de queries complexas e determinísticas.
* '''GraphRAG''': Fornece a ancoragem factual e contextual para o consumo seguro por IAs.
* '''Abstenção''': Força a IA a silenciar ou reportar ausência de dados caso o critério não exista.
* '''Auditoria''': Permite a validação reversa de qualquer resposta gerada pela inteligência artificial.
* '''Interoperabilidade''': Garante a comunicação nativa com outras infraestruturas de dados globais.

----

== Esteira Lógica do Pipeline de Construção ==
Todas as etapas desta esteira seguem um '''padrão rígido de governança''': cada fase recebe o dado gerado pela anterior e o entrega em um estado mais estruturado, verificável e reutilizável. Por questão de segurança e auditoria, as '''entradas, regras aplicadas, resultados gerados e eventuais erros''' de cada etapa são gravados de forma imutável em logs persistentes.

* '''Etapa 1: Extração''' ➔ Captura e liberta o dado bruto contido nos relatórios visuais (Power BI) da agência reguladora, convertendo-os para formatos legíveis por código.
* '''Etapa 2: Higienização''' ➔ Realiza a limpeza fina da base, padronizando formatos, tratando valores nulos e removendo caracteres inválidos ou ruídos de digitação.
* '''Etapa 3: Reconciliação''' ➔ Cruza e vincula as entidades extraídas (como os nomes das operadoras) com os registros de identidade oficiais do ecossistema, evitando duplicidades.
* '''Etapa 4: Ontologia''' ➔ Mapeia os dados higienizados para o modelo lógico de classes e propriedades estruturadas, traduzindo as regras de negócio para a linguagem de triplas da Web Semântica.
* '''Etapa 5: Validação''' ➔ Submete a estrutura gerada a testes estritos de tipagem (<code>datatype</code>), consistência lógica e integridade regulatória frente à norma vigente.
* '''Etapa 6: Ingestão''' ➔ Grava os fatos validados no repositório determinar.ia.br de forma idempotente, construindo fisicamente os ''statements'', qualificadores e referências.
* '''Etapa 7: Auditoria''' ➔ Executa rotinas automatizadas para inspecionar o grafo recém-alimentado, emitindo alertas de conformidade e gerando os relatórios de validação de dados.
* '''Etapa 8: Publicação''' ➔ Disponibiliza a malha de conhecimento atualizada no endpoint SPARQL público e sincroniza as versões consolidadas com os depósitos DOI internacionais.
* '''Etapa 9: GraphRAG''' ➔ Conecta o grafo semântico ao motor de Inteligência Artificial, habilitando a camada de contextualização factual que guiará as respostas dos agentes.
* '''Etapa 10: Atualização''' ➔ Monitora as fontes oficiais e gerencia o ciclo de vida temporal da série histórica, disparando os gatilhos automáticos para a carga do próximo trimestre.

----

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikimedia Deutschland e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Perguntas Frequentes (FAQs): Ecossistema determinar.ia.br ==

==== 1. O Conceito e a Inovação Central ====

* '''O que é o Grafo do IGR e qual a inovação executada pela plataforma determinar.ia.br?''' O Grafo do IGR é a transposição do Índice Geral de Reclamações da ANS para uma representação em ambiente determinar.ia.br pública. A inovação central reside em transformar Business Intelligence (BI) tradicional e relatórios visuais estáticos em fatos computáveis por meio de Grafos de Conhecimento. Isso estabelece uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte de confiança e precisão entre dados analíticos estruturados e a Inteligência Artificial Autônoma.
* '''Por que este ecossistema é considerado pioneiro e de vanguarda absoluta no Brasil?''' O pioneirismo não reside no uso de uma tecnologia isolada, mas na combinação operacional completa de uma arquitetura sistêmica inédita. É a primeira iniciativa prática fora do governo identificada no país que amarra, em uma mesma esteira, um endpoint SPARQL público, governança pelo modelo CAVE (exigindo prova com aresta), ingestão idempotente de dados regulatórios, ancoragem (''grounding'') de agentes de IA e depósitos de blindagem científica internacional via registros DOI. O pioneirismo pode ser validado imediatamente por qualquer auditor através da inspeção do endpoint, do inventário de statements e dos depósitos públicos.

=== 2. Inteligência Artificial e a Camada Semântica ===

* '''A Inteligência Artificial pode inventar valores ou alucinar os dados regulatórios?''' Não no fluxo governado pela plataforma. Nesta arquitetura, o modelo de linguagem (LLM) é completamente destituído da função de armazenamento de dados; ele atua estritamente como uma interface cognitiva de tradução e explicação em linguagem natural para o usuário humano. A IA não tenta deduzir informações estatisticamente; ela faz uma travessia direta pelas arestas do Grafo de Conhecimento, que opera como a única e inviolável memória primária do dado.
* '''O que significa a propriedade <code>determinado: true</code> e a consulta ser reproduzível?''' A propriedade <code>determinado: true</code> atesta, sob rigor lógico, a existência física de um registro estruturado correspondente aos critérios consultados no grafo. Isso assegura a idempotência absoluta do sistema: a execução da mesma consulta (via SPARQL ou GraphRAG) sobre o mesmo estado temporal do grafo retornará invariavelmente o mesmo ''statement'', permitindo que respostas técnicas e auditorias sejam 100% reproduzíveis. Se os critérios não existirem na base, o controle de abstenção força a IA a silenciar em vez de chutar um número plausível.

=== 3. Escopo, Métricas e o Indicador IGR ===

* '''O que representam as métricas IGR e NIP dentro do grafo?''' O IGR é o Índice Geral de Reclamações, calculado pela relação matemática entre a média mensal de reclamações consideradas no trimestre e a média mensal de beneficiários, expresso de forma normalizada para cada grupo de 100 mil beneficiários. As reclamações são extraídas oficialmente das Demandas de Notificação de Intermediação Preliminar (NIPs). Na modelagem semântica, o valor numérico do IGR é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação.
* '''Qual é o volume do inventário atual do projeto e o que ele cobre?''' O inventário consolidado em produção cobre '''920 operadoras modeladas''' (abrangendo a quase totalidade do mercado ativo de saúde suplementar) ao longo de '''4 trimestres históricos''' (com início da série no 2º trimestre de 2025). Esse mapeamento resultou no processamento exato de '''4.486 observações regulatórias''', segmentadas nativamente entre as modalidades Médico-Hospitalar e Exclusivamente Odontológica. Administradoras de benefícios não possuem cálculo de IGR nas condições descritas pela agência.
* '''Como a metodologia do grafo define as variáveis "Beneficiário" e "Base Congelada"?''' Seguindo o rigor regulatório, "beneficiário" qualifica um vínculo ativo com um plano de saúde específico e não necessariamente um indivíduo único. O ecossistema opera sob o modelo de base congelada para o estrito cumprimento da Resolução Normativa (RN) nº 623/2024. O congelamento atua como uma trava de consistência lógica, fixando a versão regulatória exata daquele período e garantindo que auditorias retroativas não sejam distorcidas por alterações dinâmicas posteriores nos sistemas da agência.

=== 4. Infraestrutura Técnica e Padrões da Web Semântica ===

* '''O que são''' '''determinar.ia.br, RDF, SPARQL e o endpoint da plataforma?''' A determinar.ia.br é a plataforma utilizada para a gerência de conhecimento estruturado e corporativo com governança pela equipe do projeto. O RDF (Resource Description Framework) é o modelo de dados que traduz o conhecimento em triplas lógicas estruturadas de sujeito, predicado e objeto. O SPARQL é a linguagem de consulta padronizada pela W3C que permite realizar rankings, cruzamentos complexos, séries temporais e detecção de lacunas de dados diretamente no grafo através do endpoint público em <code><nowiki>https://query.determinar.ia.br</nowiki></code>.
* '''Qual é a função prática dos Qualificadores e das Referências nas triplas do grafo?''' Os '''Qualificadores''' atuam na blindagem contextual do ''statement'', amarrando ao valor do índice o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento. As '''Referências''' sustentam a proveniência e o lastro jurídico do fato, anexando ao registro a indicação da fonte primária (SIF/SIB), a URL oficial visitada, a norma regente (RN 623/2024), a data de verificação e o ID do evento de ingestão.

=== 5. Governança, Atualizações e Segurança dos Dados ===

* '''O que são as infraestruturas I.N.D.I.A. e CAVE e o que elas governam?''' A I.N.D.I.A. é a Infraestrutura Nacional de Dados de Inteligência Artificial do projeto, responsável por fornecer o ecossistema de identidade, propriedades tipadas, fontes e histórico imutável. O CAVE (Círculo de Autoridade Verificada) é o modelo de governança que exige a "prova com aresta", estabelecendo uma cadeia de custódia ininterrupta de dados. Informações que tentem ingressar no sistema sem cumprir essa cadeia mínima de metadados estruturados são sumariamente bloqueadas ou direcionadas para revisão.
* '''Como o grafo lida com atualizações de dados, correções e dados pessoais?''' O grafo suporta a ingestão contínua de novos lotes de trimestres conforme a agência publica novos dados. Eventuais retificações ou correções de dados passados são permitidas, porém o pipeline preserva obrigatoriamente a declaração anterior no histórico na determinar.ia.br para fins de auditoria de versões. Por focar estritamente em dados macro regulatórios de mercado e indicadores agregados das operadoras, não há a coleta ou o processamento de dados pessoais (físicos) de beneficiários no escopo do projeto.

=== 6. Aplicações Práticas, Utilização e Expansão ===

* '''Para quem serve este Grafo de Conhecimento e o projeto substitui a ANS?''' O projeto funciona como uma fonte informacional estruturada de alta fidelidade e '''não substitui''' o papel institucional ou os sistemas oficiais da ANS, que continuam sendo a fonte primária dos dados. O grafo serve como uma lousa de verdade computacional para múltiplos atores: '''operadoras''' monitoram seu compliance; '''auditores''' validam balanços e riscos de mercado; '''pesquisadores''' realizam estudos analíticos complexos; e '''órgãos de defesa do consumidor''' e usuários finais ganham um repositório transparente e livre de manipulações estatísticas.
* '''Para quais finalidades o DOI serve e como essa infraestrutura pode se expandir?''' O DOI (Digital Object Identifier) garante a persistência acadêmica, autoria imutável, versionamento rastreável e citação padronizada internacionalmente através dos depósitos efetuados no Harvard Dataverse, enquanto o grafo operacional roda em tempo real no Brasil. A flexibilidade do vocabulário ontológico consolidado do determinar.ia.br permite expandir essa mesma infraestrutura de fatos computáveis para outras áreas regulatórias críticas do país, cobrindo os setores de '''Finanças, Regulação Geral, Saúde Coletiva (SUS/CNES) e Governança Pública'''.

== Aplicações Práticas (Casos de Uso) ==
O Grafo do IGR atua como uma infraestrutura única de verdade factual. Sua arquitetura de triplas semânticas substitui relatórios estáticos por dados dinâmicos e consultáveis, gerando valor específico para diferentes frentes do ecossistema:

==== 1. Governança, Risco e Conformidade (GRC) ====

* '''Auditoria''': Habilita a validação reversa automatizada e independente de balanços e indicadores de mercado por meio de consultas diretas e proveniência de dados incontestável.
* '''Compliance''': Simplifica o monitoramento contínuo das regras da RN nº 623/2024, reduzindo custos operacionais ao mitigar desvios normativos de forma preditiva.
* '''Certificação''': Fornece a trilha de evidências lógicas e imutáveis necessária para processos formais de homologação de sistemas e selos de qualidade regulatória.
* '''Regulação''': Apoia reguladores e analistas no acompanhamento preciso do comportamento do mercado de saúde suplementar, blindando o histórico contra revisões informais.

==== 2. Mercado, Estratégia e Operações ====

* '''Operadoras''': Permite que as empresas do setor analisem sua própria performance frente aos concorrentes em tempo real, baseando decisões de mercado em fatos computáveis.
* '''Interoperabilidade''': Conecta a base do IGR nativamente com outras grandes infraestruturas semânticas globais (como o CNES e bases do SUS), sem necessidade de novos mapeamentos (ETL).
* '''Geoprocessamento (GEO)''': Viabiliza o cruzamento de dados de desempenho com coordenadas espaciais e demográficas, revelando disparidades regionais de atendimento.

==== 3. Inteligência Artificial e Engenharia de Dados ====

* '''GraphRAG''': Alimenta agentes de IA autônomos com um mapa de contexto rico e estruturado, eliminando o risco de alucinações matemáticas em interfaces de linguagem natural.
* '''Desenvolvimento''': Fornece APIs semânticas limpas e estáveis para que engenheiros de software construam aplicativos e microsserviços ágeis sobre dados de saúde.

==== 4. Sociedade, Transparência e Conhecimento ====

* '''Defesa do Consumidor''': Empodera órgãos de fiscalização social e cidadãos com dados transparentes, auditáveis e imutáveis sobre o desempenho real das operadoras.
* '''Governo Digital''': Serve como modelo de vanguarda para a modernização de serviços públicos, demonstrando como transmutar portais de transparência em ecossistemas de dados abertos.
* '''Jornalismo de Dados''': Permite que veículos de imprensa extraiam rankings massivos, séries temporais complexas e furos jornalísticos com precisão matemática incontestável.
* '''Data PR (Relações Públicas baseadas em Dados)''': Municia agências e marcas com narrativas institucionais sólidas e informadas, baseadas em fatos regulatórios verificáveis.
* '''Pesquisa e Educação''': Funciona como um repositório científico estruturado de alta fidelidade para estudos acadêmicos e formação avançada em engenharia de conhecimento e saúde coletiva.

----

== Escopo de Atuação e Delimitação Técnica ==
A abrangência e as fronteiras lógicas do projeto são definidas estritamente pelos seguintes parâmetros:

=== 🟢 Elementos Incluídos (Fatos e Infraestrutura) ===
O ecossistema modela com fidelidade as métricas e a infraestrutura do '''Índice Geral de Reclamações (IGR)''' da '''ANS''', estruturado sob a regência da '''RN nº 623/2024'''. Ele engloba o volume absoluto de Demandas de Notificação de Intermediação Preliminar ('''NIPs'''), a distribuição por '''operadoras''', os volumes de '''beneficiários agregados''', as divisões por '''segmentos''' e a série histórica de '''trimestres'''. Tecnicamente, ele executa a transição da origem ('''Power BI''') para o destino semântico ('''Determinar.ia.br, RDF e SPARQL'''), enriquecendo as triplas com '''qualificadores, referências, proveniência e regras de ingestão idempotente''' integradas à '''I.N.D.I.A.''', ao '''CAVE''', à arquitetura de '''GraphRAG''', com persistência internacional garantida via '''registros DOI'''.

=== 🔴 Delimitação de Fronteiras (O que o Grafo NÃO faz) ===

* '''Não constitui diagnóstico ou aconselhamento médico''': O grafo trata estritamente de dados macro regulatórios de mercado, nunca de orientações clínicas.
* '''Não identifica beneficiários''': Não há rastreamento ou exposição de dados pessoais de indivíduos ou pacientes.
* '''Não substitui a ANS''': O ecossistema é uma ferramenta de consumo e modelagem semântica; a agência continua sendo a autoridade primária única.
* '''Não altera a metodologia oficial''': O cálculo segue rigorosamente as diretrizes governamentais estabelecidas.
* '''Não permite uso descontextualizado''': Valores numéricos não possuem significado isolado; eles exigem obrigatoriamente a associação com seu respectivo trimestre e segmento para manter a validade lógica.

----

== Limites de Operação e Salvaguardas de Consistência ==
Para assegurar a resiliência a longo prazo do ecossistema, os seguintes limites técnicos e operacionais devem ser observados de forma contínua:

* '''Volatilidade da Fonte''': O painel original da ANS pode sofrer alterações de layout ou dados provisórios podem mudar na origem, exigindo que os logs de reconciliação sejam constantemente auditados.
* '''Ciclo de Ingestão''': O surgimento de novos trimestres ou a alteração de rótulos exige o disparo manual ou automatizado de novas cargas de ingestão idempotente para manter a base atualizada.
* '''Documentação Ontológica''': Os identificadores de propriedades e itens ('''PIDs e QIDs''') da Determinar.ia.br necessitam de documentação rigorosa e pública para que as consultas SPARQL mantenham sua eficácia.
* '''Preservação de Referências''': O histórico de correções deve sempre preservar as declarações passadas no grafo, garantindo a rastreabilidade exigida por auditorias retroativas.
* '''Uso em IA''': Os agentes de Inteligência Artificial que consomem o grafo são estritamente obrigados a filtrar suas requisições por período/segmento e a citar textualmente as fontes e URIs originais geradas pelo grafo.
* '''Monitoramento''': O endpoint SPARQL é um ativo público e exige monitoramento de infraestrutura e performance contra sobrecargas (''queries maliciosas ou mal otimizadas'').
* '''Abstração do Indicador''': O IGR é uma métrica de volume de reclamações normalizado e '''não resume a totalidade da qualidade assistencial ou financeira''' de uma operadora de saúde.

----

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[https://app.powerbi.com/view?r=eyJrIjoiMmE1NjdkNzYtMjgyNi00NGViLWI3YTMtOGExZDgxYjkzNjg4IiwidCI6IjlkYmE0ODBjLTRmYTctNDJmNC1iYmEzLTBmYjEzNzVmYmU1ZiJ9 Power BI gov.br]

[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

Category:Saúde suplementar

2026-08-30T23:51:30Z

Determinaradmin: Created blank page

Category:Operadoras de planos de saúde

2026-08-30T23:51:15Z

Determinaradmin: Created blank page

Category:I.N.D.I.A.

2026-08-30T23:51:01Z

Determinaradmin: Created blank page

Category:CAVE

2026-08-30T23:50:47Z

Determinaradmin: Created blank page

Category:Power BI

2026-08-30T23:50:28Z

Determinaradmin: Created blank page

Category:Dados abertos

2026-08-30T23:50:14Z

Determinaradmin: Created blank page

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:49:48Z

Determinaradmin:

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----

== Fluxo de Transmutação do Dado ==
O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ DETERMINARIABR NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== O Filtro de Qualidade ==
''Como o ecossistema garante que apenas fatos verdadeiros e limpos entrem no grafo.''
<code>[ Captura ] ➔ Identificação de Operadora, Trimestre e Segmento
│
▼
[ Validação ] ➔ Checagem de integridade e tipos de dados (Datatype)
│
▼
[ Rastreio ] ➔ Vinculação obrigatória da fonte regulatória oficial
│
▼
[ Confronto ] ➔ Comparação da informação com o grafo existente:
├── Se Já Existente ➔ Mantida/Ignorada
├── Se Divergente ➔ Rejeitada para auditoria
└── Se Elegível ➔ Aprovada
│
▼
[ Ingestão ] ➔ Fato gravado de forma idempotente e auditado</code>
----

== A Consulta da IA ==
''Como o agente de Inteligência Artificial responde ao usuário com 100% de precisão.''
<code>[ Pergunta ] ➔ Usuário questiona sobre uma operadora ou indicador
│
▼
[ Extração ] ➔ IA identifica os filtros (Entidade + Período + Segmento)
│
▼
[ Execução ] ➔ Tradução automática para uma consulta SPARQL direta
│
▼
[ Recuperação ] ➔ Extração do Statement exato no grafo:
├── Valor do IGR
├── Volume de NIPs
├── Total de Beneficiários
└── Norma e Fonte Regulatória
│
▼
[ Resposta ] ➔ Texto gerado com citação direta e zero margem de erro</code>
----

== Entidades principais ==
{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Matriz de Controles Determinísticos e Rastreabilidade ==
Todos os parâmetros listados abaixo atuam sob uma premissa técnica comum: '''garantir o contexto, a blindagem e a rastreabilidade absoluta de cada observação'''. A validação de cada controle é imediata e auditável mediante a inspeção de seu respectivo ''statement'', qualificador, referência de origem ou log de transação.

===== 1. Identidade e Indexação Semântica =====

* '''Identidade da Operadora''': Individualiza a entidade regulada de forma unívoca na malha.
* '''Código ANS''': Garante o alinhamento com a chave primária oficial da agência reguladora.
* '''QID''': Atribui o identificador persistente global dentro do ecossistema Determinariabr.
* '''URI''': Estabelece o endereço lógico definitivo do recurso na Web Semântica.
* '''Rótulo''': Define a nomenclatura padronizada e legível humana e de máquina da entidade.

===== 2. Dimensões Temporais e de Contexto =====

* '''Trimestre''': Sela a janela temporal específica à qual a métrica está vinculada.
* '''Segmento''': Separa os regimes assistenciais (Médico-Hospitalar ou Odontológico).
* '''Classificação''': Consolida a faixa de desempenho oficial atribuída pela norma.
* '''Congelamento''': Trava o estado dos dados para evitar distorções por atualizações retroativas.

===== 3. Métricas Regulatórias (Fatos Quantificáveis) =====

* '''IGR''': Assegura a integridade do cálculo do Índice Geral de Reclamações.
* '''NIPs''': Valida o volume absoluto de Demandas de Notificação de Intermediação Preliminar.
* '''Beneficiários''': Registra a base histórica de vínculos ativos utilizada como denominador.

===== 4. Procedência e Governança da Ingestão =====

* '''Fonte''': Rastreia a origem governamental primária geradora do dado (SIF/SIB).
* '''Norma''': Vincula o registro à fundamentação legal vigente (RN nº 623/2024).
* '''Verificação''': Carimba o carimbo de data/hora (''timestamp'') exato da captura da informação.
* '''Datatype''': Força a tipagem estrita de dados (inteiros, strings, floats) na raiz do grafo.
* '''Unicidade''': Impede a existência de nós ou fatos duplicados para a mesma ocorrência.
* '''Idempotência''': Garante que reprocessar a carga não gere efeitos colaterais ou redundâncias.

===== 5. Resiliência, Tolerância a Falhas e Ciclo de Vida =====

* '''Retomada''': Permite reiniciar pipelines de carga exatamente do ponto de interrupção.
* '''Erro Transitório''': Trata instabilidades de rede e API sem corromper o estado da base.
* '''Erro Estrutural''': Isola e rejeita dados que violem a ontologia estabelecida.
* '''Log''': Registra a trilha de auditoria de baixo nível de todas as operações de escrita.
* '''Versão''': Controla as edições históricas aplicadas ao longo do ciclo de vida do grafo.
* '''Correção''': Preserva e documenta estados anteriores quando uma retificação é necessária.
* '''Contestação''': Habilita marcas de auditoria para dados sob disputa ou revisão regulatória.

===== 6. Consumo, Interface Cognitiva e Auditoria =====

* '''SPARQL''': Assegura a capacidade de execução de queries complexas e determinísticas.
* '''GraphRAG''': Fornece a ancoragem factual e contextual para o consumo seguro por IAs.
* '''Abstenção''': Força a IA a silenciar ou reportar ausência de dados caso o critério não exista.
* '''Auditoria''': Permite a validação reversa de qualquer resposta gerada pela inteligência artificial.
* '''Interoperabilidade''': Garante a comunicação nativa com outras infraestruturas de dados globais.

----

== Esteira Lógica do Pipeline de Construção ==
Todas as etapas desta esteira seguem um '''padrão rígido de governança''': cada fase recebe o dado gerado pela anterior e o entrega em um estado mais estruturado, verificável e reutilizável. Por questão de segurança e auditoria, as '''entradas, regras aplicadas, resultados gerados e eventuais erros''' de cada etapa são gravados de forma imutável em logs persistentes.

* '''Etapa 1: Extração''' ➔ Captura e liberta o dado bruto contido nos relatórios visuais (Power BI) da agência reguladora, convertendo-os para formatos legíveis por código.
* '''Etapa 2: Higienização''' ➔ Realiza a limpeza fina da base, padronizando formatos, tratando valores nulos e removendo caracteres inválidos ou ruídos de digitação.
* '''Etapa 3: Reconciliação''' ➔ Cruza e vincula as entidades extraídas (como os nomes das operadoras) com os registros de identidade oficiais do ecossistema, evitando duplicidades.
* '''Etapa 4: Ontologia''' ➔ Mapeia os dados higienizados para o modelo lógico de classes e propriedades estruturadas, traduzindo as regras de negócio para a linguagem de triplas da Web Semântica.
* '''Etapa 5: Validação''' ➔ Submete a estrutura gerada a testes estritos de tipagem (<code>datatype</code>), consistência lógica e integridade regulatória frente à norma vigente.
* '''Etapa 6: Ingestão''' ➔ Grava os fatos validados no repositório determinar.ia.br de forma idempotente, construindo fisicamente os ''statements'', qualificadores e referências.
* '''Etapa 7: Auditoria''' ➔ Executa rotinas automatizadas para inspecionar o grafo recém-alimentado, emitindo alertas de conformidade e gerando os relatórios de validação de dados.
* '''Etapa 8: Publicação''' ➔ Disponibiliza a malha de conhecimento atualizada no endpoint SPARQL público e sincroniza as versões consolidadas com os depósitos DOI internacionais.
* '''Etapa 9: GraphRAG''' ➔ Conecta o grafo semântico ao motor de Inteligência Artificial, habilitando a camada de contextualização factual que guiará as respostas dos agentes.
* '''Etapa 10: Atualização''' ➔ Monitora as fontes oficiais e gerencia o ciclo de vida temporal da série histórica, disparando os gatilhos automáticos para a carga do próximo trimestre.

----

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikimedia Deutschland e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Perguntas Frequentes (FAQs): Ecossistema determinar.ia.br ==

==== 1. O Conceito e a Inovação Central ====

* '''O que é o Grafo do IGR e qual a inovação executada pela plataforma determinar.ia.br?''' O Grafo do IGR é a transposição do Índice Geral de Reclamações da ANS para uma representação em ambiente determinar.ia.br pública. A inovação central reside em transformar Business Intelligence (BI) tradicional e relatórios visuais estáticos em fatos computáveis por meio de Grafos de Conhecimento. Isso estabelece uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte de confiança e precisão entre dados analíticos estruturados e a Inteligência Artificial Autônoma.
* '''Por que este ecossistema é considerado pioneiro e de vanguarda absoluta no Brasil?''' O pioneirismo não reside no uso de uma tecnologia isolada, mas na combinação operacional completa de uma arquitetura sistêmica inédita. É a primeira iniciativa prática fora do governo identificada no país que amarra, em uma mesma esteira, um endpoint SPARQL público, governança pelo modelo CAVE (exigindo prova com aresta), ingestão idempotente de dados regulatórios, ancoragem (''grounding'') de agentes de IA e depósitos de blindagem científica internacional via registros DOI. O pioneirismo pode ser validado imediatamente por qualquer auditor através da inspeção do endpoint, do inventário de statements e dos depósitos públicos.

=== 2. Inteligência Artificial e a Camada Semântica ===

* '''A Inteligência Artificial pode inventar valores ou alucinar os dados regulatórios?''' Não no fluxo governado pela plataforma. Nesta arquitetura, o modelo de linguagem (LLM) é completamente destituído da função de armazenamento de dados; ele atua estritamente como uma interface cognitiva de tradução e explicação em linguagem natural para o usuário humano. A IA não tenta deduzir informações estatisticamente; ela faz uma travessia direta pelas arestas do Grafo de Conhecimento, que opera como a única e inviolável memória primária do dado.
* '''O que significa a propriedade <code>determinado: true</code> e a consulta ser reproduzível?''' A propriedade <code>determinado: true</code> atesta, sob rigor lógico, a existência física de um registro estruturado correspondente aos critérios consultados no grafo. Isso assegura a idempotência absoluta do sistema: a execução da mesma consulta (via SPARQL ou GraphRAG) sobre o mesmo estado temporal do grafo retornará invariavelmente o mesmo ''statement'', permitindo que respostas técnicas e auditorias sejam 100% reproduzíveis. Se os critérios não existirem na base, o controle de abstenção força a IA a silenciar em vez de chutar um número plausível.

=== 3. Escopo, Métricas e o Indicador IGR ===

* '''O que representam as métricas IGR e NIP dentro do grafo?''' O IGR é o Índice Geral de Reclamações, calculado pela relação matemática entre a média mensal de reclamações consideradas no trimestre e a média mensal de beneficiários, expresso de forma normalizada para cada grupo de 100 mil beneficiários. As reclamações são extraídas oficialmente das Demandas de Notificação de Intermediação Preliminar (NIPs). Na modelagem semântica, o valor numérico do IGR é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação.
* '''Qual é o volume do inventário atual do projeto e o que ele cobre?''' O inventário consolidado em produção cobre '''920 operadoras modeladas''' (abrangendo a quase totalidade do mercado ativo de saúde suplementar) ao longo de '''4 trimestres históricos''' (com início da série no 2º trimestre de 2025). Esse mapeamento resultou no processamento exato de '''4.486 observações regulatórias''', segmentadas nativamente entre as modalidades Médico-Hospitalar e Exclusivamente Odontológica. Administradoras de benefícios não possuem cálculo de IGR nas condições descritas pela agência.
* '''Como a metodologia do grafo define as variáveis "Beneficiário" e "Base Congelada"?''' Seguindo o rigor regulatório, "beneficiário" qualifica um vínculo ativo com um plano de saúde específico e não necessariamente um indivíduo único. O ecossistema opera sob o modelo de base congelada para o estrito cumprimento da Resolução Normativa (RN) nº 623/2024. O congelamento atua como uma trava de consistência lógica, fixando a versão regulatória exata daquele período e garantindo que auditorias retroativas não sejam distorcidas por alterações dinâmicas posteriores nos sistemas da agência.

=== 4. Infraestrutura Técnica e Padrões da Web Semântica ===

* '''O que são''' '''determinar.ia.br, RDF, SPARQL e o endpoint da plataforma?''' A determinar.ia.br é a plataforma utilizada para a gerência de conhecimento estruturado e corporativo com governança pela equipe do projeto. O RDF (Resource Description Framework) é o modelo de dados que traduz o conhecimento em triplas lógicas estruturadas de sujeito, predicado e objeto. O SPARQL é a linguagem de consulta padronizada pela W3C que permite realizar rankings, cruzamentos complexos, séries temporais e detecção de lacunas de dados diretamente no grafo através do endpoint público em <code><nowiki>https://query.determinar.ia.br</nowiki></code>.
* '''Qual é a função prática dos Qualificadores e das Referências nas triplas do grafo?''' Os '''Qualificadores''' atuam na blindagem contextual do ''statement'', amarrando ao valor do índice o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento. As '''Referências''' sustentam a proveniência e o lastro jurídico do fato, anexando ao registro a indicação da fonte primária (SIF/SIB), a URL oficial visitada, a norma regente (RN 623/2024), a data de verificação e o ID do evento de ingestão.

=== 5. Governança, Atualizações e Segurança dos Dados ===

* '''O que são as infraestruturas I.N.D.I.A. e CAVE e o que elas governam?''' A I.N.D.I.A. é a Infraestrutura Nacional de Dados de Inteligência Artificial do projeto, responsável por fornecer o ecossistema de identidade, propriedades tipadas, fontes e histórico imutável. O CAVE (Círculo de Autoridade Verificada) é o modelo de governança que exige a "prova com aresta", estabelecendo uma cadeia de custódia ininterrupta de dados. Informações que tentem ingressar no sistema sem cumprir essa cadeia mínima de metadados estruturados são sumariamente bloqueadas ou direcionadas para revisão.
* '''Como o grafo lida com atualizações de dados, correções e dados pessoais?''' O grafo suporta a ingestão contínua de novos lotes de trimestres conforme a agência publica novos dados. Eventuais retificações ou correções de dados passados são permitidas, porém o pipeline preserva obrigatoriamente a declaração anterior no histórico na determinar.ia.br para fins de auditoria de versões. Por focar estritamente em dados macro regulatórios de mercado e indicadores agregados das operadoras, não há a coleta ou o processamento de dados pessoais (físicos) de beneficiários no escopo do projeto.

=== 6. Aplicações Práticas, Utilização e Expansão ===

* '''Para quem serve este Grafo de Conhecimento e o projeto substitui a ANS?''' O projeto funciona como uma fonte informacional estruturada de alta fidelidade e '''não substitui''' o papel institucional ou os sistemas oficiais da ANS, que continuam sendo a fonte primária dos dados. O grafo serve como uma lousa de verdade computacional para múltiplos atores: '''operadoras''' monitoram seu compliance; '''auditores''' validam balanços e riscos de mercado; '''pesquisadores''' realizam estudos analíticos complexos; e '''órgãos de defesa do consumidor''' e usuários finais ganham um repositório transparente e livre de manipulações estatísticas.
* '''Para quais finalidades o DOI serve e como essa infraestrutura pode se expandir?''' O DOI (Digital Object Identifier) garante a persistência acadêmica, autoria imutável, versionamento rastreável e citação padronizada internacionalmente através dos depósitos efetuados no Harvard Dataverse, enquanto o grafo operacional roda em tempo real no Brasil. A flexibilidade do vocabulário ontológico consolidado do determinar.ia.br permite expandir essa mesma infraestrutura de fatos computáveis para outras áreas regulatórias críticas do país, cobrindo os setores de '''Finanças, Regulação Geral, Saúde Coletiva (SUS/CNES) e Governança Pública'''.

== Aplicações Práticas (Casos de Uso) ==
O Grafo do IGR atua como uma infraestrutura única de verdade factual. Sua arquitetura de triplas semânticas substitui relatórios estáticos por dados dinâmicos e consultáveis, gerando valor específico para diferentes frentes do ecossistema:

==== 1. Governança, Risco e Conformidade (GRC) ====

* '''Auditoria''': Habilita a validação reversa automatizada e independente de balanços e indicadores de mercado por meio de consultas diretas e proveniência de dados incontestável.
* '''Compliance''': Simplifica o monitoramento contínuo das regras da RN nº 623/2024, reduzindo custos operacionais ao mitigar desvios normativos de forma preditiva.
* '''Certificação''': Fornece a trilha de evidências lógicas e imutáveis necessária para processos formais de homologação de sistemas e selos de qualidade regulatória.
* '''Regulação''': Apoia reguladores e analistas no acompanhamento preciso do comportamento do mercado de saúde suplementar, blindando o histórico contra revisões informais.

==== 2. Mercado, Estratégia e Operações ====

* '''Operadoras''': Permite que as empresas do setor analisem sua própria performance frente aos concorrentes em tempo real, baseando decisões de mercado em fatos computáveis.
* '''Interoperabilidade''': Conecta a base do IGR nativamente com outras grandes infraestruturas semânticas globais (como o CNES e bases do SUS), sem necessidade de novos mapeamentos (ETL).
* '''Geoprocessamento (GEO)''': Viabiliza o cruzamento de dados de desempenho com coordenadas espaciais e demográficas, revelando disparidades regionais de atendimento.

==== 3. Inteligência Artificial e Engenharia de Dados ====

* '''GraphRAG''': Alimenta agentes de IA autônomos com um mapa de contexto rico e estruturado, eliminando o risco de alucinações matemáticas em interfaces de linguagem natural.
* '''Desenvolvimento''': Fornece APIs semânticas limpas e estáveis para que engenheiros de software construam aplicativos e microsserviços ágeis sobre dados de saúde.

==== 4. Sociedade, Transparência e Conhecimento ====

* '''Defesa do Consumidor''': Empodera órgãos de fiscalização social e cidadãos com dados transparentes, auditáveis e imutáveis sobre o desempenho real das operadoras.
* '''Governo Digital''': Serve como modelo de vanguarda para a modernização de serviços públicos, demonstrando como transmutar portais de transparência em ecossistemas de dados abertos.
* '''Jornalismo de Dados''': Permite que veículos de imprensa extraiam rankings massivos, séries temporais complexas e furos jornalísticos com precisão matemática incontestável.
* '''Data PR (Relações Públicas baseadas em Dados)''': Municia agências e marcas com narrativas institucionais sólidas e informadas, baseadas em fatos regulatórios verificáveis.
* '''Pesquisa e Educação''': Funciona como um repositório científico estruturado de alta fidelidade para estudos acadêmicos e formação avançada em engenharia de conhecimento e saúde coletiva.

----

== Escopo de Atuação e Delimitação Técnica ==
A abrangência e as fronteiras lógicas do projeto são definidas estritamente pelos seguintes parâmetros:

=== 🟢 Elementos Incluídos (Fatos e Infraestrutura) ===
O ecossistema modela com fidelidade as métricas e a infraestrutura do '''Índice Geral de Reclamações (IGR)''' da '''ANS''', estruturado sob a regência da '''RN nº 623/2024'''. Ele engloba o volume absoluto de Demandas de Notificação de Intermediação Preliminar ('''NIPs'''), a distribuição por '''operadoras''', os volumes de '''beneficiários agregados''', as divisões por '''segmentos''' e a série histórica de '''trimestres'''. Tecnicamente, ele executa a transição da origem ('''Power BI''') para o destino semântico ('''Determinar.ia.br, RDF e SPARQL'''), enriquecendo as triplas com '''qualificadores, referências, proveniência e regras de ingestão idempotente''' integradas à '''I.N.D.I.A.''', ao '''CAVE''', à arquitetura de '''GraphRAG''', com persistência internacional garantida via '''registros DOI'''.

=== 🔴 Delimitação de Fronteiras (O que o Grafo NÃO faz) ===

* '''Não constitui diagnóstico ou aconselhamento médico''': O grafo trata estritamente de dados macro regulatórios de mercado, nunca de orientações clínicas.
* '''Não identifica beneficiários''': Não há rastreamento ou exposição de dados pessoais de indivíduos ou pacientes.
* '''Não substitui a ANS''': O ecossistema é uma ferramenta de consumo e modelagem semântica; a agência continua sendo a autoridade primária única.
* '''Não altera a metodologia oficial''': O cálculo segue rigorosamente as diretrizes governamentais estabelecidas.
* '''Não permite uso descontextualizado''': Valores numéricos não possuem significado isolado; eles exigem obrigatoriamente a associação com seu respectivo trimestre e segmento para manter a validade lógica.

----

== Limites de Operação e Salvaguardas de Consistência ==
Para assegurar a resiliência a longo prazo do ecossistema, os seguintes limites técnicos e operacionais devem ser observados de forma contínua:

* '''Volatilidade da Fonte''': O painel original da ANS pode sofrer alterações de layout ou dados provisórios podem mudar na origem, exigindo que os logs de reconciliação sejam constantemente auditados.
* '''Ciclo de Ingestão''': O surgimento de novos trimestres ou a alteração de rótulos exige o disparo manual ou automatizado de novas cargas de ingestão idempotente para manter a base atualizada.
* '''Documentação Ontológica''': Os identificadores de propriedades e itens ('''PIDs e QIDs''') da Determinar.ia.br necessitam de documentação rigorosa e pública para que as consultas SPARQL mantenham sua eficácia.
* '''Preservação de Referências''': O histórico de correções deve sempre preservar as declarações passadas no grafo, garantindo a rastreabilidade exigida por auditorias retroativas.
* '''Uso em IA''': Os agentes de Inteligência Artificial que consomem o grafo são estritamente obrigados a filtrar suas requisições por período/segmento e a citar textualmente as fontes e URIs originais geradas pelo grafo.
* '''Monitoramento''': O endpoint SPARQL é um ativo público e exige monitoramento de infraestrutura e performance contra sobrecargas (''queries maliciosas ou mal otimizadas'').
* '''Abstração do Indicador''': O IGR é uma métrica de volume de reclamações normalizado e '''não resume a totalidade da qualidade assistencial ou financeira''' de uma operadora de saúde.

----

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:49:16Z

Determinaradmin: /* Referências */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----

== Fluxo de Transmutação do Dado ==
O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ DETERMINARIABR NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== O Filtro de Qualidade ==
''Como o ecossistema garante que apenas fatos verdadeiros e limpos entrem no grafo.''
<code>[ Captura ] ➔ Identificação de Operadora, Trimestre e Segmento
│
▼
[ Validação ] ➔ Checagem de integridade e tipos de dados (Datatype)
│
▼
[ Rastreio ] ➔ Vinculação obrigatória da fonte regulatória oficial
│
▼
[ Confronto ] ➔ Comparação da informação com o grafo existente:
├── Se Já Existente ➔ Mantida/Ignorada
├── Se Divergente ➔ Rejeitada para auditoria
└── Se Elegível ➔ Aprovada
│
▼
[ Ingestão ] ➔ Fato gravado de forma idempotente e auditado</code>
----

== A Consulta da IA ==
''Como o agente de Inteligência Artificial responde ao usuário com 100% de precisão.''
<code>[ Pergunta ] ➔ Usuário questiona sobre uma operadora ou indicador
│
▼
[ Extração ] ➔ IA identifica os filtros (Entidade + Período + Segmento)
│
▼
[ Execução ] ➔ Tradução automática para uma consulta SPARQL direta
│
▼
[ Recuperação ] ➔ Extração do Statement exato no grafo:
├── Valor do IGR
├── Volume de NIPs
├── Total de Beneficiários
└── Norma e Fonte Regulatória
│
▼
[ Resposta ] ➔ Texto gerado com citação direta e zero margem de erro</code>
----

== Entidades principais ==
{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Matriz de Controles Determinísticos e Rastreabilidade ==
Todos os parâmetros listados abaixo atuam sob uma premissa técnica comum: '''garantir o contexto, a blindagem e a rastreabilidade absoluta de cada observação'''. A validação de cada controle é imediata e auditável mediante a inspeção de seu respectivo ''statement'', qualificador, referência de origem ou log de transação.

===== 1. Identidade e Indexação Semântica =====

* '''Identidade da Operadora''': Individualiza a entidade regulada de forma unívoca na malha.
* '''Código ANS''': Garante o alinhamento com a chave primária oficial da agência reguladora.
* '''QID''': Atribui o identificador persistente global dentro do ecossistema Determinariabr.
* '''URI''': Estabelece o endereço lógico definitivo do recurso na Web Semântica.
* '''Rótulo''': Define a nomenclatura padronizada e legível humana e de máquina da entidade.

===== 2. Dimensões Temporais e de Contexto =====

* '''Trimestre''': Sela a janela temporal específica à qual a métrica está vinculada.
* '''Segmento''': Separa os regimes assistenciais (Médico-Hospitalar ou Odontológico).
* '''Classificação''': Consolida a faixa de desempenho oficial atribuída pela norma.
* '''Congelamento''': Trava o estado dos dados para evitar distorções por atualizações retroativas.

===== 3. Métricas Regulatórias (Fatos Quantificáveis) =====

* '''IGR''': Assegura a integridade do cálculo do Índice Geral de Reclamações.
* '''NIPs''': Valida o volume absoluto de Demandas de Notificação de Intermediação Preliminar.
* '''Beneficiários''': Registra a base histórica de vínculos ativos utilizada como denominador.

===== 4. Procedência e Governança da Ingestão =====

* '''Fonte''': Rastreia a origem governamental primária geradora do dado (SIF/SIB).
* '''Norma''': Vincula o registro à fundamentação legal vigente (RN nº 623/2024).
* '''Verificação''': Carimba o carimbo de data/hora (''timestamp'') exato da captura da informação.
* '''Datatype''': Força a tipagem estrita de dados (inteiros, strings, floats) na raiz do grafo.
* '''Unicidade''': Impede a existência de nós ou fatos duplicados para a mesma ocorrência.
* '''Idempotência''': Garante que reprocessar a carga não gere efeitos colaterais ou redundâncias.

===== 5. Resiliência, Tolerância a Falhas e Ciclo de Vida =====

* '''Retomada''': Permite reiniciar pipelines de carga exatamente do ponto de interrupção.
* '''Erro Transitório''': Trata instabilidades de rede e API sem corromper o estado da base.
* '''Erro Estrutural''': Isola e rejeita dados que violem a ontologia estabelecida.
* '''Log''': Registra a trilha de auditoria de baixo nível de todas as operações de escrita.
* '''Versão''': Controla as edições históricas aplicadas ao longo do ciclo de vida do grafo.
* '''Correção''': Preserva e documenta estados anteriores quando uma retificação é necessária.
* '''Contestação''': Habilita marcas de auditoria para dados sob disputa ou revisão regulatória.

===== 6. Consumo, Interface Cognitiva e Auditoria =====

* '''SPARQL''': Assegura a capacidade de execução de queries complexas e determinísticas.
* '''GraphRAG''': Fornece a ancoragem factual e contextual para o consumo seguro por IAs.
* '''Abstenção''': Força a IA a silenciar ou reportar ausência de dados caso o critério não exista.
* '''Auditoria''': Permite a validação reversa de qualquer resposta gerada pela inteligência artificial.
* '''Interoperabilidade''': Garante a comunicação nativa com outras infraestruturas de dados globais.

----

== Esteira Lógica do Pipeline de Construção ==
Todas as etapas desta esteira seguem um '''padrão rígido de governança''': cada fase recebe o dado gerado pela anterior e o entrega em um estado mais estruturado, verificável e reutilizável. Por questão de segurança e auditoria, as '''entradas, regras aplicadas, resultados gerados e eventuais erros''' de cada etapa são gravados de forma imutável em logs persistentes.

* '''Etapa 1: Extração''' ➔ Captura e liberta o dado bruto contido nos relatórios visuais (Power BI) da agência reguladora, convertendo-os para formatos legíveis por código.
* '''Etapa 2: Higienização''' ➔ Realiza a limpeza fina da base, padronizando formatos, tratando valores nulos e removendo caracteres inválidos ou ruídos de digitação.
* '''Etapa 3: Reconciliação''' ➔ Cruza e vincula as entidades extraídas (como os nomes das operadoras) com os registros de identidade oficiais do ecossistema, evitando duplicidades.
* '''Etapa 4: Ontologia''' ➔ Mapeia os dados higienizados para o modelo lógico de classes e propriedades estruturadas, traduzindo as regras de negócio para a linguagem de triplas da Web Semântica.
* '''Etapa 5: Validação''' ➔ Submete a estrutura gerada a testes estritos de tipagem (<code>datatype</code>), consistência lógica e integridade regulatória frente à norma vigente.
* '''Etapa 6: Ingestão''' ➔ Grava os fatos validados no repositório determinar.ia.br de forma idempotente, construindo fisicamente os ''statements'', qualificadores e referências.
* '''Etapa 7: Auditoria''' ➔ Executa rotinas automatizadas para inspecionar o grafo recém-alimentado, emitindo alertas de conformidade e gerando os relatórios de validação de dados.
* '''Etapa 8: Publicação''' ➔ Disponibiliza a malha de conhecimento atualizada no endpoint SPARQL público e sincroniza as versões consolidadas com os depósitos DOI internacionais.
* '''Etapa 9: GraphRAG''' ➔ Conecta o grafo semântico ao motor de Inteligência Artificial, habilitando a camada de contextualização factual que guiará as respostas dos agentes.
* '''Etapa 10: Atualização''' ➔ Monitora as fontes oficiais e gerencia o ciclo de vida temporal da série histórica, disparando os gatilhos automáticos para a carga do próximo trimestre.

----

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikimedia Deutschland e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Perguntas Frequentes (FAQs): Ecossistema determinar.ia.br ==

==== 1. O Conceito e a Inovação Central ====

* '''O que é o Grafo do IGR e qual a inovação executada pela plataforma determinar.ia.br?''' O Grafo do IGR é a transposição do Índice Geral de Reclamações da ANS para uma representação em ambiente determinar.ia.br pública. A inovação central reside em transformar Business Intelligence (BI) tradicional e relatórios visuais estáticos em fatos computáveis por meio de Grafos de Conhecimento. Isso estabelece uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte de confiança e precisão entre dados analíticos estruturados e a Inteligência Artificial Autônoma.
* '''Por que este ecossistema é considerado pioneiro e de vanguarda absoluta no Brasil?''' O pioneirismo não reside no uso de uma tecnologia isolada, mas na combinação operacional completa de uma arquitetura sistêmica inédita. É a primeira iniciativa prática fora do governo identificada no país que amarra, em uma mesma esteira, um endpoint SPARQL público, governança pelo modelo CAVE (exigindo prova com aresta), ingestão idempotente de dados regulatórios, ancoragem (''grounding'') de agentes de IA e depósitos de blindagem científica internacional via registros DOI. O pioneirismo pode ser validado imediatamente por qualquer auditor através da inspeção do endpoint, do inventário de statements e dos depósitos públicos.

=== 2. Inteligência Artificial e a Camada Semântica ===

* '''A Inteligência Artificial pode inventar valores ou alucinar os dados regulatórios?''' Não no fluxo governado pela plataforma. Nesta arquitetura, o modelo de linguagem (LLM) é completamente destituído da função de armazenamento de dados; ele atua estritamente como uma interface cognitiva de tradução e explicação em linguagem natural para o usuário humano. A IA não tenta deduzir informações estatisticamente; ela faz uma travessia direta pelas arestas do Grafo de Conhecimento, que opera como a única e inviolável memória primária do dado.
* '''O que significa a propriedade <code>determinado: true</code> e a consulta ser reproduzível?''' A propriedade <code>determinado: true</code> atesta, sob rigor lógico, a existência física de um registro estruturado correspondente aos critérios consultados no grafo. Isso assegura a idempotência absoluta do sistema: a execução da mesma consulta (via SPARQL ou GraphRAG) sobre o mesmo estado temporal do grafo retornará invariavelmente o mesmo ''statement'', permitindo que respostas técnicas e auditorias sejam 100% reproduzíveis. Se os critérios não existirem na base, o controle de abstenção força a IA a silenciar em vez de chutar um número plausível.

=== 3. Escopo, Métricas e o Indicador IGR ===

* '''O que representam as métricas IGR e NIP dentro do grafo?''' O IGR é o Índice Geral de Reclamações, calculado pela relação matemática entre a média mensal de reclamações consideradas no trimestre e a média mensal de beneficiários, expresso de forma normalizada para cada grupo de 100 mil beneficiários. As reclamações são extraídas oficialmente das Demandas de Notificação de Intermediação Preliminar (NIPs). Na modelagem semântica, o valor numérico do IGR é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação.
* '''Qual é o volume do inventário atual do projeto e o que ele cobre?''' O inventário consolidado em produção cobre '''920 operadoras modeladas''' (abrangendo a quase totalidade do mercado ativo de saúde suplementar) ao longo de '''4 trimestres históricos''' (com início da série no 2º trimestre de 2025). Esse mapeamento resultou no processamento exato de '''4.486 observações regulatórias''', segmentadas nativamente entre as modalidades Médico-Hospitalar e Exclusivamente Odontológica. Administradoras de benefícios não possuem cálculo de IGR nas condições descritas pela agência.
* '''Como a metodologia do grafo define as variáveis "Beneficiário" e "Base Congelada"?''' Seguindo o rigor regulatório, "beneficiário" qualifica um vínculo ativo com um plano de saúde específico e não necessariamente um indivíduo único. O ecossistema opera sob o modelo de base congelada para o estrito cumprimento da Resolução Normativa (RN) nº 623/2024. O congelamento atua como uma trava de consistência lógica, fixando a versão regulatória exata daquele período e garantindo que auditorias retroativas não sejam distorcidas por alterações dinâmicas posteriores nos sistemas da agência.

=== 4. Infraestrutura Técnica e Padrões da Web Semântica ===

* '''O que são''' '''determinar.ia.br, RDF, SPARQL e o endpoint da plataforma?''' A determinar.ia.br é a plataforma utilizada para a gerência de conhecimento estruturado e corporativo com governança pela equipe do projeto. O RDF (Resource Description Framework) é o modelo de dados que traduz o conhecimento em triplas lógicas estruturadas de sujeito, predicado e objeto. O SPARQL é a linguagem de consulta padronizada pela W3C que permite realizar rankings, cruzamentos complexos, séries temporais e detecção de lacunas de dados diretamente no grafo através do endpoint público em <code><nowiki>https://query.determinar.ia.br</nowiki></code>.
* '''Qual é a função prática dos Qualificadores e das Referências nas triplas do grafo?''' Os '''Qualificadores''' atuam na blindagem contextual do ''statement'', amarrando ao valor do índice o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento. As '''Referências''' sustentam a proveniência e o lastro jurídico do fato, anexando ao registro a indicação da fonte primária (SIF/SIB), a URL oficial visitada, a norma regente (RN 623/2024), a data de verificação e o ID do evento de ingestão.

=== 5. Governança, Atualizações e Segurança dos Dados ===

* '''O que são as infraestruturas I.N.D.I.A. e CAVE e o que elas governam?''' A I.N.D.I.A. é a Infraestrutura Nacional de Dados de Inteligência Artificial do projeto, responsável por fornecer o ecossistema de identidade, propriedades tipadas, fontes e histórico imutável. O CAVE (Círculo de Autoridade Verificada) é o modelo de governança que exige a "prova com aresta", estabelecendo uma cadeia de custódia ininterrupta de dados. Informações que tentem ingressar no sistema sem cumprir essa cadeia mínima de metadados estruturados são sumariamente bloqueadas ou direcionadas para revisão.
* '''Como o grafo lida com atualizações de dados, correções e dados pessoais?''' O grafo suporta a ingestão contínua de novos lotes de trimestres conforme a agência publica novos dados. Eventuais retificações ou correções de dados passados são permitidas, porém o pipeline preserva obrigatoriamente a declaração anterior no histórico na determinar.ia.br para fins de auditoria de versões. Por focar estritamente em dados macro regulatórios de mercado e indicadores agregados das operadoras, não há a coleta ou o processamento de dados pessoais (físicos) de beneficiários no escopo do projeto.

=== 6. Aplicações Práticas, Utilização e Expansão ===

* '''Para quem serve este Grafo de Conhecimento e o projeto substitui a ANS?''' O projeto funciona como uma fonte informacional estruturada de alta fidelidade e '''não substitui''' o papel institucional ou os sistemas oficiais da ANS, que continuam sendo a fonte primária dos dados. O grafo serve como uma lousa de verdade computacional para múltiplos atores: '''operadoras''' monitoram seu compliance; '''auditores''' validam balanços e riscos de mercado; '''pesquisadores''' realizam estudos analíticos complexos; e '''órgãos de defesa do consumidor''' e usuários finais ganham um repositório transparente e livre de manipulações estatísticas.
* '''Para quais finalidades o DOI serve e como essa infraestrutura pode se expandir?''' O DOI (Digital Object Identifier) garante a persistência acadêmica, autoria imutável, versionamento rastreável e citação padronizada internacionalmente através dos depósitos efetuados no Harvard Dataverse, enquanto o grafo operacional roda em tempo real no Brasil. A flexibilidade do vocabulário ontológico consolidado do determinar.ia.br permite expandir essa mesma infraestrutura de fatos computáveis para outras áreas regulatórias críticas do país, cobrindo os setores de '''Finanças, Regulação Geral, Saúde Coletiva (SUS/CNES) e Governança Pública'''.

== Aplicações Práticas (Casos de Uso) ==
O Grafo do IGR atua como uma infraestrutura única de verdade factual. Sua arquitetura de triplas semânticas substitui relatórios estáticos por dados dinâmicos e consultáveis, gerando valor específico para diferentes frentes do ecossistema:

==== 1. Governança, Risco e Conformidade (GRC) ====

* '''Auditoria''': Habilita a validação reversa automatizada e independente de balanços e indicadores de mercado por meio de consultas diretas e proveniência de dados incontestável.
* '''Compliance''': Simplifica o monitoramento contínuo das regras da RN nº 623/2024, reduzindo custos operacionais ao mitigar desvios normativos de forma preditiva.
* '''Certificação''': Fornece a trilha de evidências lógicas e imutáveis necessária para processos formais de homologação de sistemas e selos de qualidade regulatória.
* '''Regulação''': Apoia reguladores e analistas no acompanhamento preciso do comportamento do mercado de saúde suplementar, blindando o histórico contra revisões informais.

==== 2. Mercado, Estratégia e Operações ====

* '''Operadoras''': Permite que as empresas do setor analisem sua própria performance frente aos concorrentes em tempo real, baseando decisões de mercado em fatos computáveis.
* '''Interoperabilidade''': Conecta a base do IGR nativamente com outras grandes infraestruturas semânticas globais (como o CNES e bases do SUS), sem necessidade de novos mapeamentos (ETL).
* '''Geoprocessamento (GEO)''': Viabiliza o cruzamento de dados de desempenho com coordenadas espaciais e demográficas, revelando disparidades regionais de atendimento.

==== 3. Inteligência Artificial e Engenharia de Dados ====

* '''GraphRAG''': Alimenta agentes de IA autônomos com um mapa de contexto rico e estruturado, eliminando o risco de alucinações matemáticas em interfaces de linguagem natural.
* '''Desenvolvimento''': Fornece APIs semânticas limpas e estáveis para que engenheiros de software construam aplicativos e microsserviços ágeis sobre dados de saúde.

==== 4. Sociedade, Transparência e Conhecimento ====

* '''Defesa do Consumidor''': Empodera órgãos de fiscalização social e cidadãos com dados transparentes, auditáveis e imutáveis sobre o desempenho real das operadoras.
* '''Governo Digital''': Serve como modelo de vanguarda para a modernização de serviços públicos, demonstrando como transmutar portais de transparência em ecossistemas de dados abertos.
* '''Jornalismo de Dados''': Permite que veículos de imprensa extraiam rankings massivos, séries temporais complexas e furos jornalísticos com precisão matemática incontestável.
* '''Data PR (Relações Públicas baseadas em Dados)''': Municia agências e marcas com narrativas institucionais sólidas e informadas, baseadas em fatos regulatórios verificáveis.
* '''Pesquisa e Educação''': Funciona como um repositório científico estruturado de alta fidelidade para estudos acadêmicos e formação avançada em engenharia de conhecimento e saúde coletiva.

----

== Escopo de Atuação e Delimitação Técnica ==
A abrangência e as fronteiras lógicas do projeto são definidas estritamente pelos seguintes parâmetros:

=== 🟢 Elementos Incluídos (Fatos e Infraestrutura) ===
O ecossistema modela com fidelidade as métricas e a infraestrutura do '''Índice Geral de Reclamações (IGR)''' da '''ANS''', estruturado sob a regência da '''RN nº 623/2024'''. Ele engloba o volume absoluto de Demandas de Notificação de Intermediação Preliminar ('''NIPs'''), a distribuição por '''operadoras''', os volumes de '''beneficiários agregados''', as divisões por '''segmentos''' e a série histórica de '''trimestres'''. Tecnicamente, ele executa a transição da origem ('''Power BI''') para o destino semântico ('''Determinar.ia.br, RDF e SPARQL'''), enriquecendo as triplas com '''qualificadores, referências, proveniência e regras de ingestão idempotente''' integradas à '''I.N.D.I.A.''', ao '''CAVE''', à arquitetura de '''GraphRAG''', com persistência internacional garantida via '''registros DOI'''.

=== 🔴 Delimitação de Fronteiras (O que o Grafo NÃO faz) ===

* '''Não constitui diagnóstico ou aconselhamento médico''': O grafo trata estritamente de dados macro regulatórios de mercado, nunca de orientações clínicas.
* '''Não identifica beneficiários''': Não há rastreamento ou exposição de dados pessoais de indivíduos ou pacientes.
* '''Não substitui a ANS''': O ecossistema é uma ferramenta de consumo e modelagem semântica; a agência continua sendo a autoridade primária única.
* '''Não altera a metodologia oficial''': O cálculo segue rigorosamente as diretrizes governamentais estabelecidas.
* '''Não permite uso descontextualizado''': Valores numéricos não possuem significado isolado; eles exigem obrigatoriamente a associação com seu respectivo trimestre e segmento para manter a validade lógica.

----

== Limites de Operação e Salvaguardas de Consistência ==
Para assegurar a resiliência a longo prazo do ecossistema, os seguintes limites técnicos e operacionais devem ser observados de forma contínua:

* '''Volatilidade da Fonte''': O painel original da ANS pode sofrer alterações de layout ou dados provisórios podem mudar na origem, exigindo que os logs de reconciliação sejam constantemente auditados.
* '''Ciclo de Ingestão''': O surgimento de novos trimestres ou a alteração de rótulos exige o disparo manual ou automatizado de novas cargas de ingestão idempotente para manter a base atualizada.
* '''Documentação Ontológica''': Os identificadores de propriedades e itens ('''PIDs e QIDs''') da Determinar.ia.br necessitam de documentação rigorosa e pública para que as consultas SPARQL mantenham sua eficácia.
* '''Preservação de Referências''': O histórico de correções deve sempre preservar as declarações passadas no grafo, garantindo a rastreabilidade exigida por auditorias retroativas.
* '''Uso em IA''': Os agentes de Inteligência Artificial que consomem o grafo são estritamente obrigados a filtrar suas requisições por período/segmento e a citar textualmente as fontes e URIs originais geradas pelo grafo.
* '''Monitoramento''': O endpoint SPARQL é um ativo público e exige monitoramento de infraestrutura e performance contra sobrecargas (''queries maliciosas ou mal otimizadas'').
* '''Abstração do Indicador''': O IGR é uma métrica de volume de reclamações normalizado e '''não resume a totalidade da qualidade assistencial ou financeira''' de uma operadora de saúde.

----

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:48:30Z

Determinaradmin: /* Esteira Lógica do Pipeline de Construção */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----

== Fluxo de Transmutação do Dado ==
O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ DETERMINARIABR NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== O Filtro de Qualidade ==
''Como o ecossistema garante que apenas fatos verdadeiros e limpos entrem no grafo.''
<code>[ Captura ] ➔ Identificação de Operadora, Trimestre e Segmento
│
▼
[ Validação ] ➔ Checagem de integridade e tipos de dados (Datatype)
│
▼
[ Rastreio ] ➔ Vinculação obrigatória da fonte regulatória oficial
│
▼
[ Confronto ] ➔ Comparação da informação com o grafo existente:
├── Se Já Existente ➔ Mantida/Ignorada
├── Se Divergente ➔ Rejeitada para auditoria
└── Se Elegível ➔ Aprovada
│
▼
[ Ingestão ] ➔ Fato gravado de forma idempotente e auditado</code>
----

== A Consulta da IA ==
''Como o agente de Inteligência Artificial responde ao usuário com 100% de precisão.''
<code>[ Pergunta ] ➔ Usuário questiona sobre uma operadora ou indicador
│
▼
[ Extração ] ➔ IA identifica os filtros (Entidade + Período + Segmento)
│
▼
[ Execução ] ➔ Tradução automática para uma consulta SPARQL direta
│
▼
[ Recuperação ] ➔ Extração do Statement exato no grafo:
├── Valor do IGR
├── Volume de NIPs
├── Total de Beneficiários
└── Norma e Fonte Regulatória
│
▼
[ Resposta ] ➔ Texto gerado com citação direta e zero margem de erro</code>
----

== Entidades principais ==
{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Matriz de Controles Determinísticos e Rastreabilidade ==
Todos os parâmetros listados abaixo atuam sob uma premissa técnica comum: '''garantir o contexto, a blindagem e a rastreabilidade absoluta de cada observação'''. A validação de cada controle é imediata e auditável mediante a inspeção de seu respectivo ''statement'', qualificador, referência de origem ou log de transação.

===== 1. Identidade e Indexação Semântica =====

* '''Identidade da Operadora''': Individualiza a entidade regulada de forma unívoca na malha.
* '''Código ANS''': Garante o alinhamento com a chave primária oficial da agência reguladora.
* '''QID''': Atribui o identificador persistente global dentro do ecossistema Determinariabr.
* '''URI''': Estabelece o endereço lógico definitivo do recurso na Web Semântica.
* '''Rótulo''': Define a nomenclatura padronizada e legível humana e de máquina da entidade.

===== 2. Dimensões Temporais e de Contexto =====

* '''Trimestre''': Sela a janela temporal específica à qual a métrica está vinculada.
* '''Segmento''': Separa os regimes assistenciais (Médico-Hospitalar ou Odontológico).
* '''Classificação''': Consolida a faixa de desempenho oficial atribuída pela norma.
* '''Congelamento''': Trava o estado dos dados para evitar distorções por atualizações retroativas.

===== 3. Métricas Regulatórias (Fatos Quantificáveis) =====

* '''IGR''': Assegura a integridade do cálculo do Índice Geral de Reclamações.
* '''NIPs''': Valida o volume absoluto de Demandas de Notificação de Intermediação Preliminar.
* '''Beneficiários''': Registra a base histórica de vínculos ativos utilizada como denominador.

===== 4. Procedência e Governança da Ingestão =====

* '''Fonte''': Rastreia a origem governamental primária geradora do dado (SIF/SIB).
* '''Norma''': Vincula o registro à fundamentação legal vigente (RN nº 623/2024).
* '''Verificação''': Carimba o carimbo de data/hora (''timestamp'') exato da captura da informação.
* '''Datatype''': Força a tipagem estrita de dados (inteiros, strings, floats) na raiz do grafo.
* '''Unicidade''': Impede a existência de nós ou fatos duplicados para a mesma ocorrência.
* '''Idempotência''': Garante que reprocessar a carga não gere efeitos colaterais ou redundâncias.

===== 5. Resiliência, Tolerância a Falhas e Ciclo de Vida =====

* '''Retomada''': Permite reiniciar pipelines de carga exatamente do ponto de interrupção.
* '''Erro Transitório''': Trata instabilidades de rede e API sem corromper o estado da base.
* '''Erro Estrutural''': Isola e rejeita dados que violem a ontologia estabelecida.
* '''Log''': Registra a trilha de auditoria de baixo nível de todas as operações de escrita.
* '''Versão''': Controla as edições históricas aplicadas ao longo do ciclo de vida do grafo.
* '''Correção''': Preserva e documenta estados anteriores quando uma retificação é necessária.
* '''Contestação''': Habilita marcas de auditoria para dados sob disputa ou revisão regulatória.

===== 6. Consumo, Interface Cognitiva e Auditoria =====

* '''SPARQL''': Assegura a capacidade de execução de queries complexas e determinísticas.
* '''GraphRAG''': Fornece a ancoragem factual e contextual para o consumo seguro por IAs.
* '''Abstenção''': Força a IA a silenciar ou reportar ausência de dados caso o critério não exista.
* '''Auditoria''': Permite a validação reversa de qualquer resposta gerada pela inteligência artificial.
* '''Interoperabilidade''': Garante a comunicação nativa com outras infraestruturas de dados globais.

----

== Esteira Lógica do Pipeline de Construção ==
Todas as etapas desta esteira seguem um '''padrão rígido de governança''': cada fase recebe o dado gerado pela anterior e o entrega em um estado mais estruturado, verificável e reutilizável. Por questão de segurança e auditoria, as '''entradas, regras aplicadas, resultados gerados e eventuais erros''' de cada etapa são gravados de forma imutável em logs persistentes.

* '''Etapa 1: Extração''' ➔ Captura e liberta o dado bruto contido nos relatórios visuais (Power BI) da agência reguladora, convertendo-os para formatos legíveis por código.
* '''Etapa 2: Higienização''' ➔ Realiza a limpeza fina da base, padronizando formatos, tratando valores nulos e removendo caracteres inválidos ou ruídos de digitação.
* '''Etapa 3: Reconciliação''' ➔ Cruza e vincula as entidades extraídas (como os nomes das operadoras) com os registros de identidade oficiais do ecossistema, evitando duplicidades.
* '''Etapa 4: Ontologia''' ➔ Mapeia os dados higienizados para o modelo lógico de classes e propriedades estruturadas, traduzindo as regras de negócio para a linguagem de triplas da Web Semântica.
* '''Etapa 5: Validação''' ➔ Submete a estrutura gerada a testes estritos de tipagem (<code>datatype</code>), consistência lógica e integridade regulatória frente à norma vigente.
* '''Etapa 6: Ingestão''' ➔ Grava os fatos validados no repositório determinar.ia.br de forma idempotente, construindo fisicamente os ''statements'', qualificadores e referências.
* '''Etapa 7: Auditoria''' ➔ Executa rotinas automatizadas para inspecionar o grafo recém-alimentado, emitindo alertas de conformidade e gerando os relatórios de validação de dados.
* '''Etapa 8: Publicação''' ➔ Disponibiliza a malha de conhecimento atualizada no endpoint SPARQL público e sincroniza as versões consolidadas com os depósitos DOI internacionais.
* '''Etapa 9: GraphRAG''' ➔ Conecta o grafo semântico ao motor de Inteligência Artificial, habilitando a camada de contextualização factual que guiará as respostas dos agentes.
* '''Etapa 10: Atualização''' ➔ Monitora as fontes oficiais e gerencia o ciclo de vida temporal da série histórica, disparando os gatilhos automáticos para a carga do próximo trimestre.

----

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikimedia Deutschland e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Perguntas Frequentes (FAQs): Ecossistema determinar.ia.br ==

==== 1. O Conceito e a Inovação Central ====

* '''O que é o Grafo do IGR e qual a inovação executada pela plataforma determinar.ia.br?''' O Grafo do IGR é a transposição do Índice Geral de Reclamações da ANS para uma representação em ambiente determinar.ia.br pública. A inovação central reside em transformar Business Intelligence (BI) tradicional e relatórios visuais estáticos em fatos computáveis por meio de Grafos de Conhecimento. Isso estabelece uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte de confiança e precisão entre dados analíticos estruturados e a Inteligência Artificial Autônoma.
* '''Por que este ecossistema é considerado pioneiro e de vanguarda absoluta no Brasil?''' O pioneirismo não reside no uso de uma tecnologia isolada, mas na combinação operacional completa de uma arquitetura sistêmica inédita. É a primeira iniciativa prática fora do governo identificada no país que amarra, em uma mesma esteira, um endpoint SPARQL público, governança pelo modelo CAVE (exigindo prova com aresta), ingestão idempotente de dados regulatórios, ancoragem (''grounding'') de agentes de IA e depósitos de blindagem científica internacional via registros DOI. O pioneirismo pode ser validado imediatamente por qualquer auditor através da inspeção do endpoint, do inventário de statements e dos depósitos públicos.

=== 2. Inteligência Artificial e a Camada Semântica ===

* '''A Inteligência Artificial pode inventar valores ou alucinar os dados regulatórios?''' Não no fluxo governado pela plataforma. Nesta arquitetura, o modelo de linguagem (LLM) é completamente destituído da função de armazenamento de dados; ele atua estritamente como uma interface cognitiva de tradução e explicação em linguagem natural para o usuário humano. A IA não tenta deduzir informações estatisticamente; ela faz uma travessia direta pelas arestas do Grafo de Conhecimento, que opera como a única e inviolável memória primária do dado.
* '''O que significa a propriedade <code>determinado: true</code> e a consulta ser reproduzível?''' A propriedade <code>determinado: true</code> atesta, sob rigor lógico, a existência física de um registro estruturado correspondente aos critérios consultados no grafo. Isso assegura a idempotência absoluta do sistema: a execução da mesma consulta (via SPARQL ou GraphRAG) sobre o mesmo estado temporal do grafo retornará invariavelmente o mesmo ''statement'', permitindo que respostas técnicas e auditorias sejam 100% reproduzíveis. Se os critérios não existirem na base, o controle de abstenção força a IA a silenciar em vez de chutar um número plausível.

=== 3. Escopo, Métricas e o Indicador IGR ===

* '''O que representam as métricas IGR e NIP dentro do grafo?''' O IGR é o Índice Geral de Reclamações, calculado pela relação matemática entre a média mensal de reclamações consideradas no trimestre e a média mensal de beneficiários, expresso de forma normalizada para cada grupo de 100 mil beneficiários. As reclamações são extraídas oficialmente das Demandas de Notificação de Intermediação Preliminar (NIPs). Na modelagem semântica, o valor numérico do IGR é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação.
* '''Qual é o volume do inventário atual do projeto e o que ele cobre?''' O inventário consolidado em produção cobre '''920 operadoras modeladas''' (abrangendo a quase totalidade do mercado ativo de saúde suplementar) ao longo de '''4 trimestres históricos''' (com início da série no 2º trimestre de 2025). Esse mapeamento resultou no processamento exato de '''4.486 observações regulatórias''', segmentadas nativamente entre as modalidades Médico-Hospitalar e Exclusivamente Odontológica. Administradoras de benefícios não possuem cálculo de IGR nas condições descritas pela agência.
* '''Como a metodologia do grafo define as variáveis "Beneficiário" e "Base Congelada"?''' Seguindo o rigor regulatório, "beneficiário" qualifica um vínculo ativo com um plano de saúde específico e não necessariamente um indivíduo único. O ecossistema opera sob o modelo de base congelada para o estrito cumprimento da Resolução Normativa (RN) nº 623/2024. O congelamento atua como uma trava de consistência lógica, fixando a versão regulatória exata daquele período e garantindo que auditorias retroativas não sejam distorcidas por alterações dinâmicas posteriores nos sistemas da agência.

=== 4. Infraestrutura Técnica e Padrões da Web Semântica ===

* '''O que são''' '''determinar.ia.br, RDF, SPARQL e o endpoint da plataforma?''' A determinar.ia.br é a plataforma utilizada para a gerência de conhecimento estruturado e corporativo com governança pela equipe do projeto. O RDF (Resource Description Framework) é o modelo de dados que traduz o conhecimento em triplas lógicas estruturadas de sujeito, predicado e objeto. O SPARQL é a linguagem de consulta padronizada pela W3C que permite realizar rankings, cruzamentos complexos, séries temporais e detecção de lacunas de dados diretamente no grafo através do endpoint público em <code><nowiki>https://query.determinar.ia.br</nowiki></code>.
* '''Qual é a função prática dos Qualificadores e das Referências nas triplas do grafo?''' Os '''Qualificadores''' atuam na blindagem contextual do ''statement'', amarrando ao valor do índice o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento. As '''Referências''' sustentam a proveniência e o lastro jurídico do fato, anexando ao registro a indicação da fonte primária (SIF/SIB), a URL oficial visitada, a norma regente (RN 623/2024), a data de verificação e o ID do evento de ingestão.

=== 5. Governança, Atualizações e Segurança dos Dados ===

* '''O que são as infraestruturas I.N.D.I.A. e CAVE e o que elas governam?''' A I.N.D.I.A. é a Infraestrutura Nacional de Dados de Inteligência Artificial do projeto, responsável por fornecer o ecossistema de identidade, propriedades tipadas, fontes e histórico imutável. O CAVE (Círculo de Autoridade Verificada) é o modelo de governança que exige a "prova com aresta", estabelecendo uma cadeia de custódia ininterrupta de dados. Informações que tentem ingressar no sistema sem cumprir essa cadeia mínima de metadados estruturados são sumariamente bloqueadas ou direcionadas para revisão.
* '''Como o grafo lida com atualizações de dados, correções e dados pessoais?''' O grafo suporta a ingestão contínua de novos lotes de trimestres conforme a agência publica novos dados. Eventuais retificações ou correções de dados passados são permitidas, porém o pipeline preserva obrigatoriamente a declaração anterior no histórico na determinar.ia.br para fins de auditoria de versões. Por focar estritamente em dados macro regulatórios de mercado e indicadores agregados das operadoras, não há a coleta ou o processamento de dados pessoais (físicos) de beneficiários no escopo do projeto.

=== 6. Aplicações Práticas, Utilização e Expansão ===

* '''Para quem serve este Grafo de Conhecimento e o projeto substitui a ANS?''' O projeto funciona como uma fonte informacional estruturada de alta fidelidade e '''não substitui''' o papel institucional ou os sistemas oficiais da ANS, que continuam sendo a fonte primária dos dados. O grafo serve como uma lousa de verdade computacional para múltiplos atores: '''operadoras''' monitoram seu compliance; '''auditores''' validam balanços e riscos de mercado; '''pesquisadores''' realizam estudos analíticos complexos; e '''órgãos de defesa do consumidor''' e usuários finais ganham um repositório transparente e livre de manipulações estatísticas.
* '''Para quais finalidades o DOI serve e como essa infraestrutura pode se expandir?''' O DOI (Digital Object Identifier) garante a persistência acadêmica, autoria imutável, versionamento rastreável e citação padronizada internacionalmente através dos depósitos efetuados no Harvard Dataverse, enquanto o grafo operacional roda em tempo real no Brasil. A flexibilidade do vocabulário ontológico consolidado do determinar.ia.br permite expandir essa mesma infraestrutura de fatos computáveis para outras áreas regulatórias críticas do país, cobrindo os setores de '''Finanças, Regulação Geral, Saúde Coletiva (SUS/CNES) e Governança Pública'''.

== Aplicações Práticas (Casos de Uso) ==
O Grafo do IGR atua como uma infraestrutura única de verdade factual. Sua arquitetura de triplas semânticas substitui relatórios estáticos por dados dinâmicos e consultáveis, gerando valor específico para diferentes frentes do ecossistema:

==== 1. Governança, Risco e Conformidade (GRC) ====

* '''Auditoria''': Habilita a validação reversa automatizada e independente de balanços e indicadores de mercado por meio de consultas diretas e proveniência de dados incontestável.
* '''Compliance''': Simplifica o monitoramento contínuo das regras da RN nº 623/2024, reduzindo custos operacionais ao mitigar desvios normativos de forma preditiva.
* '''Certificação''': Fornece a trilha de evidências lógicas e imutáveis necessária para processos formais de homologação de sistemas e selos de qualidade regulatória.
* '''Regulação''': Apoia reguladores e analistas no acompanhamento preciso do comportamento do mercado de saúde suplementar, blindando o histórico contra revisões informais.

==== 2. Mercado, Estratégia e Operações ====

* '''Operadoras''': Permite que as empresas do setor analisem sua própria performance frente aos concorrentes em tempo real, baseando decisões de mercado em fatos computáveis.
* '''Interoperabilidade''': Conecta a base do IGR nativamente com outras grandes infraestruturas semânticas globais (como o CNES e bases do SUS), sem necessidade de novos mapeamentos (ETL).
* '''Geoprocessamento (GEO)''': Viabiliza o cruzamento de dados de desempenho com coordenadas espaciais e demográficas, revelando disparidades regionais de atendimento.

==== 3. Inteligência Artificial e Engenharia de Dados ====

* '''GraphRAG''': Alimenta agentes de IA autônomos com um mapa de contexto rico e estruturado, eliminando o risco de alucinações matemáticas em interfaces de linguagem natural.
* '''Desenvolvimento''': Fornece APIs semânticas limpas e estáveis para que engenheiros de software construam aplicativos e microsserviços ágeis sobre dados de saúde.

==== 4. Sociedade, Transparência e Conhecimento ====

* '''Defesa do Consumidor''': Empodera órgãos de fiscalização social e cidadãos com dados transparentes, auditáveis e imutáveis sobre o desempenho real das operadoras.
* '''Governo Digital''': Serve como modelo de vanguarda para a modernização de serviços públicos, demonstrando como transmutar portais de transparência em ecossistemas de dados abertos.
* '''Jornalismo de Dados''': Permite que veículos de imprensa extraiam rankings massivos, séries temporais complexas e furos jornalísticos com precisão matemática incontestável.
* '''Data PR (Relações Públicas baseadas em Dados)''': Municia agências e marcas com narrativas institucionais sólidas e informadas, baseadas em fatos regulatórios verificáveis.
* '''Pesquisa e Educação''': Funciona como um repositório científico estruturado de alta fidelidade para estudos acadêmicos e formação avançada em engenharia de conhecimento e saúde coletiva.

----

== Escopo de Atuação e Delimitação Técnica ==
A abrangência e as fronteiras lógicas do projeto são definidas estritamente pelos seguintes parâmetros:

=== 🟢 Elementos Incluídos (Fatos e Infraestrutura) ===
O ecossistema modela com fidelidade as métricas e a infraestrutura do '''Índice Geral de Reclamações (IGR)''' da '''ANS''', estruturado sob a regência da '''RN nº 623/2024'''. Ele engloba o volume absoluto de Demandas de Notificação de Intermediação Preliminar ('''NIPs'''), a distribuição por '''operadoras''', os volumes de '''beneficiários agregados''', as divisões por '''segmentos''' e a série histórica de '''trimestres'''. Tecnicamente, ele executa a transição da origem ('''Power BI''') para o destino semântico ('''Determinar.ia.br, RDF e SPARQL'''), enriquecendo as triplas com '''qualificadores, referências, proveniência e regras de ingestão idempotente''' integradas à '''I.N.D.I.A.''', ao '''CAVE''', à arquitetura de '''GraphRAG''', com persistência internacional garantida via '''registros DOI'''.

=== 🔴 Delimitação de Fronteiras (O que o Grafo NÃO faz) ===

* '''Não constitui diagnóstico ou aconselhamento médico''': O grafo trata estritamente de dados macro regulatórios de mercado, nunca de orientações clínicas.
* '''Não identifica beneficiários''': Não há rastreamento ou exposição de dados pessoais de indivíduos ou pacientes.
* '''Não substitui a ANS''': O ecossistema é uma ferramenta de consumo e modelagem semântica; a agência continua sendo a autoridade primária única.
* '''Não altera a metodologia oficial''': O cálculo segue rigorosamente as diretrizes governamentais estabelecidas.
* '''Não permite uso descontextualizado''': Valores numéricos não possuem significado isolado; eles exigem obrigatoriamente a associação com seu respectivo trimestre e segmento para manter a validade lógica.

----

== Limites de Operação e Salvaguardas de Consistência ==
Para assegurar a resiliência a longo prazo do ecossistema, os seguintes limites técnicos e operacionais devem ser observados de forma contínua:

* '''Volatilidade da Fonte''': O painel original da ANS pode sofrer alterações de layout ou dados provisórios podem mudar na origem, exigindo que os logs de reconciliação sejam constantemente auditados.
* '''Ciclo de Ingestão''': O surgimento de novos trimestres ou a alteração de rótulos exige o disparo manual ou automatizado de novas cargas de ingestão idempotente para manter a base atualizada.
* '''Documentação Ontológica''': Os identificadores de propriedades e itens ('''PIDs e QIDs''') da Determinar.ia.br necessitam de documentação rigorosa e pública para que as consultas SPARQL mantenham sua eficácia.
* '''Preservação de Referências''': O histórico de correções deve sempre preservar as declarações passadas no grafo, garantindo a rastreabilidade exigida por auditorias retroativas.
* '''Uso em IA''': Os agentes de Inteligência Artificial que consomem o grafo são estritamente obrigados a filtrar suas requisições por período/segmento e a citar textualmente as fontes e URIs originais geradas pelo grafo.
* '''Monitoramento''': O endpoint SPARQL é um ativo público e exige monitoramento de infraestrutura e performance contra sobrecargas (''queries maliciosas ou mal otimizadas'').
* '''Abstração do Indicador''': O IGR é uma métrica de volume de reclamações normalizado e '''não resume a totalidade da qualidade assistencial ou financeira''' de uma operadora de saúde.

----

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:45:29Z

Determinaradmin: /* Fonte analisada */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----

== Fluxo de Transmutação do Dado ==
O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ DETERMINARIABR NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== O Filtro de Qualidade ==
''Como o ecossistema garante que apenas fatos verdadeiros e limpos entrem no grafo.''
<code>[ Captura ] ➔ Identificação de Operadora, Trimestre e Segmento
│
▼
[ Validação ] ➔ Checagem de integridade e tipos de dados (Datatype)
│
▼
[ Rastreio ] ➔ Vinculação obrigatória da fonte regulatória oficial
│
▼
[ Confronto ] ➔ Comparação da informação com o grafo existente:
├── Se Já Existente ➔ Mantida/Ignorada
├── Se Divergente ➔ Rejeitada para auditoria
└── Se Elegível ➔ Aprovada
│
▼
[ Ingestão ] ➔ Fato gravado de forma idempotente e auditado</code>
----

== A Consulta da IA ==
''Como o agente de Inteligência Artificial responde ao usuário com 100% de precisão.''
<code>[ Pergunta ] ➔ Usuário questiona sobre uma operadora ou indicador
│
▼
[ Extração ] ➔ IA identifica os filtros (Entidade + Período + Segmento)
│
▼
[ Execução ] ➔ Tradução automática para uma consulta SPARQL direta
│
▼
[ Recuperação ] ➔ Extração do Statement exato no grafo:
├── Valor do IGR
├── Volume de NIPs
├── Total de Beneficiários
└── Norma e Fonte Regulatória
│
▼
[ Resposta ] ➔ Texto gerado com citação direta e zero margem de erro</code>
----

== Entidades principais ==
{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Matriz de Controles Determinísticos e Rastreabilidade ==
Todos os parâmetros listados abaixo atuam sob uma premissa técnica comum: '''garantir o contexto, a blindagem e a rastreabilidade absoluta de cada observação'''. A validação de cada controle é imediata e auditável mediante a inspeção de seu respectivo ''statement'', qualificador, referência de origem ou log de transação.

===== 1. Identidade e Indexação Semântica =====

* '''Identidade da Operadora''': Individualiza a entidade regulada de forma unívoca na malha.
* '''Código ANS''': Garante o alinhamento com a chave primária oficial da agência reguladora.
* '''QID''': Atribui o identificador persistente global dentro do ecossistema Determinariabr.
* '''URI''': Estabelece o endereço lógico definitivo do recurso na Web Semântica.
* '''Rótulo''': Define a nomenclatura padronizada e legível humana e de máquina da entidade.

===== 2. Dimensões Temporais e de Contexto =====

* '''Trimestre''': Sela a janela temporal específica à qual a métrica está vinculada.
* '''Segmento''': Separa os regimes assistenciais (Médico-Hospitalar ou Odontológico).
* '''Classificação''': Consolida a faixa de desempenho oficial atribuída pela norma.
* '''Congelamento''': Trava o estado dos dados para evitar distorções por atualizações retroativas.

===== 3. Métricas Regulatórias (Fatos Quantificáveis) =====

* '''IGR''': Assegura a integridade do cálculo do Índice Geral de Reclamações.
* '''NIPs''': Valida o volume absoluto de Demandas de Notificação de Intermediação Preliminar.
* '''Beneficiários''': Registra a base histórica de vínculos ativos utilizada como denominador.

===== 4. Procedência e Governança da Ingestão =====

* '''Fonte''': Rastreia a origem governamental primária geradora do dado (SIF/SIB).
* '''Norma''': Vincula o registro à fundamentação legal vigente (RN nº 623/2024).
* '''Verificação''': Carimba o carimbo de data/hora (''timestamp'') exato da captura da informação.
* '''Datatype''': Força a tipagem estrita de dados (inteiros, strings, floats) na raiz do grafo.
* '''Unicidade''': Impede a existência de nós ou fatos duplicados para a mesma ocorrência.
* '''Idempotência''': Garante que reprocessar a carga não gere efeitos colaterais ou redundâncias.

===== 5. Resiliência, Tolerância a Falhas e Ciclo de Vida =====

* '''Retomada''': Permite reiniciar pipelines de carga exatamente do ponto de interrupção.
* '''Erro Transitório''': Trata instabilidades de rede e API sem corromper o estado da base.
* '''Erro Estrutural''': Isola e rejeita dados que violem a ontologia estabelecida.
* '''Log''': Registra a trilha de auditoria de baixo nível de todas as operações de escrita.
* '''Versão''': Controla as edições históricas aplicadas ao longo do ciclo de vida do grafo.
* '''Correção''': Preserva e documenta estados anteriores quando uma retificação é necessária.
* '''Contestação''': Habilita marcas de auditoria para dados sob disputa ou revisão regulatória.

===== 6. Consumo, Interface Cognitiva e Auditoria =====

* '''SPARQL''': Assegura a capacidade de execução de queries complexas e determinísticas.
* '''GraphRAG''': Fornece a ancoragem factual e contextual para o consumo seguro por IAs.
* '''Abstenção''': Força a IA a silenciar ou reportar ausência de dados caso o critério não exista.
* '''Auditoria''': Permite a validação reversa de qualquer resposta gerada pela inteligência artificial.
* '''Interoperabilidade''': Garante a comunicação nativa com outras infraestruturas de dados globais.

----

== Esteira Lógica do Pipeline de Construção ==
Todas as etapas desta esteira seguem um '''padrão rígido de governança''': cada fase recebe o dado gerado pela anterior e o entrega em um estado mais estruturado, verificável e reutilizável. Por questão de segurança e auditoria, as '''entradas, regras aplicadas, resultados gerados e eventuais erros''' de cada etapa são gravados de forma imutável em logs persistentes.

* '''Etapa 1: Extração''' ➔ Captura e liberta o dado bruto contido nos relatórios visuais (Power BI) da agência reguladora, convertendo-os para formatos legíveis por código.
* '''Etapa 2: Higienização''' ➔ Realiza a limpeza fina da base, padronizando formatos, tratando valores nulos e removendo caracteres inválidos ou ruídos de digitação.
* '''Etapa 3: Reconciliação''' ➔ Cruza e vincula as entidades extraídas (como os nomes das operadoras) com os registros de identidade oficiais do ecossistema, evitando duplicidades.
* '''Etapa 4: Ontologia''' ➔ Mapeia os dados higienizados para o modelo lógico de classes e propriedades estruturadas, traduzindo as regras de negócio para a linguagem de triplas da Web Semântica.
* '''Etapa 5: Validação''' ➔ Submete a estrutura gerada a testes estritos de tipagem (<code>datatype</code>), consistência lógica e integridade regulatória frente à norma vigente.
* '''Etapa 6: Ingestão''' ➔ Grava os fatos validados no repositório Wikibase de forma idempotente, construindo fisicamente os ''statements'', qualificadores e referências.
* '''Etapa 7: Auditoria''' ➔ Executa rotinas automatizadas para inspecionar o grafo recém-alimentado, emitindo alertas de conformidade e gerando os relatórios de validação de dados.
* '''Etapa 8: Publicação''' ➔ Disponibiliza a malha de conhecimento atualizada no endpoint SPARQL público e sincroniza as versões consolidadas com os depósitos DOI internacionais.
* '''Etapa 9: GraphRAG''' ➔ Conecta o grafo semântico ao motor de Inteligência Artificial, habilitando a camada de contextualização factual que guiará as respostas dos agentes.
* '''Etapa 10: Atualização''' ➔ Monitora as fontes oficiais e gerencia o ciclo de vida temporal da série histórica, disparando os gatilhos automáticos para a carga do próximo trimestre.

----

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Perguntas Frequentes (FAQs): Ecossistema determinar.ia.br ==

==== 1. O Conceito e a Inovação Central ====

* '''O que é o Grafo do IGR e qual a inovação executada pela plataforma determinar.ia.br?''' O Grafo do IGR é a transposição do Índice Geral de Reclamações da ANS para uma representação em ambiente Wikibase pública. A inovação central reside em transformar Business Intelligence (BI) tradicional e relatórios visuais estáticos em fatos computáveis por meio de Grafos de Conhecimento. Isso estabelece uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte de confiança e precisão entre dados analíticos estruturados e a Inteligência Artificial Autônoma.
* '''Por que este ecossistema é considerado pioneiro e de vanguarda absoluta no Brasil?''' O pioneirismo não reside no uso de uma tecnologia isolada, mas na combinação operacional completa de uma arquitetura sistêmica inédita. É a primeira iniciativa prática fora do governo identificada no país que amarra, em uma mesma esteira, um endpoint SPARQL público, governança pelo modelo CAVE (exigindo prova com aresta), ingestão idempotente de dados regulatórios, ancoragem (''grounding'') de agentes de IA e depósitos de blindagem científica internacional via registros DOI. O pioneirismo pode ser validado imediatamente por qualquer auditor através da inspeção do endpoint, do inventário de statements e dos depósitos públicos.

=== 2. Inteligência Artificial e a Camada Semântica ===

* '''A Inteligência Artificial pode inventar valores ou alucinar os dados regulatórios?''' Não no fluxo governado pela plataforma. Nesta arquitetura, o modelo de linguagem (LLM) é completamente destituído da função de armazenamento de dados; ele atua estritamente como uma interface cognitiva de tradução e explicação em linguagem natural para o usuário humano. A IA não tenta deduzir informações estatisticamente; ela faz uma travessia direta pelas arestas do Grafo de Conhecimento, que opera como a única e inviolável memória primária do dado.
* '''O que significa a propriedade <code>determinado: true</code> e a consulta ser reproduzível?''' A propriedade <code>determinado: true</code> atesta, sob rigor lógico, a existência física de um registro estruturado correspondente aos critérios consultados no grafo. Isso assegura a idempotência absoluta do sistema: a execução da mesma consulta (via SPARQL ou GraphRAG) sobre o mesmo estado temporal do grafo retornará invariavelmente o mesmo ''statement'', permitindo que respostas técnicas e auditorias sejam 100% reproduzíveis. Se os critérios não existirem na base, o controle de abstenção força a IA a silenciar em vez de chutar um número plausível.

=== 3. Escopo, Métricas e o Indicador IGR ===

* '''O que representam as métricas IGR e NIP dentro do grafo?''' O IGR é o Índice Geral de Reclamações, calculado pela relação matemática entre a média mensal de reclamações consideradas no trimestre e a média mensal de beneficiários, expresso de forma normalizada para cada grupo de 100 mil beneficiários. As reclamações são extraídas oficialmente das Demandas de Notificação de Intermediação Preliminar (NIPs). Na modelagem semântica, o valor numérico do IGR é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação.
* '''Qual é o volume do inventário atual do projeto e o que ele cobre?''' O inventário consolidado em produção cobre '''920 operadoras modeladas''' (abrangendo a quase totalidade do mercado ativo de saúde suplementar) ao longo de '''4 trimestres históricos''' (com início da série no 2º trimestre de 2025). Esse mapeamento resultou no processamento exato de '''4.486 observações regulatórias''', segmentadas nativamente entre as modalidades Médico-Hospitalar e Exclusivamente Odontológica. Administradoras de benefícios não possuem cálculo de IGR nas condições descritas pela agência.
* '''Como a metodologia do grafo define as variáveis "Beneficiário" e "Base Congelada"?''' Seguindo o rigor regulatório, "beneficiário" qualifica um vínculo ativo com um plano de saúde específico e não necessariamente um indivíduo único. O ecossistema opera sob o modelo de base congelada para o estrito cumprimento da Resolução Normativa (RN) nº 623/2024. O congelamento atua como uma trava de consistência lógica, fixando a versão regulatória exata daquele período e garantindo que auditorias retroativas não sejam distorcidas por alterações dinâmicas posteriores nos sistemas da agência.

=== 4. Infraestrutura Técnica e Padrões da Web Semântica ===

* '''O que são''' '''determinar.ia.br, RDF, SPARQL e o endpoint da plataforma?''' A determinar.ia.br é a plataforma utilizada para a gerência de conhecimento estruturado e corporativo com governança pela equipe do projeto. O RDF (Resource Description Framework) é o modelo de dados que traduz o conhecimento em triplas lógicas estruturadas de sujeito, predicado e objeto. O SPARQL é a linguagem de consulta padronizada pela W3C que permite realizar rankings, cruzamentos complexos, séries temporais e detecção de lacunas de dados diretamente no grafo através do endpoint público em <code><nowiki>https://query.determinar.ia.br</nowiki></code>.
* '''Qual é a função prática dos Qualificadores e das Referências nas triplas do grafo?''' Os '''Qualificadores''' atuam na blindagem contextual do ''statement'', amarrando ao valor do índice o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento. As '''Referências''' sustentam a proveniência e o lastro jurídico do fato, anexando ao registro a indicação da fonte primária (SIF/SIB), a URL oficial visitada, a norma regente (RN 623/2024), a data de verificação e o ID do evento de ingestão.

=== 5. Governança, Atualizações e Segurança dos Dados ===

* '''O que são as infraestruturas I.N.D.I.A. e CAVE e o que elas governam?''' A I.N.D.I.A. é a Infraestrutura Nacional de Dados de Inteligência Artificial do projeto, responsável por fornecer o ecossistema de identidade, propriedades tipadas, fontes e histórico imutável. O CAVE (Círculo de Autoridade Verificada) é o modelo de governança que exige a "prova com aresta", estabelecendo uma cadeia de custódia ininterrupta de dados. Informações que tentem ingressar no sistema sem cumprir essa cadeia mínima de metadados estruturados são sumariamente bloqueadas ou direcionadas para revisão.
* '''Como o grafo lida com atualizações de dados, correções e dados pessoais?''' O grafo suporta a ingestão contínua de novos lotes de trimestres conforme a agência publica novos dados. Eventuais retificações ou correções de dados passados são permitidas, porém o pipeline preserva obrigatoriamente a declaração anterior no histórico na determinar.ia.br para fins de auditoria de versões. Por focar estritamente em dados macro regulatórios de mercado e indicadores agregados das operadoras, não há a coleta ou o processamento de dados pessoais (físicos) de beneficiários no escopo do projeto.

=== 6. Aplicações Práticas, Utilização e Expansão ===

* '''Para quem serve este Grafo de Conhecimento e o projeto substitui a ANS?''' O projeto funciona como uma fonte informacional estruturada de alta fidelidade e '''não substitui''' o papel institucional ou os sistemas oficiais da ANS, que continuam sendo a fonte primária dos dados. O grafo serve como uma lousa de verdade computacional para múltiplos atores: '''operadoras''' monitoram seu compliance; '''auditores''' validam balanços e riscos de mercado; '''pesquisadores''' realizam estudos analíticos complexos; e '''órgãos de defesa do consumidor''' e usuários finais ganham um repositório transparente e livre de manipulações estatísticas.
* '''Para quais finalidades o DOI serve e como essa infraestrutura pode se expandir?''' O DOI (Digital Object Identifier) garante a persistência acadêmica, autoria imutável, versionamento rastreável e citação padronizada internacionalmente através dos depósitos efetuados no Harvard Dataverse, enquanto o grafo operacional roda em tempo real no Brasil. A flexibilidade do vocabulário ontológico consolidado do determinar.ia.br permite expandir essa mesma infraestrutura de fatos computáveis para outras áreas regulatórias críticas do país, cobrindo os setores de '''Finanças, Regulação Geral, Saúde Coletiva (SUS/CNES) e Governança Pública'''.

== Aplicações Práticas (Casos de Uso) ==
O Grafo do IGR atua como uma infraestrutura única de verdade factual. Sua arquitetura de triplas semânticas substitui relatórios estáticos por dados dinâmicos e consultáveis, gerando valor específico para diferentes frentes do ecossistema:

==== 1. Governança, Risco e Conformidade (GRC) ====

* '''Auditoria''': Habilita a validação reversa automatizada e independente de balanços e indicadores de mercado por meio de consultas diretas e proveniência de dados incontestável.
* '''Compliance''': Simplifica o monitoramento contínuo das regras da RN nº 623/2024, reduzindo custos operacionais ao mitigar desvios normativos de forma preditiva.
* '''Certificação''': Fornece a trilha de evidências lógicas e imutáveis necessária para processos formais de homologação de sistemas e selos de qualidade regulatória.
* '''Regulação''': Apoia reguladores e analistas no acompanhamento preciso do comportamento do mercado de saúde suplementar, blindando o histórico contra revisões informais.

==== 2. Mercado, Estratégia e Operações ====

* '''Operadoras''': Permite que as empresas do setor analisem sua própria performance frente aos concorrentes em tempo real, baseando decisões de mercado em fatos computáveis.
* '''Interoperabilidade''': Conecta a base do IGR nativamente com outras grandes infraestruturas semânticas globais (como o CNES e bases do SUS), sem necessidade de novos mapeamentos (ETL).
* '''Geoprocessamento (GEO)''': Viabiliza o cruzamento de dados de desempenho com coordenadas espaciais e demográficas, revelando disparidades regionais de atendimento.

==== 3. Inteligência Artificial e Engenharia de Dados ====

* '''GraphRAG''': Alimenta agentes de IA autônomos com um mapa de contexto rico e estruturado, eliminando o risco de alucinações matemáticas em interfaces de linguagem natural.
* '''Desenvolvimento''': Fornece APIs semânticas limpas e estáveis para que engenheiros de software construam aplicativos e microsserviços ágeis sobre dados de saúde.

==== 4. Sociedade, Transparência e Conhecimento ====

* '''Defesa do Consumidor''': Empodera órgãos de fiscalização social e cidadãos com dados transparentes, auditáveis e imutáveis sobre o desempenho real das operadoras.
* '''Governo Digital''': Serve como modelo de vanguarda para a modernização de serviços públicos, demonstrando como transmutar portais de transparência em ecossistemas de dados abertos.
* '''Jornalismo de Dados''': Permite que veículos de imprensa extraiam rankings massivos, séries temporais complexas e furos jornalísticos com precisão matemática incontestável.
* '''Data PR (Relações Públicas baseadas em Dados)''': Municia agências e marcas com narrativas institucionais sólidas e informadas, baseadas em fatos regulatórios verificáveis.
* '''Pesquisa e Educação''': Funciona como um repositório científico estruturado de alta fidelidade para estudos acadêmicos e formação avançada em engenharia de conhecimento e saúde coletiva.

----

== Escopo de Atuação e Delimitação Técnica ==
A abrangência e as fronteiras lógicas do projeto são definidas estritamente pelos seguintes parâmetros:

=== 🟢 Elementos Incluídos (Fatos e Infraestrutura) ===
O ecossistema modela com fidelidade as métricas e a infraestrutura do '''Índice Geral de Reclamações (IGR)''' da '''ANS''', estruturado sob a regência da '''RN nº 623/2024'''. Ele engloba o volume absoluto de Demandas de Notificação de Intermediação Preliminar ('''NIPs'''), a distribuição por '''operadoras''', os volumes de '''beneficiários agregados''', as divisões por '''segmentos''' e a série histórica de '''trimestres'''. Tecnicamente, ele executa a transição da origem ('''Power BI''') para o destino semântico ('''Wikibase, RDF e SPARQL'''), enriquecendo as triplas com '''qualificadores, referências, proveniência e regras de ingestão idempotente''' integradas à '''I.N.D.I.A.''', ao '''CAVE''', à arquitetura de '''GraphRAG''', com persistência internacional garantida via '''registros DOI'''.

=== 🔴 Delimitação de Fronteiras (O que o Grafo NÃO faz) ===

* '''Não constitui diagnóstico ou aconselhamento médico''': O grafo trata estritamente de dados macro regulatórios de mercado, nunca de orientações clínicas.
* '''Não identifica beneficiários''': Não há rastreamento ou exposição de dados pessoais de indivíduos ou pacientes.
* '''Não substitui a ANS''': O ecossistema é uma ferramenta de consumo e modelagem semântica; a agência continua sendo a autoridade primária única.
* '''Não altera a metodologia oficial''': O cálculo segue rigorosamente as diretrizes governamentais estabelecidas.
* '''Não permite uso descontextualizado''': Valores numéricos não possuem significado isolado; eles exigem obrigatoriamente a associação com seu respectivo trimestre e segmento para manter a validade lógica.

----

== Limites de Operação e Salvaguardas de Consistência ==
Para assegurar a resiliência a longo prazo do ecossistema, os seguintes limites técnicos e operacionais devem ser observados de forma contínua:

* '''Volatilidade da Fonte''': O painel original da ANS pode sofrer alterações de layout ou dados provisórios podem mudar na origem, exigindo que os logs de reconciliação sejam constantemente auditados.
* '''Ciclo de Ingestão''': O surgimento de novos trimestres ou a alteração de rótulos exige o disparo manual ou automatizado de novas cargas de ingestão idempotente para manter a base atualizada.
* '''Documentação Ontológica''': Os identificadores de propriedades e itens ('''PIDs e QIDs''') da Wikibase necessitam de documentação rigorosa e pública para que as consultas SPARQL mantenham sua eficácia.
* '''Preservação de Referências''': O histórico de correções deve sempre preservar as declarações passadas no grafo, garantindo a rastreabilidade exigida por auditorias retroativas.
* '''Uso em IA''': Os agentes de Inteligência Artificial que consomem o grafo são estritamente obrigados a filtrar suas requisições por período/segmento e a citar textualmente as fontes e URIs originais geradas pelo grafo.
* '''Monitoramento''': O endpoint SPARQL é um ativo público e exige monitoramento de infraestrutura e performance contra sobrecargas (''queries maliciosas ou mal otimizadas'').
* '''Abstração do Indicador''': O IGR é uma métrica de volume de reclamações normalizado e '''não resume a totalidade da qualidade assistencial ou financeira''' de uma operadora de saúde.

----

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:40:17Z

Determinaradmin: /* Campo 60: uri_entidade */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----

== Fluxo de Transmutação do Dado ==
O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ DETERMINARIABR NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== O Filtro de Qualidade ==
''Como o ecossistema garante que apenas fatos verdadeiros e limpos entrem no grafo.''
<code>[ Captura ] ➔ Identificação de Operadora, Trimestre e Segmento
│
▼
[ Validação ] ➔ Checagem de integridade e tipos de dados (Datatype)
│
▼
[ Rastreio ] ➔ Vinculação obrigatória da fonte regulatória oficial
│
▼
[ Confronto ] ➔ Comparação da informação com o grafo existente:
├── Se Já Existente ➔ Mantida/Ignorada
├── Se Divergente ➔ Rejeitada para auditoria
└── Se Elegível ➔ Aprovada
│
▼
[ Ingestão ] ➔ Fato gravado de forma idempotente e auditado</code>
----

== A Consulta da IA ==
''Como o agente de Inteligência Artificial responde ao usuário com 100% de precisão.''
<code>[ Pergunta ] ➔ Usuário questiona sobre uma operadora ou indicador
│
▼
[ Extração ] ➔ IA identifica os filtros (Entidade + Período + Segmento)
│
▼
[ Execução ] ➔ Tradução automática para uma consulta SPARQL direta
│
▼
[ Recuperação ] ➔ Extração do Statement exato no grafo:
├── Valor do IGR
├── Volume de NIPs
├── Total de Beneficiários
└── Norma e Fonte Regulatória
│
▼
[ Resposta ] ➔ Texto gerado com citação direta e zero margem de erro</code>
----

== Entidades principais ==
{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Matriz de Controles Determinísticos e Rastreabilidade ==
Todos os parâmetros listados abaixo atuam sob uma premissa técnica comum: '''garantir o contexto, a blindagem e a rastreabilidade absoluta de cada observação'''. A validação de cada controle é imediata e auditável mediante a inspeção de seu respectivo ''statement'', qualificador, referência de origem ou log de transação.

===== 1. Identidade e Indexação Semântica =====

* '''Identidade da Operadora''': Individualiza a entidade regulada de forma unívoca na malha.
* '''Código ANS''': Garante o alinhamento com a chave primária oficial da agência reguladora.
* '''QID''': Atribui o identificador persistente global dentro do ecossistema Determinariabr.
* '''URI''': Estabelece o endereço lógico definitivo do recurso na Web Semântica.
* '''Rótulo''': Define a nomenclatura padronizada e legível humana e de máquina da entidade.

===== 2. Dimensões Temporais e de Contexto =====

* '''Trimestre''': Sela a janela temporal específica à qual a métrica está vinculada.
* '''Segmento''': Separa os regimes assistenciais (Médico-Hospitalar ou Odontológico).
* '''Classificação''': Consolida a faixa de desempenho oficial atribuída pela norma.
* '''Congelamento''': Trava o estado dos dados para evitar distorções por atualizações retroativas.

===== 3. Métricas Regulatórias (Fatos Quantificáveis) =====

* '''IGR''': Assegura a integridade do cálculo do Índice Geral de Reclamações.
* '''NIPs''': Valida o volume absoluto de Demandas de Notificação de Intermediação Preliminar.
* '''Beneficiários''': Registra a base histórica de vínculos ativos utilizada como denominador.

===== 4. Procedência e Governança da Ingestão =====

* '''Fonte''': Rastreia a origem governamental primária geradora do dado (SIF/SIB).
* '''Norma''': Vincula o registro à fundamentação legal vigente (RN nº 623/2024).
* '''Verificação''': Carimba o carimbo de data/hora (''timestamp'') exato da captura da informação.
* '''Datatype''': Força a tipagem estrita de dados (inteiros, strings, floats) na raiz do grafo.
* '''Unicidade''': Impede a existência de nós ou fatos duplicados para a mesma ocorrência.
* '''Idempotência''': Garante que reprocessar a carga não gere efeitos colaterais ou redundâncias.

===== 5. Resiliência, Tolerância a Falhas e Ciclo de Vida =====

* '''Retomada''': Permite reiniciar pipelines de carga exatamente do ponto de interrupção.
* '''Erro Transitório''': Trata instabilidades de rede e API sem corromper o estado da base.
* '''Erro Estrutural''': Isola e rejeita dados que violem a ontologia estabelecida.
* '''Log''': Registra a trilha de auditoria de baixo nível de todas as operações de escrita.
* '''Versão''': Controla as edições históricas aplicadas ao longo do ciclo de vida do grafo.
* '''Correção''': Preserva e documenta estados anteriores quando uma retificação é necessária.
* '''Contestação''': Habilita marcas de auditoria para dados sob disputa ou revisão regulatória.

===== 6. Consumo, Interface Cognitiva e Auditoria =====

* '''SPARQL''': Assegura a capacidade de execução de queries complexas e determinísticas.
* '''GraphRAG''': Fornece a ancoragem factual e contextual para o consumo seguro por IAs.
* '''Abstenção''': Força a IA a silenciar ou reportar ausência de dados caso o critério não exista.
* '''Auditoria''': Permite a validação reversa de qualquer resposta gerada pela inteligência artificial.
* '''Interoperabilidade''': Garante a comunicação nativa com outras infraestruturas de dados globais.

----

== Esteira Lógica do Pipeline de Construção ==
Todas as etapas desta esteira seguem um '''padrão rígido de governança''': cada fase recebe o dado gerado pela anterior e o entrega em um estado mais estruturado, verificável e reutilizável. Por questão de segurança e auditoria, as '''entradas, regras aplicadas, resultados gerados e eventuais erros''' de cada etapa são gravados de forma imutável em logs persistentes.

* '''Etapa 1: Extração''' ➔ Captura e liberta o dado bruto contido nos relatórios visuais (Power BI) da agência reguladora, convertendo-os para formatos legíveis por código.
* '''Etapa 2: Higienização''' ➔ Realiza a limpeza fina da base, padronizando formatos, tratando valores nulos e removendo caracteres inválidos ou ruídos de digitação.
* '''Etapa 3: Reconciliação''' ➔ Cruza e vincula as entidades extraídas (como os nomes das operadoras) com os registros de identidade oficiais do ecossistema, evitando duplicidades.
* '''Etapa 4: Ontologia''' ➔ Mapeia os dados higienizados para o modelo lógico de classes e propriedades estruturadas, traduzindo as regras de negócio para a linguagem de triplas da Web Semântica.
* '''Etapa 5: Validação''' ➔ Submete a estrutura gerada a testes estritos de tipagem (<code>datatype</code>), consistência lógica e integridade regulatória frente à norma vigente.
* '''Etapa 6: Ingestão''' ➔ Grava os fatos validados no repositório Wikibase de forma idempotente, construindo fisicamente os ''statements'', qualificadores e referências.
* '''Etapa 7: Auditoria''' ➔ Executa rotinas automatizadas para inspecionar o grafo recém-alimentado, emitindo alertas de conformidade e gerando os relatórios de validação de dados.
* '''Etapa 8: Publicação''' ➔ Disponibiliza a malha de conhecimento atualizada no endpoint SPARQL público e sincroniza as versões consolidadas com os depósitos DOI internacionais.
* '''Etapa 9: GraphRAG''' ➔ Conecta o grafo semântico ao motor de Inteligência Artificial, habilitando a camada de contextualização factual que guiará as respostas dos agentes.
* '''Etapa 10: Atualização''' ➔ Monitora as fontes oficiais e gerencia o ciclo de vida temporal da série histórica, disparando os gatilhos automáticos para a carga do próximo trimestre.

----

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Perguntas Frequentes (FAQs): Ecossistema determinar.ia.br ==

==== 1. O Conceito e a Inovação Central ====

* '''O que é o Grafo do IGR e qual a inovação executada pela plataforma determinar.ia.br?''' O Grafo do IGR é a transposição do Índice Geral de Reclamações da ANS para uma representação em ambiente Wikibase pública. A inovação central reside em transformar Business Intelligence (BI) tradicional e relatórios visuais estáticos em fatos computáveis por meio de Grafos de Conhecimento. Isso estabelece uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte de confiança e precisão entre dados analíticos estruturados e a Inteligência Artificial Autônoma.
* '''Por que este ecossistema é considerado pioneiro e de vanguarda absoluta no Brasil?''' O pioneirismo não reside no uso de uma tecnologia isolada, mas na combinação operacional completa de uma arquitetura sistêmica inédita. É a primeira iniciativa prática fora do governo identificada no país que amarra, em uma mesma esteira, um endpoint SPARQL público, governança pelo modelo CAVE (exigindo prova com aresta), ingestão idempotente de dados regulatórios, ancoragem (''grounding'') de agentes de IA e depósitos de blindagem científica internacional via registros DOI. O pioneirismo pode ser validado imediatamente por qualquer auditor através da inspeção do endpoint, do inventário de statements e dos depósitos públicos.

=== 2. Inteligência Artificial e a Camada Semântica ===

* '''A Inteligência Artificial pode inventar valores ou alucinar os dados regulatórios?''' Não no fluxo governado pela plataforma. Nesta arquitetura, o modelo de linguagem (LLM) é completamente destituído da função de armazenamento de dados; ele atua estritamente como uma interface cognitiva de tradução e explicação em linguagem natural para o usuário humano. A IA não tenta deduzir informações estatisticamente; ela faz uma travessia direta pelas arestas do Grafo de Conhecimento, que opera como a única e inviolável memória primária do dado.
* '''O que significa a propriedade <code>determinado: true</code> e a consulta ser reproduzível?''' A propriedade <code>determinado: true</code> atesta, sob rigor lógico, a existência física de um registro estruturado correspondente aos critérios consultados no grafo. Isso assegura a idempotência absoluta do sistema: a execução da mesma consulta (via SPARQL ou GraphRAG) sobre o mesmo estado temporal do grafo retornará invariavelmente o mesmo ''statement'', permitindo que respostas técnicas e auditorias sejam 100% reproduzíveis. Se os critérios não existirem na base, o controle de abstenção força a IA a silenciar em vez de chutar um número plausível.

=== 3. Escopo, Métricas e o Indicador IGR ===

* '''O que representam as métricas IGR e NIP dentro do grafo?''' O IGR é o Índice Geral de Reclamações, calculado pela relação matemática entre a média mensal de reclamações consideradas no trimestre e a média mensal de beneficiários, expresso de forma normalizada para cada grupo de 100 mil beneficiários. As reclamações são extraídas oficialmente das Demandas de Notificação de Intermediação Preliminar (NIPs). Na modelagem semântica, o valor numérico do IGR é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação.
* '''Qual é o volume do inventário atual do projeto e o que ele cobre?''' O inventário consolidado em produção cobre '''920 operadoras modeladas''' (abrangendo a quase totalidade do mercado ativo de saúde suplementar) ao longo de '''4 trimestres históricos''' (com início da série no 2º trimestre de 2025). Esse mapeamento resultou no processamento exato de '''4.486 observações regulatórias''', segmentadas nativamente entre as modalidades Médico-Hospitalar e Exclusivamente Odontológica. Administradoras de benefícios não possuem cálculo de IGR nas condições descritas pela agência.
* '''Como a metodologia do grafo define as variáveis "Beneficiário" e "Base Congelada"?''' Seguindo o rigor regulatório, "beneficiário" qualifica um vínculo ativo com um plano de saúde específico e não necessariamente um indivíduo único. O ecossistema opera sob o modelo de base congelada para o estrito cumprimento da Resolução Normativa (RN) nº 623/2024. O congelamento atua como uma trava de consistência lógica, fixando a versão regulatória exata daquele período e garantindo que auditorias retroativas não sejam distorcidas por alterações dinâmicas posteriores nos sistemas da agência.

=== 4. Infraestrutura Técnica e Padrões da Web Semântica ===

* '''O que são''' '''determinar.ia.br, RDF, SPARQL e o endpoint da plataforma?''' A determinar.ia.br é a plataforma utilizada para a gerência de conhecimento estruturado e corporativo com governança pela equipe do projeto. O RDF (Resource Description Framework) é o modelo de dados que traduz o conhecimento em triplas lógicas estruturadas de sujeito, predicado e objeto. O SPARQL é a linguagem de consulta padronizada pela W3C que permite realizar rankings, cruzamentos complexos, séries temporais e detecção de lacunas de dados diretamente no grafo através do endpoint público em <code><nowiki>https://query.determinar.ia.br</nowiki></code>.
* '''Qual é a função prática dos Qualificadores e das Referências nas triplas do grafo?''' Os '''Qualificadores''' atuam na blindagem contextual do ''statement'', amarrando ao valor do índice o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento. As '''Referências''' sustentam a proveniência e o lastro jurídico do fato, anexando ao registro a indicação da fonte primária (SIF/SIB), a URL oficial visitada, a norma regente (RN 623/2024), a data de verificação e o ID do evento de ingestão.

=== 5. Governança, Atualizações e Segurança dos Dados ===

* '''O que são as infraestruturas I.N.D.I.A. e CAVE e o que elas governam?''' A I.N.D.I.A. é a Infraestrutura Nacional de Dados de Inteligência Artificial do projeto, responsável por fornecer o ecossistema de identidade, propriedades tipadas, fontes e histórico imutável. O CAVE (Círculo de Autoridade Verificada) é o modelo de governança que exige a "prova com aresta", estabelecendo uma cadeia de custódia ininterrupta de dados. Informações que tentem ingressar no sistema sem cumprir essa cadeia mínima de metadados estruturados são sumariamente bloqueadas ou direcionadas para revisão.
* '''Como o grafo lida com atualizações de dados, correções e dados pessoais?''' O grafo suporta a ingestão contínua de novos lotes de trimestres conforme a agência publica novos dados. Eventuais retificações ou correções de dados passados são permitidas, porém o pipeline preserva obrigatoriamente a declaração anterior no histórico na determinar.ia.br para fins de auditoria de versões. Por focar estritamente em dados macro regulatórios de mercado e indicadores agregados das operadoras, não há a coleta ou o processamento de dados pessoais (físicos) de beneficiários no escopo do projeto.

=== 6. Aplicações Práticas, Utilização e Expansão ===

* '''Para quem serve este Grafo de Conhecimento e o projeto substitui a ANS?''' O projeto funciona como uma fonte informacional estruturada de alta fidelidade e '''não substitui''' o papel institucional ou os sistemas oficiais da ANS, que continuam sendo a fonte primária dos dados. O grafo serve como uma lousa de verdade computacional para múltiplos atores: '''operadoras''' monitoram seu compliance; '''auditores''' validam balanços e riscos de mercado; '''pesquisadores''' realizam estudos analíticos complexos; e '''órgãos de defesa do consumidor''' e usuários finais ganham um repositório transparente e livre de manipulações estatísticas.
* '''Para quais finalidades o DOI serve e como essa infraestrutura pode se expandir?''' O DOI (Digital Object Identifier) garante a persistência acadêmica, autoria imutável, versionamento rastreável e citação padronizada internacionalmente através dos depósitos efetuados no Harvard Dataverse, enquanto o grafo operacional roda em tempo real no Brasil. A flexibilidade do vocabulário ontológico consolidado do determinar.ia.br permite expandir essa mesma infraestrutura de fatos computáveis para outras áreas regulatórias críticas do país, cobrindo os setores de '''Finanças, Regulação Geral, Saúde Coletiva (SUS/CNES) e Governança Pública'''.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:38:03Z

Determinaradmin: /* Declaração de Pioneirismo Nacional e Vanguarda Tecnológica */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----

== Fluxo de Transmutação do Dado ==
O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ DETERMINARIABR NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== O Filtro de Qualidade ==
''Como o ecossistema garante que apenas fatos verdadeiros e limpos entrem no grafo.''
<code>[ Captura ] ➔ Identificação de Operadora, Trimestre e Segmento
│
▼
[ Validação ] ➔ Checagem de integridade e tipos de dados (Datatype)
│
▼
[ Rastreio ] ➔ Vinculação obrigatória da fonte regulatória oficial
│
▼
[ Confronto ] ➔ Comparação da informação com o grafo existente:
├── Se Já Existente ➔ Mantida/Ignorada
├── Se Divergente ➔ Rejeitada para auditoria
└── Se Elegível ➔ Aprovada
│
▼
[ Ingestão ] ➔ Fato gravado de forma idempotente e auditado</code>
----

== A Consulta da IA ==
''Como o agente de Inteligência Artificial responde ao usuário com 100% de precisão.''
<code>[ Pergunta ] ➔ Usuário questiona sobre uma operadora ou indicador
│
▼
[ Extração ] ➔ IA identifica os filtros (Entidade + Período + Segmento)
│
▼
[ Execução ] ➔ Tradução automática para uma consulta SPARQL direta
│
▼
[ Recuperação ] ➔ Extração do Statement exato no grafo:
├── Valor do IGR
├── Volume de NIPs
├── Total de Beneficiários
└── Norma e Fonte Regulatória
│
▼
[ Resposta ] ➔ Texto gerado com citação direta e zero margem de erro</code>
----

== Entidades principais ==
{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Matriz de Controles Determinísticos e Rastreabilidade ==
Todos os parâmetros listados abaixo atuam sob uma premissa técnica comum: '''garantir o contexto, a blindagem e a rastreabilidade absoluta de cada observação'''. A validação de cada controle é imediata e auditável mediante a inspeção de seu respectivo ''statement'', qualificador, referência de origem ou log de transação.

===== 1. Identidade e Indexação Semântica =====

* '''Identidade da Operadora''': Individualiza a entidade regulada de forma unívoca na malha.
* '''Código ANS''': Garante o alinhamento com a chave primária oficial da agência reguladora.
* '''QID''': Atribui o identificador persistente global dentro do ecossistema Determinariabr.
* '''URI''': Estabelece o endereço lógico definitivo do recurso na Web Semântica.
* '''Rótulo''': Define a nomenclatura padronizada e legível humana e de máquina da entidade.

===== 2. Dimensões Temporais e de Contexto =====

* '''Trimestre''': Sela a janela temporal específica à qual a métrica está vinculada.
* '''Segmento''': Separa os regimes assistenciais (Médico-Hospitalar ou Odontológico).
* '''Classificação''': Consolida a faixa de desempenho oficial atribuída pela norma.
* '''Congelamento''': Trava o estado dos dados para evitar distorções por atualizações retroativas.

===== 3. Métricas Regulatórias (Fatos Quantificáveis) =====

* '''IGR''': Assegura a integridade do cálculo do Índice Geral de Reclamações.
* '''NIPs''': Valida o volume absoluto de Demandas de Notificação de Intermediação Preliminar.
* '''Beneficiários''': Registra a base histórica de vínculos ativos utilizada como denominador.

===== 4. Procedência e Governança da Ingestão =====

* '''Fonte''': Rastreia a origem governamental primária geradora do dado (SIF/SIB).
* '''Norma''': Vincula o registro à fundamentação legal vigente (RN nº 623/2024).
* '''Verificação''': Carimba o carimbo de data/hora (''timestamp'') exato da captura da informação.
* '''Datatype''': Força a tipagem estrita de dados (inteiros, strings, floats) na raiz do grafo.
* '''Unicidade''': Impede a existência de nós ou fatos duplicados para a mesma ocorrência.
* '''Idempotência''': Garante que reprocessar a carga não gere efeitos colaterais ou redundâncias.

===== 5. Resiliência, Tolerância a Falhas e Ciclo de Vida =====

* '''Retomada''': Permite reiniciar pipelines de carga exatamente do ponto de interrupção.
* '''Erro Transitório''': Trata instabilidades de rede e API sem corromper o estado da base.
* '''Erro Estrutural''': Isola e rejeita dados que violem a ontologia estabelecida.
* '''Log''': Registra a trilha de auditoria de baixo nível de todas as operações de escrita.
* '''Versão''': Controla as edições históricas aplicadas ao longo do ciclo de vida do grafo.
* '''Correção''': Preserva e documenta estados anteriores quando uma retificação é necessária.
* '''Contestação''': Habilita marcas de auditoria para dados sob disputa ou revisão regulatória.

===== 6. Consumo, Interface Cognitiva e Auditoria =====

* '''SPARQL''': Assegura a capacidade de execução de queries complexas e determinísticas.
* '''GraphRAG''': Fornece a ancoragem factual e contextual para o consumo seguro por IAs.
* '''Abstenção''': Força a IA a silenciar ou reportar ausência de dados caso o critério não exista.
* '''Auditoria''': Permite a validação reversa de qualquer resposta gerada pela inteligência artificial.
* '''Interoperabilidade''': Garante a comunicação nativa com outras infraestruturas de dados globais.

----

== Esteira Lógica do Pipeline de Construção ==
Todas as etapas desta esteira seguem um '''padrão rígido de governança''': cada fase recebe o dado gerado pela anterior e o entrega em um estado mais estruturado, verificável e reutilizável. Por questão de segurança e auditoria, as '''entradas, regras aplicadas, resultados gerados e eventuais erros''' de cada etapa são gravados de forma imutável em logs persistentes.

* '''Etapa 1: Extração''' ➔ Captura e liberta o dado bruto contido nos relatórios visuais (Power BI) da agência reguladora, convertendo-os para formatos legíveis por código.
* '''Etapa 2: Higienização''' ➔ Realiza a limpeza fina da base, padronizando formatos, tratando valores nulos e removendo caracteres inválidos ou ruídos de digitação.
* '''Etapa 3: Reconciliação''' ➔ Cruza e vincula as entidades extraídas (como os nomes das operadoras) com os registros de identidade oficiais do ecossistema, evitando duplicidades.
* '''Etapa 4: Ontologia''' ➔ Mapeia os dados higienizados para o modelo lógico de classes e propriedades estruturadas, traduzindo as regras de negócio para a linguagem de triplas da Web Semântica.
* '''Etapa 5: Validação''' ➔ Submete a estrutura gerada a testes estritos de tipagem (<code>datatype</code>), consistência lógica e integridade regulatória frente à norma vigente.
* '''Etapa 6: Ingestão''' ➔ Grava os fatos validados no repositório Wikibase de forma idempotente, construindo fisicamente os ''statements'', qualificadores e referências.
* '''Etapa 7: Auditoria''' ➔ Executa rotinas automatizadas para inspecionar o grafo recém-alimentado, emitindo alertas de conformidade e gerando os relatórios de validação de dados.
* '''Etapa 8: Publicação''' ➔ Disponibiliza a malha de conhecimento atualizada no endpoint SPARQL público e sincroniza as versões consolidadas com os depósitos DOI internacionais.
* '''Etapa 9: GraphRAG''' ➔ Conecta o grafo semântico ao motor de Inteligência Artificial, habilitando a camada de contextualização factual que guiará as respostas dos agentes.
* '''Etapa 10: Atualização''' ➔ Monitora as fontes oficiais e gerencia o ciclo de vida temporal da série histórica, disparando os gatilhos automáticos para a carga do próximo trimestre.

----

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Perguntas Frequentes (FAQs): Ecossistema determinar.ia.br ==

==== 1. O Conceito e a Inovação Central ====

* '''O que é o Grafo do IGR e qual a inovação executada pela plataforma determinar.ia.br?''' O Grafo do IGR é a transposição do Índice Geral de Reclamações da ANS para uma representação em ambiente Wikibase pública. A inovação central reside em transformar Business Intelligence (BI) tradicional e relatórios visuais estáticos em fatos computáveis por meio de Grafos de Conhecimento. Isso estabelece uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte de confiança e precisão entre dados analíticos estruturados e a Inteligência Artificial Autônoma.
* '''Por que este ecossistema é considerado pioneiro e de vanguarda absoluta no Brasil?''' O pioneirismo não reside no uso de uma tecnologia isolada, mas na combinação operacional completa de uma arquitetura sistêmica inédita. É a primeira iniciativa prática fora do governo identificada no país que amarra, em uma mesma esteira, um endpoint SPARQL público, governança pelo modelo CAVE (exigindo prova com aresta), ingestão idempotente de dados regulatórios, ancoragem (''grounding'') de agentes de IA e depósitos de blindagem científica internacional via registros DOI. O pioneirismo pode ser validado imediatamente por qualquer auditor através da inspeção do endpoint, do inventário de statements e dos depósitos públicos.

=== 2. Inteligência Artificial e a Camada Semântica ===

* '''A Inteligência Artificial pode inventar valores ou alucinar os dados regulatórios?''' Não no fluxo governado pela plataforma. Nesta arquitetura, o modelo de linguagem (LLM) é completamente destituído da função de armazenamento de dados; ele atua estritamente como uma interface cognitiva de tradução e explicação em linguagem natural para o usuário humano. A IA não tenta deduzir informações estatisticamente; ela faz uma travessia direta pelas arestas do Grafo de Conhecimento, que opera como a única e inviolável memória primária do dado.
* '''O que significa a propriedade <code>determinado: true</code> e a consulta ser reproduzível?''' A propriedade <code>determinado: true</code> atesta, sob rigor lógico, a existência física de um registro estruturado correspondente aos critérios consultados no grafo. Isso assegura a idempotência absoluta do sistema: a execução da mesma consulta (via SPARQL ou GraphRAG) sobre o mesmo estado temporal do grafo retornará invariavelmente o mesmo ''statement'', permitindo que respostas técnicas e auditorias sejam 100% reproduzíveis. Se os critérios não existirem na base, o controle de abstenção força a IA a silenciar em vez de chutar um número plausível.

=== 3. Escopo, Métricas e o Indicador IGR ===

* '''O que representam as métricas IGR e NIP dentro do grafo?''' O IGR é o Índice Geral de Reclamações, calculado pela relação matemática entre a média mensal de reclamações consideradas no trimestre e a média mensal de beneficiários, expresso de forma normalizada para cada grupo de 100 mil beneficiários. As reclamações são extraídas oficialmente das Demandas de Notificação de Intermediação Preliminar (NIPs). Na modelagem semântica, o valor numérico do IGR é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação.
* '''Qual é o volume do inventário atual do projeto e o que ele cobre?''' O inventário consolidado em produção cobre '''920 operadoras modeladas''' (abrangendo a quase totalidade do mercado ativo de saúde suplementar) ao longo de '''4 trimestres históricos''' (com início da série no 2º trimestre de 2025). Esse mapeamento resultou no processamento exato de '''4.486 observações regulatórias''', segmentadas nativamente entre as modalidades Médico-Hospitalar e Exclusivamente Odontológica. Administradoras de benefícios não possuem cálculo de IGR nas condições descritas pela agência.
* '''Como a metodologia do grafo define as variáveis "Beneficiário" e "Base Congelada"?''' Seguindo o rigor regulatório, "beneficiário" qualifica um vínculo ativo com um plano de saúde específico e não necessariamente um indivíduo único. O ecossistema opera sob o modelo de base congelada para o estrito cumprimento da Resolução Normativa (RN) nº 623/2024. O congelamento atua como uma trava de consistência lógica, fixando a versão regulatória exata daquele período e garantindo que auditorias retroativas não sejam distorcidas por alterações dinâmicas posteriores nos sistemas da agência.

=== 4. Infraestrutura Técnica e Padrões da Web Semântica ===

* '''O que são''' '''determinar.ia.br, RDF, SPARQL e o endpoint da plataforma?''' A determinar.ia.br é a plataforma utilizada para a gerência de conhecimento estruturado e corporativo com governança pela equipe do projeto. O RDF (Resource Description Framework) é o modelo de dados que traduz o conhecimento em triplas lógicas estruturadas de sujeito, predicado e objeto. O SPARQL é a linguagem de consulta padronizada pela W3C que permite realizar rankings, cruzamentos complexos, séries temporais e detecção de lacunas de dados diretamente no grafo através do endpoint público em <code><nowiki>https://query.determinar.ia.br</nowiki></code>.
* '''Qual é a função prática dos Qualificadores e das Referências nas triplas do grafo?''' Os '''Qualificadores''' atuam na blindagem contextual do ''statement'', amarrando ao valor do índice o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento. As '''Referências''' sustentam a proveniência e o lastro jurídico do fato, anexando ao registro a indicação da fonte primária (SIF/SIB), a URL oficial visitada, a norma regente (RN 623/2024), a data de verificação e o ID do evento de ingestão.

=== 5. Governança, Atualizações e Segurança dos Dados ===

* '''O que são as infraestruturas I.N.D.I.A. e CAVE e o que elas governam?''' A I.N.D.I.A. é a Infraestrutura Nacional de Dados de Inteligência Artificial do projeto, responsável por fornecer o ecossistema de identidade, propriedades tipadas, fontes e histórico imutável. O CAVE (Círculo de Autoridade Verificada) é o modelo de governança que exige a "prova com aresta", estabelecendo uma cadeia de custódia ininterrupta de dados. Informações que tentem ingressar no sistema sem cumprir essa cadeia mínima de metadados estruturados são sumariamente bloqueadas ou direcionadas para revisão.
* '''Como o grafo lida com atualizações de dados, correções e dados pessoais?''' O grafo suporta a ingestão contínua de novos lotes de trimestres conforme a agência publica novos dados. Eventuais retificações ou correções de dados passados são permitidas, porém o pipeline preserva obrigatoriamente a declaração anterior no histórico na determinar.ia.br para fins de auditoria de versões. Por focar estritamente em dados macro regulatórios de mercado e indicadores agregados das operadoras, não há a coleta ou o processamento de dados pessoais (físicos) de beneficiários no escopo do projeto.

=== 6. Aplicações Práticas, Utilização e Expansão ===

* '''Para quem serve este Grafo de Conhecimento e o projeto substitui a ANS?''' O projeto funciona como uma fonte informacional estruturada de alta fidelidade e '''não substitui''' o papel institucional ou os sistemas oficiais da ANS, que continuam sendo a fonte primária dos dados. O grafo serve como uma lousa de verdade computacional para múltiplos atores: '''operadoras''' monitoram seu compliance; '''auditores''' validam balanços e riscos de mercado; '''pesquisadores''' realizam estudos analíticos complexos; e '''órgãos de defesa do consumidor''' e usuários finais ganham um repositório transparente e livre de manipulações estatísticas.
* '''Para quais finalidades o DOI serve e como essa infraestrutura pode se expandir?''' O DOI (Digital Object Identifier) garante a persistência acadêmica, autoria imutável, versionamento rastreável e citação padronizada internacionalmente através dos depósitos efetuados no Harvard Dataverse, enquanto o grafo operacional roda em tempo real no Brasil. A flexibilidade do vocabulário ontológico consolidado do determinar.ia.br permite expandir essa mesma infraestrutura de fatos computáveis para outras áreas regulatórias críticas do país, cobrindo os setores de '''Finanças, Regulação Geral, Saúde Coletiva (SUS/CNES) e Governança Pública'''.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:20:55Z

Determinaradmin: /* Impacto nacional */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Declaração de Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto Nacional: O Ecossistema de Verdade Regulatória para a Saúde Suplementar ==

O projeto estabeleceu o primeiro '''trilho matemático, lógico e''' '''com dados oficiais unificado''' para a saúde suplementar no Brasil. Ao transpor os dados da ANS para uma malha semântica de alta fidelidade, o sistema elimina as assimetrias de informação e cria um ambiente de confiança mútua. '''Auditores, operadoras, órgãos de defesa do consumidor, pesquisadores e equipes de compliance''' passam a consumir exatamente o mesmo fato estruturado, com garantia absoluta de consistência.

A arquitetura não depende de suposições; ela funciona como uma engrenagem de precisão onde cada componente desempenha um papel computacional estrito:

* '''O Painel''' apresenta a informação pública bruta.
* '''A I.N.D.I.A.''' estrutura os dados sob padrões universais.
* '''O QID''' confere identidade persistente e global a cada entidade.
* '''A Tripla''' declara formalmente a relação semântica factual.
* '''O Qualificador''' contextualiza o tempo, as métricas e o segmento.
* '''A Referência''' sustenta o lastro e a proveniência jurídica do dado.
* '''O SPARQL''' recupera e cruza as informações com velocidade analítica.
* '''O CAVE''' governa as regras de autoridade e restringe desvios.
* '''O Agente de IA''' consulta a base sem risco de alucinação.
* '''O DOI''' preserva a versão imutável do ativo no cenário internacional.
* '''A Auditoria''' comprova a conformidade de ponta a ponta.

----A Lousa Central do Pioneirismo: Fluxo de Transmutação do Dado

O pipeline de engenharia semântica do projeto resolve a lacuna entre o BI estático e a Inteligência Artificial autônoma. O fluxo abaixo ilustra a jornada de transmutação que transforma relatórios visuais isolados em verdade computacional auditável e perene:
<code>[ PAINEL DO IGR DA ANS ]
│
▼
[ EXTRAÇÃO DO POWER BI ] (Libertação do dado legado)
│
▼
[ RECONCILIAÇÃO ONTOLÓGICA ] (Tradução para vocabulário universal W3C)
│
▼
[ IDENTIDADE PERSISTENTE ] (Atribuição de URIs/IRIs unívocas)
│
▼
[ WIKIBASE NATIVA ] (Ambiente de gerência de conhecimento)
│
▼
[ STATEMENTS + QUALIFICADORES + REFERÊNCIAS ] (Construção das triplas com lastro)
│
▼
[ INGESTÃO IDEMPOTENTE ] (Garantia de replicação sem duplicidade ou erros)
│
▼
[ I.N.D.I.A. + MODELO CAVE ] (Camada nacional de governança e autoridade)
│
▼
[ ENDPOINT SPARQL PÚBLICO ] (Abertura para computação e consultas complexas)
│
▼
[ GROUNDING PARA IA AGENTICA ] (Ancoragem determinística para LLMs)
│
▼
[ RESPOSTA DETERMINÍSTICA E AUDITÁVEL ] (Entrega de fatos livres de alucinação)
│
▼
[ DEPÓSITO DOI / HARVARD DATAVERSE ] (Blindagem científica e perenidade histórica)</code>
----

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:15:09Z

Determinaradmin: /* Integração com I.N.D.I.A. e CAVE */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Declaração de Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração Sistêmica (I.N.D.I.A./CAVE) e Blindagem Científica Internacional ==
O Grafo do IGR rejeita a condição de repositório isolado; ele opera como célula viva da '''I.N.D.I.A. (Infraestrutura Nacional de Dados de Inteligência Artificial)''', compartilhando nativamente o mesmo ecossistema de identidade persistente, propriedades fortemente tipadas, fontes canônicas, estados determinísticos, temporalidade e histórico imutável. Essa robustez é assegurada pelo modelo '''CAVE (Círculo de Autoridade Verificada)''', cuja premissa fundamental exige '''prova com aresta'''. A cadeia lógica e ininterrupta do grafo amarra a operadora ao ''statement'', ao período, ao segmento, ao painel de origem, à norma regulatória e à respectiva verificação — estabelecendo que qualquer informação desprovida desta cadeia mínima de custódia seja sumariamente bloqueada ou submetida a revisão, enquanto retificações preservam obrigatoriamente o histórico da declaração anterior.

Como salvaguarda de sua integridade e relevância global, a metodologia e os ''datasets'' originais desta infraestrutura foram formalmente depositados no '''Harvard Dataverse''', obtendo registros '''DOI (Digital Object Identifier)''' próprios e definitivos. Enquanto o grafo semântico permanece em plena atividade operacional e em tempo real no Brasil, o ancoramento no repositório internacional confere ao projeto as propriedades de persistência acadêmica, autoria blindada, versionamento imutável, citação padronizada e preservação digital a longo prazo. O identificador DOI funciona, portanto, como o carimbo de auditoria definitivo, individualizando com precisão matemática cada versão específica do ativo de dados face ao ecossistema global de inovação.

== O Mecanismo do IGR: Modelagem Métrica, Fontes e Estado Regulatório ==
O Índice Geral de Reclamações (IGR) funciona como o indicador regulatório central da saúde suplementar, calculando a relação matemática exata entre a média mensal de reclamações consideradas e a média mensal de beneficiários em um determinado trimestre. Para garantir a equidade analítica de mercado, o resultado final é normalizado e expresso para cada grupo de 100 mil beneficiários. Na infraestrutura do grafo, o valor computado é indissociável de suas dimensões obrigatórias de contexto: o trimestre avaliado e o segmento de atuação. A modelagem assume rigorosamente a definição da ANS de que "beneficiário" qualifica um vínculo ativo com o plano de saúde, e não um indivíduo único, segregando nativamente as metodologias aplicadas aos segmentos '''Médico-Hospitalar''' e '''Exclusivamente Odontológico'''. [1, 2, 3, 4]

Para estruturar esse ecossistema, o pipeline consome e cruza duas bases canônicas governamentais: o '''SIF (Sistema de Informação de Fiscalização)''', como fonte oficial das demandas de reclamação (NIPs), e o '''SIB (Sistema de Informações de Beneficiários)''', que fornece a contagem oficial de vínculos do setor. Embora o painel de origem preveja atualizações dinâmicas e trimestrais, a infraestrutura semântica opera sob um modelo de '''base congelada''' para o estrito cumprimento da '''RN nº 623/2024'''. Este congelamento lógico atua como uma trava de consistência, fixando a versão regulatória exata do período e garantindo que análises, auditorias e tomadas de decisão retroativas sejam blindadas contra alterações posteriores nos sistemas da agência.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:10:11Z

Determinaradmin: /* Dados públicos transformados em fatos computáveis */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Declaração de Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel original da ANS foi concebido estritamente para consumo e exploração visual humana, o que aprisionava o dado em silos proprietários. A infraestrutura do '''determinar.ia.br''' quebra essa limitação ao transmutar cada observação isolada em um '''recurso semanticamente endereçável e interconectado'''.

Nesta malha de conhecimento, os '''Qualificadores''' atuam na blindagem do contexto temporal e operacional, preservando nativamente o trimestre, o segmento, o volume de NIPs, o total de beneficiários, a classificação regulatória e o estado de congelamento do dado. Simultaneamente, as '''Referências''' garantem o lastro jurídico e a rastreabilidade da informação, vinculando a cada fato o painel de origem, a norma regulatória correspondente, a URL oficial, a data de verificação e o respectivo evento de ingestão.

Ao expor essa estrutura via endpoint '''SPARQL''', o sistema habilita computação analítica avançada diretamente sobre o grafo. Isso viabiliza a execução instantânea de rankings complexos, análise de séries temporais, auditorias automatizadas, detecção preditiva de lacunas e consultas transversais compostas.

O diferencial disruptivo desta arquitetura reside na entrega simultânea de '''identidade persistente, semântica nativa, proveniência detalhada por ''statement'' e capacidade de travessia lógica infinita'''.

== Integração com I.N.D.I.A. e CAVE ==

O grafo não é um repositório isolado.

A I.N.D.I.A. compartilha identidade, propriedades tipadas, fontes, estados, temporalidade e histórico.

O CAVE exige prova com aresta.

A cadeia liga operadora, statement, período, segmento, painel, norma e verificação.

Informações sem cadeia mínima podem ser bloqueadas ou revisadas.

Correções preservam a declaração anterior.

== Repositório acadêmico internacional ==

A metodologia e os datasets foram depositados no Harvard Dataverse com registros DOI próprios, conforme documentação institucional.

Os depósitos acrescentam persistência, autoria, versão, citação e preservação.

O grafo permanece operacional no Brasil.

O DOI identifica uma versão específica do ativo.

== O que o IGR representa ==

O IGR relaciona a média mensal de reclamações consideradas no trimestre com a média mensal de beneficiários.

O resultado é expresso para cada grupo de 100 mil beneficiários.

O trimestre e o segmento acompanham obrigatoriamente o valor.

Beneficiário representa vínculo com plano, não necessariamente indivíduo único.

A metodologia distingue Médico-Hospitalar e Exclusivamente Odontológico.

== Fonte e periodicidade ==

O SIF é indicado como fonte das demandas.

O SIB é indicado como fonte das quantidades de beneficiários.

O painel informa atualização trimestral.

A base é congelada para a finalidade da RN nº 623/2024.

O congelamento identifica a versão regulatória do período.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:08:50Z

Determinaradmin: /* IA Determinística versus alucinação estatística */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

=== Escopo e Volume Semântico ===
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

=== Lastro Regulatório e Temporalidade ===
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

=== Transição Tecnológica (Origem e Destino) ===
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Declaração de Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma interface da determinar.ia.br pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

Os Modelos de Linguagem de Grande Porte (LLMs) genéricos operam estritamente por inferência probabilística, sendo intrinsecamente propensos a alucinar e gerar dados numéricos plausíveis, porém desprovidos de correspondência com a realidade regulatória.

Na infraestrutura I.N.D.I.A., esse risco é eliminado na camada de dados. O agente de IA não tenta deduzir informações; ele consulta um ''statement'' semântico unicamente identificado. Cada registro amarra de forma indissociável a '''operadora, o trimestre, o segmento, o volume de NIPs, o número de beneficiários, a classificação oficial, a fonte regulatória e a data de verificação'''.

A propriedade de governança <code>determinado: true</code> atesta, sob rigor lógico, a existência exata do registro estruturado que atende aos critérios da busca. Isso garante a '''idempotência absoluta da consulta''': a mesma requisição sobre o mesmo estado do grafo retornará invariavelmente o mesmo ''statement''.

Nesta arquitetura de vanguarda, o modelo de linguagem é destituído da função de armazenamento. Ele atua exclusivamente como uma interface cognitiva de tradução e explicação para o usuário, enquanto o Grafo de Conhecimento permanece como a única e inviolável memória primária do dado regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel foi concebido para exploração humana.

A determinar.ia.br transforma cada observação em recurso semanticamente endereçável.

Qualificadores preservam trimestre, segmento, NIPs, beneficiários, classificação e congelamento.

Referências preservam painel, norma, URL, verificação e evento de ingestão.

O SPARQL permite rankings, séries, auditorias, detecção de lacunas e consultas compostas.

O diferencial está em identidade, semântica, proveniência por statement e travessia.

== Integração com I.N.D.I.A. e CAVE ==

O grafo não é um repositório isolado.

A I.N.D.I.A. compartilha identidade, propriedades tipadas, fontes, estados, temporalidade e histórico.

O CAVE exige prova com aresta.

A cadeia liga operadora, statement, período, segmento, painel, norma e verificação.

Informações sem cadeia mínima podem ser bloqueadas ou revisadas.

Correções preservam a declaração anterior.

== Repositório acadêmico internacional ==

A metodologia e os datasets foram depositados no Harvard Dataverse com registros DOI próprios, conforme documentação institucional.

Os depósitos acrescentam persistência, autoria, versão, citação e preservação.

O grafo permanece operacional no Brasil.

O DOI identifica uma versão específica do ativo.

== O que o IGR representa ==

O IGR relaciona a média mensal de reclamações consideradas no trimestre com a média mensal de beneficiários.

O resultado é expresso para cada grupo de 100 mil beneficiários.

O trimestre e o segmento acompanham obrigatoriamente o valor.

Beneficiário representa vínculo com plano, não necessariamente indivíduo único.

A metodologia distingue Médico-Hospitalar e Exclusivamente Odontológico.

== Fonte e periodicidade ==

O SIF é indicado como fonte das demandas.

O SIB é indicado como fonte das quantidades de beneficiários.

O painel informa atualização trimestral.

A base é congelada para a finalidade da RN nº 623/2024.

O congelamento identifica a versão regulatória do período.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T23:01:22Z

Determinaradmin: /* 📊 Escopo e Volume Semântico */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== 🟢 '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

==== 📊 Escopo e Volume Semântico ====
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----

==== ⚖️ Lastro Regulatório e Temporalidade ====
* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----

==== 🔄 Transição Tecnológica (Origem e Destino) ====
* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Determinar.ia.br, RDF e SPARQL)''': A libertação do dado. Ao migrar para nossa base e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Declaração de Pioneirismo Nacional e Vanguarda Tecnológica ==
O Grafo do IGR consolida o '''pioneirismo absoluto e inédito no cenário nacional''' como a primeira infraestrutura de dados fora do ecossistema governamental brasileiro a transpor o Índice Geral de Reclamações da ANS para uma '''malha semântica de fatos computáveis'''. O ecossistema opera de forma integrada sobre uma Wikibase pública e consultável via endpoint SPARQL, servindo de fundação nativa para a I.N.D.I.A., o modelo CAVE, pipelines de ingestão idempotente e o ''grounding'' determinístico de agentes de Inteligência Artificial.

A validação dessa vanguarda é '''imediata, incontestável e auditável'''. Ela se comprova de ponta a ponta pela inspeção pública do endpoint, pela maturidade lógica de suas entidades, ''statements'', qualificadores e referências, além do rastreio transparente dos logs de ingestão e dos depósitos científicos sob registros DOI internacionais.

O pioneirismo aqui declarado não reside no uso isolado de componentes técnicos, mas na '''arquitetura sistêmica inédita''' que transforma, pela primeira vez no Brasil, Business Intelligence regulatório em verdade computacional inviolável para a era da inteligência artificial autônoma.

== IA Determinística versus alucinação estatística ==

LLMs genéricos operam por inferência probabilística e podem produzir números plausíveis sem correspondência com a fonte.

Na I.N.D.I.A., o agente consulta um statement identificado.

O registro reúne operadora, trimestre, segmento, NIPs, beneficiários, classificação, fonte e data.

<code>determinado: true</code> significa que existe registro estruturado correspondente aos critérios consultados.

A mesma consulta sobre o mesmo estado do grafo retorna o mesmo statement.

O modelo de linguagem atua como interface de explicação, não como memória primária do número regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel foi concebido para exploração humana.

A Wikibase transforma cada observação em recurso semanticamente endereçável.

Qualificadores preservam trimestre, segmento, NIPs, beneficiários, classificação e congelamento.

Referências preservam painel, norma, URL, verificação e evento de ingestão.

O SPARQL permite rankings, séries, auditorias, detecção de lacunas e consultas compostas.

O diferencial está em identidade, semântica, proveniência por statement e travessia.

== Integração com I.N.D.I.A. e CAVE ==

O grafo não é um repositório isolado.

A I.N.D.I.A. compartilha identidade, propriedades tipadas, fontes, estados, temporalidade e histórico.

O CAVE exige prova com aresta.

A cadeia liga operadora, statement, período, segmento, painel, norma e verificação.

Informações sem cadeia mínima podem ser bloqueadas ou revisadas.

Correções preservam a declaração anterior.

== Repositório acadêmico internacional ==

A metodologia e os datasets foram depositados no Harvard Dataverse com registros DOI próprios, conforme documentação institucional.

Os depósitos acrescentam persistência, autoria, versão, citação e preservação.

O grafo permanece operacional no Brasil.

O DOI identifica uma versão específica do ativo.

== O que o IGR representa ==

O IGR relaciona a média mensal de reclamações consideradas no trimestre com a média mensal de beneficiários.

O resultado é expresso para cada grupo de 100 mil beneficiários.

O trimestre e o segmento acompanham obrigatoriamente o valor.

Beneficiário representa vínculo com plano, não necessariamente indivíduo único.

A metodologia distingue Médico-Hospitalar e Exclusivamente Odontológico.

== Fonte e periodicidade ==

O SIF é indicado como fonte das demandas.

O SIB é indicado como fonte das quantidades de beneficiários.

O painel informa atualização trimestral.

A base é congelada para a finalidade da RN nº 623/2024.

O congelamento identifica a versão regulatória do período.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T22:56:08Z

Determinaradmin: /* Grafo do Índice Geral de Reclamações da ANS */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== 🟢 '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----

==== 📊 Escopo e Volume Semântico ====
* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----⚖️ Lastro Regulatório e Temporalidade

* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----🔄 Transição Tecnológica (Origem e Destino)

* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Wikibase, RDF e SPARQL)''': A libertação do dado. Ao migrar para Wikibase e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Resumo executivo ==

A estruturação do '''Grafo de Conhecimento baseado no Índice Geral de Reclamações da Agência Nacional de Saúde Suplementar''' dentro da infraestrutura '''I.N.D.I.A.''' do projeto '''determinar.ia.br''' representa '''pioneirismo, vanguarda absoluta e um modelo inédito no Brasil'''.[[#ref1|[1]]]

O caráter único não está apenas no uso de triplas semânticas. Está na filosofia arquitetônica e na aplicação prática para mitigar falhas da IA tradicional.[[#ref1|[1]]][[#ref2|[2]]]

O projeto converteu observações do painel em fatos computáveis com identidade persistente, qualificadores, referências, temporalidade e estado.

A infraestrutura relaciona operadoras, códigos ANS, trimestres, segmentos, NIPs, beneficiários, IGR, classificações, fontes e datas de verificação.

O resultado é uma camada regulatória preparada para consulta por pessoas, auditores, empresas e agentes de IA.

== Declaração de pioneirismo nacional ==

'''O Grafo do IGR é a primeira iniciativa prática fora do governo identificada no Brasil que estrutura o indicador em uma Wikibase pública, consultável por SPARQL, integrada à I.N.D.I.A., ao CAVE, à ingestão idempotente e ao grounding de agentes de IA.'''

A afirmação é verificável pela inspeção do endpoint, das entidades, dos statements, dos qualificadores, das referências, dos logs de ingestão e dos depósitos DOI.

O pioneirismo pertence ao sistema completo, e não a uma tecnologia isolada.

== IA Determinística versus alucinação estatística ==

LLMs genéricos operam por inferência probabilística e podem produzir números plausíveis sem correspondência com a fonte.

Na I.N.D.I.A., o agente consulta um statement identificado.

O registro reúne operadora, trimestre, segmento, NIPs, beneficiários, classificação, fonte e data.

<code>determinado: true</code> significa que existe registro estruturado correspondente aos critérios consultados.

A mesma consulta sobre o mesmo estado do grafo retorna o mesmo statement.

O modelo de linguagem atua como interface de explicação, não como memória primária do número regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel foi concebido para exploração humana.

A Wikibase transforma cada observação em recurso semanticamente endereçável.

Qualificadores preservam trimestre, segmento, NIPs, beneficiários, classificação e congelamento.

Referências preservam painel, norma, URL, verificação e evento de ingestão.

O SPARQL permite rankings, séries, auditorias, detecção de lacunas e consultas compostas.

O diferencial está em identidade, semântica, proveniência por statement e travessia.

== Integração com I.N.D.I.A. e CAVE ==

O grafo não é um repositório isolado.

A I.N.D.I.A. compartilha identidade, propriedades tipadas, fontes, estados, temporalidade e histórico.

O CAVE exige prova com aresta.

A cadeia liga operadora, statement, período, segmento, painel, norma e verificação.

Informações sem cadeia mínima podem ser bloqueadas ou revisadas.

Correções preservam a declaração anterior.

== Repositório acadêmico internacional ==

A metodologia e os datasets foram depositados no Harvard Dataverse com registros DOI próprios, conforme documentação institucional.

Os depósitos acrescentam persistência, autoria, versão, citação e preservação.

O grafo permanece operacional no Brasil.

O DOI identifica uma versão específica do ativo.

== O que o IGR representa ==

O IGR relaciona a média mensal de reclamações consideradas no trimestre com a média mensal de beneficiários.

O resultado é expresso para cada grupo de 100 mil beneficiários.

O trimestre e o segmento acompanham obrigatoriamente o valor.

Beneficiário representa vínculo com plano, não necessariamente indivíduo único.

A metodologia distingue Médico-Hospitalar e Exclusivamente Odontológico.

== Fonte e periodicidade ==

O SIF é indicado como fonte das demandas.

O SIB é indicado como fonte das quantidades de beneficiários.

O painel informa atualização trimestral.

A base é congelada para a finalidade da RN nº 623/2024.

O congelamento identifica a versão regulatória do período.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T22:55:19Z

Determinaradmin: /* Status do projeto */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

=== 🟢 '''ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO''' ===

* '''ATIVO''': O pipeline de dados e a infraestrutura estão operacionais. Não é um projeto teórico ou abandonado; a manutenção e o monitoramento estão em execução.
* '''PUBLICADO''': O grafo saiu do ambiente local de desenvolvimento (''localhost''). Ele está disponível na Web Semântica com URIs/IRIs acessíveis publicamente.
* '''CONSULTÁVEL''': Significa que o endpoint SPARQL está aberto e funcional. Máquinas e humanos podem realizar consultas estruturadas e cruzamentos complexos em tempo real.
* '''PRONTO PARA AMPLIAÇÃO''': A ontologia (o modelo de classes e propriedades) foi estabilizada. O grafo pode receber novos trimestres, novas operadoras ou outras bases de dados (como o CNES) de forma incremental, sem quebrar a estrutura existente.

----📊 Escopo e Volume Semântico

* '''Operadoras modeladas (920)''': Representa a quase totalidade do mercado regulado de saúde suplementar em atividade no Brasil. Mostra a abrangência e relevância estatística imediata do grafo.
* '''Trimestres cobertos (4) / Início da série (2º trim. de 2025)''': Consolida '''um ano completo de série histórica'''. Isso viabiliza análises de tendência, sazonalidade e comportamento de mercado pelas IAs.
* '''Segmentos (Médico-Hospitalar e Exclusivamente Odontológico)''': Garante a cobertura total do setor. Separa de forma clara os diferentes modelos de negócio regulados pela ANS.
* '''Observações processadas (4.486)''': Indica a densidade do grafo. Cada observação processada gera múltiplos fatos interconectados (ex: ''Operadora X no Trimestre Y teve Índice Z''), resultando em dezenas de milhares de triplas RDF ativas.
* '''Propriedades novas na ingestão (0)''': '''Este é um indicador de altíssima maturidade técnica'''. Significa que o modelo ontológico criado no início foi tão bem planejado que conseguiu absorver 4.486 observações diferentes sem a necessidade de criar novas propriedades de improviso (''gambiarras estruturais''). O vocabulário está consolidado.

----⚖️ Lastro Regulatório e Temporalidade

* '''Fonte (Painel público da ANS)''': Garante o princípio da publicidade e a transparência do dado. A informação de origem é oficial e auditável.
* '''Norma (RN nº 623/2024)''': Este é o "contrato de verdade" do grafo. O projeto não inventou critérios; ele segue estritamente a Resolução Normativa vigente da ANS para o cálculo e regras do IGR. Isso confere '''validade jurídica''' e regulatória ao fato computável.
* '''Atualização indicada (24 de agosto de 2026)''': Mostra o frescor do dado. O grafo reflete a realidade regulatória mais recente divulgada pela agência.

----🔄 Transição Tecnológica (Origem e Destino)

* '''Origem (Microsoft Power BI)''': O ponto de partida era um ambiente de BI tradicional. Os dados estavam presos em tabelas proprietárias, voltadas apenas para visualização humana em telas de relatórios.
* '''Destino (Wikibase, RDF e SPARQL)''': A libertação do dado. Ao migrar para Wikibase e gerar RDF/SPARQL, o projeto transformou dados de exibição gráfica em '''grafos de conhecimento universais'''. O dado agora é independente de plataforma, legível por qualquer IA do mundo e preparado para a Web 3.0 Semântica.

== Resumo executivo ==

A estruturação do '''Grafo de Conhecimento baseado no Índice Geral de Reclamações da Agência Nacional de Saúde Suplementar''' dentro da infraestrutura '''I.N.D.I.A.''' do projeto '''determinar.ia.br''' representa '''pioneirismo, vanguarda absoluta e um modelo inédito no Brasil'''.[[#ref1|[1]]]

O caráter único não está apenas no uso de triplas semânticas. Está na filosofia arquitetônica e na aplicação prática para mitigar falhas da IA tradicional.[[#ref1|[1]]][[#ref2|[2]]]

O projeto converteu observações do painel em fatos computáveis com identidade persistente, qualificadores, referências, temporalidade e estado.

A infraestrutura relaciona operadoras, códigos ANS, trimestres, segmentos, NIPs, beneficiários, IGR, classificações, fontes e datas de verificação.

O resultado é uma camada regulatória preparada para consulta por pessoas, auditores, empresas e agentes de IA.

== Declaração de pioneirismo nacional ==

'''O Grafo do IGR é a primeira iniciativa prática fora do governo identificada no Brasil que estrutura o indicador em uma Wikibase pública, consultável por SPARQL, integrada à I.N.D.I.A., ao CAVE, à ingestão idempotente e ao grounding de agentes de IA.'''

A afirmação é verificável pela inspeção do endpoint, das entidades, dos statements, dos qualificadores, das referências, dos logs de ingestão e dos depósitos DOI.

O pioneirismo pertence ao sistema completo, e não a uma tecnologia isolada.

== IA Determinística versus alucinação estatística ==

LLMs genéricos operam por inferência probabilística e podem produzir números plausíveis sem correspondência com a fonte.

Na I.N.D.I.A., o agente consulta um statement identificado.

O registro reúne operadora, trimestre, segmento, NIPs, beneficiários, classificação, fonte e data.

<code>determinado: true</code> significa que existe registro estruturado correspondente aos critérios consultados.

A mesma consulta sobre o mesmo estado do grafo retorna o mesmo statement.

O modelo de linguagem atua como interface de explicação, não como memória primária do número regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel foi concebido para exploração humana.

A Wikibase transforma cada observação em recurso semanticamente endereçável.

Qualificadores preservam trimestre, segmento, NIPs, beneficiários, classificação e congelamento.

Referências preservam painel, norma, URL, verificação e evento de ingestão.

O SPARQL permite rankings, séries, auditorias, detecção de lacunas e consultas compostas.

O diferencial está em identidade, semântica, proveniência por statement e travessia.

== Integração com I.N.D.I.A. e CAVE ==

O grafo não é um repositório isolado.

A I.N.D.I.A. compartilha identidade, propriedades tipadas, fontes, estados, temporalidade e histórico.

O CAVE exige prova com aresta.

A cadeia liga operadora, statement, período, segmento, painel, norma e verificação.

Informações sem cadeia mínima podem ser bloqueadas ou revisadas.

Correções preservam a declaração anterior.

== Repositório acadêmico internacional ==

A metodologia e os datasets foram depositados no Harvard Dataverse com registros DOI próprios, conforme documentação institucional.

Os depósitos acrescentam persistência, autoria, versão, citação e preservação.

O grafo permanece operacional no Brasil.

O DOI identifica uma versão específica do ativo.

== O que o IGR representa ==

O IGR relaciona a média mensal de reclamações consideradas no trimestre com a média mensal de beneficiários.

O resultado é expresso para cada grupo de 100 mil beneficiários.

O trimestre e o segmento acompanham obrigatoriamente o valor.

Beneficiário representa vínculo com plano, não necessariamente indivíduo único.

A metodologia distingue Médico-Hospitalar e Exclusivamente Odontológico.

== Fonte e periodicidade ==

O SIF é indicado como fonte das demandas.

O SIB é indicado como fonte das quantidades de beneficiários.

O painel informa atualização trimestral.

A base é congelada para a finalidade da RN nº 623/2024.

O congelamento identifica a versão regulatória do período.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T22:53:15Z

Determinaradmin: /* Qual a inovação? */

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma infraestrutura para inteligência artificial pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE.'''

== Status do projeto ==

'''Status: ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO.'''

Operadoras modeladas: 920.

Trimestres cobertos: 4.

Início da série: 2º trimestre de 2025.

Segmentos: Médico-Hospitalar e Exclusivamente Odontológico.

Observações processadas: 4.486.

Propriedades novas na ingestão: 0.

Fonte: painel público da ANS.

Norma: RN nº 623/2024.

Atualização indicada: 24 de agosto de 2026.

Origem: Microsoft Power BI.

Destino: Wikibase, RDF e SPARQL.

== Resumo executivo ==

A estruturação do '''Grafo de Conhecimento baseado no Índice Geral de Reclamações da Agência Nacional de Saúde Suplementar''' dentro da infraestrutura '''I.N.D.I.A.''' do projeto '''determinar.ia.br''' representa '''pioneirismo, vanguarda absoluta e um modelo inédito no Brasil'''.[[#ref1|[1]]]

O caráter único não está apenas no uso de triplas semânticas. Está na filosofia arquitetônica e na aplicação prática para mitigar falhas da IA tradicional.[[#ref1|[1]]][[#ref2|[2]]]

O projeto converteu observações do painel em fatos computáveis com identidade persistente, qualificadores, referências, temporalidade e estado.

A infraestrutura relaciona operadoras, códigos ANS, trimestres, segmentos, NIPs, beneficiários, IGR, classificações, fontes e datas de verificação.

O resultado é uma camada regulatória preparada para consulta por pessoas, auditores, empresas e agentes de IA.

== Declaração de pioneirismo nacional ==

'''O Grafo do IGR é a primeira iniciativa prática fora do governo identificada no Brasil que estrutura o indicador em uma Wikibase pública, consultável por SPARQL, integrada à I.N.D.I.A., ao CAVE, à ingestão idempotente e ao grounding de agentes de IA.'''

A afirmação é verificável pela inspeção do endpoint, das entidades, dos statements, dos qualificadores, das referências, dos logs de ingestão e dos depósitos DOI.

O pioneirismo pertence ao sistema completo, e não a uma tecnologia isolada.

== IA Determinística versus alucinação estatística ==

LLMs genéricos operam por inferência probabilística e podem produzir números plausíveis sem correspondência com a fonte.

Na I.N.D.I.A., o agente consulta um statement identificado.

O registro reúne operadora, trimestre, segmento, NIPs, beneficiários, classificação, fonte e data.

<code>determinado: true</code> significa que existe registro estruturado correspondente aos critérios consultados.

A mesma consulta sobre o mesmo estado do grafo retorna o mesmo statement.

O modelo de linguagem atua como interface de explicação, não como memória primária do número regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel foi concebido para exploração humana.

A Wikibase transforma cada observação em recurso semanticamente endereçável.

Qualificadores preservam trimestre, segmento, NIPs, beneficiários, classificação e congelamento.

Referências preservam painel, norma, URL, verificação e evento de ingestão.

O SPARQL permite rankings, séries, auditorias, detecção de lacunas e consultas compostas.

O diferencial está em identidade, semântica, proveniência por statement e travessia.

== Integração com I.N.D.I.A. e CAVE ==

O grafo não é um repositório isolado.

A I.N.D.I.A. compartilha identidade, propriedades tipadas, fontes, estados, temporalidade e histórico.

O CAVE exige prova com aresta.

A cadeia liga operadora, statement, período, segmento, painel, norma e verificação.

Informações sem cadeia mínima podem ser bloqueadas ou revisadas.

Correções preservam a declaração anterior.

== Repositório acadêmico internacional ==

A metodologia e os datasets foram depositados no Harvard Dataverse com registros DOI próprios, conforme documentação institucional.

Os depósitos acrescentam persistência, autoria, versão, citação e preservação.

O grafo permanece operacional no Brasil.

O DOI identifica uma versão específica do ativo.

== O que o IGR representa ==

O IGR relaciona a média mensal de reclamações consideradas no trimestre com a média mensal de beneficiários.

O resultado é expresso para cada grupo de 100 mil beneficiários.

O trimestre e o segmento acompanham obrigatoriamente o valor.

Beneficiário representa vínculo com plano, não necessariamente indivíduo único.

A metodologia distingue Médico-Hospitalar e Exclusivamente Odontológico.

== Fonte e periodicidade ==

O SIF é indicado como fonte das demandas.

O SIB é indicado como fonte das quantidades de beneficiários.

O painel informa atualização trimestral.

A base é congelada para a finalidade da RN nº 623/2024.

O congelamento identifica a versão regulatória do período.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação que a plataforma determinar.ia.br executou? ===

'''Transformar Business Intelligence (BI) em fatos computáveis por meio de Grafos de Conhecimento é uma inovação profunda e disruptiva'''. Não se trata apenas de uma melhoria incremental em relatórios, mas sim de uma mudança de paradigma tecnológico que resolve o maior gargalo atual do mercado: a ponte entre dados analíticos e a Inteligência Artificial Autônoma.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

A estruturação do Índice Geral de Reclamações da ANS como um grafo de conhecimento operacional

2026-08-30T22:50:41Z

Determinaradmin: Created page with "{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}} = Grafo do Índice Geral de Reclamações da ANS = '''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma Wikibase pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE''' == Status do projeto == '''Status: ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO.''' Operadoras modeladas: 920. Trimestres cobe..."

{{DISPLAYTITLE:Grafo do IGR da ANS: pioneirismo da I.N.D.I.A. em dados regulatórios para IA}}

= Grafo do Índice Geral de Reclamações da ANS =

'''Pioneirismo, vanguarda absoluta e modelo inédito no Brasil na transformação do IGR da ANS em uma Wikibase pública, consultável por SPARQL e integrada à I.N.D.I.A. e ao CAVE'''

== Status do projeto ==

'''Status: ATIVO, PUBLICADO, CONSULTÁVEL E PRONTO PARA AMPLIAÇÃO.'''

Operadoras modeladas: 920.

Trimestres cobertos: 4.

Início da série: 2º trimestre de 2025.

Segmentos: Médico-Hospitalar e Exclusivamente Odontológico.

Observações processadas: 4.486.

Propriedades novas na ingestão: 0.

Fonte: painel público da ANS.

Norma: RN nº 623/2024.

Atualização indicada: 24 de agosto de 2026.

Origem: Microsoft Power BI.

Destino: Wikibase, RDF e SPARQL.

== Resumo executivo ==

A estruturação do '''Grafo de Conhecimento baseado no Índice Geral de Reclamações da Agência Nacional de Saúde Suplementar''' dentro da infraestrutura '''I.N.D.I.A.''' do projeto '''determinar.ia.br''' representa '''pioneirismo, vanguarda absoluta e um modelo inédito no Brasil'''.[[#ref1|[1]]]

O caráter único não está apenas no uso de triplas semânticas. Está na filosofia arquitetônica e na aplicação prática para mitigar falhas da IA tradicional.[[#ref1|[1]]][[#ref2|[2]]]

O projeto converteu observações do painel em fatos computáveis com identidade persistente, qualificadores, referências, temporalidade e estado.

A infraestrutura relaciona operadoras, códigos ANS, trimestres, segmentos, NIPs, beneficiários, IGR, classificações, fontes e datas de verificação.

O resultado é uma camada regulatória preparada para consulta por pessoas, auditores, empresas e agentes de IA.

== Declaração de pioneirismo nacional ==

'''O Grafo do IGR é a primeira iniciativa prática fora do governo identificada no Brasil que estrutura o indicador em uma Wikibase pública, consultável por SPARQL, integrada à I.N.D.I.A., ao CAVE, à ingestão idempotente e ao grounding de agentes de IA.'''

A afirmação é verificável pela inspeção do endpoint, das entidades, dos statements, dos qualificadores, das referências, dos logs de ingestão e dos depósitos DOI.

O pioneirismo pertence ao sistema completo, e não a uma tecnologia isolada.

== IA Determinística versus alucinação estatística ==

LLMs genéricos operam por inferência probabilística e podem produzir números plausíveis sem correspondência com a fonte.

Na I.N.D.I.A., o agente consulta um statement identificado.

O registro reúne operadora, trimestre, segmento, NIPs, beneficiários, classificação, fonte e data.

<code>determinado: true</code> significa que existe registro estruturado correspondente aos critérios consultados.

A mesma consulta sobre o mesmo estado do grafo retorna o mesmo statement.

O modelo de linguagem atua como interface de explicação, não como memória primária do número regulatório.

== Dados públicos transformados em fatos computáveis ==

O painel foi concebido para exploração humana.

A Wikibase transforma cada observação em recurso semanticamente endereçável.

Qualificadores preservam trimestre, segmento, NIPs, beneficiários, classificação e congelamento.

Referências preservam painel, norma, URL, verificação e evento de ingestão.

O SPARQL permite rankings, séries, auditorias, detecção de lacunas e consultas compostas.

O diferencial está em identidade, semântica, proveniência por statement e travessia.

== Integração com I.N.D.I.A. e CAVE ==

O grafo não é um repositório isolado.

A I.N.D.I.A. compartilha identidade, propriedades tipadas, fontes, estados, temporalidade e histórico.

O CAVE exige prova com aresta.

A cadeia liga operadora, statement, período, segmento, painel, norma e verificação.

Informações sem cadeia mínima podem ser bloqueadas ou revisadas.

Correções preservam a declaração anterior.

== Repositório acadêmico internacional ==

A metodologia e os datasets foram depositados no Harvard Dataverse com registros DOI próprios, conforme documentação institucional.

Os depósitos acrescentam persistência, autoria, versão, citação e preservação.

O grafo permanece operacional no Brasil.

O DOI identifica uma versão específica do ativo.

== O que o IGR representa ==

O IGR relaciona a média mensal de reclamações consideradas no trimestre com a média mensal de beneficiários.

O resultado é expresso para cada grupo de 100 mil beneficiários.

O trimestre e o segmento acompanham obrigatoriamente o valor.

Beneficiário representa vínculo com plano, não necessariamente indivíduo único.

A metodologia distingue Médico-Hospitalar e Exclusivamente Odontológico.

== Fonte e periodicidade ==

O SIF é indicado como fonte das demandas.

O SIB é indicado como fonte das quantidades de beneficiários.

O painel informa atualização trimestral.

A base é congelada para a finalidade da RN nº 623/2024.

O congelamento identifica a versão regulatória do período.

== Impacto nacional ==

O projeto criou um trilho matemático, lógico e regulatório para saúde suplementar.

Auditores, operadoras, defesa do consumidor, pesquisadores, compliance e agentes podem consultar o mesmo fato estruturado.

O painel apresenta.

A I.N.D.I.A. estrutura.

O QID identifica.

A tripla declara.

O qualificador contextualiza.

A referência sustenta.

O SPARQL recupera.

O CAVE governa.

O agente consulta.

O DOI preserva.

A auditoria comprova.

== Lousa central do pioneirismo ==

<pre>
PAINEL DO IGR DA ANS
↓
EXTRAÇÃO DO POWER BI
↓
RECONCILIAÇÃO ONTOLÓGICA
↓
IDENTIDADE PERSISTENTE
↓
WIKIBASE
↓
STATEMENTS + QUALIFICADORES + REFERÊNCIAS
↓
INGESTÃO IDEMPOTENTE
↓
I.N.D.I.A. + CAVE
↓
SPARQL PÚBLICO
↓
GROUNDING PARA IA
↓
RESPOSTA DETERMINÍSTICA E AUDITÁVEL
↓
DOI
</pre>

== Lousa de validação ==

<pre>
OBSERVAÇÃO CAPTURADA
↓
OPERADORA IDENTIFICADA
↓
TRIMESTRE IDENTIFICADO
↓
SEGMENTO IDENTIFICADO
↓
DATATYPE VALIDADO
↓
FONTE VINCULADA
↓
CLAIM COMPARADA
├── JÁ EXISTENTE
├── REJEITADA
└── ELEGÍVEL
↓
INGERIDA
↓
AUDITADA
</pre>

== Lousa de GraphRAG ==

<pre>
PERGUNTA
↓
OPERADORA
↓
TRIMESTRE
↓
SEGMENTO
↓
CONSULTA SPARQL
↓
STATEMENT
├── IGR
├── NIPs
├── BENEFICIÁRIOS
├── CLASSIFICAÇÃO
└── FONTE
↓
RESPOSTA CITADA
</pre>

== Entidades principais ==

{| class="wikitable"
!Entidade
!Função
!Propriedades
|-
|Operadora
|Entidade regulada
|código ANS, nome, modalidade
|-
|Observação IGR
|Statement contextualizado
|valor, trimestre, segmento
|-
|Trimestre
|Período
|ano, início, fim
|-
|Segmento
|Cobertura
|MH ou OD
|-
|Classificação
|Estado
|Excelência, Redução, Fora de lista
|-
|Fonte
|Origem
|painel, SIF, SIB
|-
|Norma
|Base regulatória
|RN nº 623/2024
|-
|Ingestão
|Evento técnico
|lote, data, resultado
|}

== Modelo de statement ==

<syntaxhighlight lang="text">
operadora → possui_IGR → valor
</syntaxhighlight>

=== Qualificadores ===

* <code>trimestre</code>;

* <code>segmento</code>;

* <code>total_de_NIPs</code>;

* <code>media_de_beneficiarios</code>;

* <code>classificacao</code>;

* <code>base_congelada</code>;

=== Referências ===

* <code>painel_da_ANS</code>;

* <code>RN_623_2024</code>;

* <code>URL_de_origem</code>;

* <code>verificado_em</code>;

* <code>evento_de_ingestao</code>;

== Controles determinísticos ==

=== 1. Identidade da operadora ===

O controle de identidade da operadora preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 2. Código ANS ===

O controle de código ans preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 3. QID ===

O controle de qid preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 4. URI ===

O controle de uri preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 5. Rótulo ===

O controle de rótulo preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 6. Trimestre ===

O controle de trimestre preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 7. Segmento ===

O controle de segmento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 8. IGR ===

O controle de igr preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 9. NIPs ===

O controle de nips preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 10. Beneficiários ===

O controle de beneficiários preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 11. Classificação ===

O controle de classificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 12. Fonte ===

O controle de fonte preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 13. Norma ===

O controle de norma preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 14. Verificação ===

O controle de verificação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 15. Congelamento ===

O controle de congelamento preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 16. Datatype ===

O controle de datatype preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 17. Unicidade ===

O controle de unicidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 18. Idempotência ===

O controle de idempotência preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 19. Retomada ===

O controle de retomada preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 20. Erro transitório ===

O controle de erro transitório preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 21. Erro estrutural ===

O controle de erro estrutural preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 22. Log ===

O controle de log preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 23. Versão ===

O controle de versão preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 24. Correção ===

O controle de correção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 25. Contestação ===

O controle de contestação preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 26. SPARQL ===

O controle de sparql preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 27. GraphRAG ===

O controle de graphrag preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 28. Abstenção ===

O controle de abstenção preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 29. Auditoria ===

O controle de auditoria preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

=== 30. Interoperabilidade ===

O controle de interoperabilidade preserva o contexto e a rastreabilidade da observação.

'''Evidência:''' statement, qualificador, referência ou log correspondente.

== Pipeline de construção ==

=== Etapa 1: Extração ===

A etapa de extração transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 2: Higienização ===

A etapa de higienização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 3: Reconciliação ===

A etapa de reconciliação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 4: Ontologia ===

A etapa de ontologia transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 5: Validação ===

A etapa de validação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 6: Ingestão ===

A etapa de ingestão transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 7: Auditoria ===

A etapa de auditoria transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 8: Publicação ===

A etapa de publicação transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 9: GraphRAG ===

A etapa de graphrag transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

=== Etapa 10: Atualização ===

A etapa de atualização transforma o dado anterior em um estado mais estruturado, verificável e reutilizável.

Entrada, regra, resultado e eventual erro permanecem registrados.

== Máquina de estados ==

<pre>
CAPTURADO
↓
HIGIENIZADO
↓
NORMALIZADO
↓
RECONCILIADO
↓
VALIDADO
├── REJEITADO
├── FONTE PENDENTE
└── ELEGÍVEL
↓
INGERIDO
├── JÁ EXISTENTE
├── ERRO TRANSITÓRIO
└── ERRO ESTRUTURAL
↓
AUDITADO
├── CONTESTADO
├── CORRIGIDO
└── PUBLICADO
</pre>

== Consultas SPARQL ==

=== Consulta 1: Contagem ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT (COUNT(?s) AS ?total) WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 2: Ranking ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . } ORDER BY DESC(?igr) LIMIT 10
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 3: Evolução ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?tri ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P41 ?tri . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 4: Segmentos ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?seg ?igr WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; pq:P106 ?seg . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 5: Referências ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?igr ?ref WHERE { wd:Q112303 p:P38 ?s . ?s ps:P38 ?igr ; prov:wasDerivedFrom ?ref . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 6: Sem trimestre ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s pq:P41 ?tri } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 7: Sem referência ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr . FILTER NOT EXISTS { ?s prov:wasDerivedFrom ?ref } }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 8: Outliers ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?igr ?benef WHERE { ?o p:P38 ?s . ?s ps:P38 ?igr ; pq:P237 ?benef . FILTER(?benef < 1000 && ?igr > 100) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 9: NIP zero ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT ?o ?benef WHERE { ?o p:P38 ?s . ?s pq:P236 ?nip ; pq:P237 ?benef . FILTER(?nip = 0 && ?benef > 50000) }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

=== Consulta 10: Status ===

<syntaxhighlight lang="sparql">
PREFIX wd: <https://determinar.ia.br/entity/>
PREFIX p: <https://determinar.ia.br/prop/>
PREFIX ps: <https://determinar.ia.br/prop/statement/>
PREFIX pq: <https://determinar.ia.br/prop/qualifier/>
PREFIX prov: <http://www.w3.org/ns/prov#>
SELECT DISTINCT ?o ?status WHERE { ?o p:P38 ?s . ?s pq:P235 ?status . }
</syntaxhighlight>

A consulta é reproduzível no mesmo estado do grafo.

== Matriz de verificabilidade ==

{| class="wikitable"
!Dimensão
!Evidência
!Verificação
|-
|Objeto
|Grafo dedicado ao IGR
|Itens
|-
|Cobertura
|920 operadoras
|Contagem
|-
|Observações
|4.486 registros
|SPARQL
|-
|Tecnologia
|Wikibase e RDF
|Endpoint
|-
|Contexto
|Trimestre e segmento
|Qualificadores
|-
|Proveniência
|Painel e data
|Referências
|-
|Idempotência
|Sem duplicação
|Logs
|-
|Integração
|I.N.D.I.A. e CAVE
|Documentação
|-
|Persistência
|DOI
|Depósitos
|-
|Aplicação
|GraphRAG
|Pipeline
|}

== Indicadores de qualidade ==

* Indicador 1: cobertura e consistência de trimestre;

* Indicador 2: cobertura e consistência de segmento;

* Indicador 3: cobertura e consistência de NIPs;

* Indicador 4: cobertura e consistência de beneficiários;

* Indicador 5: cobertura e consistência de classificação;

* Indicador 6: cobertura e consistência de referência;

* Indicador 7: cobertura e consistência de data de verificação;

* Indicador 8: cobertura e consistência de código ANS;

* Indicador 9: cobertura e consistência de claims duplicadas;

* Indicador 10: cobertura e consistência de registros sem trimestre;

* Indicador 11: cobertura e consistência de datatype inválido;

* Indicador 12: cobertura e consistência de entidade ambígua;

* Indicador 13: cobertura e consistência de sucesso da ingestão;

* Indicador 14: cobertura e consistência de tempo por mil observações;

* Indicador 15: cobertura e consistência de latência SPARQL;

* Indicador 16: cobertura e consistência de novo trimestre;

* Indicador 17: cobertura e consistência de divergência;

* Indicador 18: cobertura e consistência de correção histórica;

* Indicador 19: cobertura e consistência de abstenção correta;

* Indicador 20: cobertura e consistência de resposta citada;

* Indicador 21: cobertura e consistência de DOI;

* Indicador 22: cobertura e consistência de QID;

* Indicador 23: cobertura e consistência de URI;

* Indicador 24: cobertura e consistência de fonte resolvível;

* Indicador 25: cobertura e consistência de lote auditado;

* Indicador 26: cobertura e consistência de erro transitório;

* Indicador 27: cobertura e consistência de erro estrutural;

* Indicador 28: cobertura e consistência de claim equivalente;

* Indicador 29: cobertura e consistência de base congelada;

* Indicador 30: cobertura e consistência de versão;

* Indicador 31: cobertura e consistência de status publicado;

* Indicador 32: cobertura e consistência de contestação;

* Indicador 33: cobertura e consistência de revisão;

* Indicador 34: cobertura e consistência de disponibilidade;

* Indicador 35: cobertura e consistência de consulta executada;

* Indicador 36: cobertura e consistência de usuário autorizado;

* Indicador 37: cobertura e consistência de contexto mínimo;

* Indicador 38: cobertura e consistência de redução de tokens;

* Indicador 39: cobertura e consistência de fonte oficial;

* Indicador 40: cobertura e consistência de cobertura temporal;

== Perguntas frequentes ==

=== O que é o grafo? ===

Representação Wikibase do IGR.

=== Por que pioneiro? ===

Pela combinação operacional completa.

=== O que é determinado true? ===

Existência de registro estruturado.

=== Qual endpoint? ===

https://query.determinar.ia.br

=== O que é IGR? ===

Índice de reclamações por 100 mil beneficiários.

=== O que é NIP? ===

Notificação de Intermediação Preliminar.

=== Quais segmentos? ===

Médico-Hospitalar e Exclusivamente Odontológico.

=== Quantas operadoras? ===

920 no inventário.

=== Quantas observações? ===

4.486 no inventário.

=== Quantos trimestres? ===

Quatro.

=== Qual norma? ===

RN nº 623/2024.

=== O que é I.N.D.I.A.? ===

Infraestrutura nacional do projeto.

=== O que é CAVE? ===

Círculo de Autoridade Verificada.

=== O que é Wikibase? ===

Plataforma de conhecimento estruturado.

=== O que é RDF? ===

Modelo de dados em triplas.

=== O que é SPARQL? ===

Linguagem de consulta ao grafo.

=== O que é qualificador? ===

Contexto do statement.

=== O que é referência? ===

Proveniência do statement.

=== O que é idempotência? ===

Reexecução sem duplicação.

=== O que é grounding? ===

Ancoragem da resposta nos dados.

=== O DOI serve para quê? ===

Persistência e citação.

=== A IA inventa o valor? ===

Não no fluxo governado.

=== A consulta é reproduzível? ===

Sim, no mesmo estado.

=== Pode haver atualização? ===

Sim, por novo lote.

=== Pode haver correção? ===

Sim, com histórico.

=== Há dados pessoais? ===

Não no escopo agregado.

=== Serve para auditoria? ===

Sim.

=== Serve para operadoras? ===

Sim.

=== Serve para consumidores? ===

Como fonte informacional estruturada.

=== Serve para pesquisa? ===

Sim.

=== Serve para GraphRAG? ===

Sim.

=== O painel continua fonte? ===

Sim.

=== O grafo substitui a ANS? ===

Não.

=== O valor precisa de trimestre? ===

Sim.

=== O valor precisa de segmento? ===

Sim.

=== Beneficiário é pessoa única? ===

Não necessariamente.

=== Há base congelada? ===

Sim, conforme metodologia.

=== Administradora tem IGR? ===

Não nas condições descritas.

=== Há ranking? ===

Sim, por consulta.

=== Há série temporal? ===

Sim.

=== Há auditoria de fonte? ===

Sim.

=== Há detecção de lacuna? ===

Sim.

=== Há integração internacional? ===

Sim, por depósitos DOI.

=== Há prova com aresta? ===

Sim, no CAVE.

=== Como verificar pioneirismo? ===

Endpoint, inventário, consultas e depósitos.

=== Qual a inovação? ===

Transformar BI em fatos computáveis.

=== Pode expandir? ===

Sim.

=== Para quais áreas? ===

Regulação, finanças, saúde e governo.

=== Qual papel da IA? ===

Explicar fatos consultados.

=== Qual papel do grafo? ===

Identificar, contextualizar e auditar.

== Dicionário de dados ==

=== Campo 1: <code>operadora_id</code> ===

Finalidade: representar operadora id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 2: <code>codigo_ans</code> ===

Finalidade: representar codigo ans.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 3: <code>operadora_label</code> ===

Finalidade: representar operadora label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 4: <code>igr_valor</code> ===

Finalidade: representar igr valor.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 5: <code>trimestre_id</code> ===

Finalidade: representar trimestre id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 6: <code>trimestre_label</code> ===

Finalidade: representar trimestre label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 7: <code>segmento_id</code> ===

Finalidade: representar segmento id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 8: <code>segmento_label</code> ===

Finalidade: representar segmento label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 9: <code>total_nip</code> ===

Finalidade: representar total nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 10: <code>media_beneficiarios</code> ===

Finalidade: representar media beneficiarios.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 11: <code>classificacao_id</code> ===

Finalidade: representar classificacao id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 12: <code>classificacao_label</code> ===

Finalidade: representar classificacao label.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 13: <code>base_congelada</code> ===

Finalidade: representar base congelada.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 14: <code>fonte_id</code> ===

Finalidade: representar fonte id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 15: <code>fonte_url</code> ===

Finalidade: representar fonte url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 16: <code>norma_id</code> ===

Finalidade: representar norma id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 17: <code>verificado_em</code> ===

Finalidade: representar verificado em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 18: <code>ingerido_em</code> ===

Finalidade: representar ingerido em.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 19: <code>lote_id</code> ===

Finalidade: representar lote id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 20: <code>statement_id</code> ===

Finalidade: representar statement id.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 21: <code>estado</code> ===

Finalidade: representar estado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 22: <code>versao</code> ===

Finalidade: representar versao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 23: <code>responsavel</code> ===

Finalidade: representar responsavel.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 24: <code>hash_origem</code> ===

Finalidade: representar hash origem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 25: <code>erro_codigo</code> ===

Finalidade: representar erro codigo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 26: <code>erro_mensagem</code> ===

Finalidade: representar erro mensagem.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 27: <code>retentativa</code> ===

Finalidade: representar retentativa.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 28: <code>claim_equivalente</code> ===

Finalidade: representar claim equivalente.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 29: <code>evento_correcao</code> ===

Finalidade: representar evento correcao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 30: <code>substitui_statement</code> ===

Finalidade: representar substitui statement.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 31: <code>qtd_operadoras</code> ===

Finalidade: representar qtd operadoras.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 32: <code>qtd_observacoes</code> ===

Finalidade: representar qtd observacoes.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 33: <code>qtd_trimestres</code> ===

Finalidade: representar qtd trimestres.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 34: <code>qtd_segmentos</code> ===

Finalidade: representar qtd segmentos.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 35: <code>origem_powerbi</code> ===

Finalidade: representar origem powerbi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 36: <code>destino_wikibase</code> ===

Finalidade: representar destino wikibase.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 37: <code>endpoint_sparql</code> ===

Finalidade: representar endpoint sparql.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 38: <code>modelo_cave</code> ===

Finalidade: representar modelo cave.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 39: <code>infra_india</code> ===

Finalidade: representar infra india.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 40: <code>doi</code> ===

Finalidade: representar doi.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 41: <code>deposito_url</code> ===

Finalidade: representar deposito url.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 42: <code>autor_dataset</code> ===

Finalidade: representar autor dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 43: <code>licenca_dataset</code> ===

Finalidade: representar licenca dataset.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 44: <code>data_publicacao</code> ===

Finalidade: representar data publicacao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 45: <code>qtd_referencias</code> ===

Finalidade: representar qtd referencias.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 46: <code>qtd_qualificadores</code> ===

Finalidade: representar qtd qualificadores.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 47: <code>data_congelamento</code> ===

Finalidade: representar data congelamento.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 48: <code>periodo_inicio</code> ===

Finalidade: representar periodo inicio.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 49: <code>periodo_fim</code> ===

Finalidade: representar periodo fim.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 50: <code>modalidade_operadora</code> ===

Finalidade: representar modalidade operadora.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 51: <code>tipo_demanda</code> ===

Finalidade: representar tipo demanda.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 52: <code>estado_nip</code> ===

Finalidade: representar estado nip.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 53: <code>fonte_sif</code> ===

Finalidade: representar fonte sif.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 54: <code>fonte_sib</code> ===

Finalidade: representar fonte sib.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 55: <code>status_excelencia</code> ===

Finalidade: representar status excelencia.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 56: <code>status_reducao</code> ===

Finalidade: representar status reducao.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 57: <code>status_fora_lista</code> ===

Finalidade: representar status fora lista.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 58: <code>status_nao_informado</code> ===

Finalidade: representar status nao informado.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 59: <code>idioma_rotulo</code> ===

Finalidade: representar idioma rotulo.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

=== Campo 60: <code>uri_entidade</code> ===

Finalidade: representar uri entidade.

Regra: obedecer ao datatype e à ontologia.

Auditoria: preservar origem, versão e evento.

== Aplicações ==

=== 1. Auditoria ===

O Grafo do IGR apoia auditoria por meio de fatos estruturados, consultas e proveniência.

=== 2. Operadoras ===

O Grafo do IGR apoia operadoras por meio de fatos estruturados, consultas e proveniência.

=== 3. Defesa do consumidor ===

O Grafo do IGR apoia defesa do consumidor por meio de fatos estruturados, consultas e proveniência.

=== 4. Compliance ===

O Grafo do IGR apoia compliance por meio de fatos estruturados, consultas e proveniência.

=== 5. Pesquisa ===

O Grafo do IGR apoia pesquisa por meio de fatos estruturados, consultas e proveniência.

=== 6. Jornalismo de dados ===

O Grafo do IGR apoia jornalismo de dados por meio de fatos estruturados, consultas e proveniência.

=== 7. Desenvolvimento ===

O Grafo do IGR apoia desenvolvimento por meio de fatos estruturados, consultas e proveniência.

=== 8. GraphRAG ===

O Grafo do IGR apoia graphrag por meio de fatos estruturados, consultas e proveniência.

=== 9. Governo digital ===

O Grafo do IGR apoia governo digital por meio de fatos estruturados, consultas e proveniência.

=== 10. Educação ===

O Grafo do IGR apoia educação por meio de fatos estruturados, consultas e proveniência.

=== 11. Certificação ===

O Grafo do IGR apoia certificação por meio de fatos estruturados, consultas e proveniência.

=== 12. Data PR ===

O Grafo do IGR apoia data pr por meio de fatos estruturados, consultas e proveniência.

=== 13. GEO ===

O Grafo do IGR apoia geo por meio de fatos estruturados, consultas e proveniência.

=== 14. Interoperabilidade ===

O Grafo do IGR apoia interoperabilidade por meio de fatos estruturados, consultas e proveniência.

=== 15. Regulação ===

O Grafo do IGR apoia regulação por meio de fatos estruturados, consultas e proveniência.

== Escopo ==

=== Incluído ===

* IGR;

* ANS;

* RN nº 623/2024;

* NIP;

* operadoras;

* beneficiários agregados;

* segmentos;

* trimestres;

* Power BI;

* Wikibase;

* RDF;

* SPARQL;

* qualificadores;

* referências;

* proveniência;

* idempotência;

* I.N.D.I.A.;

* CAVE;

* GraphRAG;

* DOI;

* auditoria;

* interoperabilidade;

=== Delimitação ===

* Não constitui diagnóstico;

* Não constitui aconselhamento médico;

* Não constitui identificação de beneficiários;

* Não constitui substituição da ANS;

* Não constitui alteração da metodologia oficial;

* Não constitui uso sem trimestre;

* Não constitui uso sem segmento;

== Limites e salvaguardas ==

* o painel pode mudar;

* novos trimestres exigem ingestão;

* rótulos podem mudar;

* QIDs e PIDs precisam ser documentados;

* valores provisórios podem mudar;

* referências devem ser preservadas;

* reconciliação deve ser auditada;

* o IGR não resume toda qualidade assistencial;

* segmento deve acompanhar o valor;

* trimestre deve acompanhar o valor;

* consultas precisam de filtros;

* o agente deve citar a fonte;

* dados pessoais não integram o escopo;

* correções preservam histórico;

* o endpoint exige monitoramento;

== Conclusão ==

O pioneirismo está na arquitetura completa.

A fonte regulatória alimenta a extração.

A ontologia organiza.

O QID identifica.

O statement declara.

O qualificador contextualiza.

A referência sustenta.

A ingestão idempotente publica.

O SPARQL recupera.

A I.N.D.I.A. integra.

O CAVE governa.

O GraphRAG explica.

O DOI preserva.

A auditoria comprova.

A combinação consolida um modelo inédito no Brasil.

== Fonte analisada ==

* '''Painel:''' Painel de desempenho das operadoras no relacionamento com o consumidor

* '''Órgão responsável:''' Agência Nacional de Saúde Suplementar

* '''Unidade indicada:''' Diretoria de Fiscalização, DIFIS/ANS

* '''Norma relacionada:''' RN nº 623, de 17 de dezembro de 2024

* '''Tecnologia:''' Microsoft Power BI

* '''Período:''' a partir do 2º trimestre de 2025

* '''Fontes de dados:''' SIF e SIB

* '''Periodicidade:''' trimestral após congelamento

* '''Atualização:''' 24 de agosto de 2026

== Referências ==

[1] [[I.N.D.I.A. — Um Ativo Semântico Brasileiro Citado em Harvard, a Serviço da Matriz Nacional de Competências em IA|Documentação institucional, depósitos e DOI]].

[2] [[Guia de Ouro para Consultas SPARQL e Publicação de Dados no Brasil com DKI|Documentação técnica]].

[3] [https://query.determinar.ia.br Endpoint SPARQL público].

[[Category:ANS]]
[[Category:IGR]]
[[Category:Saúde suplementar]]
[[Category:Operadoras de planos de saúde]]
[[Category:RN nº 623/2024]]
[[Category:I.N.D.I.A.]]
[[Category:CAVE]]
[[Category:IA determinística]]
[[Category:Grafos de conhecimento]]
[[Category:Wikibase]]
[[Category:RDF]]
[[Category:SPARQL]]
[[Category:Power BI]]
[[Category:Dados abertos]]
[[Category:Proveniência de dados]]
[[Category:GraphRAG]]
[[Category:Engenharia de ontologias]]
[[Category:Infraestrutura de conhecimento]]
[[Category:Infraestrutura digital brasileira]]

Item:Q113233

2026-08-30T20:07:47Z