Decisões inteligentes em cidades complexas: integração de Machine Learning em sistemas de suporte à decisão

Nas cidades contemporâneas, a logística urbana representa um desafio crítico diante da crescente demanda por entregas rápidas, do congestionamento viário e da pressão por práticas sustentáveis. Esse ambiente apresenta fragmentação de dados, ausência de padronização nas bases disponíveis e baixa maturidade digital das instituições públicas. Paralelamente, técnicas de Machine Learning (ML) oferecem novas possibilidades para transformar informações dispersas em conhecimento útil, embora ainda exista uma distância entre o potencial técnico e a prática cotidiana da gestão urbana. Com esse contexto, a pesquisa teve como propósito desenvolver um framework teórico voltado à integração de ML a Sistemas de Suporte à Decisão (SSD), com foco em apoiar gestores públicos em processos decisórios ligados à logística urbana. A investigação seguiu a metodologia Design Science Research (DSR), combinando revisão sistemática da literatura, entrevistas em profundidade, aplicação de questionário estruturado e entrevistas de validação. Dez especialistas das áreas de Inteligência Artificial, inovação e gestão pública participaram das etapas, o que possibilitou análise triangulada entre dados qualitativos e quantitativos. Os resultados demonstraram a viabilidade de um modelo cíclico composto por oito etapas, capaz de transformar dados urbanos em decisões fundamentadas. O estudo também identificou barreiras institucionais, critérios de maturidade digital e estratégias para aproximar dados, algoritmos e práticas de gestão, reforçando a aplicabilidade prática do modelo para o setor público. A contribuição central do framework está na articulação entre dimensões técnicas, institucionais e operacionais da logística urbana, oferecendo base conceitual consistente e adaptável a diferentes realidades. Do ponto de vista prático, o modelo apresenta diretrizes claras para gestores que enfrentam a fragmentação de dados e a urgência por decisões mais ágeis. Entre as limitações, destacam-se a ausência de testes em cenários reais e o número restrito de participantes, aspectos que abrem espaço para investigações futuras em outros contextos institucionais e territoriais.