# Como a IA pontua um concurso face ao seu catálogo de produtos

> Uma explicação clara de como a IA pontua um concurso público face ao seu catálogo de produtos real. Abrange os perfis de palavras-chave, a correspondência semântica, a pontuação de adequação e por que razão a precisão ao nível do catálogo supera os alertas por palavras-chave.

Source: https://trinta.ai/pt/blog/how-ai-scores-tender-against-product-catalogue · Published: 2026-06-02 · Category: Technology · 8 min read
Keywords: AI tender scoring, product catalogue matching, tender fit score, semantic procurement matching, AI tender intelligence

A maioria das ferramentas de alerta de concursos funciona por palavras-chave. Introduz alguns termos, o sistema envia-lhe por e-mail todos os anúncios que os contêm, e passa as manhãs a apagar os que não se aplicam. O problema não é que os alertas por palavras-chave encontrem pouco. É que encontram demasiado do que não interessa, e falham o que interessa quando o comprador usa outras palavras.

Uma abordagem melhor pontua cada concurso face ao seu catálogo de produtos real. Este artigo explica como isso funciona, passo a passo, e por que razão a correspondência ao nível do catálogo produz uma lista restrita em que pode confiar.

## Comece pelo que vende, não pelo que pesquisa

O fundamento de uma correspondência precisa é um retrato exato do que a sua empresa realmente faz. Uma palavra-chave é um palpite. Um catálogo é um facto.

A Trinta começa por ler os produtos de uma empresa e o seu sítio web. A partir daí, constrói um perfil de palavras-chave multilingue: os materiais, as famílias de produtos, as normas que detém, os setores que serve e as palavras que um comprador, em cada um dos seus mercados, usaria para descrever o que fabrica. Um fabricante de gases medicinais em Portugal não vende apenas "gás". Vende centrais de oxigénio, sistemas de vácuo, unidades de ar medicinal, componentes de rede e as certificações que os acompanham, descritos em português, francês, espanhol, inglês e árabe consoante a localização do comprador.

Esse perfil é o ponto de referência. Cada concurso é depois medido face a ele.

## Os limites da correspondência por palavras-chave

A correspondência por palavras-chave falha por duas razões estruturais.

Primeiro, o desvio de vocabulário. "Fornecimento e instalação de uma central de produção de oxigénio para um hospital regional" e "fornecimento de central de produção de oxigénio medicinal" descrevem a mesma oportunidade de duas formas. Um conjunto de palavras-chave afinado para uma falhará a outra por completo. Mesmo dentro de um único idioma, "gerador de oxigénio PSA", "central de concentração de oxigénio" e "sistema de produção de oxigénio no local" são três formulações de um só produto.

Segundo, os falsos positivos. Uma pesquisa por "oxigénio" devolve concursos de tratamento de água, contratos de monitorização ambiental e anúncios de fornecimento de gás de soldadura que nada têm a ver com infraestrutura hospitalar. O comprador usou a sua palavra-chave. A oportunidade não é sua.

A pontuação ao nível do catálogo resolve ambos. Lê pelo significado, não por correspondências de cadeias de caracteres, e mede quão de perto o significado se alinha com o que realmente vende.

## Correspondência semântica: ler pelo significado

A técnica central é o vetor de embedding. Um embedding transforma um excerto de texto numa lista de números que capta o seu significado. Dois textos que significam o mesmo produzem números semelhantes, mesmo quando não partilham palavras e estão em idiomas diferentes.

Quando um concurso é publicado, a Trinta gera um embedding a partir do seu título, descrição, códigos de classificação e comprador. Compara-o com o embedding do seu perfil de palavras-chave. Quanto mais próximos os dois, maior a correspondência semântica. É assim que "aquisição de sistema fotovoltaico para instalações públicas" pode ser reconhecida como relevante para um instalador solar cujo catálogo nunca usou a palavra "fotovoltaico".

A similaridade semântica é o sinal isolado mais forte. Por si só, no entanto, não basta.

## Pontuação de adequação: os fatores para além da similaridade

Um concurso pode parecer semanticamente próximo e ainda assim ser uma má adequação. Uma consultoria de duas pessoas não deve perseguir um contrato que precisa de uma equipa de execução de cem pessoas. Uma empresa licenciada apenas no Quénia não deve ver um anúncio que só pode ser servido a partir do interior do Brasil.

Por isso, a similaridade semântica é combinada com fatores estruturados que descrevem a adequação:

**Sobreposição setorial.** Os códigos de classificação do concurso (CPV na Europa, UNSPSC nas agências das Nações Unidas, equivalentes nacionais noutros locais) alinham-se com os setores do seu catálogo? São metadados que o próprio comprador anexou, o que faz deles uma verificação cruzada fiável da leitura semântica.

**Adequação geográfica.** A empresa está ativa no país do concurso, ou é capaz de entregar aí? Uma oportunidade que não pode servir legalmente não é uma oportunidade.

**Adequação de dimensão da empresa.** O valor do contrato situa-se dentro da faixa que a sua empresa consegue realisticamente executar? O alinhamento de valor mantém a lista restrita ancorada no que consegue ganhar e executar.

**Sinais históricos.** A empresa já se envolveu com concursos semelhantes, ou ganhou contratos deste tipo? O comportamento passado é um preditor discreto mas útil da relevância futura.

Cada fator ajusta a pontuação para cima ou para baixo. Um concurso semanticamente próximo, corretamente classificado, no seu país, à sua escala e semelhante a trabalho que já realizou sobe ao topo. Um concurso próximo nas palavras mas errado na geografia ou na escala desaparece.

## De milhares de anúncios a uma lista restrita diária

O objetivo da pontuação é a seleção. A Trinta analisou mais de um milhão de concursos de fontes oficiais em mais de 100 países. Nenhuma equipa consegue ler esse volume. O motor de pontuação reduz isso à mão-cheia que realmente corresponde ao seu catálogo, ordenada por adequação, e entrega-a como um resumo diário.

Em vez de abrir vinte portais e apagar quarenta alertas irrelevantes, abre um e-mail e lê as dez oportunidades que mais merecem o seu tempo. O trabalho que poupa na pesquisa vai diretamente para o trabalho que ganha: compreender o requisito e redigir uma proposta forte.

## Por que razão a precisão do catálogo se acumula

Um alerta por palavras-chave é estático. Devolve o mesmo tipo de ruído no primeiro dia e no centésimo. A pontuação ao nível do catálogo melhora. Quando marca uma oportunidade como relevante, o sistema aprende a fazer sobressair mais como ela. Quando descarta uma, aprende a filtrá-la. Ao longo de semanas, a lista restrita estreita-se exatamente para o trabalho que a sua empresa foi construída para ganhar.

Há uma prova concreta. A Ultra Controlo, um fabricante de gases medicinais em Portugal há 40 anos, colocou o seu catálogo na Trinta e fez sobressair um concurso de 700 000 EUR logo na primeira semana. Ganhou esse contrato duas semanas depois. No primeiro mês, a plataforma fez sobressair mais de 30 milhões de EUR em oportunidades qualificadas correspondentes aos produtos da empresa. Nada disso veio de digitar palavras-chave numa caixa de pesquisa. Veio de o sistema saber, ao pormenor, o que a empresa fabrica e onde pode ganhar.

## O que fica

Os alertas por palavras-chave respondem à pergunta "que anúncios contêm as minhas palavras?" A pontuação ao nível do catálogo responde a uma pergunta bem mais útil: "que concursos públicos a minha empresa foi realmente construída para ganhar?" A primeira inunda a sua caixa de entrada. A segunda entrega-lhe uma lista restrita. Para qualquer empresa que venda produtos reais em mercados públicos, essa diferença é a diferença entre monitorizar a contratação pública e competir nela.

## Frequently asked questions

**How does AI score a tender against a product catalogue?**

The scoring starts from what a company actually sells rather than from search terms. The catalogue becomes a multilingual profile, each incoming notice is compared against it semantically, and a fit score from 0 to 100 reflects what is being bought, where, at what scale, and how closely it matches the company's range.

**Why is catalogue-level matching better than keyword alerts?**

Because a catalogue describes capability, while keywords describe a guess about phrasing. Catalogue matching surfaces a notice that specifies your product in unfamiliar terms and suppresses one that merely shares a word. It also compounds: as the catalogue is refined, every future notice is judged against a better description of what the company can deliver.

**What factors go into a fit score beyond text similarity?**

Semantic similarity is the starting point, not the whole score. A useful fit score also weighs where the contract is, whether the buyer is reachable for that supplier, the scale of the contract against the supplier's capacity, and how central the requirement is to the catalogue rather than incidental to it.

---

All guides: https://trinta.ai/blog · Site index for agents: https://trinta.ai/llms.txt