Please use this identifier to cite or link to this item: https://ric.cps.sp.gov.br/handle/123456789/35551
Title: Aplicação da inteligência artificial na identificação de fraudes e sonegação fiscal
Other Titles: Application of artificial intelligence in identifying fraud and tax evasion
Authors: COSTA, Luiz Fernando Vicente
Advisor: ARIMA, Carlos Hideo
type of document: Monografia
Keywords: Inteligência artificial;Sonegação fiscal;Auditoria;Contabilidade fiscal;Sistema tributário
Issue Date: 7-Jul-2025
Publisher: 002
Citation: COSTA, Luiz Fernando Vicente. Aplicação da inteligência artificial na identificação de fraudes e sonegação fiscal, 2025. Trabalho de conclusão de curso (Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas) – Faculdade de Tecnologia de São Paulo, São Paulo, 2025.
Abstract: crescente complexidade dos mecanismos de sonegação e as limitações dos métodos tradicionais de auditoria impulsionam a adoção de tecnologias avançadas na fiscalização tributária. Nesse cenário, a inteligência artificial (IA) tem ganhado destaque por sua capacidade de processar grandes volumes de dados, reconhecer padrões ocultos e apoiar decisões estratégicas em tempo real. Este estudo teve como objetivo analisar o uso de IA em processos de controle fiscal, por meio de uma revisão sistemática da literatura científica recente. A pesquisa foi conduzida em duas etapas: uma análise bibliométrica preliminar e, em seguida, o refinamento dos artigos encontrados por meio de um protocolo estruturado. Os resultados foram organizados em quatro eixos temáticos: aplicações em auditoria e fiscalização contábiltributária; desenvolvimento de arquiteturas inteligentes com tecnologias emergentes; estudos práticos em diferentes setores econômicos; e reflexões jurídicas éticas e institucionais sobre o uso de algoritmos em ambientes públicos. Os achados evidenciam que técnicas como aprendizado supervisionado, redes neurais, blockchain e processamento de linguagem natural oferecem soluções promissoras em termos de eficiência, escalabilidade e automação. No entanto, questões relacionadas à transparência dos modelos, qualidade dos dados e conformidade normativa ainda representam obstáculos à sua implementação em larga escala. A pesquisa contribui para a consolidação teórica da área e oferece subsídios práticos para o desenvolvimento de sistemas inteligentes voltados à modernização da administração tributária.
The increasing complexity of tax evasion schemes and the limitations of traditional auditing methods have driven the adoption of advanced technologies in tax oversight. In this context, artificial intelligence (AI) has gained prominence for its ability to process large volumes of data, detect hidden patterns, and support strategic decision-making in real time. This study aimed to analyze the use of AI in tax compliance processes through a systematic review of recent scientific literature. The research was conducted in two stages: a preliminary bibliometric analysis, followed by the refinement of selected articles through a structured protocol. The results were organized into four thematic axes: applications in tax and accounting auditing, development of intelligent architectures using emerging technologies, practical studies in various economic sectors, and legal, ethical, and institutional reflections on the use of algorithms in public administration. The findings show that techniques such as supervised learning, neural networks, blockchain, and natural language processing offer promising solutions in terms of efficiency, scalability, and automation. However, issues related to model transparency, data quality, and regulatory compliance still pose challenges to large-scale implementation. This study contributes to the theoretical foundation of the field and provides practical insights for the development of intelligent systems aimed at modernizing tax administration.
URI: https://ric.cps.sp.gov.br/handle/123456789/35551
Appears in Collections:Trabalhos de conclusão de curso



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.