Inteligência Artificial e BPMN – A Transformação da Gestão de Processos de Negócio

Resumo Executivo

Este relatório de revisão rápida explora a convergência estratégica entre a Inteligência Artificial (IA) e a Modelagem e Notação de Processos de Negócios (BPMN), destacando como essa sinergia está redefinindo a gestão e a otimização de processos empresariais. A BPMN, como padrão global para modelagem de processos, fornece a estrutura visual e semântica necessária, enquanto a IA, em suas diversas formas (Machine Learning, Processamento de Linguagem Natural, IA Generativa), infunde inteligência, automação e capacidade preditiva nos fluxos de trabalho. A análise abrange desde a automação inteligente e a hiperautomação até a geração automática de modelos BPMN, o uso de Process Mining para desvendar processos reais e as complexidades da colaboração humano-agente. Aborda-se os desafios inerentes à implementação, como a qualidade dos modelos e a governança da IA, e projeta-se as tendências futuras, incluindo a integração com a Internet das Coisas (IoT). O objetivo é fornecer uma visão abrangente e informações acionáveis para líderes empresariais e estrategistas de processos que buscam alavancar essas tecnologias para obter vantagem competitiva e eficiência operacional.

1. Introdução: O Cenário da Gestão de Processos e a Ascensão da IA

A era digital impulsiona as organizações a buscarem incansavelmente por maior eficiência, agilidade e resiliência. Nesse contexto, a gestão de processos de negócio (BPM) e a Inteligência Artificial (IA) emergem como pilares fundamentais para a transformação. A integração dessas duas disciplinas não é apenas uma tendência, mas uma necessidade estratégica para empresas que visam otimizar operações, reduzir custos e impulsionar a inovação.

1.1. O que é BPMN? Fundamentos e Relevância

A Modelagem e Notação de Processos de Negócios (BPMN) é o padrão globalmente reconhecido para a representação gráfica de processos de negócio.¹ Desenvolvida inicialmente pela Business Process Management Initiative (BPMI) e mantida pelo Object Management Group (OMG) desde 2005, a BPMN oferece uma notação precisa e padronizada para documentar visualmente a sequência de atividades e fluxos de informação necessários para completar um processo.¹

Os fundamentos da BPMN residem na sua capacidade de permitir que os stakeholders visualizem os processos de negócios, facilitando a otimização dos fluxos de trabalho. A notação resolve as ambiguidades das especificações textuais dos processos, representando visualmente a sequência de atividades de negócios e fluxos de informações necessários para concluir um processo específico.¹ A BPMN 2.0.1 foi publicada como norma internacional ISO/IEC 19510:2013, o que garante que os diagramas de processos de negócios possam ser facilmente trocados em um formato padronizado entre diferentes ferramentas de modelagem.¹

A relevância da BPMN é multifacetada. Seu objetivo principal é auxiliar as organizações a modelar maneiras de melhorar a eficiência, contabilizar novas circunstâncias ou obter uma vantagem competitiva.¹ A BPMN é uma parte fundamental do gerenciamento de processo empresarial (BPM) e integra a “tríplice coroa” de padrões de aprimoramento de processos da OMG, que também inclui a Notação de Modelo de Gerenciamento de Casos (CMMN) e a Notação de Modelo de Decisão (DMN).¹ Além disso, a BPMN serve como uma linguagem comum entre tecnologia, gestão e operação, criando uma camada orquestrada entre todos os sistemas de gestão, como ERPs e CRMs.²

A padronização da BPMN, inicialmente concebida para a comunicação humana sobre processos, adquire uma dimensão ainda mais crítica com a ascensão da Inteligência Artificial. A precisão e a estrutura visual da notação permitem que sistemas de IA, especialmente modelos de linguagem e geradores de código, “compreendam” e “interpretem” esses modelos de forma mais eficaz do que descrições textuais que podem ser ambíguas. Essa capacidade de interpretação padronizada, por sua vez, capacita a IA a “escrever” ou gerar novos modelos BPMN de maneira consistente e alinhada aos padrões estabelecidos. Assim, a BPMN transcende seu papel original de ferramenta de documentação, tornando-se uma interface fundamental entre a inteligência humana e a inteligência artificial na automação e otimização de processos. Sua uniformidade facilita não apenas a interoperabilidade entre ferramentas de modelagem, mas também a integração e o treinamento de sistemas de IA para interagir eficientemente com representações de processos.

1.2. A Evolução da Inteligência Artificial e seu Impacto nos Negócios

A Inteligência Artificial (IA) refere-se a sistemas que simulam a inteligência humana, executando tarefas como reconhecimento de padrões, análise de dados e tomada de decisões com base em algoritmos.³ Nos últimos anos, a IA ganhou relevância crescente no mundo empresarial, impulsionando a transformação digital e reformulando a maneira como as empresas operam.³

Uma das evoluções mais significativas é a IA Generativa, que engloba algoritmos como Redes Neurais Generativas Adversárias (GANs) e modelos de linguagem, a exemplo do GPT-4.⁴ Esses modelos são treinados em vastos conjuntos de dados existentes para aprender padrões e estruturas, o que lhes confere a capacidade de criar novos dados, textos, imagens, músicas e outros tipos de conteúdo com variações únicas e originais.⁴

O impacto da IA é abrangente e redefine a indústria global, influenciando diretamente a produtividade, a automação de processos e a tomada de decisão.⁷ Diversos setores, incluindo cadeia de suprimentos, compras, finanças, recursos humanos, vendas e atendimento ao cliente, estão adotando soluções de IA para otimizar seus fluxos de trabalho.³ A taxa de implementação global de IA demonstra essa aceleração, saltando de 55% em 2023 para 72% em 2024.⁷

Os benefícios-chave da introdução da IA em processos empresariais são notáveis. A tecnologia não apenas reduz o tempo gasto em tarefas repetitivas, mas também minimiza erros humanos, permitindo que os colaboradores foquem em atividades estratégicas e criativas.³ A IA pode prever a demanda por produtos, otimizar rotas de entrega, personalizar campanhas de marketing ⁹, identificar anomalias e fraudes ⁴, e acelerar significativamente a tomada de decisões.³

A evolução da IA demonstra uma transição fundamental: da automação de tarefas isoladas para a otimização estratégica de operações. Inicialmente, a IA era frequentemente percebida como uma ferramenta para automatizar tarefas repetitivas, visando principalmente a redução de custos.³ No entanto, a capacidade da IA de analisar grandes volumes de dados, identificar padrões complexos e prever resultados futuros, conforme evidenciado pela análise preditiva ⁴ e detecção de anomalias ⁴, expandiu seu papel para a otimização de toda a cadeia de valor.⁸ A IA generativa, por sua vez, adiciona uma dimensão de “criação” e “inovação”, permitindo não apenas a melhoria do que já existe, mas a geração de abordagens inteiramente novas para os processos de negócio.⁴ Isso significa que a IA não é apenas uma ferramenta tática para cortar despesas, mas um motor estratégico capaz de remodelar modelos de negócios, criar novas eficiências e estabelecer uma vantagem competitiva sustentável. A capacidade de “aprender padrões complexos dos dados de treinamento para produzir saídas inovadoras” ⁴ indica que a IA pode tanto aprimorar processos existentes quanto conceber soluções que antes não eram imagináveis.

2. Sinergia entre IA e BPMN: Otimizando Processos de Negócio

A integração da Inteligência Artificial com o Gerenciamento de Processos de Negócio (BPM) e a notação BPMN representa um salto qualitativo na forma como as empresas operam. Essa sinergia permite ir além da automação básica, infundindo inteligência em cada etapa do ciclo de vida do processo.

2.1. Automação Inteligente e Hiperautomação

A automação inteligente é a evolução da automação tradicional, integrando IA e Machine Learning para lidar com processos não estruturados, tarefas complexas e decisões condicionais e exceções.¹²

A Automação Robótica de Processos (RPA) constitui a base, empregando “bots” para emular interações humanas com sistemas digitais, automatizando tarefas repetitivas e baseadas em regras.¹⁴ A automação inteligente expande a funcionalidade da RPA ao incorporar subdisciplinas da IA, como Machine Learning (ML), Processamento de Linguagem Natural (NLP) e Visão Computacional.¹⁴ Enquanto a RPA se concentra em “fazer” tarefas, a IA e o ML abrangem o “pensar” e o “aprender”, respectivamente.¹⁶ Exemplos práticos incluem um robô que pode ler automaticamente uma fatura via OCR, extrair dados, inseri-los no ERP e decidir se os encaminha para aprovação humana.¹² A IA permite que a RPA processe milhões de documentos, leia, roteie e responda a e-mails de clientes, e extraia informações críticas.¹⁴ O NLP e a Visão Computacional capacitam os robôs a compreender a intenção do remetente e acionar fluxos de trabalho responsivos.¹⁴

O Gartner cunhou o termo “hiperautomação” para descrever uma abordagem disciplinada e orientada por negócios que as organizações utilizam para identificar, verificar e automatizar rapidamente o máximo de processos de negócios e de TI possível.¹² A hiperautomação combina RPA, IA, ML,

Analytics e sistemas de gerenciamento de processos de negócios (BPMS) para automatizar processos de ponta a ponta, incluindo atividades complexas que antes exigiam julgamento humano.¹² Essa abordagem busca automatizar o processo inteiro, conectando múltiplos sistemas e etapas de decisão de forma fluida, e se aprimora continuamente por meio de dados.¹² Plataformas modernas de BPM (iBPMS) já incorporam funcionalidades inteligentes, como monitoramento em tempo real de indicadores de processo e aplicação de algoritmos preditivos para apontar tendências ou problemas iminentes.¹² Exemplos notáveis incluem Appian BPM Suite e IBM Business Automation Workflow.¹⁷

A automação inteligente e a hiperautomação representam um avanço significativo que vai além da simples substituição de trabalho humano por máquinas. Ao liberar os colaboradores de tarefas repetitivas e burocráticas, a IA permite que os profissionais se concentrem em atividades estratégicas e criativas.³ Essa mudança de foco não apenas aumenta o engajamento, mas também impulsiona a produtividade da força de trabalho.³ A capacidade de prever atrasos e redirecionar tarefas automaticamente ¹², ou de otimizar toda a cadeia de suprimentos ⁸, confere à organização maior agilidade e resiliência. A hiperautomação, ao permitir a automação de processos inteiros e a conexão fluida entre múltiplos sistemas e etapas de decisão, cria um ambiente onde a empresa pode se adaptar rapidamente a novas condições de mercado. Isso transforma a força de trabalho de meros executores de tarefas em estrategistas e inovadores, e a agilidade operacional resultante não é apenas uma melhoria incremental, mas uma capacidade fundamental para a sobrevivência e o crescimento em um ambiente de negócios dinâmico.

2.2. Otimização e Análise Preditiva de Processos

A IA otimiza processos de negócios em diversas áreas, desde a cadeia de suprimentos até a gestão de recursos humanos.⁹

A análise preditiva é uma das capacidades mais valiosas da IA nesse contexto. Algoritmos de IA podem prever a demanda por produtos, otimizar rotas de entrega e personalizar campanhas de marketing para maximizar o retorno sobre o investimento.⁹ Utilizando dados históricos e técnicas de IA, é possível prever gargalos e ineficiências antes que eles aconteçam, o que se mostra crucial para evitar problemas maiores no futuro fluxo de trabalho.⁴

A IA também facilita a melhoria contínua de processos. Ela pode analisar dados históricos de processos e sugerir aprimoramentos para otimizar o fluxo de trabalho, reduzir gargalos e melhorar a eficiência geral.⁴ Isso inclui a identificação de sentimentos positivos e negativos em

feedback de clientes e colaboradores, fornecendo informações valiosas para áreas específicas que necessitam de melhorias.⁴

A tomada de decisão é significativamente aprimorada pela IA. A tecnologia pode processar grandes volumes de informações em tempo real, identificar padrões e anomalias, e fornecer informações valiosas para a tomada de decisão.³ Modelos de IA generativa podem, por exemplo, sugerir melhorias na modelagem de processos, baseadas no comportamento histórico dos dados e nas tendências do mercado.¹⁰

A aplicação da IA na otimização de processos representa uma transição fundamental da reatividade para a proatividade na gestão. Historicamente, a otimização de processos era frequentemente uma atividade reativa, onde os problemas eram identificados e abordados somente após sua ocorrência. Com a capacidade da IA de realizar análises preditivas ⁴ e detectar anomalias ⁴, as organizações podem agora antecipar potenciais problemas e agir de forma proativa. A identificação de tendências e a previsão de resultados futuros ⁴ permitem intervenções em tempo hábil para eliminar impactos negativos antes que causem problemas significativos.¹⁹ Essa mudança de paradigma transforma a gestão de processos de uma disciplina focada na “correção de problemas” para uma de “prevenção e otimização contínua”. O resultado é uma alocação de recursos mais eficaz, uma redução de riscos operacionais e uma vantagem competitiva sustentável no mercado.

2.3. Simulação de Processos com IA

A simulação de processos é uma ferramenta poderosa para analisar o comportamento de processos de negócio e prever o impacto de mudanças. A Inteligência Artificial eleva essa capacidade a um novo patamar.

Ferramentas como o IBM Rational Software Architect permitem simular modelos BPMN para depurá-los visualmente, de forma análoga à simulação de diagramas de atividades UML.²⁰ A IA generativa, por sua vez, pode criar modelos de processos de negócio baseados em dados históricos e simular diferentes cenários para prever os impactos de mudanças nos processos.⁴ Essa capacidade vai além da simples representação, permitindo a exploração de diversas possibilidades.

Modelos de processo dinâmicos, aprimorados pela IA, permitem a análise de cenários alternativos através de simulação, fornecendo métricas quantitativas cruciais, como custo, tempo de ciclo, capacidade de serviço e utilização de recursos.²¹ Essas métricas servem como base para avaliar opções e selecionar o cenário mais promissor para implementação, fundamentando decisões estratégicas.²¹

O Process Mining também desempenha um papel fundamental na simulação. Ele pode ser usado para apoiar a construção de modelos de simulação de processos de negócios (BPS), aproveitando informações úteis disponíveis em logs de eventos.²² Isso garante que as simulações sejam baseadas em dados reais de execução, tornando-as mais precisas e relevantes.

A integração da IA na simulação de processos representa uma evolução da simulação estática para a otimização dinâmica e adaptativa. Enquanto a simulação tradicional de BPMN ²⁰ oferece uma visão fixa do processo, a IA permite que essa simulação se torne preditiva e dinâmica ⁴, incorporando dados históricos e tendências de mercado. A capacidade de gerar múltiplos cenários e prever seus impactos ⁴ transforma a simulação em uma ferramenta de otimização contínua, onde o sistema pode até mesmo sugerir ajustes em tempo real. Essa abordagem não apenas melhora a precisão das previsões, mas também capacita as organizações a testar e refinar estratégias de processo em um ambiente virtual antes da implementação real, minimizando riscos e maximizando o retorno sobre o investimento.

3. IA Generativa na Modelagem e Melhoria de Processos BPMN

A IA Generativa está revolucionando a forma como os modelos de processos são criados e aprimorados, democratizando o acesso à modelagem e permitindo novas formas de colaboração.

3.1. Geração Automática de Modelos BPMN a partir de Descrições Textuais

Uma das aplicações mais inovadoras da IA Generativa é a capacidade de transformar descrições textuais de processos em modelos BPMN completos e estruturados.

O funcionamento dessas ferramentas é intuitivo e poderoso. Plataformas como o “Bonita AI BPMN Generator” e a Zai do Zeev ²³ permitem que o usuário forneça uma descrição em linguagem natural do processo, incluindo detalhes importantes como tipo de processo, atores-chave e etapas principais.²³ A IA, utilizando técnicas avançadas de Processamento de Linguagem Natural (PLN), interpreta o texto, identifica as atividades, decisões e sequências descritas, e compreende a lógica do processo.²³ Em seguida, ela gera instantaneamente um modelo BPMN que pode ser visualizado e baixado.²³ O processo envolve a análise da entrada, a identificação de atores, etapas e papéis, e a finalização do modelo para uso.²³

Os benefícios dessa tecnologia são significativos. Ela reduz drasticamente a barreira de entrada para a modelagem de processos, tornando-a mais acessível a usuários sem profundo conhecimento técnico em linguagens de modelagem.²⁴ Isso acelera a criação e otimização de modelos, impulsionando a inovação organizacional ao permitir que mais profissionais contribuam para o design de processos.²⁴

Quanto às ferramentas e à qualidade, soluções como o ProMoAI utilizam Large Language Models (LLMs) de ponta, como o GPT-4, para gerar modelos de processo a partir de descrições textuais, incorporando engenharia de prompt avançada e tratamento de erros.²⁶ Essas ferramentas podem exportar os modelos em notações padrão como BPMN e Petri nets, e o sistema é projetado para fornecer robustas garantias de qualidade nos modelos gerados, como a “soundness” (ausência de

deadlocks ou estados inatingíveis).²⁷ Isso assegura que os modelos gerados sejam não apenas visualmente corretos, mas também logicamente consistentes e executáveis.

A capacidade da IA Generativa de criar modelos BPMN a partir de linguagem natural representa uma democratização da modelagem de processos e o surgimento do “cidadão modelador”. A modelagem BPMN, historicamente, exigia um nível considerável de expertise e conhecimento técnico.²⁶ No entanto, ao permitir que profissionais de negócios expressem seus processos em linguagem comum e obtenham um diagrama BPMN estruturado, a IA remove essa barreira. Isso significa que um público muito mais amplo dentro de uma organização pode agora contribuir diretamente para a documentação e aprimoramento de processos. Essa ampliação da participação leva a uma “democratização do acesso à automação” ²⁴, pois mais indivíduos podem visualizar e refinar os fluxos de trabalho. O resultado é um ciclo de feedback mais rápido entre a concepção do processo e sua representação formal, o que acelera a transformação digital e promove uma cultura de inovação mais abrangente em toda a empresa.

3.2. Extensões do BPMN para Colaboração Humano-Agente

Com o avanço dos Large Language Models (LLMs), sistemas de IA podem atuar como agentes autônomos, capazes de raciocínio e tomada de decisão.²⁸ Essa evolução levanta a necessidade premente de modelar a colaboração complexa entre humanos e esses agentes de IA em fluxos de trabalho.

A lacuna no BPMN tradicional reside no fato de que as linguagens de modelagem de processos existentes, incluindo a amplamente utilizada BPMN, foram projetadas predominantemente para a colaboração humano-humano e, portanto, não conseguem capturar adequadamente a nova realidade dos workflows colaborativos humano-agente.²⁸

Diante dessa lacuna, pesquisas propõem extensões ao BPMN para suportar workflows colaborativos humano-agente, introduzindo novos constructos de modelagem especificamente projetados para este fim.²⁸ Essas extensões abordam três áreas principais:

Perfil do Agente (Agent Profiling): Enquanto o BPMN tradicionalmente trata todos os participantes como atores genéricos, os agentes de IA possuem propriedades distintas, como níveis de confiabilidade ou capacidades específicas, que precisam ser explicitamente modeladas. A extensão introduz mecanismos para identificar raias e pools como agentes, permitindo a especificação de seus papéis e diferentes níveis de confiabilidade. Essa capacidade de perfilamento torna-se crucial em workflows onde as decisões dependem da confiabilidade de diferentes participantes.²⁸
Reflexão do Agente (Agent Reflection): Para refinar suas respostas ou ações, os agentes podem utilizar estratégias de reflexão, revisando suas próprias ações, as de outros agentes ou até mesmo as de participantes humanos. A extensão oferece a sintaxe adequada para representar os diferentes tipos de reflexão, permitindo que os modelos capturem como os agentes aprendem e se adaptam.²⁸
Colaboração do Agente (Agent Collaboration): A extensão modela as diversas possibilidades de colaboração entre agentes, seja sob cooperação (baseada em votação, papel ou debate) ou competição. A sintaxe dos gateways foi estendida para modelar esses cenários de colaboração dentro de pools, e os fluxos de mensagens foram aprimorados para interações entre pools.²⁸ Além disso, foi fornecido suporte para representar as diferentes estratégias de fusão de resultados dos agentes, como líder-dirigido, composto ou por maioria de votos.²⁸

As implicações futuras dessas extensões são profundas. Elas fornecem as ferramentas necessárias para modelar workflows complexos de colaboração humano-agente, com o objetivo de tornar a transição para processos aumentados por IA o mais suave possível para as organizações.²⁸ Os próximos passos da pesquisa nessa área incluem o desenvolvimento de mecanismos de governança mais sofisticados, modelos de propagação de incerteza e geradores de código que podem criar

workflows executáveis diretamente a partir desses modelos BPMN estendidos.²⁸

A introdução dessas extensões no BPMN sinaliza uma evolução fundamental da notação: de uma ferramenta puramente descritiva de processos para uma linguagem de orquestração de ecossistemas inteligentes. O BPMN foi originalmente concebido para descrever “como” as coisas são feitas.¹ Com a integração da IA, ele se tornou uma ferramenta para a automação de processos.² Agora, com a necessidade de modelar as interações complexas entre humanos e agentes de IA ²⁸, o BPMN está se transformando em uma linguagem capaz de orquestrar ecossistemas complexos de inteligência distribuída. A inclusão de conceitos como “perfil do agente”, “reflexão do agente” e “colaboração do agente” ²⁸ dentro da estrutura BPMN indica uma mudança substancial em seu propósito. Essa evolução é crucial, pois permite que o BPMN não seja apenas uma ferramenta para mapear o fluxo de trabalho, mas também para projetar e governar “quem” (seja humano ou IA) realiza cada tarefa e “como” essas entidades interagem. Em um mundo cada vez mais povoado por inteligências artificiais, essa capacidade de orquestração é vital para garantir que a colaboração seja eficaz, transparente e ética.

4. Process Mining: Desvendando e Aprimorando Processos Reais

Enquanto a modelagem BPMN tradicional se concentra em como os processos deveriam ser (o modelo “to-be”), o Process Mining oferece uma visão de como eles realmente são executados (o modelo “as-is”), utilizando dados de logs de eventos. A combinação de Process Mining e IA é poderosa para a otimização contínua.

4.1. Descoberta de Modelos BPMN a partir de Logs de Eventos

O Process Mining é uma técnica que analisa logs de eventos para criar modelos visuais de processos, fornecendo informações valiosas sobre o estado atual de um processo de negócio e identificando áreas para melhoria.²⁹

A descoberta automática de modelos é um dos pilares do Process Mining. Ferramentas como o IBM Process Mining utilizam dados reais de arquivos de log para gerar automaticamente modelos BPMN 2.0 para processos de negócio.³⁰ Essa capacidade permite a descoberta do processo real subjacente, ao contrário da modelagem manual que, muitas vezes, não reflete as execuções reais e suas complexidades.²²

Além da descoberta, o Process Mining possibilita uma análise aprofundada de desempenho e conformidade. Ele permite verificar a compatibilidade de modelos de processo com logs de eventos (conformance checking), aprimorar processos descobertos com dados adicionais ³¹, analisar gargalos, descobrir ineficiências ocultas, verificar conformidade e prever desempenho.³² No que tange à estrutura de dados, para a descoberta de regras de decisão, o IBM Process Mining permite selecionar dados relevantes (recurso, função e dados de campos personalizados) para obter uma descoberta precisa.³⁰ Ele também oferece visualização detalhada de informações de

gateway, transição e detalhamento de regras, fornecendo uma compreensão granular do fluxo do processo.³⁰

A aplicação do Process Mining estabelece uma ponte essencial entre o modelo “as-is” (como o processo realmente é executado) e o modelo “to-be” (como o processo deveria ser). A modelagem BPMN tradicional define o processo ideal ¹, mas a realidade operacional frequentemente se desvia dessa idealização.²² O Process Mining preenche essa lacuna ao extrair o processo “as-is” diretamente dos dados de log.³⁰ A capacidade de comparar o modelo “as-is” com o “to-be” (por meio do

conformance checking) é fundamental para identificar desvios, gargalos e oportunidades de melhoria que não seriam evidentes apenas com a modelagem teórica. Essa integração cria um ciclo de melhoria contínua orientado por dados. A IA, por meio do Process Mining, não apenas revela a realidade dos processos, mas também fornece a base empírica para redesenhar e otimizar os modelos BPMN, garantindo que as iniciativas de BPM sejam baseadas em evidências concretas e gerem resultados tangíveis.

4.2. Algoritmos de Process Mining e Machine Learning

Os algoritmos de Process Mining são conjuntos de regras matemáticas que utilizam técnicas de data mining para descobrir modelos de processo a partir de sistemas de negócio.²⁹ Eles formam a base do software de Process Mining e se beneficiam significativamente da Inteligência Artificial, especialmente do Machine Learning.

Os cinco algoritmos de Process Mining mais populares incluem Alpha Miner, Heuristic Miner, Fuzzy Miner, Inductive Miner e Genetic Miner.²⁹ Cada um possui características distintas em termos de solidez do modelo, capacidade de lidar com ruído e tipos de estruturas de processo que podem descobrir.³³

Alpha Miner (α-algorithm): Foi o primeiro algoritmo a conectar logs de eventos e a descoberta de um modelo de processo. Ele constrói modelos com base em relações e causalidades, sendo capaz de detectar atividades paralelas utilizando timestamps duplos.³³ Contudo, o modelo resultante pode não ser sólido (ou seja, pode conter

deadlocks ou partes inatingíveis) e é considerado fraco contra ruído, o que o torna menos recomendado para dados reais complexos.³³

Heuristic Miner: Este algoritmo é tolerante a ruído e foca na ordem de ocorrência dos eventos dentro de um caso. Ele constrói um grafo de dependência e considera a frequência dos eventos para criar o modelo de processo, podendo detectar loops curtos.²⁹ No entanto, não garante um modelo sólido.³³
Fuzzy Miner: Projetado especificamente para processos menos estruturados e com alto volume de comportamento conflitante, o Fuzzy Miner simplifica modelos “emaranhados” (conhecidos como “spaghetti-like”) utilizando métricas de significância/correlação. Ele pode remover arestas menos importantes ou agrupar nós altamente correlacionados, sendo forte contra ruído e suportando um grande número de atividades.²⁹ Uma limitação importante é que o modelo gerado não pode ser convertido para outras linguagens de modelagem de processo, como BPMN ou BPEL.³³
Inductive Miner: Considerado um dos algoritmos mais utilizados e confiáveis, o Inductive Miner é conhecido por gerar modelos de processo sólidos e precisos.²⁹ Ele emprega uma estratégia de “dividir e conquistar”, particionando logs de eventos em componentes menores e reconstruindo um modelo hierárquico.²⁹ É capaz de detectar uma ampla gama de estruturas de processo, incluindo concorrência,

loops e ramificações OR.²⁹ Além disso, é robusto a ruído e pode lidar com tarefas invisíveis.³³

Genetic Miner: Deriva seu nome da biologia, utilizando um algoritmo genético para buscar o modelo de processo mais provável. Ele avalia modelos e emprega operações de seleção, crossover e mutação para gerar novas populações de modelos. É eficaz no tratamento de ruído e incompletude nos dados, e pode identificar estruturas complexas como loops e concorrência.²⁹ Contudo, é computacionalmente caro.³³

A aplicação de Machine Learning é intrínseca a muitos desses algoritmos. Algoritmos heurísticos, por exemplo, são populares em IA, especialmente quando grandes volumes de dados permitem inferir respostas “boas o suficiente” com base em Machine Learning.²⁹ A escolha do algoritmo mais adequado depende diretamente das características dos dados disponíveis e dos modelos de processo que se deseja automatizar ou otimizar.³³

A seleção do algoritmo de Process Mining é um fator determinante para a fidelidade do modelo descoberto e, consequentemente, para a qualidade da otimização de processos. Os diferentes algoritmos, como Alpha, Heuristic, Fuzzy, Inductive e Genetic Miner, possuem forças e fraquezas distintas.³³ Uma escolha inadequada pode resultar em modelos imprecisos, não sólidos (ou seja, com

deadlocks ou partes inatingíveis), ou incapazes de lidar eficazmente com o ruído e a complexidade dos dados reais. Um modelo “não sólido” ³⁴ pode comprometer severamente a automação e a simulação de processos, levando a resultados enganosos ou falhas na execução. Para um estrategista de processos, compreender as nuances desses algoritmos é crucial para garantir que as informações derivadas do Process Mining sejam confiáveis e que as otimizações propostas sejam verdadeiramente eficazes. A IA, nesse contexto, não deve ser vista como uma “caixa preta” universal; sua aplicação bem-sucedida no Process Mining exige uma compreensão aprofundada das capacidades e limitações de cada técnica para maximizar seu valor.

Tabela 1: Comparativo de Algoritmos de Process Mining

Algoritmo	Características Principais	Solidez do Modelo	Saída Típica	Melhor Uso/Recomendação
Alpha Miner (α-algorithm)	Detecta atividades paralelas; entende relações e causalidades.	Pode não ser sólido; fraco contra ruído.	Petri Net	Dados limpos; não recomendado para dados reais.
Heuristic Miner	Tolerante a ruído; considera frequência de eventos; detecta loops curtos.	Não garante solidez.	Heuristic Net	Dados reais com poucos eventos distintos; necessidade de Petri Net para análise.
Fuzzy Miner	Forte contra ruído; suporta grande número de atividades e comportamento não estruturado; simplifica modelos “emaranhados”.	Não pode ser convertido para BPMN ou BPEL.	Fuzzy Model	Dados de log complexos e não estruturados.
Inductive Miner	Robusto a ruído; lida com tarefas invisíveis; divide e conquista; detecta ampla gama de estruturas.	Garante solidez; mais utilizado.	Petri Net ou Process Tree	Descoberta de atrasos e desvios; modelos precisos; animação de modelos.
Genetic Miner	Robusto a ruído e incompletude; lida com tarefas invisíveis e duplicadas; mimetiza evolução biológica.	Pode lidar com tarefas invisíveis e duplicadas; computacionalmente caro.	Petri Net ou W-F Net	Quando todo o comportamento do log precisa ser representado.

4.3. Aplicações Práticas e Estudos de Caso

O Process Mining, em conjunto com BPMN e IA, tem sido aplicado com sucesso em diversas indústrias para otimização de processos, fornecendo informações valiosas e acionáveis.

Na área da saúde, o Process Mining tem sido utilizado para analisar processos de admissão hospitalar, identificar padrões de colaboração entre profissionais (como médicos, enfermeiros e nutricionistas) e comparar esses padrões com a evolução clínica dos pacientes.²² Um estudo demonstrou a capacidade de extrair automaticamente o processo de admissão a partir de dados brutos de sistemas de informação hospitalar, mesmo na ausência de um formato padrão de log de eventos.²² A combinação de Process Mining e simulação cria um conjunto rico de ferramentas para a melhoria de

care pathways, oferecendo informações sobre a realidade da jornada do paciente e permitindo a exploração de cenários “e se” para otimização.²²

No setor de logística e cadeia de suprimentos, a IA é fundamental para a otimização de operações, a construção de cadeias de suprimentos eficientes e o crescimento sustentável.⁸ O Process Mining pode ser empregado em torres de controle da cadeia de suprimentos para monitoramento em tempo real, detecção de gargalos, obtenção de informações preditivas e tomada de decisões proativas.³⁶ A IA, por meio de análises sofisticadas de dados históricos e em tempo real, permite antecipar interrupções, identificar gargalos e otimizar rotas logísticas, resultando em maior resiliência e agilidade da cadeia de suprimentos.³⁷

Outras aplicações do Process Mining abrangem áreas como transporte, turismo e educação.³¹ Exemplos gerais de aplicação de BPMN que podem se beneficiar do Process Mining incluem aprovação de pagamentos, aprovação de faturas e aprovação de contratos.³⁸ A técnica pode ser usada para analisar características de desempenho de processos, revelando oportunidades de melhoria que não seriam visíveis de outra forma.³¹

O Process Mining funciona como uma ferramenta de diagnóstico e prescrição para a saúde organizacional. Ele vai além da simples visualização de processos, atuando como um mecanismo de diagnóstico que revela ineficiências e gargalos ocultos.²² No contexto da saúde, por exemplo, ele pode identificar o “processo real” de admissão hospitalar ²² e até mesmo desvendar “padrões de colaboração” entre equipes.²² A capacidade de simular cenários ²² e prever o desempenho ³² transforma o Process Mining em uma ferramenta de prescrição para a otimização. Para as organizações, isso significa uma capacidade sem precedentes de “ver” e “entender” seus processos como eles realmente acontecem, e não como são idealizados. Essa clareza baseada em dados é fundamental para tomar decisões estratégicas sobre onde e como investir em automação e melhoria, garantindo que as intervenções de IA sejam direcionadas aos pontos de maior impacto e gerem resultados mensuráveis.

5. Desafios e Considerações na Implementação de IA em BPMN

Apesar do vasto potencial, a integração da IA com a BPMN e a gestão de processos não é isenta de desafios. A superação dessas barreiras é crucial para o sucesso da transformação digital e para a maximização dos benefícios da IA.

5.1. Qualidade e Anti-Padrões em Modelagem BPMN

A qualidade dos modelos BPMN é fundamental para a eficácia da IA na análise, automação e geração de processos. A presença de “anti-padrões” pode comprometer significativamente essa qualidade e, consequentemente, o desempenho dos sistemas de IA.

Anti-padrões são soluções contraproducentes para problemas comuns que, em vez de resolverem, criam novas dificuldades.³⁹ Em BPMN, são más práticas repetidas que não refletem o negócio com precisão e podem influenciar diretamente a compreensão do processo.⁴¹ Eles podem ser classificados em três tipos de problemas:

Sintáticos: Referem-se ao uso incorreto de elementos da notação BPMN.⁴² Um exemplo clássico é quando atividades não estão conectadas por um fluxo de sequência dentro de um mesmo

pool.⁴²

Pragmáticos: Dizem respeito à compreensibilidade do modelo de processo.⁴² Um exemplo comum é a ocorrência de fluxos de sequência que cruzam limites de processo ou

pool, dificultando a leitura e interpretação do diagrama.⁴³

Semânticos: Caracterizam-se pela falta de conformidade entre o processo modelado e sua representação no mundo real.⁴² Isso inclui um fluxo de exceção não conectado à exceção correspondente ⁴², ou um processo que não especifica claramente um evento final.⁴²

O impacto desses anti-padrões na IA é considerável. Mesmo que um processo seja sintaticamente válido, sua semântica pode ser duvidosa tanto para o usuário que o analisa quanto para o motor de execução da IA.⁴² A presença de anti-padrões pode levar a atrasos indesejados na execução do processo, à não execução de atividades ou à ambiguidade, o que dificulta o trabalho dos executores do processo e a interpretação precisa por parte da IA.⁴³ A qualidade dos modelos tende a degradar com o tempo devido a práticas de modelagem inadequadas, tornando-os menos confiáveis para sistemas automatizados.⁴²

A necessidade de ferramentas e qualificação é, portanto, premente. É crucial que as ferramentas de modelagem de processos sejam capazes de detectar ativamente e explicitamente o uso de anti-padrões, fornecendo feedback imediato ao usuário para correção.⁴² Além disso, a qualificação do analista para a tarefa de modelagem de processos é de extrema importância, pois a expertise humana complementa as capacidades das ferramentas na criação de modelos robustos e precisos.⁴²

A qualidade do modelo BPMN é um pré-requisito fundamental para a inteligência da IA. A IA, especialmente a IA Generativa, depende intrinsecamente da qualidade dos dados e modelos de entrada para aprender, gerar e produzir resultados precisos.⁴ Se os modelos BPMN de entrada contiverem anti-padrões ⁴¹, a IA pode “aprender” e replicar essas más práticas, ou falhar completamente em interpretar o processo de forma correta. Isso pode levar a automações ineficazes, a modelos gerados pela IA que são igualmente falhos, ou a dificuldades na detecção de anomalias. A “ambiguidade” ⁴¹ e a “semântica duvidosa” ⁴² inerentes aos anti-padrões são diretamente contrárias à precisão e clareza que a IA busca para operar de forma otimizada. Portanto, investir em boas práticas de modelagem BPMN e em ferramentas que detectem anti-padrões não é apenas uma questão de “higiene” de processos, mas um requisito fundamental para desbloquear o verdadeiro potencial da IA na gestão de processos. A inteligência da IA é, em última análise, limitada pela qualidade da informação que ela processa e gera.

Tabela 2: Anti-Padrões Comuns em BPMN e Implicações com IA

Anti-Padrão	Tipo de Problema	Descrição Breve	Impacto na Qualidade do Processo	Implicações para a IA	Melhor Prática/Solução
Atividades não conectadas em um pool	Sintático	Atividades dentro do mesmo pool sem fluxo de sequência.	Dificuldade em definir dependências; tarefas inatingíveis; compromete execução.	Dificuldade de interpretação do fluxo pela IA; automação incorreta; modelos gerados incompletos.	Conectar todos os elementos dentro de um pool com fluxos de sequência.
Fluxo de exceção não conectado	Semântico	Fluxo de exceção não ligado explicitamente ao evento de exceção.	Processo interrompido sem compensação; mudança de semântica; confusão na compreensão.	IA não consegue prever ou gerenciar exceções; falha na automação de cenários de erro.	Modelar o fluxo de exceção explicitamente para o resultado desejado.
Processo sem evento final	Semântico	O modelo não especifica claramente o(s) evento(s) de fim.	Confusão sobre as condições de término; processo pode não encerrar corretamente.	IA pode não identificar o fim do processo; automação pode ficar em loop infinito ou incompleta.	Utilizar diversos eventos de fim, esclarecendo o estado de encerramento.
Fluxos cruzando limites de pool	Pragmático	Fluxos de sequência ou mensagens que se sobrepõem ou cruzam visualmente.	Dificulta a leitura e compreensão do diagrama; baixa legibilidade.	Dificulta a interpretação visual pela IA; pode levar a erros de mapeamento em ferramentas de geração.	Manter o processo simples e limpo; evitar cruzar conexões; usar eventos de link.
Múltiplos eventos de início no processo	Sintático	Uso de mais de um evento de início no mesmo processo.	Ambiguidade sobre o ponto de partida do processo.	IA pode ter dificuldade em determinar o início correto do processo; automação inconsistente.	Utilizar apenas um evento de início por processo.
Gateways com lógica de roteamento em ações de tarefas	Semântico	Gateways usados para ações (consultar, atualizar) em vez de lógica de roteamento.	Lógica de processo confusa; viola a semântica do BPMN.	IA pode interpretar a lógica de forma incorreta; automação baseada em regras falha.	Usar gateways apenas para lógica de roteamento; posicioná-los próximos à tarefa relevante.

5.2. Governança, Ética e Escalabilidade da IA

A ampliação da Inteligência Artificial (IA) em uma organização, que implica na integração de tecnologias de IA em toda a empresa, apresenta desafios distintos que vão além da implementação isolada de um ou dois modelos em produção.⁴⁵

A governança de dados é um pilar fundamental nesse processo. A IA depende de grandes volumes de dados, que podem se apresentar em diversas formas, como texto, imagens, vídeos e conteúdo de redes sociais.⁴⁵ A governança de dados — um conjunto de práticas, processos e tecnologias que garantem a gestão e o uso eficaz dos dados — é essencial para a confiabilidade das informações e a conformidade regulatória.¹⁸ A IA, inclusive, pode auxiliar na automatização de tarefas de governança, como categorização, validação e correção de dados, e monitoramento de segurança, aumentando a eficiência e a precisão.¹⁸

Os desafios da escalabilidade são complexos. À medida que a implementação da IA se expande pela empresa, os riscos e as complexidades aumentam, incluindo a possível degradação do desempenho dos modelos e a visibilidade limitada do seu comportamento.⁴⁵ A proliferação da IA generativa, em particular, expande exponencialmente o volume de dados, exigindo uma priorização rigorosa da governança e segurança no treinamento, teste e refinamento da IA.⁴⁵ Para enfrentar esses desafios, as organizações precisam investir em facilitadores importantes, como armazenamentos de recursos, ativos de código e Operações de Machine Learning (MLOps). O MLOps é a base para a escalabilidade bem-sucedida da IA, estabelecendo as melhores práticas e ferramentas para o desenvolvimento, a implementação e a adaptabilidade rápida, segura e eficiente da IA.⁴⁵ A ampliação da IA exige, intrinsecamente, uma colaboração estreita entre equipes de negócios, TI e ciência de dados.⁴⁵

Questões de viés algorítmico e transparência são desafios críticos. Um dos maiores desafios da IA é a mitigação de vieses, que podem ser inerentes aos dados de treinamento ou aos próprios algoritmos.⁴⁶ Além disso, a “natureza de caixa preta” de muitos modelos de IA, onde os processos de tomada de decisão não são transparentes, dificulta a depuração e o refinamento dos sistemas, levando a desafios de confiança e aceitação entre as partes interessadas.²⁵

Para que a IA seja verdadeiramente transformadora e escalável no contexto de BPMN, as organizações devem ir além da mera implementação tecnológica e focar em uma estrutura robusta de governança. A simples implementação técnica da IA não garante seu sucesso em escala.⁴⁵ A ausência de governança de dados ¹⁸ e a opacidade dos modelos de IA (“caixa preta”) ²⁵ geram riscos significativos, como a degradação do desempenho e a perpetuação de vieses.⁴⁵ Esses riscos, por sua vez, minam a “confiança e aceitação” ²⁵ dos

stakeholders, que é essencial para a adoção generalizada da tecnologia. Portanto, a governança, integrada desde o início do ciclo de vida da IA ⁴⁵, é um fator crítico de sucesso. Essa abordagem não apenas garante a conformidade regulatória e a segurança dos dados, mas também constrói a confiança necessária para que a IA seja aceita e utilizada em toda a empresa, promovendo uma cultura de IA responsável e sustentável.

5.3. Adaptação Organizacional e Capacitação

A adoção da IA e a transformação digital impulsionada por ela exigem uma adaptação significativa da força de trabalho e da cultura organizacional.

A requalificação da força de trabalho é um imperativo. A substituição de tarefas repetitivas por máquinas inteligentes pode gerar redução de custos, mas também impõe às empresas o desafio de repensarem seus modelos de trabalho e capacitarem seus colaboradores para aprenderem e colaborarem com novas tecnologias.⁷ É essencial investir em treinamento contínuo e no desenvolvimento de competências que permitam aos profissionais aproveitarem os benefícios da Indústria 4.0 e se ajustarem às transformações do mercado de trabalho.⁷

A curva de aprendizado associada à implementação de novas ferramentas é outro desafio. A complexidade de algumas ferramentas de BPM com IA pode representar uma barreira para equipes menores ou empresas com recursos limitados, gerando uma curva de aprendizado que precisa ser gerenciada.⁴⁷

Existem também desafios de generalização da IA. Diferentemente dos seres humanos, os modelos de IA têm dificuldade em transportar suas experiências de uma circunstância para outra, o que exige investimento no treinamento de múltiplos modelos para diferentes contextos. O aprendizado por transferência surge como uma resposta promissora a esse desafio, permitindo que um modelo treinado para uma tarefa aplique o conhecimento adquirido a uma atividade similar, acelerando o desenvolvimento de novas aplicações.⁴⁶

Por fim, a limitação da imaginação humana pode ser a maior barreira para o avanço da IA. Para contorná-la, é sugerido que as organizações e os profissionais se mantenham atualizados em relação às ferramentas existentes, aos avanços de curto e longo prazo, e que conversem ativamente com especialistas da área para expandir suas perspectivas sobre o potencial da tecnologia.⁴⁶

A implementação bem-sucedida da IA é fundamentalmente um desafio humano e organizacional. A IA é uma tecnologia poderosa, mas sua eficácia em escala depende crucialmente da capacidade de uma organização em se adaptar. A resistência à mudança, a falta de habilidades adequadas e a incapacidade de “imaginar” novas aplicações ⁷ podem limitar significativamente o impacto da IA, independentemente de sua sofisticação técnica. A “adaptação dos colaboradores” ⁷ é tão crítica quanto a própria tecnologia. Para maximizar o valor da IA no contexto de BPMN, as organizações devem adotar uma abordagem holística que priorize a gestão da mudança, o desenvolvimento contínuo de talentos e a promoção de uma cultura de aprendizado e experimentação. A IA não substitui o fator humano, mas o redefine, exigindo novas competências e uma mentalidade adaptativa para que os profissionais possam trabalhar em colaboração com sistemas inteligentes e explorar novas fronteiras de eficiência e inovação.

6. Tendências Emergentes e o Futuro da IA no BPMN

O futuro da IA no BPMN é promissor, com tendências emergentes que prometem transformar ainda mais a gestão de processos e a colaboração entre humanos e máquinas.

6.1. Integração com IoT e Edge Computing

A Internet das Coisas (IoT) e o Machine Learning (ML) estão se tornando participantes ativos na criação de workflows de BPMN, indo além de meras fontes de dados e permitindo uma automação mais distribuída e inteligente.

O padrão BPMN 2.0 já oferece aos modeladores a opção de definir comportamentos de IoT, Machine Learning e processos de negócio utilizando pools variados e diagramas de colaboração.⁴⁸ Isso permite que os processos de negócio utilizem dispositivos IoT e ML para detecção, captura, armazenamento de dados, atuação e otimização da execução de decisões baseadas em dados.⁴⁸ Essa capacidade integra o mundo físico aos fluxos de trabalho digitais.

A automação descentralizada é uma característica chave dessa integração. A IoT e o ML podem filtrar dados do mundo real para tomar decisões localmente, onde o gerenciamento e a coordenação centralizados não são estritamente necessários.⁴⁸ Essa abordagem melhora a escalabilidade e reduz o número de trocas de mensagens com sistemas centrais, tornando os processos mais ágeis e resilientes.⁴⁸

A tradução para código executável é um aspecto fundamental. Processos BPMN 2.0 podem ser traduzidos em código executável para implantação e execução em dispositivos IoT e ML.⁴⁸ A classe de recursos do BPMN 2.0 pode ser usada para adicionar informações do dispositivo IoT, permitindo a geração de códigos diferentes com base nas especificidades de cada dispositivo.⁴⁸ Isso facilita a implementação de lógica de negócios diretamente nos dispositivos de borda.

Exemplos práticos dessa integração já são visíveis em diversos setores:

Cadeia de Suprimentos: Dispositivos IoT e ML podem oferecer uma vantagem competitiva significativa na cadeia de suprimentos, na integração de clientes e na abertura de contas.⁴⁸ Um

framework de integração de IA na cadeia de suprimentos pode melhorar a previsão de demanda, o controle de inventário e a logística, otimizando operações e reduzindo riscos ao aproveitar análises sofisticadas de dados históricos e em tempo real.³⁷

Automação Residencial/Industrial: Um exemplo futurista, mas cada vez mais real, é uma geladeira conectada à internet que detecta a falta de um item e envia uma transação de compra automática para um supermercado, baseando-se no perfil do cliente, sem interação humana.⁵⁰ Isso ilustra como a IoT e a automação podem informatizar processos e tornar tarefas que antes eram manuais muito mais ágeis e produtivas.⁵¹
Controle de Qualidade e Detecção de Fraudes: A IoT com ML pode servir como um sistema de controle de qualidade para qualquer decisão, desde aprovações de empréstimos de baixo risco até detecção de fraudes de alto risco. Esses sistemas podem ser treinados consistentemente com novos dados conforme necessário, adaptando-se a novas condições de mercado.⁴⁸

A convergência da IoT e do Machine Learning com o BPMN transforma o BPMN em uma linguagem de orquestração para o mundo físico-digital. A IoT, ao trazer o mundo físico para o domínio dos dados, e o ML, ao permitir que esses dados sejam usados para decisões autônomas ⁴⁸, expandem o escopo de aplicação do BPMN. A capacidade da notação de modelar o comportamento de dispositivos IoT e ML ⁴⁸ e de traduzir esses modelos em código executável ⁴⁸ significa que o BPMN não está mais restrito a processos puramente digitais. Ele pode agora orquestrar fluxos de trabalho que se estendem do

backend de TI para o chão de fábrica ou para dispositivos inteligentes em ambientes residenciais. Isso abre um novo paradigma para a automação de processos, onde o BPMN se torna a linguagem central para projetar e gerenciar “processos ciber-físicos”. A integração de dados de sensores com a lógica de negócios e as capacidades de decisão da IA permite uma otimização em tempo real e uma agilidade sem precedentes em setores como manufatura, logística e até mesmo serviços de saúde baseados em monitoramento remoto.

6.2. Perspectivas Acadêmicas e Direções de Pesquisa

A integração entre IA e BPM é um campo de pesquisa ativo e promissor, com a academia explorando novas fronteiras e consolidando o conhecimento existente para impulsionar a inovação e a aplicação prática.

A hiperautomação, que representa a convergência de tecnologias como RPA, IA, ML e Analytics, é um foco acadêmico de grande interesse. A pesquisa busca aprimorar a capacidade de automatizar processos de ponta a ponta, incluindo atividades complexas que antes exigiam julgamento humano, visando a máxima eficiência e agilidade organizacional.¹²

Revisões Sistemáticas da Literatura (SLR) desempenham um papel crucial na consolidação do conhecimento. A literatura acadêmica está se consolidando por meio dessas revisões para mapear o impacto da IA em modelos de negócio ⁵³ e a integração de Processamento de Linguagem Natural (NLP) na Engenharia de Requisitos de Software.²⁵ Essas revisões são fundamentais para identificar métodos que automatizam tarefas e auxiliam analistas na tomada de decisões assertivas ao projetar, estender ou reengenhar processos de negócio.²⁵ Bases de dados científicas como Scopus, Web of Science, ACM Digital Library e IEEE Xplore são fontes primárias para essas investigações, garantindo a abrangência e o rigor das pesquisas.²⁵

Apesar do vasto potencial, a adoção de NLP e IA na engenharia de software (e, por extensão, em BPMN) apresenta desafios significativos que são objeto de pesquisa contínua. Esses desafios incluem a precisão e confiabilidade de sistemas automatizados, a complexidade do processamento de linguagens humanas com suas nuances e ambiguidades, e preocupações legítimas com a redução da supervisão humana em fases críticas do processo.²⁵ A falta de explicabilidade em decisões de IA (

black-box nature), onde os processos de tomada de decisão não são transparentes, pode levar a desafios de confiança e aceitação entre as partes interessadas, um problema que a pesquisa busca mitigar.²⁵

As futuras direções de pesquisa são diversas e ambiciosas. A academia busca entender a evolução, as tendências atuais e as futuras direções da integração de IA no BPM.¹⁰ Isso inclui o desenvolvimento de mecanismos de governança mais sofisticados para a IA, modelos de propagação de incerteza em processos automatizados e geradores de código que podem criar

workflows executáveis diretamente a partir de modelos BPMN estendidos para colaboração humano-agente.²⁸ A pesquisa também explora o impacto da IA nos processos de negócios e a adaptação das empresas a essa inovação tecnológica, analisando como a IA remodela operações, eficiência e tomada de decisões em organizações de diversos portes e setores.⁵⁸

A pesquisa acadêmica serve como uma bússola essencial para a inovação responsável e sustentável. A rápida evolução da IA ⁵ exige que as empresas se adaptem continuamente para manter a competitividade.⁵⁹ A pesquisa, por meio de revisões sistemáticas ²⁵, não apenas mapeia o

status quo e as tendências, mas também identifica proativamente as lacunas de pesquisa e os desafios emergentes.²⁵ Isso inclui questões críticas como o viés algorítmico e a necessidade de explicabilidade dos modelos de IA.²⁵ A colaboração com a academia e o acompanhamento das pesquisas são, portanto, cruciais para as organizações. Isso permite que as empresas não apenas adotem as tecnologias mais recentes, mas o façam de forma informada e responsável, mitigando riscos éticos e operacionais, e garantindo que as inovações em IA e BPMN sejam sustentáveis a longo prazo, impulsionando um crescimento sólido e confiável.

7. Conclusão e Recomendações Estratégicas

A integração da Inteligência Artificial com a Modelagem e Notação de Processos de Negócios (BPMN) representa uma das transformações mais significativas na gestão empresarial moderna. Esta revisão rápida demonstrou o vasto potencial da IA para otimizar, automatizar e inovar processos, ao mesmo tempo em que destacou os desafios inerentes a essa jornada.

7.1. Síntese dos Principais Insights

A análise realizada revela que a BPMN atua como o fundamento estrutural para a sinergia com a IA. Como padrão essencial para a visualização e comunicação de processos, ela serve como uma linguagem universal que permite à IA interpretar, gerar e aprimorar modelos de forma padronizada e não ambígua.¹ Essa padronização é crucial para a interoperabilidade e a eficácia das aplicações de IA.

A IA, em suas diversas formas, emerge como um catalisador de transformação. Especialmente o Machine Learning e a IA Generativa, transcendem a automação de tarefas simples, permitindo otimização preditiva, análise de feedback de clientes e colaboradores, simulação de cenários complexos e até mesmo a geração automática de modelos BPMN a partir de linguagem natural.⁴ Essa capacidade democratiza a modelagem de processos e acelera o ciclo de vida do processo, impulsionando a inovação.

O Process Mining se estabelece como um desvendador da realidade operacional. Ele é crucial para entender o “as-is” dos processos a partir de dados de log, fornecendo informações baseadas em evidências para identificar gargalos e desvios.²⁹ A escolha do algoritmo de Process Mining impacta diretamente a precisão e solidez do modelo descoberto, sublinhando a importância da seleção adequada da técnica.³³

A hiperautomação se consolida como uma visão estratégica para o futuro da automação. A convergência de IA, ML, RPA e BPM, encapsulada nesse conceito, permite a automação de processos complexos de ponta a ponta, liberando o capital humano para atividades de maior valor estratégico e promovendo agilidade organizacional.¹²

A emergência da colaboração humano-agente é uma tendência notável. O desenvolvimento de extensões do BPMN para modelar interações complexas entre humanos e agentes de IA sinaliza uma mudança para workflows aumentados, onde a IA atua como um colaborador inteligente, e não apenas um substituto de mão de obra.²⁸

Contudo, a jornada não é isenta de desafios, que se configuram como fatores críticos de sucesso. A qualidade dos modelos BPMN (evitando anti-padrões), a governança de dados, a explicabilidade da IA, a superação de vieses algorítmicos e a adaptação organizacional são barreiras que, se não abordadas proativamente, podem limitar o sucesso da integração.¹⁸

Por fim, a integração com a IoT e o Edge Computing representa uma extensão do processo ao mundo físico. Essa convergência permite que os processos se estendam além dos sistemas digitais, habilitando automação em tempo real e tomada de decisões descentralizada em ambientes como a cadeia de suprimentos e a automação industrial/residencial.⁴⁸

7.2. Recomendações para Implementação e Adoção

Para as organizações que buscam alavancar o poder da IA em conjunto com a BPMN, as seguintes recomendações estratégicas são essenciais para garantir uma implementação bem-sucedida e sustentável:

Invista na Qualidade da Modelagem BPMN:
1. Ação: Implemente programas de treinamento robustos em BPMN e utilize ferramentas de modelagem que incorporem detecção de anti-padrões e feedback em tempo real.
1. Justificativa: Modelos BPMN de alta qualidade são a base para que as ferramentas de IA interpretem, automatizem e gerem processos de forma eficaz. Evitar anti-padrões desde o início garante a solidez e a compreensibilidade dos workflows, maximizando o retorno sobre o investimento em IA.
Adote uma Abordagem Orientada a Dados com Process Mining:
1. Ação: Implemente soluções de Process Mining para descobrir os processos “as-is” a partir de logs de eventos. Utilize as informações geradas para identificar gargalos, desvios e oportunidades de otimização.
1. Justificativa: O Process Mining fornece uma visão empírica e precisa do comportamento real dos processos, preenchendo a lacuna entre o que se pensa que acontece e o que realmente acontece. Essa abordagem baseada em dados é fundamental para direcionar as iniciativas de IA para os pontos de maior impacto.
Explore a IA Generativa para Acelerar a Modelagem e a Inovação:
1. Ação: Experimente ferramentas de IA Generativa que permitem a criação de modelos BPMN a partir de descrições textuais. Incentive a colaboração entre especialistas de domínio e equipes de TI nesse processo.
1. Justificativa: A IA Generativa democratiza a modelagem de processos, permitindo que profissionais de negócios contribuam mais diretamente para a documentação e o design. Isso acelera o ciclo de desenvolvimento de processos e fomenta a inovação, liberando os especialistas para tarefas mais complexas.
Desenvolva uma Estratégia de Hiperautomação Holística:
1. Ação: Planeje a integração de RPA, ML, NLP e BPMS para automatizar processos de ponta a ponta, incluindo tarefas não estruturadas e decisões complexas.
1. Justificativa: A hiperautomação é a chave para alcançar eficiências operacionais significativas e agilidade organizacional. Ao orquestrar múltiplas tecnologias de IA, as empresas podem otimizar fluxos de trabalho completos, não apenas tarefas isoladas.
Priorize Governança, Ética e Explicabilidade da IA:
1. Ação: Implemente estruturas robustas de governança de dados e IA desde o início. Invista em MLOps para gerenciar o ciclo de vida dos modelos de IA e garantir sua transparência e rastreabilidade.
1. Justificativa: A confiança na IA é fundamental para sua adoção em escala. A governança garante a segurança, privacidade e conformidade dos dados, enquanto a explicabilidade aborda a “natureza de caixa preta” dos modelos, construindo confiança entre os stakeholders e mitigando riscos de viés.
Capacite a Força de Trabalho e Fomente uma Cultura de Adaptação:
1. Ação: Invista em programas contínuos de requalificação e desenvolvimento de habilidades para os colaboradores, focando em competências que complementem a IA (pensamento crítico, criatividade, resolução de problemas complexos).
1. Justificativa: A IA não substitui os humanos, mas redefine seus papéis. Uma força de trabalho capacitada e uma cultura organizacional que abraça a mudança e a aprendizagem contínua são essenciais para maximizar os benefícios da IA e garantir uma transição suave.
Explore a Convergência com IoT e Edge Computing:
1. Ação: Avalie oportunidades para integrar dispositivos IoT e Machine Learning em seus processos de negócio, especialmente em áreas como cadeia de suprimentos, manufatura e serviços de campo.
1. Justificativa: A integração com a IoT permite que os processos se estendam ao mundo físico, habilitando automação em tempo real e decisões baseadas em dados em ambientes descentralizados. Isso abre novas fronteiras para a otimização e a criação de valor.

Ao adotar essas recomendações, as organizações podem navegar com sucesso na complexa, mas recompensadora, interseção da Inteligência Artificial e da BPMN, transformando seus processos de negócio em ativos estratégicos para a inovação e o crescimento sustentável.

Referências

¹ IBM. (n.d.).

Modelagem e notação de processos de negócios (BPMN). Retrieved from https://www.ibm.com/br-pt/think/topics/bpmn

⁴ Henriques, C. (n.d.).

BPM Business Process Management com Inteligência Artificial Generativa. Medium. Retrieved from https://medium.com/@carloshenri/bpm-business-process-management-com-intelig%C3%AAncia-artificial-generativa-9f1a5dc24093

⁸ SAP. (n.d.).

Artificial Intelligence. Retrieved from https://www.sap.com/products/artificial-intelligence.html

¹⁹ MDPI. (2022).

The Impact of Strategy Changes on Business Processes: A Case Study. Retrieved from https://www.mdpi.com/2071-1050/14/17/11112

⁹ Holmes. (n.d.).

Como a IA pode melhorar os processos da sua empresa. Retrieved from https://holmes.app/blog/como-a-ia-pode-melhorar-os-processos-da-sua-empresa

³ Findup. (n.d.).

Inteligência Artificial na Otimização de Processos. Retrieved from https://www.findup.com.br/inteligencia-artificial-na-otimizacao-de-processos/

⁶⁰ ACM. (n.d.).

ACM Digital Library. Retrieved from https://www.acm.org/publications/digital-library

⁶¹ ACM. (n.d.).

Libraries. Retrieved from https://libraries.acm.org/

⁵⁵ MDPI. (2022).

Artificial Intelligence-Based Methods for Business Processes: A Systematic Literature Review. Retrieved from https://www.mdpi.com/2076-3417/12/5/2314

⁵⁴ ResearchGate. (2022).

Artificial Intelligence-Based Methods for Business Processes: A Systematic Literature Review. Retrieved from https://www.researchgate.net/publication/358810821_Artificial_Intelligence-Based_Methods_for_Business_Processes_A_Systematic_Literature_Review

⁶² Elsevier. (n.d.).

ScienceDirect AI. Retrieved from https://elsevier.shorthandstories.com/sciencedirect-ai/

²¹ MDPI. (2023).

Business Process Modeling with Petri Nets: A Case Study in the Context of an Academic Department. Retrieved from https://www.mdpi.com/2076-3417/13/20/11192

⁶³ YouTube. (2018).

Process Mining with BPMN. Retrieved from https://www.youtube.com/watch?v=ilCLrSShdiY

¹² Zeev. (n.d.).

O mundo fantástico de Analytics e Inteligência Artificial e relação disso com BPM. Retrieved from https://zeev.it/blog/o-mundo-fantastico-de-analytics-e-inteligencia-artificial-e-relacao-disso-com-bpm/

² Somos Moov. (2025).

BPMN, Automação de Processos e IA: A Transformação Digital que sua Empresa Precisa. Retrieved from https://somosmoov.com.br/2025/04/22/bpmn-automacao-processos-ia-transformacao/

²⁰ IBM. (n.d.).

Simulating a BPMN process. Retrieved from https://www.ibm.com/docs/es/SS8PJ7_9.6.1/com.ibm.xtools.modeling.execution.doc/topics/t_creating_a_bpmn_simulation.html?view=kc

⁴ Henriques, C. (n.d.).

⁶⁴ iProcess. (2012).

Melhores Práticas de Modelagem BPMN. Retrieved from https://blog.iprocess.com.br/2012/11/melhores-praticas-de-modelagem-bpmn/

⁴⁷ Zeev. (n.d.).

Ferramentas BPM com IA. Retrieved from https://zeev.it/blog/ferramentas-bpm-com-ia/

⁴⁶ Revista HSM. (n.d.).

5 Limitações para a Inteligência Artificial. Retrieved from https://revistahsm.com.br/5-limitacoes-para-a-inteligencia-artificial/

⁴¹ iProcess. (2022).

7 Anti-Padrões em BPMN que você deveria evitar. Retrieved from https://blog.iprocess.com.br/2022/04/7-anti-padroes-em-bpmn-que-voce-deveria-evitar/

⁵⁸ PUC Minas. (n.d.).

O Impacto da Inteligência Artificial nos Processos de Negócios e a Adaptação das Empresas a essa Inovação Tecnológica. Retrieved from http://bib.pucminas.br:8080/pergamumweb/vinculos/0000b8/0000b8ca.pdf

⁷ Meta. (n.d.).

Impactos da Inteligência Artificial na Indústria. Retrieved from https://meta.com.br/insights/artigos/impactos-da-inteligencia-artificial-na-industria

⁵⁹ Skyone. (n.d.).

Emerging Trends in Artificial Intelligence for Entrepreneurs. Retrieved from https://skyone.solutions/en/blog/data/emerging_trends_artificial_intelligence_entrepreneurs/

⁵ Stellumtech. (n.d.).

Tendências Emergentes em Inteligência Artificial: O Futuro da Automação e da Criatividade. Retrieved from https://stellumtech.com.br/tendencias-emergentes-em-inteligencia-artificial-o-futuro-da-automacao-e-da-criatividade/

¹² Zeev. (n.d.).

⁶⁵ IFSP. (n.d.).

ABPMP CBOK Guide. Retrieved from https://ep.ifsp.edu.br/images/conteudo/documentos/biblioteca/ABPMP_CBOK_Guide__Portuguese.pdf

⁵⁶ arXiv. (2024).

SLR on evaluating the status of AI for SE research by applying the ai4se taxonomy. Retrieved from https://arxiv.org/html/2409.18048v3

²⁵ MDPI. (2024).

Systematic Literature Review on the Integration of Natural Language Processing in Software Requirements Engineering. Retrieved from https://www.mdpi.com/2079-9292/13/11/2055

⁵⁷ SBC. (n.d.).

Revisão Sistemática da Literatura sobre Abordagens para Adaptação de Processos Baseadas em BPMN. Retrieved from https://sol.sbc.org.br/index.php/sbsi/article/view/25165?articlesBySameAuthorPage=2

⁵³ Repositório UCP. (n.d.).

The Impact of Artificial Intelligence on Business Models: A Systematic Literature Review. Retrieved from https://repositorio.ucp.pt/server/api/core/bitstreams/28bff43f-8c84-4454-98da-00d03f7e3fd0/content

²² ResearchGate. (2020).

A Process Mining Application for the Analysis of Hospital-at-Home Admissions. Retrieved from https://www.researchgate.net/publication/342421175_A_Process_Mining_Application_for_the_Analysis_of_Hospital-at-Home_Admissions

⁶⁶ Tecgraf PUC-Rio. (2018).

Process Mining for the Optimization of Clinical Pathways. Retrieved from https://web.tecgraf.puc-rio.br/press/publication/Neira2018a/Neira2018a.pdf

⁶⁷ ResearchGate. (2023).

An Integration of Business Processes and Information Management for Improving the Efficiency and Reliability of Infrastructure. Retrieved from https://www.researchgate.net/publication/376257652_An_Integration_of_Business_Processes_and_Information_Management_for_Improving_the_Efficiency_and_Reliability_of_Infrastructure

⁶⁸ ResearchGate. (2018).

How do Machine Learning Robotic Process Automation and Blockchains Affect the Human Factor in Business Process Management. Retrieved from https://www.researchgate.net/publication/328035383_How_do_Machine_Learning_Robotic_Process_Automation_and_Blockchains_Affect_the_Human_Factor_in_Business_Process_Management

³⁰ IBM. (n.d.).

Business Process Modeling Notation (BPMN) in IBM Process Mining. Retrieved from https://www.ibm.com/docs/en/process-mining/2.0.0?topic=process-business-modeling-notation-bpmn

³⁶ Mindzie. (2025).

Supply Chain Control Towers and Process Mining: Your Secret Sauce to Stay Ahead. Retrieved from https://mindzie.com/pt/2025/01/12/supply-chain-control-towers-and-process-mining-your-secret-sauce-to-stay-ahead/

²⁹ ProcessMaker. (n.d.).

Process Mining Algorithms Simply Explained. Retrieved from https://www.processmaker.com/blog/process-mining-algorithms-simply-explained/

³³ AIMultiple. (n.d.).

Process Mining Algorithms. Retrieved from https://research.aimultiple.com/process-mining-algorithms/

³⁸ Camunda. (n.d.).

BPMN Examples. Retrieved from https://camunda.com/bpmn/examples/

³¹ TU/e. (n.d.).

Process Mining Using BPMN: Relating Event Logs and Process Models. Retrieved from https://research.tue.nl/files/4007431/1379614664264.pdf

⁶⁹ Meta. (n.d.).

Automação de Processos com IA e RPA. Retrieved from https://meta.com.br/insights/artigos/automacao-processos-ia-rpa

¹³ Ricoh. (n.d.).

Automação Inteligente: BPM e RPA se relacionam usando a IA. Retrieved from https://ricohpel.com.br/automatizacao-inteligente-bpm-rpa-transformacao-digital/

⁴⁸ ProcessMaker. (n.d.).

Using IoT and Machine Learning with BPMN 2.0 to Create Workflows. Retrieved from https://www.processmaker.com/blog/using-iot-and-machine-learning-with-bpmn-2-0-to-create-workflows/

¹⁶ IBM. (n.d.).

Robotic Process Automation (RPA). Retrieved from https://www.ibm.com/think/topics/rpa

¹⁴ UiPath. (n.d.).

What is Robotic Process Automation?. Retrieved from https://www.uipath.com/rpa/robotic-process-automation

⁴² ResearchGate. (2019).

Anti-patterns for Process Modeling Problems: An Analysis of BPMN 2.0-Based Tools Behavior. Retrieved from https://www.researchgate.net/publication/338348988_Anti-patterns_for_Process_Modeling_Problems_An_Analysis_of_BPMN_20-Based_Tools_Behavior

⁴⁴ WU Vienna. (n.d.).

Anti-patterns for Process Modeling Problems: An Analysis of BPMN 2.0-Based Tools Behavior. Retrieved from https://research.wu.ac.at/en/publications/anti-patterns-for-process-modeling-problems-an-analysis-of-bpmn-2-4

⁴⁷ Zeev. (n.d.).

Ferramentas BPM com IA. Retrieved from https://zeev.it/blog/ferramentas-bpm-com-ia/

¹⁰ GoZuri. (n.d.).

Integração de IA com BPM: Estratégias para Melhorar a Eficiência Operacional. Retrieved from https://gozuri.com/blog/processos/integracao-de-ia-com-bpm-estrategias-para-melhorar-a-eficiencia-operacional/

¹⁸ DataEx. (n.d.).

Governança de Dados e Inteligência Artificial: Transformando Negócios em 2025. Retrieved from https://www.dataex.com.br/governanca-de-dados-e-inteligencia-artificial-transformando-negocios-em-2025/

⁴⁵ IBM. (n.d.).

Ampliar a inteligência artificial (IA) para sua organização. Retrieved from https://www.ibm.com/br-pt/think/topics/ai-scaling

¹⁵ Mulesoft. (n.d.).

What is Hyperautomation?. Retrieved from https://www.mulesoft.com/pt/resources/api/what-is-hyperautomation

¹⁷ Gartner. (n.d.).

Business Process Management Platforms Reviews. Retrieved from https://www.gartner.com/reviews/market/business-process-management-platforms

⁶ AWS. (n.d.).

What is Generative AI?. Retrieved from https://aws.amazon.com/pt/what-is/generative-ai/

¹¹ BIP Brasil. (n.d.).

IA Generativa e Otimização de Processos. Retrieved from https://bipbrasil.com.br/praticas/xtech/ia-generativa-e-otimizacao-de-processos/

⁷⁰ CuboBPM. (n.d.).

Inteligência Artificial. Retrieved from https://cubobpm.com.br/inteligencia-artificial/

¹⁰ GoZuri. (n.d.).

²³ Bonitasoft. (n.d.).

Bonita AI BPMN Generator. Retrieved from https://www.bonitasoft.com/ai-bpmn-generator

⁷¹ Dheka. (n.d.).

BPM e Inteligência Artificial (IA). Retrieved from https://dheka.com.br/bpm-e-inteligencia-artificial/

⁷² EOSGlobe. (n.d.).

How Generative AI can take Business Process Management to the Next Level. Retrieved from https://eosglobe.com/how-generative-ai-can-take-business-process-management-to-the-next-level/

²⁶ arXiv. (2024).

ProMoAI: Process Modeling with Generative AI. Retrieved from https://arxiv.org/html/2403.04327v1

²⁸ Modeling Languages. (n.d.).

Modeling Human-Agent Collaborative Workflows: Extending BPMN. Retrieved from https://modeling-languages.com/modeling-human-agent-collaborative-workflows-extending-bpmn/

²⁷ arXiv. (2024).

Process Modeling With Large Language Models. Retrieved from https://arxiv.org/html/2403.07541v1

²³ Bonitasoft. (n.d.).

Bonita AI BPMN Generator. Retrieved from https://www.bonitasoft.com/ai-bpmn-generator

²⁴ Zeev. (n.d.).

Modelagem automatizada de processos: transforme descrições em fluxos BPMN com IA. Retrieved from https://zeev.it/blog/modelagem-automatizada-processos/

³² Process Mining.org. (n.d.).

Comparative Process Mining. Retrieved from https://www.processmining.org/comparative-process-mining.html

³³ AIMultiple. (n.d.).

Process Mining Algorithms. Retrieved from https://research.aimultiple.com/process-mining-algorithms/

²⁹ ProcessMaker. (n.d.).

Process Mining Algorithms Simply Explained. Retrieved from https://www.processmaker.com/blog/process-mining-algorithms-simply-explained/

⁷³ ResearchGate. (n.d.).

Summary and comparison of the four process mining algorithms. Retrieved from https://www.researchgate.net/figure/Summary-and-comparison-of-the-four-process-mining-algorithms_tbl1_350667539

³⁴ Wikipedia. (n.d.).

Inductive miner. Retrieved from https://en.wikipedia.org/wiki/Inductive_miner

³⁵ MDPI. (2024).

Time-Aware Genetic Process Mining: A Novel Approach for Discovering Process Models from Event Logs. Retrieved from https://www.mdpi.com/2079-8954/13/4/229

⁵² ScienceSphere. (n.d.).

Business Process Modeling with IoT and Machine Learning. Retrieved from https://www.revue-irs.com/index.php/home/article/download/229/156/399

⁴⁸ ProcessMaker. (n.d.).

Using IoT and Machine Learning with BPMN 2.0 to Create Workflows. Retrieved from https://www.processmaker.com/blog/using-iot-and-machine-learning-with-bpmn-2-0-to-create-workflows/

³⁷ Revue IRS. (n.d.).

A Framework for AI Integration in Supply Chain Management. Retrieved from https://www.revue-irs.com/index.php/home/article/download/229/156/399

⁴⁹ Frontiers in Artificial Intelligence. (2024).

The Integration of Artificial Intelligence in Supply Chain Management: From Industry 4.0 to Industry 6.0. Retrieved from https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1477044/full

⁵⁰ Neomind. (n.d.).

Internet das Coisas e BPM. Retrieved from https://www.neomind.com.br/blog/internet-das-coisas-e-bpm/

⁵¹ Yank Solutions. (n.d.).

IoT e Automação. Retrieved from https://yanksolutions.com.br/automacao/iot-e-automacao/

³⁹ ResearchGate. (2019).

BUSINESS PROCESS MODEL ANTI-PATTERNS: A BIBLIOGRAPHY AND TAXONOMY OF PUBLISHED WORK. Retrieved from https://www.researchgate.net/publication/332427166_BUSINESS_PROCESS_MODEL_ANTI-PATTERNS_A_BIBLIOGRAPHY_AND_TAXONOMY_OF_PUBLISHED_WORK

⁴⁴ WU Vienna. (n.d.).

⁴³ Slideshare. (n.d.).

Analysis of Most Common Process Modelling Mistakes in BPMN Process Models. Retrieved from https://www.slideshare.net/slideshow/eurospi2007trozman/1904050

⁴⁰ Medium. (n.d.).

Understanding Common Software Architecture AntiPatterns. Retrieved from https://medium.com/@lichtenberg.maurice/understanding-common-software-architecture-antipatterns-e4abd7edc609

⁷⁴ Camunda. (n.d.).

BPMN 2.0 Symbols – A complete guide with examples. Retrieved from https://camunda.com/bpmn/reference/

⁷⁵ YouTube. (n.d.).

Making a BPMN 2.0 Chart and Symbols in PowerPoint. Retrieved from https://www.youtube.com/watch?v=Z5NNF-CpyEo

²⁵ Bonitasoft. (n.d.).

Bonita AI BPMN Generator | Create BPMN Diagrams from Text. Retrieved from https://www.bonitasoft.com/ai-bpmn-generator

²² ResearchGate. (2020).

³³ AIMultiple. (n.d.).

Process Mining Algorithms. Retrieved from https://research.aimultiple.com/process-mining-algorithms/

³⁰ IBM. (n.d.).

Business Process Modeling Notation (BPMN) in IBM Process Mining. Retrieved from https://www.ibm.com/docs/en/process-mining/2.0.0?topic=process-business-modeling-notation-bpmn

³¹ TU/e. (n.d.).

Process Mining Using BPMN: Relating Event Logs and Process Models. Retrieved from https://research.tue.nl/files/4007431/1379614664264.pdf

¹⁴ UiPath. (n.d.).

What is Robotic Process Automation?. Retrieved from https://www.uipath.com/rpa/robotic-process-automation

⁴⁸ ProcessMaker. (n.d.).

Using IoT and Machine Learning with BPMN 2.0 to Create Workflows. Retrieved from https://www.processmaker.com/blog/using-iot-and-machine-learning-with-bpmn-2-0-to-create-workflows/

⁴² ResearchGate. (2019).

⁴⁵ IBM. (n.d.).

Ampliar a inteligência artificial (IA) para sua organização. Retrieved from https://www.ibm.com/br-pt/think/topics/ai-scaling

¹⁵ Mulesoft. (n.d.).

What is Hyperautomation?. Retrieved from https://www.mulesoft.com/pt/resources/api/what-is-hyperautomation

²⁶ arXiv. (2024).

ProMoAI: Process Modeling with Generative AI. Retrieved from https://arxiv.org/html/2403.04327v1

²⁸ Modeling Languages. (n.d.).

Modeling Human-Agent Collaborative Workflows: Extending BPMN. Retrieved from https://modeling-languages.com/modeling-human-agent-collaborative-workflows-extending-bpmn/

Maiquel Gomes

Graduado em Ciências Atuariais pela Universidade Federal Fluminense (UFF); Mestrando em Computação; Professor de IA e linguagem de programação; Autor de livros , artigos e apps; Idealizador dos portaisl ia.bio.br, iappz.com e ai.tec.re; Um jovem apaixonado pela vida, pelas amizades, pelas viagens, pelos sorrisos, pela praia, pelas baladas, pela natureza, pelo jazz e pela tecnologia.

Leituras 8

Deixe um comentário Cancelar resposta