Integrating management and
technology: a systematic literature review of artificial intelligence
applications in cost analysis and a research agenda
|
Doutorando em Administração – Universidade
Federal do Espírito Santo (Ufes)
– Brasil. thiagoandradeoficial@gmail.com. |
RESUMO
A pesquisa investigou a integração da inteligência artificial (IA) na
análise de custos, visando ao aprimoramento da eficiência e dos processos de
gestão. Com base em uma revisão sistemática temática, explorou a interseção
entre análise de custos e IA, destacando tendências, ferramentas e aplicações.
A metodologia envolveu a análise de 334 artigos indexados nas bases Web of
Science e Scopus. O estudo abordou aspectos como qualidade dos dados, interpretabilidade dos modelos de IA, escalabilidade, ética
e viés na análise de custos, além da manutenção dos modelos. Os resultados
evidenciaram a relevância da IA na otimização de processos e na tomada de
decisões baseadas em dados em diversos setores. As implicações práticas
ressaltam a importância de garantir a qualidade dos dados, tornar os modelos de
IA mais transparentes e escaláveis, além de mitigar vieses. A pesquisa
contribui ao oferecer novas perspectivas sobre a integração da IA na análise de
custos, destacando desafios e oportunidades para aprimorar a gestão financeira.
Por fim, propõe-se uma agenda de pesquisa abrangente para fomentar novos
estudos e ampliar o entendimento sobre o uso da IA na análise de custos,
beneficiando tanto a comunidade científica quanto a sociedade.
Palavras-chave: inteligência
artificial; análise de custos; revisão sistemática de literatura; agenda de
pesquisa.
ABSTRACT
The research investigated
the integration of artificial intelligence (AI) in cost analysis, aiming to
improve efficiency and management processes. Based on a thematic systematic
literature review, it explored the intersection between cost analysis and AI,
highlighting trends, tools, and applications. The methodology involved
analyzing 334 articles indexed in the Web of Science and Scopus databases. The
study addressed aspects such as data quality, interpretability of AI models,
scalability, ethics, and bias in cost analysis, as well as model maintenance.
The results highlighted the relevance of AI in optimizing processes and
supporting data-driven decision-making across various sectors. The practical
implications emphasize the need to ensure data quality, make AI models more
transparent and scalable, and mitigate biases. The research offers new
perspectives on AI integration in cost analysis, highlighting challenges and
opportunities to improve financial management. Finally, a comprehensive
research agenda is proposed to foster further studies and expand the
understanding of AI’s role in cost analysis, benefiting both the scientific
community and society.
Keywords: artificial intelligence; cost analysis; systematic
literature review; research agenda.
Recebido em 31/01/2026. Aprovado em 31/03/2026. Avaliado pelo sistema double blind peer review. Publicado conforme normas da ABNT.
https://doi.org/10.22279/navus.v18.2307
1
INTRODUÇÃO
A análise de custos é uma ferramenta essencial na gestão financeira que envolve a identificação, mensuração e avaliação dos custos associados a um processo, projeto ou operação dentro de uma organização (Hansen, 1998; Pedersini et al., 2025; Blessing; Ifeanyi, 2025). Esta análise permite que as empresas compreendam melhor os seus gastos, identifiquem áreas de desperdício e oportunidades de economia, além de fornecer informações críticas para a tomada de decisões estratégicas (Nunes, 2024). Ao realizar uma análise de custos, os gestores podem distinguir entre custos fixos e variáveis, diretos e indiretos, e determinar a rentabilidade e a viabilidade econômica de suas atividades, facilitando o planejamento e a otimização dos recursos disponíveis (Shapiro, 1992; Alotaibi et al., 2024).
A análise de custos pode ser facilitada, por exemplo, pelo uso de softwares de gestão financeira e ferramentas de Business Intelligence (BI), que automatizam a coleta e organização de dados, além de oferecer visualizações em tempo real (de Lima et al., 2025; Mansoor; Dar, 2024; Tejaswini et al., 2024). Além disso, a integração da inteligência artificial (IA), foco deste estudo, potencializa ainda mais esses benefícios (Yang; Huang, 2021). Nesse contexto, a inteligência artificial pode revolucionar a análise de custos ao oferecer recursos avançados que aumentam a precisão e a eficiência do processo (Rane; Choudhary; Rane, 2023). Considera-se que a IA pode, por exemplo, automatizar a coleta e a categorização de dados financeiros (Hasan, 2021). Além disso, algoritmos de IA podem identificar padrões e tendências ocultas nos dados (Alvarado-Pérez; Peluffo-Ordóńez, 2015), permitindo a previsão de custos futuros com maior precisão e a identificação de áreas de desperdício que poderiam passar despercebidas.
A crescente incorporação da Inteligência Artificial (IA) na gestão tem promovido transformações significativas nos processos organizacionais, especialmente no que se refere ao uso de analytics e ao suporte à tomada de decisão. A literatura destaca que a IA amplia a capacidade preditiva das organizações, reduzindo incertezas e aprimorando decisões baseadas em dados, ao deslocar o foco da coleta de informações para sua interpretação estratégica (Agrawal; Gans; Goldfarb, 2019). Nesse contexto, ferramentas como business intelligence, machine learning e predictive analytics vêm sendo utilizadas para otimizar processos, melhorar previsões financeiras e apoiar decisões gerenciais mais complexas (De Lima et al., 2025; Asif et al., 2025; De Keijzer; Vistisen; Scheeren, 2021). Além disso, a aplicação da IA em áreas como contabilidade e operações tem contribuído para automatização, aumento de eficiência e geração de insights estratégicos (Adeyeri, 2024; Cannas et al., 2024), consolidando seu papel como elemento central na gestão orientada por dados.
Outra forma pela qual a IA contribui é através da análise preditiva, que usa dados históricos para prever despesas futuras e auxiliar na elaboração de orçamentos mais precisos (Asif et al., 2025; de Keijzer, Vistisen; Scheeren, 2021; Paul; Sadath; Madana, 2021). Ferramentas de IA também podem realizar análises comparativas (benchmarking) em tempo real, comparando os custos internos com os padrões do setor e sugerindo áreas para otimização (Gusc et al., 2022). Além disso, a IA pode fornecer insights detalhados e personalizados por meio de relatórios dinâmicos e dashboards interativos, permitindo que os gestores tomem decisões informadas de forma mais ágil (Adeyeri, 2024). Chatbots e assistentes virtuais impulsionados por IA podem contribuir para consultas financeiras em tempo real (Kobets; Kozlovskyi, 2022), oferecendo suporte contínuo e reduzindo a carga de trabalho da equipe financeira.
Apesar do avanço da IA na gestão, ainda há lacunas relevantes na compreensão de como essas tecnologias transformam a análise de custos sob uma perspectiva estratégica. A literatura tradicional de cost management enfatiza a análise, controle e redução de custos como suporte à competitividade organizacional (Hansen, 1998), enquanto abordagens mais recentes incorporam métricas interorganizacionais e análises mais sofisticadas (Pedersini et al., 2025). Paralelamente, estudos aplicados demonstram o uso da IA em estimativas e análises de custos em diferentes contextos, como engenharia, energia e produção (Wang; Yuan; Ghafoor, 2021; Dutta et al., 2023; Manea; Dolci; Grosso, 2024). No entanto, ainda é limitada a articulação entre essas duas vertentes (IA e gestão estratégica de custos), especialmente no que diz respeito ao seu papel na geração de vantagem competitiva e no suporte à tomada de decisão estratégica. Assim, este estudo busca preencher essa lacuna ao investigar como a aplicação da IA pode redefinir a análise de custos sob uma perspectiva estratégica, contribuindo teoricamente para a integração entre esses campos.
Portanto, considerando que há diversos aspectos a serem explorados, uma análise bibliométrica e sistemática revela-se útil no estudo da aplicação da IA na análise de custos, pois permite identificar tendências, lacunas de pesquisa e oportunidades emergentes na interseção desses dois campos (Donthu; Kumar; Mukherjee; Pandey; Lim, 2021). Ao analisar a produção científica existente, a revisão sistemática de literatura pode fornecer insights valiosos sobre como a IA está sendo integrada nas práticas de gestão financeira, destacando os principais temas, autores influentes, e periódicos relevantes.
Para a realização deste estudo, foram utilizadas duas bases de dados, Web of Science (WoS) e Scopus, abrangendo o período de 1971 a 2024, correspondente ao intervalo de maior concentração de publicações. Os resultados evidenciam a fronteira temática entre análise de custos e inteligência artificial e permitem identificar sistemas, técnicas, aplicações, variáveis, teorias e tendências. Além disso, contribuem para que acadêmicos e profissionais compreendam melhor o estado da arte, fornecendo subsídios para futuras investigações. Portanto, este estudo fortalece a literatura sobre gestão e tecnologia ao integrar, de forma estruturada, dois campos que ainda se desenvolvem de maneira fragmentada. Ao sistematizar evidências sobre como técnicas de IA vêm sendo aplicadas na análise de custos, amplia-se a compreensão do papel estratégico dessas tecnologias na gestão financeira, destacando ganhos em previsão, controle e apoio à tomada de decisão. Além disso, ao propor uma agenda de pesquisa, o artigo orienta investigações futuras, contribuindo para o avanço teórico e metodológico e consolidando a IA como elemento central na modernização das práticas de gestão de custos.
2 MÉTODO
A Scopus e a WoS são as bases de dados mais
utilizadas em estudos bibliométricos (e.g., Pranckutė, 2021; del
Barrio-García; Prados-Peña, 2019; Rojas-Lamorena et al., 2022). A Scopus é uma
fonte confiável de pesquisas sobre gestão, enquanto a WoS abrange as ciências
humanas e sociais. Foi usada uma query de visão geral da pesquisa para as
coleções WoS e Scopus principais, considerando todo o período de referência
disponível nas duas bases. Para isso, utilizou-se o campo "ALL" da
WoS e o campo "TITLE-ABS-KEY" da Scopus. A estratégia de busca foi
definida conforme a seguinte query: ("cost
analysis") AND ("artificial intelligence" OR AI).
Os termos que foram escolhidos para incluir na
query abrangem o tema da Análise de Custos e da Inteligência Artificial, contemplando
tanto o nome completo quanto sua abreviação, de modo que ambos os assuntos
estivessem obrigatoriamente conectados. Além disso, visando uma análise robusta
de produção, foram escolhidos somente artigos de periódicos para adentrarem à
amostra, pois são considerados a fonte mais atual de informações na academia
(del Barrio-García; Prados-Peña, 2019). A construção da query de busca
foi orientada por uma estratégia deliberadamente parsimoniosa,
ancorada em recomendações metodológicas de revisões sistemáticas que enfatizam
o uso de descritores centrais e amplamente consolidados para maximizar a
recuperação de estudos relevantes. A escolha desses termos resultou de buscas
exploratórias iterativas e da análise de artigos-chave do campo, por meio das
quais se verificou que “cost analysis” e “artificial intelligence”
(bem como sua variação “AI”) funcionam como núcleos conceituais recorrentes na
literatura. A opção por não expandir excessivamente a query com sinônimos ou termos derivados teve como objetivo evitar
vieses de especificidade excessiva, que podem restringir artificialmente o
corpus, comprometendo a abrangência da revisão. Assim, privilegiou-se uma
estratégia sensível e teoricamente orientada, que foi capaz de capturar
diferentes aplicações e perspectivas da IA na análise de custos, garantindo
maior robustez e representatividade ao conjunto de estudos analisados.
A WoS retornou um total de 155 artigos e a Scopus,
230 artigos. Para verificar e remover as duplicatas resultantes da integração
das bases WoS e Scopus, utlizou-se a interface RStudio. Como resultado, 47
artigos foram removidos e os 338 artigos remanescentes foram exportados para um
único arquivo no formato XLSX. Devido à possibilidade de o processo de
identificação automática de duplicatas não ser totalmente eficaz, a planilha
foi revisada manualmente por meio dos respectivos DOIs. Três artigos foram
removidos porque ainda estavam duplicados. Assim, a amostra bibliométrica final
foi composta por 334 artigos científicos, envolvendo 1458 autores e 3352
palavras-chave.
A análise para a verificação sistemática foi
realizada a partir da leitura dos títulos e resumos dos artigos obtidos nos
clusters centrais do mapa temático (artificial intelligence,
cost analysis
e cost benefit analysis – cluster roxo / management, cost analysis e artificial
intelligence – cluster azul).
Inicialmente, a partir do universo de 334 artigos, apenas 186 artigos
representavam os clusters focais do estudo (157 artigos do cluster roxo
e 29 artigos do cluster azul). A partir dos 186 artigos dos clusters, foram
selecionados 32 estudos que apresentavam pelo menos um dos termos centrais (“artificial
intelligence” ou “cost
analysis”) no título, como forma de garantir
maior aderência temática ao escopo da pesquisa. Em seguida, procedeu-se à
leitura completa desses trabalhos, aplicando-se critérios de natureza
conteudista, tais como: (i) alinhamento efetivo com a interseção entre
inteligência artificial e análise de custos; (ii)
presença de aplicação empírica ou discussão analítica consistente sobre custos;
e (iii) contribuição substantiva para a compreensão
do fenômeno investigado. Como resultado desse processo de refinamento, 12
artigos foram excluídos por tratarem dos termos de forma tangencial, sem
aprofundamento analítico ou sem conexão direta entre os dois campos, resultando
em um corpus final de 20 artigos que efetivamente atendiam aos objetivos da
pesquisa. Todos os procedimentos foram conduzidos com base no PRISMA 2020,
conforme apresentado na Figura 1.
Figura 1 – Processos do trabalho com base no
PRISMA Protocol 2020.
Identificação Incluídos Relatórios
avaliados para elegibilidade (n = 334) Total de
estudos na revisão bibliométrica (n = 334) Artigos
selecionados com base nos clusters basilares obtidos via mapa temático (n =
186) Artigos elegíveis
para a análise aprofundada/sistemática com base na leitura completa dos
trabalhos (n = 32) Elegibilidade Artigos incluídos
para a análise aprofundada/sistemática final (n = 20) Registros
identificados a partir de: Web of Science (n
= 155) Scopus (n = 230) Registros
removidos antes da triagem: Registros duplicados removidos (n = 47) Registros removidos por outros motivos (n = 3) Registros
triados (n = 334) Registros
excluídos (n = 0) Relatórios
buscados para recuperação (n = 0) Relatórios
não recuperados (n = 0) Triagem
2.1 Instrumentos de análise utilizados
Como a pesquisa bibliométrica abrange uma
variedade de estudos que tratam um determinado assunto dentro das fronteiras de
mais de um domínio do conhecimento, a pesquisa bibliométrica é a mais eficaz
para análises de citações, exploração da estrutura intelectual do domínio e
fornecimento de análises objetivas e subjetivas (Donthu, et al., 2021). Este
estudo emprega esta abordagem para obter informações gerais e, como resultado,
uma lista de itens analíticos foi criada usando o recurso Bibliometrix do R
Studio. O mapeamento temático foi usado para construir uma estrutura temática
após a revisão das perspectivas cronológicas e descritivas do campo (Cobo et
al., 2011).
A metodologia adotada baseou-se na construção de um mapa temático, no qual os temas são posicionados a partir de duas dimensões principais: densidade e centralidade, dispostas, respectivamente, nos eixos vertical e horizontal (Cobo et al., 2011). A densidade refere-se ao grau de desenvolvimento interno de um tema, indicando a força das conexões entre palavras-chave e a maturidade do campo, enquanto a centralidade expressa o nível de interação desse tema com os demais temas, refletindo sua importância na estrutura geral da área (Esfahani, Tavasoli; Jabbarzadeh, 2019). A partir dessa lógica, os quadrantes permitem identificar diferentes tipos de temas. O quadrante superior direito, com alta densidade e alta centralidade, reúne os chamados “temas motores”, que são bem desenvolvidos e altamente relevantes para o campo. O quadrante inferior esquerdo, caracterizado por baixa densidade e baixa centralidade, concentra temas emergentes ou em declínio, ainda pouco explorados na literatura. Já o quadrante superior esquerdo apresenta alta densidade e baixa centralidade, indicando temas bem desenvolvidos internamente, porém isolados ou com baixa conexão com outras áreas. Por fim, o quadrante inferior direito, com alta centralidade e baixa densidade, reúne temas básicos e transversais, que são importantes para o campo, mas ainda pouco desenvolvidos. Os agrupamentos de trabalhos analisados foram diretamente extraídos dos mapas temáticos, já posicionados em seus respectivos quadrantes.
Além disso, foi implementada a análise de
co-palavras, uma ferramenta capaz de identificar, descrever e apresentar
visualmente as interações entre palavras-chave em um campo científico. Esta
ferramenta permite avaliar a frequência com que duas palavras-chave são
visualizadas juntas. A rede de coocorrência e a nuvem de palavras também foram
usadas para apresentar a análise como agrupamentos de termos.
3 RESULTADOS
3.1
Caminhar da produção científica das temáticas
Em relação à produção
científica, considerando todo o período, nota-se, na Figura 2, que as
discussões sobre temas relacionados aumentaram significativamente desde a
primeira publicação identificada, em 1971, passando de 1 artigo para 43
publicações em 2023. É importante destacar que esse crescimento não ocorreu de
forma linear ou gradual ano a ano. Observa-se que, até 2015, o maior número de
publicações anuais havia sido de 8 artigos. A partir de 2016, entretanto,
observa-se uma inflexão na trajetória de crescimento da produção científica,
com 24 artigos publicados nesse ano. Assim, os resultados indicam que o tema
tem despertado interesse crescente na comunidade científica, evidenciado pelo
aumento expressivo do número de publicações nos anos mais recentes.
Figura 2 - Gráfico da
produção por ano
Foram analisados os
três autores mais prolíficos ao longo do período, com o objetivo de ampliar a
compreensão sobre os principais pesquisadores do campo. Assim, de acordo com os
resultados obtidos por meio do Biblioshiny, o autor com maior número de
publicações, totalizando 8 artigos, foi Xiaodong Zhang, da University of Texas
at Austin, cujas pesquisas concentram-se na área de gerenciamento de resíduos.
Em segundo lugar, com 5 trabalhos, está Mahmoud Nasr, da Alexandria University,
que desenvolve pesquisas nas áreas de engenharia ambiental, tratamento de águas
residuais, modelagem ambiental, poluição e gerenciamento de resíduos. Em
terceiro lugar, com 4 trabalhos, está Giorgio Bertanza, da University of
Brescia, com publicações nas áreas de águas residuais, resíduos, processos
biológicos, oxidação química e rastreamento de poluentes.
Além disso, foram
identificados os cinco artigos mais citados (Tabela 1). O artigo mais citado
apresenta uma estimativa de custos médicos, sendo o mais antigo entre os cinco
mais citados. O segundo artigo mais citado propõe um algoritmo dinâmico de
resposta à demanda de preços para gerenciamento de energia em um mercado
hierárquico de eletricidade que considera os custos do provedor de serviços e
clientes. O terceiro avalia o desempenho de diferentes técnicas de inteligência
artificial para otimizar o tamanho de um sistema híbrido, de modo a atender
continuamente à demanda de carga com o custo anual total mínimo. Por sua vez, o
quarto artigo mais citado apresenta uma proposta de modelo que visa melhorar a
decomposição existente, formulando e incorporando um método de reconstrução
orientado a características de dados com base na modelagem orientada a dados.
Por fim, o quinto mais citado traz um novo algoritmo metaheurístico chamado
Chaos Game Optimization que foi desenvolvido para resolver problemas de
otimização.
Tabela 1 - 5 trabalhos mais citados
|
Documento |
Título |
Citações |
|
|
LIN DY, 1997, BIOMETRICS |
Estimating Medical Costs
from Incomplete Follow-Up Data |
364 |
|
|
LU R, 2018, APPL ENERGY |
A Dynamic pricing demand
response algorithm for smart grid: Reinforcement
learning approach |
321 |
|
|
MALEKI A, 2014, INT J
HYDROG ENERGY |
Comparative study of
artificial intelligence techniques for sizing of a hydrogen-based stand-alone
photovoltaic/wind hybrid system |
179 |
|
|
YU L, 2015, APPL ENERGY |
A decomposition–ensemble
model with data-characteristic-driven reconstruction for crude oil price
forecasting |
159 |
|
|
TALATAHARI S, 2021, ARTIF
INTELL REV |
Chaos Game Optimization: a
novel metaheuristic algorithm |
152 |
|
Ademais, foi examinada
a rede de coocorrência de palavras (Figura 3), por fornecer uma visão geral dos
contextos, áreas e afins que foram mais pesquisados. A rede explicita, de forma
visual, os agrupamentos obtidos. Com base nessa análise, identificaram-se dois
grupos significativos de discussão.
Figura 3 - Co-ocorrência de palavras
Os assuntos agrupados
são evidenciados em dois clusters, representados pelas cores azul e vermelho. O
agrupamento vermelho, à esquerda, tem foco na análise de custo, porém caminha
com assuntos ligados ao lado humano; vê-se isso ao visualizar termos como “humans”,
“human” e “female”. Por outro lado, o agrupamento azul, à
direita, enfatiza os termos principais desta pesquisa, como “artificial
intelligence” e “cost analysis”, sendo então o cluster que concentra
os trabalhos principais focos deste estudo. Outros termos do cluster azul
mostram forte conexão com o lado de gestão, como “optimization”, “machine
learning” e “decision making”. Outro termo relevante foi “cost
benefit analysis”, que evidencia uma interface entre aspectos teóricos e
práticos, permitindo avaliar as vantagens e desvantagens de opções que possam
atender às transações, atividades ou requisitos funcionais de uma empresa ou
atividade.
De maneira
complementar, foi analisada a nuvem de palavras (Figura 4). Tem-se, portanto,
que os termos principais foram “artificial intelligence” e “cost
analysis”, evidenciando que os trabalhos, de fato, se conectam com os
assuntos foco do estudo, ressaltando a contribuição de análise dos trabalhos
obtidos. Dessa forma, verifica-se uma tendência da literatura em direcionar
suas investigações para a integração entre inteligência artificial e análise de
custos, reforçando a relevância dessa interface no contexto das pesquisas
recentes.
Figura 4 – Nuvem de palavras
3.2. Análise
temática dos trabalhos
Para realizar a análise
temática, utilizou-se o mapa
temático, uma das principais ferramentas visuais de análise (Cobo et al.,
2011), gerado diretamente no Biblioshiny. O mapa temático permite examinar a
produção e a colaboração dos temas ao longo do período de estudo. Na figura 5,
as concentrações das principais produções do período são representadas por
clusters (aglomerados).
Figura 5 - Mapa temático do período
Com base na análise do mapa temático, observa-se
que dois clusters concentram os
termos basilares deste trabalho: o azul e o roxo. O cluster azul encontra-se no
quadrante inferior esquerdo, isto é, no quadrante que evidencia trabalhos que
estão em declínio ou são emergentes, isto é, possuem baixa densidade e baixa
centralidade, ou seja, com baixa coesão entre os nós (densidade) e com baixo
grau de correlação entre diferentes tópicos (Esfahani et al., 2019). Ao
analisar os artigos desse cluster,
observou-se que a maioria dos trabalhos é recente, sendo 17 publicados nos
últimos cinco anos e apenas 12 em períodos anteriores. Esses resultados
reforçam o caráter emergente dos temas presentes nesse agrupamento.
Já o cluster roxo encontra-se quase
inteiramente no quadrante superior direito, correspondente aos temas motores, o
que indica que os trabalhos possuem alta densidade e alta centralidade,
demonstrando que concentram boa audiência em termos de impacto de citação e
alto grau de correlação entre tópicos diversos (Esfahani et al., 2019).
Entendendo que esses
dois clusters se conectam com os
temas foco desta revisão, foram selecionados os artigos que os compõem para uma
análise aprofundada do campo. Ao todo, 157 artigos compõem o cluster roxo e 29 artigos, o cluster azul. Portanto, considerando que
esse número é elevado para uma análise aprofundada de todos os estudos,
optou-se por analisar apenas os artigos que continham um dos dois termos
centrais ("artificial intelligence" ou "cost analysis") no
título. Assim, 32 artigos foram selecionados para a análise final. Desse modo,
procedeu-se à leitura integral desses estudos, considerando título, resumo e
conteúdo completo. Após essa etapa, verificou-se que, apesar de alguns
trabalhos apresentarem termos equivalentes, apenas 20 artigos efetivamente
abordavam a interface entre inteligência artificial e análise de custos e,
assim, foram selecionados para compor o quadro final. O conteúdo da análise
aprofundada encontra-se sintetizado no Quadro 1.
Quadro
1 - Análise aprofundada dos artigos
|
Artigo |
Métodos usados |
Contribuições |
Achados |
Como a inteligência artificial é usada na análise
de custos |
|
Benefit–Cost Analysis of
Maintenance Decision Support System (2009) |
·
Metodologia de análise de custo-benefício para
avaliação de MDSS de fundos agrupados. ·
Avaliação quantitativa dos benefícios e custos
associados ao MDSS. |
·
Desenvolveu metodologia de análise de
custo-benefício para o Sistema de Apoio à Decisão de Manutenção. ·
Identificou benefícios e custos tangíveis
associados à implementação do MDSS. ·
Mostrou que o MDSS reduz o uso de materiais,
atrasos e melhora a segurança. |
·
A análise custo-benefício mostra que a
implementação do MDSS traz mais benefícios do que custos. ·
O MDSS reduz o uso de materiais, atrasos, melhora
a segurança e economiza custos. ·
O MDSS oferece benefícios intangíveis, como
treinamento, práticas proativas e suporte de dados. |
·
A inteligência artificial auxilia na análise de
custos por meio de processamento de dados e previsões. ·
Ajuda na análise de benefícios e custos tangíveis
para a tomada de decisões. ·
A IA suporta a previsão das condições das estradas
e as decisões de manutenção de forma eficaz. |
|
Exploring the impact of
artificial intelligence: prediction versus judgment (2018) |
·
Explora os avanços do aprendizado de máquina e o
impacto na inteligência artificial. ·
Analisa o julgamento humano e a tecnologia de
previsão nos processos de tomada de decisão. |
·
O modelo explora os avanços da IA na produção de
tarefas e no desempenho homem-máquina. ·
Examina o impacto da tecnologia de previsão na
eficácia do julgamento humano. |
·
A previsão aprimorada da máquina impulsiona
avanços na inteligência artificial. ·
O julgamento melhora os resultados da tomada de
decisão distintos da previsão. ·
Os humanos podem ceder autoridade às máquinas
devido à capacidade limitada de julgamento. |
·
IA na análise de custos por meio da tecnologia de
previsão para melhorar a tomada de decisões. ·
Os avanços da IA aumentam a produtividade e a
produção de tarefas na análise de custos. |
|
The Economic Value and
Clinical Impact of Artificial Intelligence in Healthcare: A Scoping
Literature Review (2023) |
·
Revisão de escopo conduzida para analisar o
impacto da IA na economia da saúde. ·
Extração de dados usando o Excel para reunir
informações relevantes do artigo. |
·
O valor da IA na área da saúde a partir da
perspectiva de várias partes interessadas é destacado. ·
Analisa o impacto financeiro e de eficiência dos
aplicativos de IA em comparação com o atendimento padrão. |
·
A IA aumenta a eficiência clínica ao reduzir o
tempo de trabalho ou a jornada do paciente. ·
A IA tem potencial para melhorar os resultados de
saúde em vários níveis. ·
A IA supera a capacidade humana em termos de
pontualidade e integridade da prestação de cuidados. |
·
As plataformas de IA identificam membros de alto
risco, reduzem custos e fornecem suporte à decisão. ·
A IA automatiza os ajustes de pagamento do plano,
reduzindo a estimativa incorreta de pagamento. |
|
Synergism of Artificial
Intelligence and Techno-Economic for Sustainable Treatment of Methylene Blue
Dye-Containing Wastewater by Photocatalysis (2024) |
·
Neurônios alterados na camada oculta para melhorar
o desempenho de predição de ANN. ·
Usou o algoritmo de Levenberg-Marquardt
para treinar ANN de retropropagação de feed-forward. |
·
Concentre-se na otimização do processo de
degradação fotocatalítica para minimizar os custos de tratamento. ·
Criação de nanocompósito
inteligente de ZnO/MgO
para degradação do azul de metileno. |
·
Remoção otimizada de MB com fotocatalisador
de ZnO/MgO sob condições
específicas. ·
Custo de tratamento reduzido em 7% com otimização
baseada em ANN. ·
Correlações positivas com metas de desenvolvimento
sustentável e redução da poluição. |
·
A inteligência artificial otimiza os custos em
sistemas de degradação de corantes fotocatalíticos. ·
A IA prevê os custos do tratamento e melhora a
eficiência da remoção de forma econômica. ·
Os custos operacionais são analisados usando IA
para sustentabilidade e eficiência. |
|
Management and Policy
Modeling of the Market Using |
·
Algoritmo adaptativo de otimização do lobo
cinzento proposto para gerenciamento de mercado. ·
Combinação de máquina vetorial de suporte e teoria
de conjuntos difusos utilizada. |
·
Ideia de preço de mercado para um ambiente
competitivo que capacite os consumidores de eletricidade. |
·
O modelo proposto supera o SVR, o ANN e o modelo
cinza na precisão da previsão. ·
O MAPE ideal alcançado é 2,7453, melhor do que SVR
e ANN. ·
O envio de energia mais adequado foi obtido com um
custo total de 300,8632. |
·
A IA otimiza as funções de custo de forma eficaz
em cenários de gerenciamento de mercado. ·
Os modelos de IA preveem os preços de mercado com
precisão para análise de custos. ·
O SVR baseado em Fuzzy
aprimora as previsões de IA para uma análise precisa de custos. |
|
Preparation of nano zero‑valent
aluminum for one‑step removal of methylene blue from aqueous solutions:
cost analysis for scaling‑up and artificial intelligence (2023) |
·
XRD, TEM, SEM, EDS, FTIR para caracterização de
materiais. ·
Modelo de isoterma de Freundlich
para dados de adsorção. ·
Modelo de pseudo-segunda
ordem para análise de dados cinéticos. |
·
Fases de adsorção: líquido à superfície, filme
externo, difusão intrapartícula, locais internos. ·
Vantagens do nanomaterial: alta porosidade, baixo
custo, tamanho pequeno, aumento da área de superfície. |
·
O NZVal alcançou 99,0%
de remoção de MB em condições ideais. ·
O modelo de pseudo-segunda
ordem descreveu os dados cinéticos com precisão. ·
Adsorção de MB em NZVal
bem modelada usando rede neural artificial. ·
Aumentar a unidade de adsorção para remoção de MB
custa USD 1,31/m3. |
·
A rede neural artificial prevê a eficiência da
remoção de MB com base em 11 fatores. ·
ANN correlaciona a eficiência de remoção de MB com
fatores ambientais, atingindo R2 de 0,97. |
|
Virtual dynamic coupling
of computational fluid dynamics-building energy simulation-artificial
intelligence: Case study of urban neighbourhood
effect on buildings’ energy demand (2021) |
·
Acoplamento dinâmico virtual de BES, CFD e AI. ·
Comparação de ferramentas somente BES, acoplamento
BES-CFD e NN. ·
Opções de combinação de métodos de previsão para
CHTC local. |
·
Acoplando BES com CFD para incluir efeitos de
vizinhança na demanda de energia. ·
Desenvolvimento de uma estrutura dinâmica virtual
BES-CFD-AI para avaliações de energia. ·
Treinar ANN para prever cHTCs
locais e economizar tempo computacional. |
·
O acoplamento dinâmico virtual economiza 2/3 do
tempo computacional com as previsões de ANN. ·
O período efetivo de treinamento é de 10 dias para
ferramentas NN em simulações. ·
A estrutura proposta melhora as previsões locais
de CHTC usando IA para avaliações. |
·
A inteligência artificial prevê chTCs locais para economizar tempo computacional. ·
AI é treinada sobre resultados dinâmicos de acoplamento
BES-CFD. ·
Economiza 2/3 do tempo computacional em comparação
com a abordagem comum. |
|
Comparing Interpretation
of High-Resolution Aerial Imagery |
·
Analistas humanos comparados com o DNN baseado em Retinanet para detecção de micônia. ·
Análise linear de custos para DNN e buscas humanas
em velocidades variadas. |
·
Comparou analistas humanos com DNN para detecção
de micônia em imagens de UAS. ·
Analisou o impacto das características ópticas na
recuperação da detecção de micônias. |
·
A DNN alcançou 83% de recall, 1% do tempo dos
analistas humanos. ·
O DNN é mais econômico do que a busca humana por
grandes áreas. |
·
A inteligência artificial automatiza a análise de
imagens para detecção econômica de espécies invasoras. ·
A IA reduz o tempo e os recursos necessários para
interpretação de imagens e consequentemente os custos. ·
A análise de custos inclui custos fixos e
variáveis para a implementação da IA. ·
A análise de custos de IA considera despesas com
mão de obra, equipamento e processamento de imagens. |
|
A Three-Step Neural
Network Artificial Intelligence Modeling Approach for Time, Productivity and
Costs Prediction: A Case Study in Italian Forestry (2020) |
·
Operações motor-manuais, tratores agrícolas, skidders, guindastes de cabo, transportadores. ·
Redes neurais artificiais (ANNs)
para modelar crescimento e rendimento. ·
Abordagem em três etapas para estimativa de tempo,
produtividade e custo. |
·
Técnicas de gerenciamento ativo para operações
florestais para aumentar a produtividade e a eficiência. ·
Estudo comparativo de operações madeireiras
convencionais e inovadoras para apoio à tomada de decisões. |
·
Produtividade e custos analisados na silvicultura
italiana usando diferentes métodos de colheita. ·
Avaliou a produtividade total e a distância de
viagem em três locais de estudo. |
·
A IA prevê custos em operações florestais usando
redes neurais. ·
Os modelos de IA resolvem problemas multifacetados
com alta precisão. |
|
Life Cycle Cost Analysis
of Pumping System through Machine |
·
Abordagens baseadas em modelos e orientadas por
dados para previsão de sistemas. ·
Modelo híbrido SVM-HMM para previsão de falhas e
redução de custos. ·
HMM para análise de estado e algoritmos de ML para
detecção de falhas. ·
Aplicação do HMM para previsão de LCC e análise de
aprendizado de máquina. ·
HMM para identificação do estado em condições
saudáveis e defeituosas. |
·
Aplicação da metodologia LCC em bombas,
identificação de fatores de custo e operação ideal. ·
Introdução de algoritmos ideais de programação de
bombas para sistemas de distribuição de água. ·
Avaliação do modelo híbrido SVM-HMM para predição
de falhas em bombas. |
·
O SVM-HMM híbrido prevê falhas de forma eficaz,
reduzindo significativamente os custos de energia. ·
A análise de LCC com algoritmos de ML minimiza os
custos e melhora a eficiência energética. ·
O SVM classifica as falhas, o HMM identifica os
estados de falha exatos nas bombas. |
·
A IA otimiza a economia de energia e reduz as
despesas operacionais na análise de custos. ·
A IA permite reparos proativos e manutenção
preditiva, reduzindo os gastos com manutenção. ·
Os aplicativos de IA reduzem custos, melhoram a
eficiência energética e prolongam a vida útil. |
|
Research on construction
cost estimation based on artificial intelligence technology (2021) |
·
Modelo de rede neural Grey BP para estimativa de
custos de construção. ·
Modelo de rede de retropropagação com camadas de
entrada, ocultas e de saída. |
·
Inteligência de TI para desafios de projetos de
construção, importância da estimativa de custos. |
·
O modelo Grey BP prevê o custo do projeto com
2,33% de erro médio. ·
O modelo cinza BP oferece alta precisão e
estimativa rápida de custos. ·
O modelo cinza BP supera os modelos padrão BP e GM
(1,1). |
·
A IA otimiza modelos de estimativa de custos para
projetos de construção. ·
A IA identifica relações de padrões em dados de
licitações anteriores para estimativas precisas. ·
Métodos baseados em IA utilizam aprendizado de
máquina para precisão na estimativa de custos. ·
A IA aprimora a previsão do preço de licitação
usando SVM e modelos de regressão. ·
A IA melhora a estimativa de custos em serviços de
engenharia com a abordagem ANN. |
|
Artificial intelligence
for greywater treatment using electrocoagulation process (2015) |
·
Rede neural e sistema adaptativo de inferência neuro-fuzzy para simulação. |
·
Desenvolveu uma abordagem CE para remoção de
poluentes da água cinza. |
·
Desenvolveu uma abordagem CE para remoção de
poluentes da água cinza. ·
A remoção da turbidez aumentou com a maior
densidade de corrente no processo de eletrocoagulação. ·
A folga do eletrodo de 0,5-2,5 cm mostrou a
eliminação ideal da turbidez. |
·
A inteligência artificial prevê redução de custos
nos processos de tratamento de águas cinzas. ·
A IA simula a influência das variáveis na remoção
da turbidez para análise de custos. |
|
Regression model,
artificial intelligence, and cost estimation for phosphate adsorption using
encapsulated nanoscale zero-valent iron (2018) |
·
Estudos de isotermas de adsorção usando os modelos
de Langmuir e Freundlich. ·
Usou modelo de regressão e ANN para prever a
remoção de PO4 3−. ·
Rede neural artificial com uma estrutura 5-7-1
para predição. |
·
Investigou a adsorção de PO4 3− em ferro de
valente zero encapsulado em nanoescala. ·
Usou modelo de regressão, ANN e análise de
sensibilidade para prever a eficiência de remoção. ·
Estudos de equilíbrio determinado de PO4 3- usando
as isotermas de Langmuir e Freundlich. ·
Desenvolveu um modelo avançado de ANN para prever
a quantidade de fosfato adsorvido. |
·
Alcançou 42% de remoção de PO4 3− em condições
ideais. ·
Custo estimado da unidade de adsorção em $3,15
USD/m3. |
·
A rede neural artificial prevê a remoção de PO4 3
com 97,6% de precisão. ·
A IA identifica o pH como a entrada mais influente
na análise de custos. |
|
Cost Analysis of Proton
Exchange Membrane Fuel Cell Systems (2008) |
·
Varia a área do MEA alterando as células ou o
tamanho da membrana. ·
Modelo de custo analítico para equilibrar os
custos operacionais e de capital. |
·
Modelo de custo analítico para compensação de
projeto de sistema de célula de combustível PEM. ·
Exploração do custo do MEA, preço do hidrogênio e
fatores materiais. |
·
O modelo analítico equilibra os custos
operacionais e de capital para o projeto de células de combustível. ·
Fatores como o custo do MEA e o preço do
hidrogênio impactam o design ideal. ·
O TAC avalia projetos de células de combustível
com base na área MEA e no hidrogênio. ·
As tendências de tecnologia e preço afetam o
design ideal de células de combustível PEM. |
·
A inteligência artificial otimiza a análise de
custos por meio de insights baseados em dados. ·
A IA aprimora os modelos de custo analisando
fatores para um design ideal. |
|
Artificial intelligence
in supply chain and operations management: a multiple case study research
(2023) |
·
Metodologia de estudo de caso com entrevistas
semiestruturadas. ·
Algoritmos genéticos e ML para previsão e
planejamento de demanda. |
·
Aplicações de IA da vida real no OSCM, benefícios
e barreiras de implementação destacados. ·
Etapas metodológicas aplicadas rigorosamente na
concepção e análise do estudo de caso. |
·
A IA no OSCM reduz custos, prazos de entrega e
melhora os níveis de serviço. ·
Barreiras identificadas: qualidade dos dados,
falta de habilidades, altos investimentos. ·
As empresas enfrentam desafios em recursos
econômicos, tecnologias avançadas e habilidades. |
·
A IA na análise de custos reduz os prazos de
entrega e melhora os níveis de serviço. ·
A IA garante a qualidade dos dados e identifica
barreiras na análise de custos. ·
A falta de clareza sobre os benefícios econômicos
é uma barreira na análise de custos. |
|
Artificial intelligence
achieves easy-to-adapt nonlinear global temperature reconstructions using
minimal local data (2023) |
·
Modelos LSTM, GRU, CNN analisados para reconstrução
climática. ·
Treinamento com dados de 20CRv3, MPI-GE e pseudo-estação. ·
Abordagem do vizinho mais próximo para extrair
dados de temperatura da grade. |
·
Método de reconstrução climática não linear usando
rede neural recorrente para temperaturas globais. ·
Impacto da seleção de dados de treinamento na
qualidade da reconstrução e na discrição do usuário. ·
Avaliação usando dados pseudo-proxy
médios de conjunto e reanálise do último milênio. ·
Comparação de desempenho com métodos estabelecidos
usando coeficientes de correlação de Pearson. |
·
O método baseado em aprendizado de máquina para
reconstruções climáticas usando RNN se mostra promissor. ·
Os conjuntos de dados de treinamento afetam os
vieses de temperatura em campos reconstruídos. |
·
IA usada para reconstruções climáticas com dados
locais mínimos. ·
Modelos de IA como RNN, LSTM, GRU, CNN usados para
reconstruções. ·
Modelos avaliados com base no MSE e nas métricas
de correlação de desempenho. |
|
Risk stratification of
outpatient management in acute venous thromboembolism (2022) |
·
Estratificação de risco com os critérios de Hestia. ·
Combinando escores clínicos e biomarcadores
cardíacos para prognóstico. ·
Avaliação dos motivos da hospitalização com base
nos critérios de Hestia. |
·
A razão RVLV 1 não prediz resultados ruins em
pacientes ambulatoriais. ·
Comparação das readmissões relacionadas à EP entre
pacientes tratados em casa e no hospital. ·
Avaliação dos custos farmacêuticos entre
tratamentos hospitalares e ambulatoriais. |
·
A razão RVLV por si só não prediz resultados ruins
no tratamento ambulatorial. ·
Não há diferenças significativas nos custos
farmacêuticos entre tratamentos domiciliares e hospitalares. |
·
IA usada na análise de custos para tratamento
domiciliar da embolia pulmonar. ·
A IA avalia o impacto econômico e a economia de
custos associados ao tratamento domiciliar. |
|
Environmental
sustainability: A machine learning approach for cost analysis in plastic
recycling classification (2023) |
·
Utilização de espectroscopias de infravermelho com
transformada de Fourier (FTIR) e infravermelho próximo (NIR). ·
Teste de sete algoritmos de aprendizado de máquina
em quatro conjuntos de dados para classificar cinco tipos de plásticos:
Polietileno (PE), Polipropileno (PP), Tereftalato de Polietileno (PET),
Poliestireno (PS) e Cloreto de Polivinila (PVC). |
·
Proposta de uma estrutura econômica para o
controle de qualidade na classificação de plásticos. ·
Desenvolvimento de um método para selecionar
algoritmos com base na classe de rendimento do polímero e nas vantagens
econômicas. |
·
A inteligência artificial (IA) pode melhorar a
eficiência e a lucratividade da triagem de plásticos reciclados em comparação
com a triagem manual. ·
Espectroscopias de infravermelho (FTIR e NIR)
combinadas com algoritmos de aprendizado de máquina são eficazes na
classificação de vários tipos de plásticos. ·
A estrutura econômica sugerida no artigo propõe
métodos para selecionar algoritmos de acordo com o rendimento do polímero,
maximizando as vantagens econômicas e melhorando a viabilidade da reciclagem. |
·
A inteligência artificial impacta a análise de
custo na reciclagem de plásticos ao automatizar a triagem de materiais,
substituindo a triagem manual que é menos eficiente e economicamente viável. ·
O uso de espectros infravermelhos e algoritmos de
aprendizado de máquina permite a classificação precisa de diferentes tipos de
polímeros, otimizando o processo de reciclagem e reduzindo custos. |
|
Analysis and prediction
of industrial energy consumption behavior based on big data and artificial
intelligence (2023) |
·
Análise de cluster com base em diferentes
dimensões, como diferença de usuário e flutuação de carga. ·
Rede neural LSTM para desenvolvimento de modelo de
previsão de carga de energia. |
·
Analisou o comportamento do consumo de energia
industrial no parque industrial de Xangai. ·
Modelo de previsão de carga desenvolvido com base
na rede neural LSTM. |
·
Modelo de previsão de carga desenvolvido com base
na rede neural LSTM para empresas industriais. ·
Temperatura ambiente de acoplamento para maior
precisão na previsão de carga. ·
Identificou as características de consumo de
energia do usuário com base na análise de cluster. |
·
IA usada na análise de custos para previsão do
comportamento do consumo de energia industrial. ·
IA empregada no desenvolvimento de modelos de
previsão de carga baseados na rede neural LSTM. |
|
Life cycle assessment and
cost analysis of an innovative automatic system for sorting municipal solid
waste: A case study at Milan Malpensa airport (2024) |
·
Uma lixeira automática foi instalada em áreas
públicas do Aeroporto de Milão Malpensa para
separar os resíduos entre papel, plástico, vidro e alumínio, e resíduos
residuais. ·
Os desempenhos ambientais (por meio da avaliação
do ciclo de vida) e econômico do sistema foram comparados aos de um sistema
no qual a triagem é realizada pela lixeira automática. |
·
Demonstra como a inteligência artificial e
tecnologias inteligentes podem ser integradas na gestão de resíduos desde o
início da cadeia de reciclagem, melhorando significativamente a eficiência e
a precisão da separação de materiais. |
·
A coleta separada mostra uma precisão de
classificação de 62%. ·
Com foco no LCA, S0 causa uma carga adicional de
12,4 mPt (milipontos) por
tonelada de resíduos. ·
Em contraste, S0R mostra um benefício (−26,4
mPt/t) e S1 permite um aumento adicional de 33% nos
benefícios. ·
Além disso, a análise de custos indica economias
potenciais de 24,3 €/t em S1, quando comparado a S0. |
·
A inteligência artificial contribui para a análise
de custos ao melhorar a eficiência da triagem de resíduos, influenciando
diretamente os resultados econômicos e ambientais das estratégias de gestão
de resíduos. |
A análise dos estudos apresentados no Quadro
1 permite avançar da descrição das aplicações da inteligência artificial (IA)
para uma interpretação mais profunda de seus mecanismos de atuação na análise
de custos. Em termos gerais, os trabalhos convergem ao indicar que a IA exerce
impacto relevante na redução de custos, no aumento da eficiência e na melhoria
da tomada de decisão. Entretanto, essa influência não ocorre de maneira direta
e homogênea, mas por meio de diferentes mecanismos intermediários, que variam
conforme o contexto de aplicação, o tipo de tecnologia empregada e a natureza
do sistema analisado.
A partir da comparação entre os estudos, é
possível identificar três dimensões analíticas principais que estruturam o uso
da IA na análise de custos: (i) IA como mecanismo de predição, (ii) IA como instrumento de otimização de processos e (iii) IA como suporte à decisão. Essas dimensões não são
mutuamente excludentes, mas representam ênfases distintas observadas na
literatura.
A primeira dimensão, relacionada à IA como
mecanismo de predição, é predominante em estudos que utilizam modelos como
redes neurais artificiais (ANN), máquinas de vetor de suporte (SVM), redes
neurais recorrentes (RNN) e modelos LSTM. Nesses casos, a IA é empregada para
reduzir incertezas associadas a variáveis críticas, como consumo de energia,
custos de construção, produtividade operacional e eficiência de processos
físico-químicos. Observa-se, por exemplo, que estudos nas áreas de energia e
construção enfatizam a redução de erros de previsão (como MSE e MAPE), enquanto
pesquisas nos setores ambiental e industrial destacam a melhoria na estimativa
de custos unitários e na eficiência de processos. Essa diferença evidencia que,
embora o mecanismo subjacente seja o mesmo (a predição), os resultados são
operacionalizados de formas distintas conforme o setor. De modo geral, a
literatura sugere que a capacidade preditiva da IA não reduz custos
diretamente, mas atua como um mecanismo mediador, ao fornecer informações mais
precisas que subsidiam decisões mais eficientes.
A segunda dimensão refere-se ao uso da IA
como instrumento de otimização e eficiência operacional. Nessa categoria, a IA
está integrada aos próprios sistemas produtivos, influenciando diretamente o
desempenho operacional e, consequentemente, os custos. Estudos sobre gestão de
resíduos, sistemas de bombeamento, mercados de energia e processos químicos
demonstram que a IA pode reduzir custos operacionais por meio da otimização do
uso de recursos, da melhoria da eficiência energética e da redução do tempo de
processamento. Diferentemente da dimensão preditiva, na qual a IA atua de forma
indireta, nessa dimensão ela exerce um papel mais estrutural, modificando o
funcionamento do sistema. A comparação entre os estudos revela que, em sistemas
físicos e energéticos, o foco está na eficiência energética e na redução do
consumo, enquanto, em sistemas ambientais, a ênfase recai sobre a redução de
custos por unidade tratada. Já em sistemas computacionais, destaca-se a
economia de tempo e de recursos computacionais. Essa heterogeneidade reforça
que a contribuição da IA depende do tipo de processo em que está inserida, mas
converge para um resultado comum: a otimização de custos por meio da melhoria
da eficiência operacional.
A terceira dimensão envolve a IA como
suporte à decisão e, em alguns casos, como substituta parcial da ação humana.
Estudos sobre sistemas de apoio à decisão para manutenção, aplicações em saúde,
cadeias de suprimentos e análise de imagens demonstram que a IA melhora a
qualidade, a velocidade e a consistência das decisões. A literatura também
aponta uma tensão importante entre o julgamento humano e a previsão
algorítmica, indicando que, em determinados contextos, a superioridade da IA em
termos de precisão e escala leva à delegação de decisões às máquinas.
Comparativamente, estudos mais teóricos enfatizam os limites do julgamento
humano, enquanto estudos empíricos demonstram ganhos concretos em eficiência e
redução de custos decorrentes da automação e da padronização de processos
decisórios. Assim, a IA pode atuar tanto como ferramenta de apoio quanto como
substituta em atividades específicas, especialmente aquelas intensivas em
dados.
A análise integrada dessas três dimensões
permite identificar um padrão fundamental: a IA raramente impacta os custos de
forma direta. Em vez disso, sua influência ocorre predominantemente por meio de
variáveis mediadoras, como aumento da precisão preditiva, melhoria da
eficiência operacional, automação de processos e aprimoramento da qualidade das
decisões. Esse achado representa um avanço analítico em relação à abordagem
descritiva, ao evidenciar que a IA atua como um fator capacitador
(enabler),
cuja efetividade depende da forma como esses mecanismos intermediários são
ativados.
Além disso, a literatura revela a presença
de variáveis moderadoras que condicionam a magnitude e a direção dos efeitos da
IA na análise de custos. Entre elas, destacam-se a qualidade dos dados, a
complexidade dos sistemas analisados, a escalabilidade das soluções e a
capacidade organizacional de implementação e uso das tecnologias. A qualidade
dos dados, por exemplo, aparece de forma recorrente como um fator crítico, uma
vez que modelos de IA dependem de dados consistentes e representativos para
gerar resultados confiáveis. Da mesma forma, desafios relacionados à interpretabilidade dos modelos, à integração com sistemas
existentes e à necessidade de atualização contínua indicam que os benefícios da
IA não são automáticos, mas dependem de condições contextuais específicas.
Com base nessas evidências, propõe-se um
framework teórico no qual a IA influencia a análise de custos por meio de um
processo estruturado em quatro níveis: (i) insumos, que incluem a adoção de
tecnologias de IA, o tipo de algoritmo utilizado e a disponibilidade de dados;
(ii) mecanismos mediadores, como predição, automação,
otimização e suporte à decisão; (iii) resultados,
expressos em redução de custos, aumento de eficiência e melhoria de desempenho;
e (iv) fatores moderadores, que condicionam a
efetividade do processo. Esse framework permite compreender a IA não apenas
como uma ferramenta tecnológica, mas como um elemento inserido em sistemas
socioeconômicos complexos, cujo impacto depende da interação entre tecnologia,
dados e contexto organizacional.
Dessa forma, ao transformar os resultados
empíricos em dimensões analíticas e categorias teóricas, esta análise contribui
para uma compreensão mais estruturada e explicativa do papel da inteligência
artificial na análise de custos, superando abordagens meramente descritivas e
oferecendo uma base conceitual para o desenvolvimento de pesquisas futuras.
Com base na análise comparativa dos estudos,
torna-se possível sintetizar o uso da inteligência artificial na análise de
custos em dimensões analíticas que refletem diferentes funções desempenhadas
pela tecnologia nos sistemas econômicos e produtivos (Quadro 2). Essas
dimensões não apenas organizam a literatura existente, mas também evidenciam
que os impactos da IA variam conforme o tipo de aplicação predominante. Nesse
sentido, o Quadro 2 apresenta uma tipologia que distingue os principais papéis desempenhados
pela IA, predição, otimização e suporte à decisão, bem como suas respectivas
implicações sobre os custos.
Quadro 2 – Dimensões analíticas do uso da IA na análise de custos
|
Dimensão |
Características |
Função da IA |
Tipo de impacto nos
custos |
|
Predição |
Uso de modelos como
ANN, LSTM, SVM |
Redução de incerteza |
Indireto |
|
Otimização |
Integração com
sistemas produtivos |
Eficiência operacional |
Direto |
|
Suporte à decisão |
Apoio ou substituição
do julgamento humano |
Melhoria decisória |
Direto e indireto |
Prosseguindo, com base da
identificação de padrões recorrentes nos estudos analisados, é possível
estruturar o fenômeno investigado em termos de variáveis teóricas, permitindo
avançar de uma análise descritiva para uma abordagem explicativa (Quadro 3).
Essa sistematização evidencia não apenas quais fatores estão associados ao uso
da IA, mas também como esses fatores se relacionam para produzir resultados
econômicos. O Quadro 3 consolida essas evidências ao categorizar as variáveis
em independentes, dependentes, mediadoras e moderadoras, destacando o papel
central dos mecanismos intermediários na relação entre IA e redução de custos.
Quadro 3 – Variáveis teóricas identificadas
nos estudos
|
Tipo de variável |
Variáveis |
|
Independentes |
Uso de IA; tipo de
algoritmo; integração tecnológica; disponibilidade de dados |
|
Dependentes |
Custos operacionais;
custo total; eficiência energética; produtividade; tempo |
|
Mediadoras |
Precisão preditiva;
automação; eficiência de processos; qualidade da decisão |
|
Moderadoras |
Qualidade dos dados;
escalabilidade; complexidade; capacidade organizacional |
Por fim, propõe-se um
framework teórico (Quadro 4). A literatura recente sobre inteligência
artificial e análise de custos indica que abordagens simplificadas, baseadas em
relações diretas entre adoção tecnológica e redução de custos, são
insuficientes para explicar os mecanismos observados empiricamente. Estudos de alto
impacto demonstram que o valor econômico da IA emerge de forma sistêmica,
envolvendo a interação entre capacidades organizacionais, estruturas de decisão
e eficiência produtiva. Em particular, a literatura baseada na Visão Baseada em
Recursos (RBV) destaca que a IA só gera valor quando integrada a capacidades
complementares, enquanto abordagens econômicas enfatizam que a eficiência de
custos depende da relação entre desempenho e recursos empregados.
Adicionalmente, modelos contemporâneos de avaliação de IA indicam que seu
principal efeito está na redução da incerteza, na melhoria da qualidade
decisória e na otimização de processos. Nesse contexto, propõe-se um framework
teórico multinível que integra essas perspectivas, estruturando o papel da IA
na análise de custos a partir de três camadas interdependentes, capacidade,
mecanismos e resultados, mediadas por processos econômicos e condicionadas por
fatores contextuais.
Quadro 4 - Framework multinível da IA na
Análise de Custos
|
Nível teórico |
Elementos |
Fundamentação teórica |
Função no modelo |
|
1. Capacidade (AI Capability Layer) |
Dados, infraestrutura,
algoritmos, capital humano |
Resource-Based View
(RBV) |
Determina a capacidade
de gerar valor com IA |
|
2. Mecanismos
cognitivo-operacionais |
Predição, automação,
otimização, suporte à decisão |
Teoria da informação +
decisão |
Redução de incerteza e
melhoria de processos |
|
3. Transformação
econômica (process layer) |
Eficiência técnica,
alocação de recursos, redução de variância |
Teoria da produção /
eficiência |
Converte capacidade em
desempenho econômico |
|
4. Resultados
(outputs) |
Redução de custos,
produtividade, desempenho |
Economia aplicada |
Resultado observável |
|
5. Moderadores
contextuais |
Qualidade dos dados,
complexidade, escala, governança |
Teoria contingencial |
Condicionam intensidade
dos efeitos |
4 AGENDA DE PESQUISA
Com base nas informações apresentadas na
análise dos artigos e nas evidências sistematizadas nos quadros analíticos,
especialmente no que se refere às dimensões de predição, otimização e suporte à
decisão, bem como às variáveis mediadoras (como precisão preditiva, automação e
eficiência) e moderadoras (como qualidade dos dados e capacidade
organizacional), propõe-se uma agenda de pesquisa sobre o uso da inteligência
artificial na análise de custos. Diferentemente de abordagens genéricas, a
presente agenda deriva diretamente dos achados da revisão, que indicam que o
impacto da IA ocorre de forma indireta, sendo condicionado por mecanismos e
fatores contextuais específicos. Assim, propõe-se a agenda de pesquisa a seguir.
4.1. Interpretabilidade
e consequências do uso
Desenvolver métodos e ferramentas para
tornar os modelos de IA mais interpretáveis e
transparentes, permitindo que os usuários compreendam como as decisões são
tomadas e identifiquem possíveis vieses ou falhas nos algoritmos. Além disso,
investigar as possíveis consequências, inclusive as não intencionais,
decorrentes do uso desses sistemas constitui uma perspectiva relevante para
pesquisas futuras. Essa linha de investigação conecta-se diretamente aos
achados da revisão que evidenciam a qualidade da decisão como variável
mediadora central entre o uso da IA e os resultados de custo, especialmente nos
estudos que tratam a IA como suporte à decisão. Ademais, a interpretabilidade
pode ser compreendida como um fator moderador, na medida em que influencia a
confiança, a adoção e o uso efetivo dos sistemas, impactando indiretamente os
resultados econômicos. Jinad, Islam
e Shashidhar (2024) sugerem que trabalhos futuros
podem integrar técnicas adicionais de IA em modelos de aprendizado de máquina
para classificação de fragmentos de arquivos para melhorar a interpretabilidade. Além disso, esses autores destacam que
investigar o impacto de diferentes conjuntos de recursos e arquiteturas de
modelos na interpretabilidade pode contribuir para
novos avanços na área. Jiao, Zhang e D’souza (2023), por sua vez, incentivam pesquisas futuras a
incluírem perspectivas mais diversas na concepção e avaliação de produtos de IA
de última geração, juntamente com considerações sobre as consequências não
intencionais e a necessidade de monitoramento contínuo. Nesse sentido,
pesquisas futuras podem avançar ao investigar como a interpretabilidade
influencia os mecanismos mediadores (como qualidade da decisão e automação) e,
consequentemente, os resultados de custo, bem como ao explorar suas interações
com outras variáveis contextuais identificadas na revisão.
4.2. Ética e viés na análise de custos
Investigar formas de garantir a ética e a
imparcialidade nas análises de custos baseadas em IA, incluindo a identificação
e a mitigação de vieses nos dados, algoritmos e decisões resultantes. Essa
agenda se ancora diretamente nos resultados da revisão que apontam a qualidade
dos dados como um dos principais fatores moderadores da eficácia da IA,
influenciando tanto a precisão preditiva quanto a eficiência dos modelos. Além
disso, questões de viés e ética impactam diretamente os mecanismos mediadores,
uma vez que dados enviesados podem comprometer a qualidade das previsões e
decisões, afetando os resultados econômicos. Sobre este ponto, Ferrara (2023) argumenta
que é necessário, por exemplo, diversificar as equipes envolvidas no
desenvolvimento e avaliação da IA, pois isso proporciona uma multiplicidade de
perspectivas que podem melhor identificar e corrigir vieses. Liang, Le, Ham, Mantha, Cheng e Lin (2024) destacam que futuras aplicações de inteligência
artificial devem ser treinadas não apenas para competências de automação, mas
também para aspectos relacionados aos regulamentos de segurança, pois, embora
níveis mais elevados de automação possam ser teoricamente possíveis para a
tomada de decisões, permanece necessária uma intervenção humana robusta. Dessa
forma, pesquisas futuras podem explorar como fatores éticos e vieses atuam como
variáveis moderadoras críticas, condicionando a relação entre o uso da IA
(variável independente) e os resultados de custo (variáveis dependentes),
especialmente em contextos nos quais a IA substitui ou complementa o julgamento
humano.
4.3. Uso da IA na
otimização da gestão da cadeia de suprimentos
Investigar estratégias para a manutenção
contínua e a atualização de modelos de IA na análise de custos, considerando a
adaptação a novos dados da gestão da cadeia de suprimentos, a evolução dos
requisitos do negócio e a garantia da relevância e precisão ao longo do tempo.
Essa linha de pesquisa está diretamente relacionada aos achados da revisão que
destacam a IA como mecanismo de otimização e eficiência operacional,
especialmente em contextos produtivos e logísticos, nos quais a redução de
custos ocorre por meio da melhoria da alocação de recursos e da automação de
processos. Além disso, a necessidade de atualização contínua dos modelos
conecta-se à dimensão de capacidade organizacional (AI capability) identificada no framework
teórico, evidenciando que a geração de valor depende da integração entre
tecnologia, dados e competências organizacionais. Nesse sentido, a cadeia de
suprimentos representa um contexto particularmente relevante, pois envolve
sistemas dinâmicos e interdependentes, nos quais os efeitos da IA são
condicionados por fatores como qualidade dos dados, integração de sistemas e
capacidade de adaptação. Cannas, Ciano, Saltalamacchia e Secchi (2024),
por exemplo, citam que estudos futuros podem explorar ainda mais a utilização
da IA em processos de devolução, e que também podem inspirar-se nos
desenvolvimentos recentes da Association for Supply Chain Management, a qual amplia a visão de
processos dada pelo SCOR com uma visão baseada em Capacidades Digitais, sintetizada
no Modelo de Capacidades Digitais. Assim, pesquisas futuras podem investigar
como a integração da IA com processos da cadeia de suprimentos potencializa os
mecanismos mediadores (como eficiência e automação) e como fatores moderadores
(como qualidade dos dados e capacidade organizacional) influenciam a
sustentabilidade dos ganhos de custo ao longo do tempo.
Essa agenda de pesquisa contribui para o
avanço do conhecimento ao articular explicitamente os temas investigados com os
elementos analíticos identificados na revisão, especialmente no que se refere
às relações entre variáveis independentes (uso da IA), mediadoras (predição,
automação, eficiência), moderadoras (qualidade dos dados, interpretabilidade,
capacidade organizacional) e dependentes (custos e desempenho). Ao fazê-lo,
supera abordagens genéricas e propõe caminhos mais estruturados para o
desenvolvimento de pesquisas futuras, alinhados ao framework teórico proposto,
bem como às lacunas empíricas identificadas nos estudos analisados.
5 CONCLUSÃO
Como conclusão,
depreende-se que a IA desempenha um papel crucial na otimização de processos,
na redução de custos e na melhoria da eficiência em diversas áreas da análise
de custos. As aplicações da IA abrangem desde a gestão de resíduos e a previsão
de consumo de energia, até a análise de custo-benefício e a manutenção de
sistemas, demonstrando a versatilidade e o potencial dessa tecnologia para
impulsionar a inovação e a sustentabilidade em diferentes setores.
Do ponto de vista
teórico, as implicações da inteligência artificial na análise de custos
destacam a importância do uso de modelos baseados em aprendizado de máquina,
redes neurais e algoritmos avançados para aprimorar a precisão e a rapidez das
estimativas de custos. Além disso, a IA permite identificar padrões em dados
históricos, melhorar a tomada de decisões e prever comportamentos complexos,
contribuindo para uma análise mais abrangente e eficaz dos custos em projetos e
processos diversos, bem como ampliando a compreensão dos mecanismos pelos quais
essa tecnologia influencia os resultados econômicos e organizacionais.
Na prática, a
implementação da inteligência artificial na análise de custos traz benefícios
tangíveis, como a redução de desperdícios, a economia de recursos, a melhoria
da eficiência operacional e a tomada de decisões mais embasadas. Ao integrar a
IA em sistemas de gestão, manutenção e planejamento, as organizações podem
alcançar resultados significativos em termos de economia de custos,
sustentabilidade e competitividade no mercado. Em suma, a inteligência
artificial se mostra não apenas como uma ferramenta poderosa para a análise de
custos, mas também como um catalisador para a inovação e o progresso em
diversos setores da economia.
As implicações para a
área da gestão e da tecnologia são significativas. Além dos benefícios
operacionais identificados, a integração da inteligência artificial na análise
de custos favorece uma gestão financeira mais precisa, permitindo uma visão
mais abrangente dos custos e benefícios associados a diferentes decisões. Além
disso, a utilização de métodos de análise de custos baseados em inteligência
artificial pode contribuir para a competitividade das empresas no mercado, ao
possibilitar a identificação de oportunidades de otimização e aprimoramento dos
processos internos. A transparência e a interpretabilidade dos modelos de IA
também são aspectos importantes a serem considerados, pois permitem que os
gestores compreendam como as decisões são tomadas e identifiquem possíveis
vieses ou falhas nos algoritmos.
Adicionalmente, este
estudo contribui ao evidenciar que a incorporação da inteligência artificial na
análise de custos demanda não apenas avanços tecnológicos, mas também
capacidades organizacionais, competências gerenciais e alinhamento estratégico.
Os resultados da revisão permitiram, ainda, propor um framework teórico
integrador e uma agenda de pesquisa fundamentada nas lacunas identificadas na
literatura, oferecendo subsídios para o desenvolvimento de novas investigações
e para o aprimoramento das práticas organizacionais. Nesse sentido, a
articulação entre gestão, tecnologia e tomada de decisão reforça o caráter
interdisciplinar do tema e amplia o debate na área da Administração, Logística
e afins, especialmente no que se refere à transformação digital, à governança
dos dados e ao uso responsável da IA. Assim, a pesquisa reforça a relevância de
abordagens integradas que considerem simultaneamente aspectos técnicos,
organizacionais e estratégicos, contribuindo para o amadurecimento do campo e
para o desenvolvimento de práticas gerenciais mais robustas e sustentáveis.
Portanto, a adoção de
tecnologias de inteligência artificial na análise de custos pode representar
uma oportunidade para as organizações aprimorarem sua gestão financeira, tornando-as
mais eficientes, competitivas e preparadas para enfrentar os desafios do
mercado atual. Este estudo possui limitações inerentes ao
recorte metodológico adotado, uma vez que a revisão considerou apenas artigos
científicos indexados nas bases Web of Science e Scopus, excluindo outras
fontes relevantes, como livros, artigos de congressos e literatura cinzenta.
Declaração de financiamento: O
presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de
Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001.
REFERÊNCIAS
ADEYERI, T.
B. Automating accounting processes: How AI is streamlining financial
reporting. Journal of Artificial Intelligence Research, v. 4, n. 1,
p. 72-90, 2024.
AGRAWAL,
Ajay; GANS, Joshua S.; GOLDFARB, Avi. Exploring the impact of artificial
intelligence: Prediction versus judgment. Information Economics and
Policy, v. 47, p. 1-6, 2019.
ALOTAIBI,
Mshari A. et al. Optimization and cost analysis evaluation studies of the
biodiesel production from waste cooking oil using Na–Si/Ce-500 heterogeneous
catalyst. Biomass and Bioenergy, v. 182, p. 107078, 2024.
ALVARADO-PÉREZ,
Juan C.; PELUFFO-ORDÓÑEZ, Diego H. Artificial and natural intelligence
integration. In: Distributed Computing
and Artificial Intelligence, 12th International Conference. Cham: Springer
International Publishing, 2015. p. 167-173.
ASIF, Tajammal et al. The impact of artificial
intelligence on financial forecasting. Bulletin of Management Review,
v. 2, n. 2, p. 646-667, 2025.
BLESSING,
Alex Chinaza; IFEANYI, Ogunjiofor
Emmanuel. Cost estimation and analysis for better project budgeting. Journal of Engineering Research and Reports,
v. 27, n. 7, p. 418-426, 2025.
CANNAS,
Violetta Giada et al. Artificial intelligence in supply chain and operations
management: a multiple case study research. International Journal of
Production Research, v. 62, n. 9, p. 3333-3360, 2024.
CARRERA,
Berny et al. Environmental sustainability: A machine learning approach for cost
analysis in plastic recycling classification. Resources, Conservation
and Recycling, v. 197, p. 107095, 2023.
COBO, Manuel J. et al. Science mapping software tools: Review, analysis, and cooperative study
among tools. Journal of the American
Society for Information Science and Technology, v. 62, n. 7, p. 1382-1402,
2011.
DE KEIJZER,
Ilonka N.; VISTISEN, Simon T.; SCHEEREN, Thomas W. L. Artificial Intelligence
and Predictive Analytics. In: Advanced Hemodynamic Monitoring: Basics and
New Horizons. Cham: Springer International Publishing, 2021. p. 287-293.
DE LIMA, Orlem Pinheiro et al. A inteligência de negócios
como ferramenta estratégica para a tomada de decisão: uma abordagem
teórico-empírica sobre business intelligence. Interference: A Journal of Audio
Culture, v. 11, n. 2, p. 3697-3731, 2025.
DEL BARRIO-GARCIA, Salvador; PRADOS-PEÑA, Ma
Belén. Do brand
authenticity and brand credibility facilitate brand equity? The case of
heritage destination brand extension. Journal of Destination Marketing
& Management, v. 13, p. 10-23, 2019.
DONTHU,
Naveen et al. How to conduct a bibliometric analysis: An overview and
guidelines. Journal of Business Research, v. 133, p. 285-296, 2021.
DUTTA, Nabanita et al. Life cycle cost
analysis of pumping system through machine learning and hidden Markov model. Processes, v. 11, n. 7, p. 2157, 2023.
ESFAHANI,
Hossein; TAVASOLI, Keyvan; JABBARZADEH, Armin. Big data and social media: A scientometrics analysis. International Journal of
Data and Network Science, v. 3, n. 3, p. 145-164, 2019.
FAN, Qunpeng. Management and policy modeling of the market using
artificial intelligence. Sustainability,
v. 14, n. 14, p. 8503, 2022.
FERRARA,
Emilio. Fairness and bias in artificial intelligence: A brief survey of
sources, impacts, and mitigation strategies. Sci, v. 6, n. 1, p. 3,
2023.
GUSC,
Joanna et al. The big data, artificial intelligence, and blockchain in true
cost accounting for energy transition in Europe. Energies, v. 15,
n. 3, p. 1089, 2022.
HANSEN,
Stephen C. Cost analysis, cost reduction and competition. Journal of Management Accounting Research, v. 10, p. 181-203, 1998.
HASAN,
Ahmed Rizvan. Artificial Intelligence (AI) in accounting & auditing: A
Literature review. Open Journal of Business and Management, v. 10,
n. 1, p. 440-465, 2021.
HENDRIKS,
S. V. Risk stratification of outpatient
management in acute venous thromboembolism. 2022. Tese
(Doutorado) – Leiden University, Leiden, 2022.
HUNG, Ai‐Jen et al. Cost analysis of proton exchange membrane fuel cell systems. AIChE Journal, v. 54, n. 7, p. 1798-1810, 2008.
JIAO, Weiqi; ZHANG, Xuan; D’SOUZA,
Fabian. The economic value and clinical impact of artificial intelligence in
healthcare: a scoping literature review. IEEE Access, v. 11, p.
123445-123457, 2023.
JINAD, Razaq; ISLAM, A. B. M.;
SHASHIDHAR, Narasimha. Interpretability and transparency of machine learning in file fragment
analysis with explainable artificial intelligence. Electronics, v. 13, n. 13, p. 2438, 2024.
KOBETS,
Vitaliy; KOZLOVSKYI, Kyrylo. Application of chat bots for personalized
financial advice. Herald of Advanced Information Technology, v. 5,
p. 229-242, 2022.
LIANG,
Ci-Jyun et al. Ethics of artificial intelligence and robotics in the
architecture, engineering, and construction industry. Automation in
Construction, v. 162, p. 105369, 2024.
MAHMOUD,
Ahmed S.; MOSTAFA, Mohamed K.; NASR, Mahmoud. Regression model, artificial
intelligence, and cost estimation for phosphate adsorption using encapsulated
nanoscale zero-valent iron. Separation Science and Technology, v.
54, n. 1, p. 13-26, 2019.
MANEA, Alessandro; DOLCI, Giovanni; GROSSO, Mario. Life cycle assessment and cost analysis of an
innovative automatic system for sorting municipal solid waste: A case study at
Milan Malpensa Airport. Waste Management,
v. 183, p. 63-73, 2024.
MANSOOR,
Ibrahim; DAR, Farhan Javed. Utilizing data analytics and business intelligence
tools in laboratory workflow. EJIFCC,
v. 35, n. 1, p. 34, 2024.
NASR,
Mahmoud; ATEIA, Mohamed; HASSAN, Kareem. Artificial intelligence for greywater
treatment using electrocoagulation process. Separation Science and
Technology, v. 51, n. 1, p. 96-105, 2016.
NGULUBE, Khumbolake Faith et al. Synergism of artificial
intelligence and techno-economic for sustainable treatment of methylene blue
dye-containing wastewater by photocatalysis. Sustainability, v. 16,
n. 2, p. 529, 2024.
NUNES,
Leonel JR. Potential exportation of wood pellets and torrefied biomass pellets
logistics cost analysis: A comparative case study from Portugal. AIMS
Energy, v. 12, n. 1, p. 45-61, 2024.
PAUL, L. R.; SADATH, L.; MADANA, A. Artificial intelligence in
predictive analysis of insurance and banking. In: Artificial Intelligence: Fundamentals
and applications (1st ed.). Boca Raton: CRC Press, 2021. p. 31-54.
PEDERSINI, Daiana Rafaela et al. Interorganizational performance evaluation: metrics for
interorganizational cost management. Revista de Administração da UFSM, v. 18, n. 1,
p. e6, 2025.
PRANCKUTĖ, Raminta. Web of Science (WoS) and
Scopus: The titans of bibliographic information in today’s academic
world. Publications, v. 9, n. 1, p. 12, 2021.
PROTO, Andrea Rosario et al. A three-step neural network artificial intelligence modeling approach
for time, productivity and costs prediction: A case study in Italian forestry. Croatian Journal of Forest Engineering,
v. 41, n. 1, p. 35-47, 2020.
RANE, Nitin; CHOUDHARY, Saurabh; RANE, Jayesh. Integrating ChatGPT, Bard, and leading-edge generative artificial intelligence in building and construction industry: applications, framework, challenges, and future scope. SSRN Electronic Journal, [S. l.], p. 1-34, 2023.
RODRIGUEZ III, Roberto et al. Comparing interpretation of high-resolution aerial imagery by humans and
artificial intelligence to detect an invasive tree species. Remote Sensing, v. 13, n. 17, p. 3503, 2021.
ROJAS-LAMORENA, Álvaro J.; DEL BARRIO-GARCÍA, Salvador;
ALCÁNTARA-PILAR, Juan Miguel. A review of three decades of academic
research on brand equity: A bibliometric approach using co-word analysis and
bibliographic coupling. Journal of Business Research, v. 139, p.
1067-1083, 2022.
SADEK,
Ahmed H.; MOSTAFA, Mohamed K. Preparation of nano zero-valent aluminum for
one-step removal of methylene blue from aqueous solutions: cost analysis for
scaling-up and artificial intelligence. Applied Water Science, v.
13, n. 2, p. 34, 2023.
WANG, Bin;
YUAN, Jianjun; GHAFOOR, Kayhan Zrar. Research on construction cost estimation
based on artificial intelligence technology. Scalable Computing:
Practice and Experience, v. 22, n. 2, p. 93-104, 2021.
WEGMANN, Martin; JAUME-SANTERO, Fernando. Artificial intelligence achieves easy-to-adapt
nonlinear global temperature reconstructions using minimal local data. Communications Earth & Environment,
v. 4, n. 1, p. 217, 2023.
WU, Qiong
et al. Analysis and prediction of industrial energy consumption behavior based on
big data and artificial intelligence. Energy Reports, v. 9, p. 395-402, 2023.
YANG, Bo; HUANG, Zongfang.
The application research of artificial intelligence in logistics field. In:
INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING, AUTOMATION AND APPLICATIONS
(ICAA), 2021. Proceedings [...]. Piscataway:
IEEE, 2021. p. 203-208.
YE, Zhirui et al.
Benefit-cost analysis of maintenance decision support system. Transportation Research Record, v.
2107, n. 1, p. 95-103, 2009.
ZHANG, Ruijun; MIRZAEI,
Parham A. Virtual dynamic coupling of computational fluid dynamics-building
energy simulation-artificial intelligence: Case study of urban neighbourhood effect on buildings' energy demand. Building and Environment, v. 195, p.
107728, 2021.