Cartilha de Inteligência Artificial — SEF/SC

O uso, o desenvolvimento e a implementação de sistemas de Inteligência Artificial no âmbito da SEF-SC deverão:

• I Ser aderentes à Portaria SEF nº 332/2023, que institui o Comitê Gestor de Inteligência Artificial (CG-IA) e disciplina o uso de IA na Secretaria;
• II Ser compatíveis com as normas vigentes do ordenamento jurídico, incluindo o Marco Legal da IA (Lei nº 14.790/2024) e a Estratégia Nacional de IA (Decreto nº 11.657/2023);
• III Resguardar o sigilo fiscal, nos termos do art. 198 do Código Tributário Nacional (CTN), vedando a divulgação de informações relativas à situação econômica ou financeira de contribuintes;
• IV Ser aderentes à Lei Geral de Proteção de Dados Pessoais (LGPD — Lei nº 13.709/2018), garantindo base legal, finalidade definida e proteção adequada no tratamento de dados pessoais;
• V Ser alinhados ao Código de Ética do Servidor Público estadual (Lei nº 6.745/1985) e às diretrizes de impessoalidade, moralidade e publicidade da administração pública;

O uso da Inteligência Artificial na SEF-SC deve seguir quatro pilares que asseguram a integridade do serviço público e a confiança dos cidadãos:

A Regra de Ouro

Antes de usar uma ferramenta de IA em qualquer tarefa relacionada ao trabalho, pergunte-se: "Se este prompt e a resposta fossem publicados no Diário Oficial do Estado, eu me sentiria confortável?" Se a resposta for não, revise o que está sendo submetido.

Viés e Discriminação — Exemplos no Contexto Fiscal

Modelos de IA podem reproduzir preconceitos presentes em seus dados de treinamento. Avalie criticamente qualquer saída que envolva perfis de contribuintes:

• Sistemas de crédito ou pontuação de risco que discriminam regiões do estado ou porte de empresa
• Seleção de alvos de fiscalização com viés racial, de gênero ou geográfico
• Reconhecimento facial com taxas de erro diferenciadas por grupo étnico
• Chatbots que fornecem informações tributárias distintas conforme perfil do usuário

Casos de Uso Aprovados na SEF-SC

Assistentes de IA são aceleradores significativos de produtividade em tarefas administrativas e técnicas, desde que não envolvam dados sigilosos. Os principais usos aprovados são:

O desenvolvimento de modelos de Aprendizado de Máquina internos à SEF-SC envolve obrigações específicas além das que se aplicam ao uso de ferramentas prontas. Todo projeto de ML deve seguir o ciclo de vida abaixo e ser aprovado pelo CG-IA.

5.1 Dados de Treinamento — Restrições e Boas Práticas

5.2 Ciclo de Vida do Modelo

Todo modelo desenvolvido internamente deve percorrer obrigatoriamente as seguintes etapas:

5.3 Requisitos Obrigatórios antes do Deploy

5.4 Monitoramento em Produção

Modelos de ML em produção podem degradar silenciosamente. É obrigação da equipe responsável monitorar continuamente e comunicar ao CG-IA qualquer deterioração identificada:

• Data drift: mudanças no ambiente (ex: nova legislação tributária, alteração nos sistemas de NF-e) alteram os padrões que o modelo aprendeu — exigindo re-avaliação
• Degradação de desempenho: acompanhar métricas de precisão e recall periodicamente, comparando com a linha de base aprovada
• Comunicação: degradação significativa deve ser reportada ao CG-IA como incidente (ver Seção 9)

A forma de interagir com um sistema de IA varia conforme o tipo. Esta seção cobre as duas principais categorias na SEF-SC.

6.1 Para IA Generativa — Engenharia de Prompt

Exemplos Práticos para o Contexto SEF-SC

Explique de forma clara e objetiva os principais impactos da Reforma Tributária
sobre a arrecadação de ICMS em Santa Catarina. Utilize linguagem institucional,
acessível a gestores não especialistas. Apresente pontos positivos e os
principais riscos para os estados. Indique, ao final, quais aspectos
ainda dependem de regulamentação ou validação técnica e jurídica.

Você é um técnico tributário da SEF-SC especializado em ICMS.
Elabore um rascunho de resposta a uma consulta tributária hipotética:
uma empresa do ramo de supermercados questiona se a transferência de mercadorias
entre estabelecimentos do mesmo titular em diferentes municípios de SC gera
fato gerador de ICMS após o julgamento do RE 1.255.885.
Formato: ofício com introdução, fundamentação e conclusão. Máximo 400 palavras.
Indique ao final quais pontos precisam de verificação jurídica adicional.

Analise o acórdão abaixo do TAT (com dados identificatórios removidos).
Extraia: (1) questão central; (2) argumentos do fisco; (3) argumentos do
contribuinte; (4) fundamento da decisão; (5) impacto para casos futuros.
Formato: bullet points por seção. Liste referências normativas separadamente.
Se houver incerteza sobre algum ponto, indique explicitamente.

[TEXTO DO ACÓRDÃO AQUI — SEM DADOS DE IDENTIFICAÇÃO]

6.2 Para Modelos de ML Preditivo — Entenda Antes de Usar

Modelos preditivos e classificatórios (ex: score de risco fiscal, detecção de anomalias) não respondem a perguntas em linguagem natural — eles produzem saídas estruturadas (pontuações, rótulos, probabilidades). Antes de usar qualquer modelo interno, o servidor deve:

Alucinação (Hallucination)

Fenômeno exclusivo de modelos de linguagem (IAG) em que o modelo produz informações factualmente incorretas ou inventadas com aparência de veracidade. No contexto fiscal, pode gerar artigos de lei inexistentes ou valores tributários incorretos. Não confundir com overfitting, que é um erro diferente em modelos preditivos.

Aprendizado de Máquina (Machine Learning — ML)

Campo da IA em que sistemas aprendem padrões a partir de dados, sem serem explicitamente programados para cada regra. Engloba aprendizado supervisionado, não supervisionado e por reforço. Base dos modelos preditivos, classificadores e sistemas de detecção de anomalias usados na administração tributária.

Aprendizado Supervisionado

Modalidade de ML em que o modelo é treinado com exemplos rotulados (entrada + resposta correta). Exemplo no contexto fiscal: classificar contribuintes por nível de risco usando histórico de autuações como rótulo.

Aprendizado Não Supervisionado

Modalidade de ML em que o modelo encontra padrões nos dados sem rótulos prévios. Exemplo: agrupar notas fiscais por similaridade para identificar padrões atípicos sem critério predefinido.

CG-IA — Comitê Gestor de Inteligência Artificial

Órgão interno da SEF-SC instituído pela Portaria nº 332/2023. Responsável por governar, aprovar e supervisionar todas as iniciativas de IA — tanto uso de ferramentas externas quanto desenvolvimento de modelos internos. É o canal oficial para aprovação de projetos e reporte de incidentes.

Data Drift (Deriva de Dados)

Degradação do desempenho de um modelo em produção causada por mudanças no ambiente real que divergem dos dados de treinamento. Exemplo: uma reforma tributária altera os padrões de NF-e que o modelo de detecção de anomalias aprendeu, tornando-o menos preciso. Exige re-avaliação e possivelmente re-treinamento.

Engenharia de Prompt (Prompt Engineering)

Técnica aplicável a sistemas de IA Generativa: formular instruções precisas e contextualizadas para modelos de linguagem, visando obter saídas mais relevantes, corretas e seguras. Não se aplica a modelos preditivos ou classificadores tradicionais.

Explicabilidade (XAI — Explainable AI)

Capacidade de entender e justificar por que um modelo de IA tomou determinada decisão. Essencial em contexto fiscal para transparência com contribuintes e auditores. Modelos "caixa-preta" sem explicabilidade são vedados pelo CG-IA em decisões que afetam diretamente contribuintes.

Fine-tuning

Processo de ajuste fino de um modelo pré-treinado usando dados específicos de um domínio (ex: jurisprudência tributária de SC). Requer aprovação do CG-IA e tratamento adequado dos dados sob a LGPD quando envolve dados institucionais.

IA Generativa (IAG)

Subcategoria de IA capaz de gerar conteúdo original (texto, código, imagens) a partir de instruções em linguagem natural. Exemplos: ChatGPT, Gemini, Claude, Microsoft Copilot. Distinta de modelos discriminativos, que classificam ou preveem sem gerar novo conteúdo.

LGPD — Lei Geral de Proteção de Dados Pessoais

Lei nº 13.709/2018. Regula o tratamento de dados pessoais no Brasil. Qualquer sistema de IA ou ML que processe dados de contribuintes, servidores ou cidadãos deve ter base legal, finalidade definida e proteção adequada nos termos da LGPD.

LLM (Large Language Model)

Modelo de Linguagem de Grande Escala. Sistemas treinados em enormes volumes de texto para compreensão e geração de linguagem natural. São a base técnica dos sistemas de IA Generativa. GPT-4, Gemini e Claude são exemplos.

Model Card (Ficha do Modelo)

Documento técnico obrigatório para todo modelo de ML desenvolvido internamente na SEF-SC. Deve descrever: objetivo, dados usados no treinamento, métricas de desempenho, limitações conhecidas, riscos identificados e plano de monitoramento. Exigido pelo CG-IA antes do deploy em produção.

Modelo Discriminativo vs. Generativo

Modelos discriminativos classificam ou preveem (ex: detectar risco de sonegação, prever arrecadação). Modelos generativos criam conteúdo novo (ex: redigir texto, gerar código). A SEF-SC usa ambos os tipos, com regras específicas para cada caso nesta Cartilha.

Overfitting (Sobreajuste)

Fenômeno em que um modelo "decora" os dados de treinamento em vez de aprender padrões generalizáveis, resultando em bom desempenho no treino e baixo em dados novos. Risco comum em modelos fiscais com conjuntos de dados pequenos ou com muitas variáveis. Deve ser detectado na etapa de validação antes do deploy.

RAG (Retrieval-Augmented Generation)

Técnica que combina busca em bases de dados com geração de texto, permitindo ao modelo acessar informações atualizadas sem re-treinamento. Arquitetura indicada pelo CG-IA para aplicações internas que precisam consultar legislação ou bases de dados da SEF-SC.

Shadow IT

Uso de sistemas ou ferramentas de tecnologia sem aprovação do setor de TI e da gestão institucional. Na SEF-SC, o uso de ferramentas de IA não homologadas pelo CG-IA para tarefas de trabalho constitui Shadow IT e está sujeito a medidas disciplinares.

Sigilo Fiscal

Dever legal previsto no art. 198 do CTN de guardar sigilo sobre informações relativas à situação econômica, financeira e tributária de contribuintes. Aplica-se igualmente ao uso de IA generativa, ao treinamento de modelos de ML e ao processamento de dados em qualquer sistema computacional.

Zero-shot / Few-shot (IA Generativa)

Técnicas de prompting para modelos generativos. Zero-shot: o modelo resolve a tarefa sem exemplos no prompt. Few-shot: o prompt inclui 2 a 5 exemplos do padrão esperado. Conceitos aplicáveis apenas a IAG — não a modelos preditivos.

Tipos de Incidente a Reportar

Os seguintes eventos devem ser comunicados ao CG-IA independentemente de seu impacto percebido:

• Mau uso ou uso indevido — uso de ferramentas não homologadas, compartilhamento de dados sigilosos com serviços externos
• Falha ou vulnerabilidade — erro inesperado, exposição de dados, comportamento anômalo em produção
• Alucinação com impacto real — resultado de IAG utilizado sem validação que gerou documento ou ação oficial incorreta
• Degradação de modelo em produção — queda de desempenho de modelo de ML detectada por monitoramento (data drift, mudança normativa, alteração de padrão de dados); comunicar ao CG-IA e à área técnica responsável para avaliar necessidade de re-treinamento ou desativação
• Decisão automatizada questionada — contribuinte ou auditor contesta resultado gerado por sistema de IA sem explicação adequada

Como Reportar Falhas ou Mau Uso

Falhas, vulnerabilidades ou incidentes relacionados ao uso de IA deverão ser comunicados imediatamente ao CG-IA, conforme a Política de Segurança da Informação da SEF-SC.

• Registre o incidente no Hub IA com descrição detalhada da ocorrência
• Envie e-mail para cg-ia@sef.sc.gov.br com evidências (capturas de tela, logs)
• A SEF-SC reserva o direito de acessar e monitorar o uso de IA em dispositivos institucionais ou conectados à rede do órgão

Normativos e Links Internos SEF-SC

• Catálogo de Projetos de IA — projetos registrados e aprovados pelo CG-IA
• Wiki de IA da SEF-SC — documentação técnica, guias e checklists
• Submeter proposta de projeto — inicie o processo de aprovação pelo CG-IA

Referências Federais e Governamentais

• Cartilha IA Generativa — Governo Digital (SEGES/MGI)
• Glossário de Termos de IA — Governo Digital
• Guia Prático de Prompt para Servidores Públicos
• TCU — Referenciais para Uso de IA no Serviço Público
• ANPD — Autoridade Nacional de Proteção de Dados

Legislação Aplicável

• Art. 198 do CTN — Sigilo das informações fiscais
• Lei nº 13.709/2018 — LGPD
• Lei nº 14.790/2024 — Marco Legal da IA no Brasil
• Decreto nº 11.657/2023 — Estratégia Nacional de IA (ENIAD)
• Lei nº 6.745/1985 — Estatuto dos Servidores Públicos do Estado de SC
• Portaria SEF nº 332/2023 — Institui o CG-IA