FERNANDA DE ALMEIDA ROADMAPPING TECNOLÓGICO FUNDAMENTADO EM INTELIGÊNCIA ARTIFICIAL: UM ESTUDO SOBRE GESTÃO DA INOVAÇÃO AGRÍCOLA NO SETOR PÚBLICO LAVRAS – MG 2024 FERNANDA DE ALMEIDA ROADMAPPING TECNOLÓGICO FUNDAMENTADO EM INTELIGÊNCIA ARTIFICIAL: UM ESTUDO SOBRE GESTÃO DA INOVAÇÃO AGRÍCOLA NO SETOR PÚBLICO Dissertação apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Administração, área de concentração em Gestão Estratégica, Marketing e Inovação, para a obtenção do título de Mestre. Prof. Dr. Paulo Henrique Montagnana Vicente Leme Orientador LAVRAS – MG 2024 Ficha catalográfica elaborada pelo Sistema de Geração de Ficha Catalográfica da Biblioteca Universitária da UFLA, com dados informados pelo(a) próprio(a) autor(a). Almeida, Fernanda de. Roadmapping Tecnológico fundamentado em inteligência artificial : um estudo sobre gestão da inovação agrícola no setor público / Fernanda de Almeida. - 2024. 146 p. Orientador(a): Paulo Henrique Montagnana Vicente Leme. Dissertação (mestrado acadêmico) - Universidade Federal de Lavras, 2024. Bibliografia. 1. Inovação direcionada por dados. 2. Agricultura Digital. 3. Data-driven roadmapping. I. Leme, Paulo Henrique Montagnana Vicente. II. Título. FERNANDA DE ALMEIDA ROADMAPPING TECNOLÓGICO FUNDAMENTADO EM INTELIGÊNCIA ARTIFICIAL: UM ESTUDO SOBRE GESTÃO DA INOVAÇÃO AGRÍCOLA NO SETOR PÚBLICO TECHNOLOGY ROADMAPPING BASED ON ARTIFICIAL INTELLIGENCE: A STUDY ON AGRICULTURAL INNOVATION MANAGEMENT IN THE PUBLIC SECTOR Dissertação apresentada à Universidade Federal de Lavras, como parte das exigências do Programa de Pós-Graduação em Administração, área de concentração em Gestão Estratégica, Marketing e Inovação, para a obtenção do título de Mestre. APROVADA em 17 de janeiro de 2024. Prof. Dr. Edson Luis Bolfe UNICAMP Pesq. Dr. Rubens Augusto de Miranda EMBRAPA Prof. Dr. Paulo Henrique Montagnana Vicente Leme Orientador LAVRAS – MG 2024 A Deus criador e redentor. Ao meu amado esposo Paulinho. DEDICO AGRADECIMENTOS A Deus, por seu infinito amor e por iluminar os caminhos diante de cada desafio enfrentado, fazendo com que o percurso fosse menos tortuoso. De uma maneira especial agradeço ao meu amado esposo Paulinho pelo apoio incondicional, companheirismo e por permanecer sempre presente nas aventuras, mas sobretudo nos momentos mais difíceis me motivando a superar as adversidades e a seguir adiante. Aos meus pais, Mauro e Cleusa, pelo incentivo e orações, além de acreditarem que eu seria capaz de ser exitosa em mais esta jornada. Aos meus irmãos, Mari, Léo por compreenderem todos os momentos de ausência e afastamento necessários e por torcerem sempre pelo meu sucesso. Agradeço especialmente ao meu irmão Tiago pelas longas conversas e pelos sábios aconselhamentos. Ao meu orientador, Prof. Paulo Henrique Leme, por apoiar as minhas ideias e por me incentivar e orientar no desenvolvimento deste trabalho desafiador. À Profa. Cléria Lourenço pelas valiosas reflexões sobre a vida acadêmica e por sua generosidade e sabedoria compartilhada. Aos Prof. Dr. Edson Luis Bolfe, Prof. Dr. Dany Flávio Tonelli e Pesq. Dr. Rubens Augusto de Miranda, membros de minhas bancas de qualificação e defesa, pelas importantes contribuições para esta dissertação. Aos colegas da Embrapa que se dispuseram a colaborar com o trabalho sendo muito atenciosos e empenhados em promover uma discussão qualificada durante as entrevistas. À Universidade Federal de Lavras, especialmente ao Departamento de Administração e Economia, pela oportunidade de fazer parte de uma formação prestigiada como esta. Aos demais Professores e a Secretaria do PPGA pelo auxílio e troca de conhecimentos. Aos Colegas do mestrado, especialmente Juliana, Anne, Karem, Antônio e tantos outros, a parceria de vocês foi fundamental. Aos amigos Kelly e Rafael, pelo carinho e amizade. À EMBRAPA, pelo apoio para a realização deste mestrado pelo seu Programa Corporativo de Pós-graduação. Por fim, meu muito obrigado a todos que contribuíram direta ou indiretamente para que esse mestrado se concretizasse. Grata! RESUMO As disrupções provocadas pelas tecnologias digitais carregam consigo oportunidades e ameaças que se colocam de maneiras diferentes no contexto das empresas privadas e do setor público. À medida que se busca fortalecer a inovação transformadora, as organizações públicas de pesquisa serão paulatinamente conclamadas a atender de forma consciente aos impactos mais amplos e à sua responsabilidade pelas várias transformações para as quais estão contribuindo ativamente por meio de sua Pesquisa e Desenvolvimento. A transição da Agricultura Digital que agregue autonomia robótica e inteligência artificial, para além do desenvolvimento tecnológico, passa pela reflexão sobre como os diversos caminhos de transição para sistemas agrícolas e alimentares sustentáveis estão relacionados com a inovação responsável e ambientes de inovação orientados por missão. A administração das atividades do processo de inovação configura-se como a barreira organizacional mais recorrente na literatura sobre a inovação no setor público. O Technology Roadmapping (TRM), processo que mobiliza pensamento sistêmico estruturado para promover o alinhamento entre o planejamento estratégico e a gestão da inovação ainda possui lacunas de pesquisa relativas à sua integração com a mineração de dados. A avaliação da aplicabilidade e as condições de fronteira das teorias da inovação à luz da Inteligência Artificial (IA) e da Data-Driven Innovation (DDI) também se encontra em estágio incipiente no campo da administração. Sugere-se a proposição de um processo estendido que compreenda uma fase de exploração explícita antes do desenvolvimento, no qual o refinamento do conceito da ideia e/ou inovação ocorra por meio da experimentação de recursos de dados e a exploração das relações sociais. Diante do exposto, o objetivo deste trabalho foi propor um framework e um agente de IA (chatbot) que juntos configuram os preceitos básicos para um processo de roadmapping tecnológico aumentado por IA (Augmented TRM). O percurso metodológico seguiu as diretrizes para projetos em Design Science Research (DSR), relacionado à perspectiva de que o conhecimento acadêmico deve apresentar relevância para o campo prático, reduzindo a lacuna existente entre a teoria e o exercício da atividade. O projeto de pesquisa em DSR compreendeu as seguintes fases: identificação do problema, definição do objetivo da solução, desenvolvimento, demonstração/avaliação e comunicação. Como a dissertação é estruturada em formato de artigos, o primeiro contempla a problemática sobre o tema da inovação e a inteligência artificial, o segundo artigo aborda a definição de uma solução de roadmapping para o contexto da inovação agrícola e o terceiro abarca o processo framework desenvolvido, juntamente à sua avaliação pelos especialistas (entrevistas) que se voluntariaram a contribuir com esta pesquisa. Como resultado, observa-se um forte interesse no uso da IA generativa para a realização de atividades que demandam cognição qualificada, como a prospecção tecnológica. Contudo, desde que ocorra com algum nível de supervisão humana a ser definida após ciclos de experimentação. Na avaliação sobre a aplicabilidade de um processo reforçado pelo autoaprendizado da IA, o impacto organizacional vai além da automatização de tarefas discretas e se estende à alteração inovadora de processos existentes e à introdução de tarefas completamente novas. Palavras-chave: inovação direcionada por dados; Modelos de Linguagem de Grande Escala; agricultura digital; Augmented TRM; data-driven roadmapping ABSTRACT The disruptions caused by digital technologies bring both opportunities and threats, which manifest differently in the context of private companies and the public sector. As the focus shifts towards strengthening transformative innovation, public research organizations are increasingly called upon to consciously address the broader impacts and their responsibility for the various transformations to which they actively contribute through their Research and Development. The transition to Digital Agriculture, which incorporates robotic autonomy and artificial intelligence, involves not only technological development but also reflection on how various transition paths to sustainable agricultural and food systems are related to responsible innovation and mission-oriented innovation environments. Managing the activities of the innovation process is seen as the most recurrent organizational barrier in literature on public sector innovation. Technology Roadmapping (TRM), a process that utilizes structured systemic thinking to align strategic planning with innovation management, still has research gaps in its integration with data mining. Assessing the applicability and boundary conditions of innovation theories in light of Artificial Intelligence and the Data-Driven Innovation (DDI) is also in an early stage in the field of administration. It is suggested to propose an extended process that includes an explicit exploration phase before development, where the refinement of the idea and/or innovation concept occurs through data resource experimentation and exploration of social relationships. Therefore, the aim of this work was to propose a framework and an AI agent (chatbot) that together establish the basic precepts for an AI-augmented technology roadmapping process (Augmented TRM). The methodological approach followed the guidelines for projects in Design Science Research (DSR), related to the perspective that academic knowledge should be relevant to the practical field, bridging the gap between theory and practice. The DSR research project included the following phases: problem identification, definition of the solution's objective, development, demonstration/evaluation, and communication. As the dissertation is structured in article format, the first article addresses the issue of innovation and artificial intelligence, the second discusses a roadmapping solution for the context of agricultural innovation, and the third covers the developed framework process and its evaluation by experts (interviews) who volunteered to contribute to this research. As a result, there is a strong interest in using generative AI for activities requiring qualified cognition, such as technological prospecting. However, this should occur with some level of human supervision to be defined after experimentation cycles. In evaluating the applicability of a process enhanced by AI's self-learning, the organizational impact goes beyond automating discrete tasks and extends to innovatively altering existing processes and introducing entirely new tasks. Keywords: data-driven innovation; Large Language Models; digital agriculture; Augmented TRM (Technology Roadmapping); data-driven roadmapping LISTA DE ILUSTRAÇÕES PRIMEIRA PARTE – INTRODUÇÃO GERAL Figura 1 – Arquitetura básica de um roadmap tecnológico .................................................. 24 Figura 2 – Fases de iteração do processo de roadmapping ................................................... 26 Figura 3 – Elementos essenciais de um projeto de Design Science Research ....................... 31 Quadro 1 – Matriz de amarração metodológica ..................................................................... 34 SEGUNDA PARTE – ARTIGOS ARTIGO 1 – Da inteligência competitiva à inovação direcionada por dados: revisão e agenda futura sobre a análise de dados na gestão da inovação Figura 1 – Fluxograma PRISMA 2020 para revisões sistemáticas em bases de dados ....... 67 ARTIGO 2 – Roadmapping tecnológico no setor público em apoio à agricultura digital: revisão sistemática e agenda futura de pesquisa Figura 1 – Fluxograma PRISMA para revisões sistemáticas .............................................. 79 Figura 2 - Número de estudos selecionados por ano de publicação .................................... 80 Figura 3 – Número de publicações por país de origem ....................................................... 80 Figura 4 – Rede de co-ocorrência de palavras-chave .......................................................... 81 Figura 5 – Mapa conceitual por análise de correspondência múltipla ................................ 81 ARTIGO 3 – Augmented TRM: roadmapping tecnológico aumentado por IA generativa na gestão da inovação agrícola pelo setor público Figura 1 – Critérios de avaliação dos artefatos ..................................................................... 107 Figura 2 – Arquitetura do Agente de IA ............................................................................... 110 Figura 3 – Augmented TRM Framework ............................................................................. 112 LISTA DE TABELAS SEGUNDA PARTE – ARTIGOS ARTIGO 1 – Da inteligência competitiva à inovação direcionada por dados: revisão e agenda futura sobre a análise de dados na gestão da inovação Tabela 1 – Caracterização dos artigos por evolução da agenda de pesquisa ....................... 61 Tabela 2 – Tendências de estudos futuros e autores ............................................................ 70 ARTIGO 2 – Roadmapping tecnológico no setor público em apoio à agricultura digital: revisão sistemática e agenda futura de pesquisa Tabela 1 – Principais características dos estudos por categoria .......................................... 82 Tabela 2 – Tendências de estudos futuros e autores ........................................................... 86 LISTA DE SIGLAS API Application Programming Interface CEO Chief Executive Officer CT&I Ciência, Tecnologia e Inovação DDI Data-driven Innovation DSR Design Science Research EMBRAPA Empresa Brasileira de Pesquisa Agropecuária IA Inteligência Artificial LLM Large Language Model ODS Objetivos de Desenvolvimento Sustentável P&D Pesquisa e Desenvolvimento PD&I Pesquisa, Desenvolvimento e Inovação PESTEL Political, Economic, Socio-cultural, Technological, Environmental and Legal PIB Produto Interno Bruto PLN Processamento de Linguagem Natural RAG Retrieval Augmented Generation SCAMPER Substitute, Combine, Adapt, Modify, Put, Eliminate, and Reverse TI Tecnologia da Informação TRM Technology Roadmapping WIPO World Intellectual Property Organization SUMÁRIO PRIMEIRA PARTE .................................................................................................... 12 1 INTRODUÇÃO ........................................................................................................... 12 1.1 Problema de pesquisa .................................................................................................. 18 1.2 Objetivos ....................................................................................................................... 20 1.3 Justificativas ................................................................................................................. 20 1.4 Estrutura da dissertação ............................................................................................. 22 2 REFERENCIAL TEÓRICO ...................................................................................... 23 2.1 Inteligência artificial na gestão da inovação ............................................................. 23 2.2 Technology Roadmapping (TRM) ............................................................................. 26 2.2.1 A estrutura visual do mapa tecnológico (roadmap) ................................................. 28 2.2.2 O processo de elaboração do roteiro (roadmapping) ............................................... 30 3 METODOLOGIA ........................................................................................................ 34 3.1 Caracterização da Pesquisa ........................................................................................ 34 3.2 Objeto de estudo e unidade de análise ....................................................................... 36 3.3 Síntese do percurso metodológico adotado no Artigo 1 ........................................... 37 3.4 Síntese do percurso metodológico adotado no Artigo 2 ........................................... 37 3.5 Síntese do percurso metodológico adotado no Artigo 3 ........................................... 38 3.6 Matriz de amarração metodológica ........................................................................... 39 REFERÊNCIAS .......................................................................................................... 40 SEGUNDA PARTE - ARTIGOS ............................................................................... 52 ARTIGO 1 – Da inteligência competitiva à inovação direcionada por dados: revisão integrativa e agenda futura ........................................................................... 52 ARTIGO 2 – Roadmapping tecnológico no setor público em apoio à agricultura digital: revisão sistemática e agenda futura de pesquisa ........................................ 78 ARTIGO 3 – Augmented TRM: roadmapping tecnológico aumentado por IA generativa na gestão da inovação agrícola pelo setor público ................................ 98 TERCEIRA PARTE................................................................................................... 137 CONSIDERAÇÕES FINAIS ..................................................................................... 137 APÊNDICE A - Lauda de anotação da observação direta ..................................... 138 APÊNDICE B - Roteiro de entrevista semiestruturada ......................................... 139 APÊNDICE C - Termo de consentimento livre e esclarecido ................................ 141 APÊNCIDE D – Configuração do Agente de IA e prompt template ..................... 142 APÊNDICE E – Exemplo de roadmapping simulado ............................................. 143 12 PRIMEIRA PARTE 1 INTRODUÇÃO O avanço das tecnologias digitais tem influenciado a forma como as organizações buscam pelo aprimoramento contínuo de seus processos, capacidades e proposta de valor. Tecnologias emergentes como a inteligência artificial, blockchain, computação em nuvem (cloud), Internet das Coisas e a análise de dados (big data analytics) estimulam novos modos de trabalho e interação com públicos de interesse, além da criação/remodelação de modelos de negócios (Akter et al., 2022; Appio et al., 2021; Verhoef et al., 2021, Vial, 2019). As propriedades materiais das tecnologias digitais – homogeneização de dados e reprogramabilidade (Yoo et al., 2012; Yoo; Henfridsson; Lyytinen, 2010) – desafiam os modelos clássicos de transformação e requerem novas abordagens conceituais que que incorporem explicitamente a variabilidade, materialidade e emergência sociotécnica que elas representam (Baskerville; Myers; Yoo, 2020; Hanelt et al., 2021; Nambisan et al., 2017; Wessel et al., 2021). Para que se entenda a relevância do fenômeno no ambiente gerencial, 94% dos CEOs de diferentes indústrias consideram manter ou acelerar a transformação digital impulsionada pela pandemia1. Estima-se que o investimento global em transformação digital deva alcançar US$ 3,4 trilhões em 20262. Segundo pesquisa da consultoria McKinsey, a adoção de aplicações que utilizam técnicas de inteligência artificial mais do que dobrou entre 2017 e 2022, crescendo de 20% para 50% em ao menos uma unidade ou função de negócio em empresas de diferentes regiões, setores e tamanhos3. A transformação digital tem se mostrado um fator de crescimento econômico sustentável, com mais de 60% do PIB dependendo de tecnologias digitais em 2022. Ao mesmo tempo que, as soluções digitais têm o potencial de reduzir em 15% as emissões de gases de efeito estufa até 20304. Apesar de receberem uma ampla atenção da comunidade acadêmica e da prática, os fenômenos da digitalização e da transformação digital são entendidos como conceitos distintos, ainda que profundamente relacionados (Gong; Ribiere, 2021; Hanelt et al., 2021; Mariani; 1 As 10 principais tendências estratégicas de tecnologia do Gartner para 2023 (Groombridge et al., 2022). 2 https://www.idc.com/getdoc.jsp?containerId=prUS49797222 3 The state of AI in 2022 - and a half decade in review (McKinsey, 2022) 4 A digital silver bullet for the world: digitalization (WEFORUM, 2022a). 13 Machado; Nambisan; 2023; Vial, 2019). A transformação digital pode ser concebida como o estágio avançado de mudança organizacional, iniciado pela conversão da informação analógica em digital (digitization), seguido da incorporação da Tecnologia da Informação (TI) como elemento de otimização de processos sociais e institucionais existentes (digitalization), culminando em estratégias de remodelação do próprio modelo de negócio (Berman, 2012; Gong; Ribiere, 2021; Sebastian et al., 2017; Van Veldhoven; Vanthienen; 2022; Verhoef et al., 2021). Na perspectiva de Vial (2019), a transformação digital refere-se a um processo em que as tecnologias digitais provocam disrupções, levando as organizações a apresentarem respostas estratégicas focadas na evolução do seu modelo de geração de valor, enquanto lidam com as barreiras institucionais e mudanças estruturais que afetam o resultado deste processo. A disrupção inerente às tecnologias digitais se revela em três perspectivas essenciais: o comportamento e expectativas do consumidor, o cenário competitivo e a disponibilidade de dados (Vial, 2019). Hanelt et al. (2021) identificaram os dois principais mecanismos de ligação entre as condições contextuais (materiais, organizacionais e ambientais) que desencadeiam o processo transformação digital e os resultados de mudança organizacional e econômica consequência dela: a inovação e a integração. A inovação refere-se à adoção de recursos, processos e capacidades ainda inexistentes na organização. Enquanto a integração visa o alinhamento dos novos fatores com as condições já estabelecidas internamente (Berman, 2012; Hinings; Gegenhuber; Greenwood, 2018), ou seja, a mobilização das capacidades dinâmicas para superar as barreiras práticas da implementação da digitalização (Parviainen et al., 2017; Warner; Wäger; 2019). Os elementos viabilizadores da inovação nesse contexto correspondem ao desenvolvimento de uma estratégia de negócio digital, à alavancagem de competências digitais, o desenvolvimento da inovação digital e a interação homem-máquina como uma atividade central para estabelecer sinergias sustentáveis e de valor agregado entre tecnologia e seres humanos (Hanelt et al., 2021; Matt; Hess; Benlian, 2015; Sambamurthy; Bharadwaj; Grover, 2003). Em nível macro, a transformação digital é o resultado da combinação dos efeitos produzidos por diversas inovações digitais, fazendo com que emerjam novos atores, estruturas, práticas, crenças e valores que alteram, ameaçam, trocam ou complementam as regras vigentes nas organizações, ecossistemas, indústrias ou no campo como um todo (Appio et al., 2021; Hinings; Gegenhuber; Greenwood, 2018). A inovação digital compreende o uso de tecnologia 14 digital durante o processo de inovação. Assim como, também significa um resultado de inovação (oferta de mercado, processo, modelo de negócio) que seja, total ou parcialmente, digital (Nambisan et al., 2017). Tal abrangência faz com que Urbinati et al. (2022) defendam a importância de se considerar a inovação digital como um processo e, como tal, reforçam a necessidade de aprofundamento no conhecimento sobre suas fases, mecanismos subjacentes, barreiras e fatores facilitadores (Bogers et al., 2022; Urbinati et al., 2022). No entanto, as disrupções provocadas pelas tecnologias digitais carregam consigo oportunidades e ameaças (Akter et al., 2022; Sebastian et al., 2017) que se se colocam de maneiras diferentes no contexto das empresas privadas e do setor público (Mergel; Edelmann; Haug; 2019). O argumento central em relação à diferença de significado da transformação digital no setor público recai sobre o uso das ferramentas de tecnologia da informação e comunicação na busca pela melhoria da prestação de serviço e no seu impacto na criação de valor para a sociedade, e não como estratégia expansão e alavancagem da lucratividade (Mergel; Edelmann; Haug; 2019). Nesse contexto, a transformação digital governamental corresponde ao esforço de prover novas formas de cooperar com as partes interessadas, alavancando as estruturas de prestação de serviço e ampliando as formas de relacionamento (EUROPEAN COMMISSION, 2013). Pelo fato do objetivo institucional não se direcionar à competitividade por espaço mercadológico, a motivação para a inovação digital nas organizações públicas corresponde, em grande parte, ao atendimento das demandas ou necessidades de inovação dos cidadãos (Hong; Kim; Kwon, 2022), tais como, a resolução de problemas sociais, bem-estar do cidadão e otimização de recursos públicos (Wimmer et al., 2020). Em um ambiente caracterizado pela discussão em torno da velocidade do avanço da economia digital5, governos ainda são considerados atores chave nas decisões relativas às práticas apropriadas para incentivar transformações tecnológicas orientadas por missão (Roberts; Schmid, 2022) que impactem no desenvolvimento econômico sustentável (Pan et al., 2022). Do ponto de vista das políticas de inovação, o setor público pode incentivar a experimentação de novos modelos de negócios e quadros institucionais que posteriormente passarão por avaliação social para que sejam legitimados (Hinings; Gegenhuber; Greenwood, 2018), inclusive assumindo papéis que extrapolam a visão mercadológica (criador/regulador) na governança da transformação dos sistemas sociotécnicos (Borrás; Edler; 2020; Mazzucato; 5 Estrutura que tem a tecnologia da informação como o núcleo central da rede de interações econômicas (Pan et al., 2022). 15 Kattel; Ryan-Collins, 2020). Da mesma forma que, ao contrário de somente reagir à transformação digital, os governos também podem fazer uso da inovação digital para atuar buscando a antecipação de mudanças (Van Veldhoven; Vanthienen; 2022). No que tange o apoio governamental à inovação, entes públicos se pautam pela política de ciência, tecnologia e inovação (CT&I) para direcionar os esforços de Pesquisa e Desenvolvimento (P&D) que são geralmente influenciados por uma combinação de diferentes dinâmicas contextuais, formando enquadramentos históricos distintos ao longo do tempo (Acciai, 2021). Historicamente, o primeiro enquadramento pode ser caracterizado pelo apoio governamental à ciência e P&D no período pós segunda guerra, partindo da ideia de que se contribuiria para o crescimento e resolveria a falha do mercado na provisão privada de novos conhecimentos. Em segundo, pelos sistemas nacionais de inovação, quando a ênfase na competitividade do mundo globalizado da década de 1980 era o foco para a construção de vínculos, clusters e redes, estimulando o aprendizado entre os elementos dos sistemas e viabilizando o empreendedorismo. E em terceiro, o enquadramento vinculado aos desafios sociais e ambientais contemporâneos, como os Objetivos de Desenvolvimento Sustentável (ODS)6, os riscos climáticos e a necessidade de renovação da matriz energética, além do apelo à mudança transformadora (Diercks; Larsen; Steward, 2019; Schot; Steinmueller, 2018) ou a orientação por missão (Mazzucato, 2016). Tendo em vista as políticas de inovação da atualidade, o setor agrícola se coloca como um dos relevantes campos por meio do qual a inovação pode contribuir para o enfrentamento dos desafios de grande escala e o impulsionamento das transições socioecológicas desejáveis (De Boon; Sandström; Rose, 2022). Os preços dos alimentos tiveram uma alta em escala global em 2022 e, desde 2021, identificou-se que cerca de 2,3 bilhões de pessoas sofrem de insegurança alimentar moderada ou grave. A inovação dos sistemas agrícolas pode melhorar a segurança alimentar global e contribuir para o alcance do ODS2 (Fome Zero). As projeções para a produção brasileira de grãos do Ministério da Agricultura Pecuária e Abastecimento é de 389,3 milhões de toneladas, o que corresponde a um acréscimo de 24,1% no total. Tal incremento corresponde a uma taxa de crescimento de 2,4% ao ano (MAPA, 2023). Áreas promissoras de inovação incluem tecnologias de produção emergentes, como métodos regenerativos e a agricultura vertical7. Além disso, soluções digitais fortemente baseadas em dados também podem permitir uma tomada de decisão mais informada, ajudando a enfrentar 6 Transforming our world: the 2030 Agenda for Sustainable Development (UN et al., 2015). 7 Agribusiness innovation could improve global food security (WEFORUM, 2022b). 16 os desafios de produtividade, sustentabilidade e resiliência enfrentados pela agricultura (McFadden et al., 2022). Complementarmente, Goyeneche et al. (2022) defendem uma visão ampliada sobre a mobilização da pesquisa científica em prol do desenvolvimento sustentável que contemple a busca pelo tratamento dos objetivos de maneira transversal, como por exemplo, o alinhamento da produção de conhecimento sobre a produção sustentável de alimentos (ODS 2) com a redução da desigualdade (ODS 10). Da mesma forma que energia (ODS 7) e água (ODS 6) limpas, também podem se relacionar com as pesquisas relacionadas à agricultura (ODS 2) (Goyeneche et al., 2022; Sachs et al., 2019). Portanto, para que se eleve as chances de êxito e aumente a qualidade democrática do processo de transformação, um grupo mais amplo de atores, incluindo universidades e centros de pesquisa, governos, empresas e sociedade civil deve ser levado em consideração no momento da construção e implementação de agendas comuns de inovação (Goyeneche et al., 2022, Haddad et al., 2022). Com especial necessidade de desenvolvimento de modelos e ferramentas concretas que favoreçam ações de pesquisa e inovação ambiciosas, no entanto, realistas (Haddad et al., 2022; Mazzucato, 2018). O crescimento global da produção agrícola é projetado em 18% até 2030. Avalia-se que este acréscimo será predominantemente localizado em economias emergentes e países de baixa renda, sendo fortemente impulsionado por investimentos em aumento na produtividade, infraestrutura, pesquisa e desenvolvimento, acesso mais amplo a insumos agrícolas e melhores habilidades de gestão nessas regiões. Mesmo que haja uma expectativa de redução da emissão direta de carbono na produção agrícola, ainda assim, projeta-se uma elevação total de 4% até 2030, com a pecuária responsável por mais de 80% dessa elevação. De modo que, um esforço adicional de política pública será necessário para que o setor contribua efetivamente para a redução global de emissões, o que inclui a implementação em larga escala de processos de produção inteligentes8. A interação entre digitalização e sustentabilidade revela oportunidades para moldar uma economia e uma sociedade mais verdes, abrindo caminho para os ODS (Castro; Fernández; Colsa, 2021). Especialmente, quando um fator crucial na implementação desses objetivos diz respeito à construção de capacidade digital entre governos, favorecendo não somente as atividades no interior da propriedade rural, mas contribuindo amplamente com todo ecossistema de inovação agrícola (Janowski, 2016; McFadden et al., 2022). À medida que busca-se fortalecer a inovação transformadora, as organizações públicas de pesquisa serão 8 Agricultural Outlook 2021-2030 (OECD-FAO, 2021). 17 paulatinamente conclamadas a se atentar conscientemente aos impactos amplos e à sua responsabilidade pelas várias transformações para as quais estão contribuindo ativamente por meio de sua P&D. Tal consideração pode ser constatada em ambientes de inovação agrícola de países de contexto pós-colonial (Austrália e Nova Zelândia), o que ressalta a demanda por ações mais alinhadas ao contexto sociocultural local (Espig et al., 2022). Nas últimas cinco décadas, a CT&I agropecuária, em conjunto com a disponibilidade de recursos naturais, as políticas públicas, o aumento do conhecimento dos agricultores e a organização das cadeias produtivas, fizeram com que o Brasil se tornasse um protagonista na produção e exportação agrícola (EMBRAPA, 2018; De Vargas Mores et al., 2022). Da condição de importador líquido de 30% dos alimentos demandados internamente nos anos 1970, o país passou por uma modernização institucional da agricultura, induzida substancialmente pela produção científica nacional (Vieira Filho; Fishlow, 2017), tornando-se uma das potenciais lideranças na construção de uma economia de baixo carbono (Vieira Filho, 2022). Porém, tal desenvolvimento não foi acompanhado por uma transformação produtiva equânime entre as regiões e a redução das desigualdades sociais, especialmente na agricultura familiar ou de pequeno porte (Vieira Filho; Fishlow, 2017; Souza; Gomes; Alves, 2020), o que representa um desafio para a ciência na busca por soluções mais abrangentes e efetivas. Assim como, a necessidade de lidar com a ineficiência produtiva no contexto brasileiro se coloca como outro desafio na busca pela produtividade alinhada à sustentabilidade. Uma vez que, em média, corresponde a um decréscimo de 26% do que se poderia potencialmente alcançar com a quantidade de insumos usados todos os anos (Feres; Ferreira, 2020). Recentemente, estudos acerca da inovação nos sistemas agroalimentares apontam para uma transição do modelo de coordenação focado nos sistemas nacionais para uma lógica de ecossistemas, por meio do qual a interação dinâmica e a colaboração entre seres humanos e actants não humanos (plantas, animais e tecnologias digitais) são os elementos indutores da inovação (Pigford; Hickey; Klerkx, 2018; Wolfert et al., 2023). Para Nobre et al. (2016), o modelo de desenvolvimento sustentável exigirá um “ecossistema” de inovação da Quarta Revolução Industrial9 capaz de prototipar e dimensionar rapidamente inovações que aplicam uma combinação de tecnologias digitais, biológicas e materiais avançadas. Dessa forma, as regiões tropicais deixam de ser vistas tão somente como fontes potenciais de recursos naturais e biodiversidade, mas também como reservas de conhecimento biomimético biológico que pode 9 Industry 4.0 (Lasi et al., 2014). 18 fomentar um novo modelo de desenvolvimento em benefício não apenas das populações locais, mas do mundo em geral. Esse ecossistema, também terá como missão viabilizar soluções para programas de pesquisa relacionados à bioeconomia, à biotecnologia e à climatologia, por meio da convergência de áreas como Nanociência, Biotecnologia, Tecnologia da Informação e Comunicação (TIC) e Ciência Cognitiva, facilitando a transformação dos resultados dessas pesquisas em produtos e tecnologias para o setor agropecuário (Massruhá et al., 2020). A transição da Agricultura Digital ou Agricultura 4.0, centrada em dados e dispositivo de precisão (Rose et al., 2021), para um estágio que agregue autonomia robótica e inteligência artificial, denominado de Agricultura 5.0 (Saiz-Rubio; Rovira-Más, 2020). Estes modelos, para além do desenvolvimento tecnológico, passam pela reflexão sobre como os diversos caminhos de transição para sistemas agrícolas e alimentares sustentáveis estão relacionados com a inovação responsável e ambientes de inovação orientados por missão (Klerkx; Rose, 2020; Klerkx; Begemann, 2020). Portanto, investigar a digitalização no contexto de empresas públicas de CT&I do agro, com enfoque no seu processo de inovação, é uma forma de estudar o fenômeno para além da digitalização do setor em si, mas envolve a busca por conhecimento gerencial que contribua para lidar com os desafios da alavancagem dessas transformações, sob a perspectiva do papel governamental. 1.1 Problema de pesquisa Como as organizações de P&D desenvolvem diversas inovações ao mesmo tempo, nem todos os projetos recebem a mesma prioridade. O problema é agravado pelo fato de que, normalmente, os profissionais se dividem entre vários projetos simultaneamente. De forma que, quanto maior for o alinhamento entre a estratégia de alocação de recursos de P&D e a orientação estratégica geral da empresa, mais oportuna será a conclusão dos projetos de inovação (Verma; Mishra; Sinha, 2011). Ao avaliar o contexto da inovação no setor público, Cinar, Trott e Simms (2009) identificaram na literatura que as barreiras de natureza organizacional são as mais recorrentes e destacaram a administração das atividades do processo de inovação como a principal entre elas. A gestão da inovação tem uma influência crucial em relação ao sucesso e à iniciativa inovadora na esfera pública. Além disso, a transformação digital tem o potencial de impactar 19 diferentes estágios do processo de inovação de maneiras complexas e causalmente ambíguas, devido à vasta gama de tecnologias facilitadoras e às múltiplas maneiras pelas quais elas podem “aumentar” o desempenho de produtos e serviços (Appio et al., 2021). Isto posto, considera-se como lacuna de pesquisa, a avaliação da aplicabilidade e as condições de fronteira das teorias da inovação à luz da Inteligência artificial, da Data-Driven Innovation (DDI) e do ciclo Innovation-Automation-Strategy (IAS cycle) (Hutchinson, 2021; Luo, 2022; Makowski; Kajikawa, 2021; Rizk; Ståhlbröst; Elragal, 2022), uma vez que, estudos dessa natureza no campo da administração ainda estão em fase de expansão (Füller et al., 2022; Brem; Giones; Werle, 2021). Ademais, evidências provenientes da análise de casos cruzados sugerem que o processo de inovação digital em quatro fases (descoberta, desenvolvimento, difusão e pós-difusão) não leva em conta a natureza exploratória da análise de dados e a DDI. O que sugere a proposição de um processo estendido que compreenda uma fase de exploração explícita antes do desenvolvimento, no qual o refinamento do conceito da ideia e/ou inovação por meio da experimentação de recursos de dados e a exploração das relações sociais são essenciais. O processo estendido de inovação digital, composto por cinco fases, pode significar um primeiro passo para se estabelecer um processo de inovação direcionado por dados e baseado em experiência empírica (Rizk; Ståhlbröst; Elragal, 2022). Da mesma forma, constata-se que decisões sobre o desenvolvimento de inovação que não incorporem considerações tecnológicas tendem a ser temerárias (Carvalho; Fleury; Lopes, 2013). O Technology Roadmapping (TRM), processo que mobiliza pensamento sistêmico estruturado e métodos visuais para apoiar o alinhamento entre o planejamento estratégico e a gestão da inovação (Park et al., 2020), apesar de reconhecido na literatura como um relevante instrumento de gestão de tecnologia, ainda possui lacunas de pesquisa relativas à sua integração com outras técnicas, como a mineração tecnológica (Vinayavekhin et al., 2021). Ademais, vê- se oportunidade em pesquisas futuras referentes à prospecção tecnológica como suporte ao planejamento de centros de P&D (Castillo-Camarena; López-Ortega, 2021), inclusive, com a integração do roadmapping ao portfólio de projetos (Gerdsri; Manotungvorapun, 2022). Diante do exposto, emerge o seguinte problema de pesquisa a ser respondido por esta dissertação: a IA generativa tem potencial de ser utilizada na construção de um roadmapping tecnológico no contexto da gestão da inovação agrícola da Empresa Brasileira de Pesquisa Agropecuária? 20 1.2 Objetivos Em vista disso, tendo-se a questão norteadora como base, o objetivo geral desta pesquisa foi propor os preceitos básicos de um roadmapping tecnológico aumentado por IA em apoio à gestão da inovação agrícola no contexto da Empresa Brasileira de Pesquisa Agropecuária. Tal objetivo geral se desdobra em objetivos específicos que caracterizam individualmente os artigos que compõe esta dissertação: a) apresentar um panorama teórico acerca da aplicação de técnicas computacionais de análise de dados na gestão de processos de inovação (artigo 1); b) investigar as práticas que permeiam a construção de data-driven roadmappings tecnológicos como instrumentos de apoio ao desenvolvimento de agenda pública de pesquisa e inovação agrícola (artigo 2); c) propor os preceitos básicos de um roadmapping tecnológico aumentado por IA generativa em apoio à gestão da inovação no contexto da Empresa Brasileira de Pesquisa Agropecuária (artigo 3). 1.3 Justificativas Do ponto de vista acadêmico, este estudo se justifica, pois, as aceleradas transformações sociais e tecnológicas da atualidade demandam respostas concretas da academia para lidar com os desafios que se apresentam (Wickert et al., 2021). Tal percepção é corroborada por Hourneaux Júnior (2021), ao destacar que esforços de pesquisa podem convenientemente ser direcionados a solucionar questões críticas para a sociedade, que uma vez superadas, são capazes de provocar impacto positivo de proporção global. Filatotchev, Ireland e Stahl (2022) acrescentam que, para as organizações obterem melhor compreensão sobre como lidar com a crescente complexidade, volatilidade e as oscilações externas que as afetam, estudiosos da administração precisam reconhecer as condições limitantes das teorias dominantes e propor estudos fundamentados em epistemologias e ontologias alternativas que forneçam lentes diferentes para estudar as organizações e suas práticas de gestão em diferentes partes do mundo. Wickert et al. (2021) apontam cinco tipos de impacto que a pesquisa em administração pode provocar – acadêmico, prático, social, político e educacional. Para os autores, a frequência cada vez maior de eventos adversos tem levantado sucessivos questionamentos quanto ao caráter solucionador de problemas da academia, principalmente em relação às instituições 21 financiadas com recursos públicos. Por impacto, os autores entendem que além da contribuição teórica, a pesquisa também deve influenciar como as organizações e indivíduos pensam, se comportam e geram resultado. Para Agopyan e Arbix (2022), a diferenciação entre pesquisa básica e ciência aplicada à inovação configura uma discussão ingênua e artificial, uma vez que elas interagem e contribuem constantemente uma com a outra. Apesar das adversidades, a pesquisa acadêmica pode se valer do aprendizado trazido pelas crises recentes, em que ficou evidenciada a necessidade de se buscar formas multidisciplinares de investigação, com o envolvimento das partes interessadas no desenho da pesquisa, para a solução de problemas relevantes para a sociedade (Beech; Anseel, 2020). Em termos gerenciais, a pesquisa se justifica por alinhar-se com a tendência de gestão da inovação que tem por interesse desconstruir a complexidade das inovações tecnológicas e a busca pela padronização da fase de planejamento do processo de inovação (Vinayavekhin et al., 2021). O impacto prático é caracterizado como a possibilidade de os resultados de pesquisa serem aplicados no contexto concreto das organizações. Sendo assim, a aproximação com gestores organizacionais e stakeholders pode facilitar o processo da pesquisa, tal como o acesso colaborativo a uma quantidade maior de dados, além do desenvolvimento científico de métodos e ferramentas de gestão validadas no “mundo real”. Os trabalhos acadêmicos escritos com intenção de serem aplicados servem de inspiração para gestores e estão propensos a receber maior visibilidade, já que a discussão permeará os limites do contexto acadêmico (Wickert et al., 2021). Na perspectiva social, este estudo se justifica uma vez que, pesquisas que considerem a transformação digital como um iniciador fundamental de mudanças de paradigma podem extrapolar os benefícios de empresas individuais e favorecer setores ou até indústrias inteiras. E, consequentemente, podem beneficiar seus respectivos países de origem, principalmente aqueles em desenvolvimento, contribuindo com ideias que promovam a prosperidade dessas nações (Kraus et al., 2022). Por fim, em âmbito pessoal, a justificativa se manifesta pelo fato de a autora estar inserida profissionalmente no ambiente de inovação no setor público e a realização da pós- graduação significa uma oportunidade de qualificação e de novas perspectivas de carreira. De maneira que, a pesquisa não só proporcionará benefícios oriundos do título e do conhecimento acadêmico, mas, também servirá para uma imersão em aspectos tecnológicos, gerenciais e 22 sociais da inovação agrícola, a partir da experiência colaborativa com o Centro de Estudos em Mercado e Tecnologias no Agronegócio – Agritech/UFLA. 1.4 Estrutura da dissertação Esta dissertação foi estruturada em formato de artigos e organizada de modo que fosse possível alcançar os objetivos definidos. Sendo assim, os principais componentes desta dissertação são: A Primeira parte, composta por uma Introdução (1) que compreende: uma contextualização; o problema de pesquisa; os objetivos geral e específicos; as justificativas e esta última subseção que se refere à estrutura da dissertação. Um Referencial Teórico complementar (2) que aborda os principais conceitos e fundamentações científicas relativas aos artigos. Um Percurso Metodológico (3) composto pela caracterização da pesquisa, métodos e técnicas para a coleta, análise e interpretação dos dados. Por fim, as Referências que fundamentam esta Primeira Parte. A Segunda Parte, onde são apresentados os três artigos interligados e complementares. Os dois primeiros artigos científicos, na forma de uma revisão integrativa (Artigo 1) e uma revisão sistemática da literatura (Artigo 2). O último (Artigo 3) no formato de um estudo empírico com base no método de Design Science Research (DSR). Os três artigos, embora independentes, procuram estabelecer uma ligação temática em torno da gestão da inovação direcionada por dados proveniente da alavancagem da inteligência artificial e sua relevância para o contexto organizacional de uma empresa pública de Ciência, Tecnologia e Inovação. A Teceira Parte, composta pelas Considerações Finais que representam uma síntese do que se alcançou com a pesquisa. 23 2 REFERENCIAL TEÓRICO Essa seção contém o referencial teórico que alicerça a dissertação e tem por finalidade apresentar os elementos teóricos necessários à compreensão dos artigos, além de garantir um maior aprofundamento teórico dos elementos essenciais à condução da pesquisa. De forma que, serve de recurso de consulta bibliográfica complementar aos artigos que compõem a Segunda Parte. 2.1 Inteligência artificial na gestão da inovação Para que a inovação ocorra de forma sistêmica nas organizações, uma integração dos atores humanos e aspectos organizacionais às dimensões técnica e mercadológica é requerida. Sabidamente, a estratégia adotada pela organização influencia a caracterização de seu sistema interno de inovação e molda a forma como sua implementação é realizada na prática. Nesse contexto que envolve diversos elementos internos e externos, coletar e analisar dados que favoreçam a identificação de oportunidades de desenvolvimento de novos produtos e serviços torna-se fundamental no processo de inovação. Esse exercício de apreensão e compreensão de tendências de mudança é chamado de prospecção. Uma vez que, a possibilidade de introduzir inovações pode advir de várias dimensões: novas tecnologias que podem oferecer novas soluções e benefícios; novas tendências de consumo e necessidades dos clientes/usuários; competição e mudanças no macroambiente que podem influenciar a realidade nos diferentes setores (Nagano; Stefanovitz; Vick, 2014). Nas organizações intensivas em tecnologia, a prioridade e a interdependência dos projetos de P&D podem ser afetadas pelo dinamismo das mudanças que as cercam. Portanto, o gerenciamento de projetos de P&D de alta tecnologia é um empreendimento complexo e desafiador (Verma; Mishra; Sinha, 2011). O termo “tecnologia” pode se referir às tecnologias definidoras de produtos que estabelecem as regras para toda uma indústria, mas também pode indicar um conceito mais amplo de conhecimento teórico e prático, habilidades e artefatos que podem ser incorporados a pessoas, materiais, processos cognitivos e físicos, instalações, equipamentos e ferramentas para desenvolver produtos e serviços, bem como seus sistemas de produção e entrega (Burgelman; Christensen; Wheelwright, 2008; De Alcantara; Martens, 2019; Stig, 2013). 24 Entre as tecnologias digitais da atualidade que possuem capacidade de impactar a forma como as organizações inovam, a inteligência artificial tem se sobressaído, despertando interesse da comunidade acadêmica. Razão pela qual, a produção científica em temas que envolvam a IA no contexto da inovação tenha apresentado um crescimento exponencial na última década (Mariani et al., 2022). O campo atual da IA é, na verdade, uma mistura de vários campos de pesquisa, cada um com seu próprio objetivo, métodos e aplicabilidade. Todos utilizando essa mesma nomenclatura mais por razões históricas, do que teóricas. De tal forma que, sua definição funcional é importante, pois, escolhas diferentes conduzem a pesquisa com direções distintas, em vez de apenas a utilização de um termo teórico de maneira diferente (Wang, 2019). Para esta pesquisa, a inteligência artificial pode ser compreendida como “o uso de maquinário computacional para emular capacidades inerentes aos humanos, como realizar tarefas físicas ou mecânicas, pensar e sentir” (Huang; Rust, 2021). Assim como, a ideia em contextos de inovação na qual a IA se refere a sistemas desenvolvidos com o “objetivo de criar comportamento semelhante ao humano em máquinas para percepção, raciocínio e ação” (Prem, 2019). Inclusive, podendo ser classificada em três tipos distintos decorrentes de sua finalidade: automação de processos, insight cognitivo e engajamento cognitivo (Davenport; Ronanki, 2018). Segundo Mariani et al. (2022), a pesquisa sobre a IA ligada à inovação pode ser dividida em sete ramificações: transformação digital; cidades inteligentes, gestão da inovação aberta e inovação radical; sistemas de inovação tecnológica; prospecção e captura de oportunidades tecnológicas; gestão do conhecimento; aceitação da tecnologia digital pelo consumidor; inovação verde e cadeia de suprimentos. O que reflete o fato de que a literatura sobre inovação abrange um amplo conjunto de domínios disciplinares, incluindo empreendedorismo, marketing, gestão estratégica, finanças e comportamento organizacional. Os estudos sobre prospecção e oportunidades tecnológicas demonstram que essas técnicas têm sido aplicadas pelas organizações para aprimorar suas capacidades de gerenciamento de inovação e para examinar informações a fim de detectar tecnologias emergentes, como técnicas de mineração de dados implantadas para explorar bancos de dados de documentos de P&D e patentes (Mariani et al., 2022). Como por exemplo, a representação gráfica das redes de relações entre patentes pode ajudar as empresas a identificarem possíveis tecnologias disruptivas nos estágios iniciais do processo de inovação e favorecer a criação de produtos inovadores (Kostoff; Schaller, 2001). 25 Existem algumas lacunas que os estudiosos da IA na inovação podem explorar, como a necessidade de trabalhos empíricos que utilizem métodos qualitativos visando capturar em profundidade os processos de adoção e uso da IA, bem como seus resultados ao longo do tempo. Experimentos também podem ajudar a entender a base cognitiva dos comportamentos e processos de decisão dos gerentes de inovação. Ainda, como pesquisas apontam que a inovação depende mais do conhecimento externo do que das atividades internas, pode ser proveitoso examinar se as empresas estão mais propensas a obter resultados de inovação favoráveis incorporando IA em suas atividades de P&D (Mariani et al., 2022). Demonstra-se, portanto, uma oportunidade para que estudiosos da administração se envolvam em pesquisas sobre o uso da IA nas organizações, ampliando a forma como a pesquisa em IA é conduzida atualmente, a fim de desenvolver uma teoria significativa e fornecer conselhos sólidos à prática (Raisch; Krakowski, 2021). A inovação orientada por dados, ou DDI, conceito que relaciona análises avançadas impulsionadas por ecossistemas ricos em dados ao processo de criação e captura de valor, visa a entregar insights inovadores que possam resultar em vantagens estratégicas (Akter et al., 2021). Assim como, literatura sobre Big Data também aponta que a criação de valor a partir da análise de dados tem como principais funções: substituir/apoiar a tomada de decisão humana por algoritmos automatizados; permitir a experimentação para descobrir necessidades, expor a variabilidade e melhorar o desempenho, e; inovar em novos modelos de negócios, produtos e serviços (Wamba et al., 2015). O que demonstra um alinhamento entre a agenda de pesquisa sobre a influência das tecnologias digitais no campo da gestão e a abordagem de prospecção do roadmapping tecnológico como uma estratégia de gerenciamento da inovação. Contudo, não se pode ignorar o risco de viés algorítmico que a DDI expõe às partes interessadas. Em seus diferentes estágios de implementação, as fontes de viés podem produzir impactos prejudiciais nos resultados afetando o desenvolvimento decorrente do seu aconselhamento. Os vieses podem ter origem em fontes distintas, como os dados, métodos e fatores sociais. Compreender a natureza e o tipo desses vieses abre caminhos de pesquisa interessantes para os estudiosos da DDI no desenvolvimento de algoritmos transparentes, explicáveis e auditáveis, ajudando a desmascarar a caixa-preta da DDI na era da IA (Akter et al., 2021). Este referencial complementar apresentou um breve panorama da produção acadêmica sobre a inteligência artificial em contextos de inovação. Para maior compreensão sobre o avanço da adoção de técnicas de inteligência em favor da gestão da inovação nas organizações, 26 deve-se prosseguir com a leitura do Artigo 1 - Da inteligência competitiva à inovação direcionada por dados: revisão e agenda futura sobre a análise de dados na gestão da inovação, na segunda parte desta dissertação. 2.2 Technology Roadmapping (TRM) A abordagem de prospecção tecnológica conhecida como Technology Roadmapping (TRM) tem sido utilizada por organizações de diferentes gêneros e portes – pequenas e médias, incumbentes e até agências governamentais – como instrumento de alinhamento entre os objetivos estratégicos e o gerenciamento da inovação em produtos, serviços e tecnologias consideradas críticas para o desempenho organizacional (De Alcantara; Martens, 2019; Kerr; Phaal, 2020). Sua principal característica diz respeito ao estabelecimento de um plano de evolução temporal, em que atributos tecnológicos fundamentais são vinculados às estratégias de negócio para auxiliar na articulação de ações e recursos necessários para o desenvolvimento de produtos, serviços ou inovações (Phaal; Farrukh; Probert, 2004). A origem do TRM é atribuída a um conjunto de práticas gerenciais adotadas por empresas intensivas em tecnologia na década de 1970, tal como o pioneiro caso do processo de roadmapping da Motorola (Kerr; Phaal, 2020; Willyard; McClees, 1987). Documentos demonstram que, antes ainda, organizações como a NASA, Boeing, General Electric, Lockheed e o Departamento de Energia dos Estados Unidos (Kerr; Phaal, 2020) adotavam as práticas de roadmapping, inclusive usando outras denominações para identificá-las (Kostoff; Schaller, 2001), mas com uma certa restrição de divulgação devido à confidencialidade das atividades de P&D envolvidas no processo (Vinayavekhin et al., 2021). A pesquisa científica acerca do TRM foi sedimentada por grupos de estudiosos ligados a ambientes industriais, especialmente dentro de departamentos de engenharia de universidades dos Estados Unidos, Reino Unido e Japão (Carvalho; Fleury; Lopes, 2013; Kerr; Phaal, 2020), sendo este último ultrapassado, desde 2019, por Coreia do Sul, Alemanha, China, Tailândia (Vinayavekhin et al., 2021). O Brasil configura-se como o sétimo país com maior volume de publicações científicas relativas ao tema (Vinayavekhin et al., 2021). Apesar de não apresentar uma origem ligada à uma base teórica específica, a ampla adoção do TRM no contexto organizacional serve de encorajamento para que pesquisadores apreciem suas contribuições, advindas de pesquisas aplicadas, como passíveis de consideração acadêmica (Kerr; Phaal, 2020). 27 Nas últimas duas décadas, a literatura científica em torno do roadmapping sofreu um significativo avanço em quantidade de publicações quando comparada à de outras técnicas de prospecção, superando os estudos sobre a técnica Delphi, construção de cenários e modelagem/simulação (Carvalho; Fleury; Lopes, 2013; Park et al., 2020). Tal crescimento possibilitou a identificação de diferentes escolas de pensamento que se diferenciam, em certa medida, em relação ao desenho da pesquisa; ao tópico principal e tema, e; o setor tecnológico/industrial de interesse (Park et al., 2020). Logo, o conceito pode apresentar variação conforme o enfoque dado por diferentes grupos de pesquisa. Phaal, Farrukh e Probert (2004) definem o processo de roadmapping como uma varredura do ambiente e um meio de rastreamento de transições tecnológicas, incluindo aquelas potencialmente disruptivas. Para Park et al. (2020), trata-se de um processo que mobiliza o pensamento sistêmico estruturado, métodos visuais e abordagens participativas para abordar desafios e oportunidades organizacionais, com vistas ao alinhamento entre o planejamento estratégico e a gestão da inovação dentro e entre organizações, inclusive em nível de setores econômicos. Usos específicos do TRM na área de ciência e tecnologia incluem: gerenciamento de atividades (estratégia, planejamento, execução, revisão e transição); marketing e comunicação entre pesquisadores, usuários e outras partes interessadas; identificação de lacunas e oportunidades em programas pesquisa; além da identificação de áreas com alto potencial promissor (Kostoff; Schaller, 2001). O TRM é composto por dois elementos principais: 1) a aplicação das técnicas, chamada de processo de roadmapping, e; o artefato (usualmente visual) produzido ao final, denominado roadmap (Carvalho; Fleury; Lopes, 2013). A atenção dada à abordagem se dá por ela se apresentar como uma alternativa efetiva de alinhamento dos investimentos em tecnologia aos potenciais benefícios competitivos esperados, com níveis de desempenho e funcionalidades prospectados detalhadamente nos documentos resultantes do processo. Os roteiros (roadmaps) detêm a capacidade de expressar as ligações dinâmicas entre recursos e capacidades (incluindo descontinuidades) com as mudanças previstas no contexto de negócios (Kerr; Phaal, 2022). O enfoque dado ao TRM sofreu mudanças ao longo do tempo. A primeira geração foi caracterizada pelo foco no roteiro de tecnologia no desenvolvimento de produtos, a segunda direcionada à identificação de tecnologias emergentes e a terceira voltada à elaboração de roteiros de inovação (Letaba; Pretorius; Pretorius, 2015). Desde meados dos anos 2000, busca- se discutir propostas de modelos de TRM alinhados à estratégia organizacional e, sobretudo, a 28 avaliação de como esses modelos podem contribuir para aprimorar o desempenho de gerenciamento da inovação (De Alcantara; Martens, 2019). Quando utilizado como uma ferramenta interativa de desenvolvimento de estratégia entre empresas interconectadas, institutos de conhecimento e educação e órgãos públicos de apoio que buscam criação de valor pela exploração novas oportunidades de inovação, roteiros alinhados à lógica de hélice quádrupla10 se colocam como uma abordagem mais adequada à complexidade da definição de estratégias públicas de CT&I. Pois, direcionam o foco na cooperação, em particular, nos processos dinamicamente entrelaçados de coopetição, coevolução e coespecialização dentro e entre os ecossistemas regionais e setoriais de inovação, visando mobilizar um movimento em direção a estruturas de inovação sistêmica e centrada no usuário (sociedade civil) (Carayannis; Grebeniuk; Meissner, 2016). Uma característica distintiva do TRM é a estrutura visual segmentada em intervalos temporais, que são utilizadas para fomentar o diálogo e a construção de consenso por meio da interação de partes interessadas (Kerr; Phaal, 2020). Dada à sua flexibilidade metodológica, o TRM apresenta a vantagem de poder ser personalizado de acordo com a finalidade de sua adoção. Mas de maneira geral, apresenta duas dimensões: uma de horizonte temporal e outra de escopo, distribuída em camadas por temática abordada (Phaal; Muller, 2009). 2.2.1 A estrutura visual do mapa tecnológico (roadmap) O desafio do mapa tecnológico é transmitir uma quantidade relativamente grande e complexa de dados em um formato intuitivo, mas garantindo sua relevância para o público-alvo (Kerr; Phaal, 2022). Os roteiros que não cumprem esse requisito tornam-se um fim em si mesmos, não contribuindo o desenvolvimento de novas ideias e para a tomada de decisões. Assim, um roteiro útil para o planejamento de C&T deve fornecer aos planejadores a capacidade de realizar estudos de sensibilidade das relações entre metas/requisitos de capacidade e custo/desempenho/cronograma/risco, e permitir um certo grau de flexibilidade para especificar mudanças em qualquer parâmetro ou elemento do roteiro (Kostoff; Schaller, 2001). A arquitetura básica de um roadmap compreende um visual gráfico multicamadas baseado em tempo (Phaal; Muller, 2009), como demonstra a Figura 1. 10 Modelo de inovação que combina empresas, governo, universidade e a sociedade civil (Carayannis; Rakhmatullin, 2014). 29 Figura 1 – Arquitetura básica de um roadmap tecnológico Fonte: Traduzido de Phaal, Simonsen e Den Ouden (2008) Uma linha descritiva comum dos roteiros de CT&I é a representação em dimensões retratáveis das relações estruturais (camadas) e temporais (colunas) entre os elementos à medida que evoluem para aplicações práticas em produtos e outros tipos de inovações. Esses elementos do roteiro podem conter atributos quantitativos e qualitativos. Levando em consideração que os processos de evolução tecnológica são geralmente não lineares e imprevisíveis, e como os roteiros são usados para estudos retrospectivos e prospectivos ao mesmo tempo, os vetores de ligação entre os elementos podem assumir direções para frente e para trás nas colunas temporais do instrumento visual. A construção de um roadmap, portanto, requer a identificação e especificação dos atributos das camadas, além das suas respectivas conexões com os horizontes temporais definidos (Kostoff; Schaller, 2001). A dimensão temporal, normalmente representada em colunas, costuma apresentar os seguintes períodos: passado (e a situação atual); curto prazo (normalmente um horizonte de um ano); médio prazo (em média três anos, vinculado ao planejamento estratégico); longo prazo (aproximadamente dez anos, fornecendo uma ponte entre a estratégia de médio prazo e a visão da organização, e; visão (aspirações de um futuro desejado). Na dimensão de escopo, os roteiros compreendem, basicamente, três camadas amplas: uma superior referente às tendências e direcionadores de mercado e da indústria e as perspectivas estratégicas internas relacionadas; uma camada intermediária geralmente voltada para os sistemas tangíveis que precisam ser desenvolvidos para responder às tendências e 30 direcionadores identificados na camada superior, e; uma camada inferior referente aos recursos que precisam ser organizados para desenvolver os produtos, serviços e sistemas necessários, incluindo recursos baseados em conhecimento, como tecnologia, habilidades e competências, além de recursos como como finanças, parcerias e instalações (Phaal; Muller, 2009). Mais do que o roteiro (roadmap) gerado ao fim do processo, a principal vantagem atribuída ao roadmapping se relaciona com o exercício de visão de futuro obtida a partir do conhecimento coletivo e da confluência de ideias de indivíduos impulsionadores de mudança (Kerr; Phaal, 2022). 2.2.2 O processo de elaboração do roteiro (roadmapping) O processo de roadmapping pode ser conduzido a partir de workshops com especialistas, análises computacionais ou por uma combinação de ambos os enfoques resultando em um formato híbrido. A abordagem mais comum se baseia em julgamentos de especialistas ou outras técnicas de previsão, como Delphi ou brainstorming, para coletar e elaborar insights que serão incorporados aos roteiros. Alternativamente, a abordagem baseada em computador fundamenta-se na utilização de algoritmos, normalmente de linguística computacional e análises de citações, para pesquisar grandes bancos de dados textuais relacionados à ciência, tecnologia, engenharia e produtos (Kostoff; Schaller, 2001). A participação direta no processo de roadmapping é normalmente limitada a um grupo relativamente pequeno de representantes em comparação com o público-alvo e o espectro de partes interessadas que são alcançadas por um roteiro (Kerr; Phaal, 2022). De qualquer forma, o foco principal é aproveitar o conhecimento e a experiência dos participantes para identificar subjetivamente os relacionamentos estruturais dentro da rede e especificar os atributos quantitativos e qualitativos dos elementos que compõem o roteiro (Kostoff; Schaller, 2001). Um roteiro é elaborado a partir de ciclos de iteração que demandam diferentes intervalos de tempo e visam produzir visualizações sobre os níveis de abstração produzidos. As iterações garantem a retroalimentação do processo com informações, possibilitando o aumento do foco durante a criação do roteiro. Cada iteração progride pelas mesmas quatro fases, conforme demonstrado Figura 2. (Phaal; Muller, 2009). 31 Figura 2 – Fases de iteração do processo de roadmapping Fonte: Traduzido de Phaal e Muller (2009). Na fase de ideação, define-se a estrutura e o tipo de informação deverá ser contida do roteiro. Além disso, o escopo é determinado e o espaço do roteiro é preenchido com as ideias existentes. A fase de divergência é destinada a uma exploração adicional, como a criação de cenários, apuração de fatos e brainstorming para identificar oportunidades. Em seguida, a fase de convergência tem como objetivo analisar o conjunto resultante das fases anteriores e reduzir o conteúdo às tendências, riscos, oportunidades, questões de design/tecnologia e questões de competência essenciais. Por fim, uma equipe menor sintetiza e as informações em um esquema visual abrangente, que pode ser encapsulado de forma diferente para públicos específicos, como vendas, gerenciamento ou engenharia (Phaal; Muller, 2009). Dependendo da finalidade para a qual o roteiro está sendo elaborado, a equipe envolvida pode iniciar o processo no estágio de desenvolvimento inicial (pesquisa básica), no meio (desenvolvimento de tecnologia) ou no último momento (desenvolvimento de produto) (Kostoff; Schaller, 2001). Quando direcionado ao gerenciamento da inovação, o processo de roadmapping tende a ter início em um momento anterior à definição do portfólio de projetos, como uma etapa fundamental da implementação do planejamento estratégico (Phaal; Farrukh; Probert, 2004). Por vezes, o próprio processo é o objetivo da opção por adotar o roadmapping. Pois, busca-se facilitar a comunicação e compartilhar conhecimento em diferentes partes de uma organização. Isso implica na necessidade de estudo sobre as atualizações do processo de roadmapping (uma série de ações para atingir o objetivo de elaboração do roteiro), que são 32 diferentes das atualizações após a sua elaboração (um artefato visual para representar os resultados, geralmente na forma de metas organizacionais, estratégias e/ou planos de ação para abordar uma questão específica) (Geum; Farrukh; Lee, 2023). Para integridade e utilidade operacional, os roteiros para uma área técnica devem abranger todos os programas globais direta ou indiretamente relacionados à CT&I dessa área. Roteiros restritos apenas às agências internas ou programas corporativos podem ser enganosos e fornecer base para conclusões, recomendações e decisões errôneas. Esses roteiros incompletos retratariam programas não coordenados fragmentados e isolados, onde nenhuma dessas lacunas poderia existir na realidade. Esse requisito de cobertura abrangente ressalta a necessidade de integração do roteiro com outros processos e ferramentas de auxílio à decisão dentro da organização, como recursos de recuperação de informações e mineração de dados (Kostoff; Schaller, 2001). A prática do roteiro normalmente envolve mecanismos sociais e é tanto uma experiência de aprendizado quanto uma ferramenta de comunicação para os participantes do roteiro. De maneira que, comunicam visões, atraem recursos de empresas e do governo, estimulam investigações e monitoram o progresso, por se tornarem um inventário de possibilidades para um determinado campo (Kostoff; Schaller, 2001). Portanto, um roteiro de CT&I fornece uma visão compartilhada ou um cenário futuro disponível para os tomadores de decisão (Kostoff; Schaller, 2001). Um exemplo de estudo empírico longitudinal realizado por Amati, Motta e Vecchiato (2020) avaliou a estruturação do TRM e a construção de um artefato computacional, tendo em vista a experiência da indústria de manufatura na década de 2010. O iMiner, artefato computacional direcionado ao armazenamento e apoio às atividades analíticas do processo de roadmapping se mostrou um importante pilar da gestão do conhecimento no processo de inovação. Por permitir aos gestores a elaboração, codificação e compartilhamento constante de conhecimento referente a novas tecnologias, produtos e mercados, o artefato foi incorporado ao planejamento de P&D, contribuindo com o aumento do número de conceitos de produtos inéditos e exploração de sinergias tecnológicas entre diferentes plataformas de produtos. A utilização de ferramentas e métodos modernos pode contribuir para estruturar o processo de planejamento e melhorar sua eficácia (Ding; Hernández, 2023). Lahoti et al. (2018) propuseram técnicas de mineração de tecnologia usando dados de P&D para validar e refinar o conteúdo do roteiro, a fim de reduzir a dependência de especialistas. Por sua vez, Son, Kim e Kim (2020) introduziram uma estrutura para desenvolver roteiro baseado em cenários usando 33 mapeamento cognitivo difuso e mineração de texto ao analisar big data. O processo de alavancagem da adoção da IA começa com a compreensão básica do que ela representa e como ela poderá afetar a organização. Além disso, exige-se o conhecimento sobre quais são os recursos disponíveis e estratégia de ação para viabilizá-la (Davenport, 2018). Tendo em vista a abrangência de aplicação do roadmapping tecnológico na gestão da inovação, foi realizada uma revisão sistemática da literatura para avaliar sua utilização no contexto das organizações de inovação pública e agrícola. Dessa forma, deve-se prosseguir com a leitura dos Artigo 2 - Roadmapping tecnológico no setor público em apoio à agricultura digital: revisão sistemática e agenda futura de pesquisa. Em seguida, realizou-se um estudo empírico para avaliar a proposição de um framework processual e um agente de IA (chatbot) que juntos compõem os preceitos básicos para a construção de roadmappings tecnológicos aumentados por IA. Portanto, a leitura deve prosseguir pelo Artigo 3 – Augmented TRM: roadmapping tecnológico aumentado por IA generativa na gestão da inovação agrícola pelo setor público. Os artigos se encontram na Segunda Parte desta dissertação. 34 3 METODOLOGIA O detalhamento dos procedimentos metodológicos utilizados consta nos 3 artigos científicos. No entanto, esta seção visa apresentar uma síntese do percurso metodológicos adotado e anteceder a racionalidade sobre a organização do trabalho. 3.1 Caracterização da Pesquisa Este estudo parte do paradigma da Design Science e da utilização do método Design Science Research (DSR), ambos relacionados à perspectiva de que o conhecimento acadêmico deve apresentar relevância para o campo prático, reduzindo a lacuna existente entre a teoria e o exercício da atividade (Dresch; Lacerda; Miguel, 2015; Starkey; Madan, 2001), principalmente em áreas como engenharia e administração/gestão (Van Aken, 2004). Na administração pública não é diferente, pois nota-se uma eminente necessidade de uma ciência que se aproxime da complexidade de seus problemas e auxilie na proposição de soluções (Santos; Koerich; Alperstedt, 2018). O paradigma do design science está fundamentado no propósito científico de orientar pesquisas à solução de problemas, com enfoque em prescrever e projetar sistemas ou processos que ainda não existam ou na modificação de situações existentes para que se obtenha consequências favoráveis após as etapas de investigação, construção de um artefato e teorização (Denyer; Tranfield; Van Aken, 2009). Não se limita à utilização do conhecimento científico na resolução de um problema gerencial específico, mas ao desenvolvimento de regras tecnológicas testadas em campo e fundamentadas para serem usadas como exemplos de design de solução de problemas gerenciais (Van Aken, 2004). Em essência, visa o estudo científico do design e o uso de processos de design na criação científica do conhecimento (Baskerville, 2008). Como ontologia geral da Design Science, Iivari (2007) sugere a obra “Os três mundos” de Popper (1978) e expressa a necessidade de uma ontologia especial em relação ao Mundo 3 - mundo dos produtos da mente humana – para as pesquisas que envolvem aspectos de tecnologia da informação. Cabe ressaltar que a design science se caracteriza epistemologicamente a partir do pragmatismo, em que a pesquisa produz conhecimento a serviço da ação (Romme, 2003; Sordi; Meireles; Sanches, 2011) e se preocupa com a relevância, compreendida como a contribuição para o ambiente de aplicação (Hevner, 2007). 35 O conceito tem como foco o estudo do que é artificial, que se entende como “o que foi projetado ou concebido pelo homem” (Simon, 1996). Trata-se de uma ciência de natureza prescritiva e de projetação com o pesquisador interessado em intervir em busca de soluções para problemas ou melhoria nos sistemas investigados (Van Aken, 2004; Dresch; Lacerda; Miguel, 2015). O que a diferencia das ciências tradicionais (naturais e humanidades), em que o pesquisador tende a adotar uma postura de observador com o interesse em explorar, descrever e explicar fenômenos complexos naturais ou sociais (Van Aken; Romme, 2009). A existência de ambas as abordagens amplia o repertório metodológico nos estudos organizacionais e permite uma complementariedade desejável (Holmström; Ketokivi; Hameri, 2009), posto que a design science desenvolve e se baseia em proposições que são testadas em experimentos pragmáticos fundamentados na ciência organizacional, da mesma forma que, pode efetivamente contribuir com a construção de um corpo cumulativo de conhecimento sobre a teoria e a prática da organização (Romme, 2003). Um projeto de pesquisa DSR envolve a construção de artefatos sociotécnicos de diferentes níveis de abstração, desde instanciações na forma de produtos e processos, até contribuições mais gerais (ou seja, abstratas) na forma de teoria de design nascente (construtos, princípios de design, modelos, métodos, regras tecnológicas), até teorias de design desenvolvidas sobre os fenômenos (Gregor; Hevner, 2013). Este último nível de teorização requer uma descrição do meta-artefato proposto pela pesquisa (projeto de sistema, algoritmo, notação, diretriz), entretanto, segue adiante com o avanço do desenvolvimento de uma “teoria substantiva” ou mid-range theory sobre a avaliação da adequabilidade do artefato sob a ótica não da prática, mas pelo prisma teórico (Holmström; Ketokivi; Hameri, 2009; Weigand; Johannesson; Andersson, 2021). Os projetos de DSR devem estar corretamente posicionados nos ciclos de evolução da ciência e tecnologia para o domínio de aplicação escolhido (Baskerville et al., 2018). No campo da inovação digital, as pesquisas que utilizam a DSR estão idealmente alinhadas por permitirem, além produção do artefato inovador em si, a construção de novos "artefatos de uso" que descrevem métodos eficazes para fazer o melhor uso do artefato digital na solução de problemas relevantes do contexto prático (Hevner; Vom Brocke; Maedche, 2019). Nesse sentido, estimula-se a realização de pesquisas sob a ótica mais instrumental do design science no enfrentamento de desafios de gestão da inovação tecnológica (Romme; Holmström, 2023), como o mapeamento de ecossistemas de inovação (Talmar et al., 2020). 36 Nesta dissertação, definiu-se por desenvolver um artefato de roadmapping tecnológico fundamentado em inteligência artificial para apoiar o processo de inovação da Empresa Brasileira de Pesquisa Agropecuária. Para se buscar uma contribuição teórica e prática adequada, seguiu-se um fluxo composto pelos elementos essenciais para a condução de um projeto de DSR (Peffers et al., 2007), descritos na Figura 3. Figura 3 – Elementos essenciais de um projeto de Design Science Research. Fonte: Elaborado pela autora e adaptado de Peffers et al. (2007). 3.2 Objeto de estudo e unidade de análise O objeto de estudo desta dissertação é a digitalização do processo de prospecção tecnológica. Por ser fundamentada na epistemologia do Design Science, pesquisa se deu pela construção de artefato de roadmapping, composto por um framework de processo e um agente de IA (chatbot). Como unidade de análise, foi selecionada a Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), considerada uma das instituições de grande relevância para a transformação ocorrida nas últimas cinco décadas na agricultura brasileira. Transformação resultante fundamentalmente pela inovação institucional induzida por CT&I (Vieira Filho; Fishlow, 2017). Foram selecionadas duas unidades para a etapa de demonstração e avaliação dos artefatos desenvolvidos na pesquisa, a Embrapa Milho e Sorgo e a Embrapa Agroenergia. A escolha se deu pelo histórico desses centros de pesquisa, ambos com experiência no estabelecimento de alianças estratégicas com o setor produtivo para o desenvolvimento conjunto de soluções tecnológicas para a agricultura. Além disso, a Embrapa Agroenergia possui um sistema de inteligência estratégica institucionalizado na figura de seu Observatório 37 de Tendências em Biocombustíveis e Bioprodutos, por meio do qual conduz estudos prospectivos, tais como, mapas de rotas tecnológicas (roadmap), o que contribuiu para a avaliação e o aprofundamento das discussões. 3.3 Síntese do percurso metodológico adotado no Artigo 1 Em atenção ao objetivo específico que visa “Apresentar um panorama teórico acerca da aplicação de técnicas de análise de dados na gestão de processos de inovação”, elaborou-se uma revisão integrativa da literatura em conformidade com as diretrizes de Torraco (2005, 2016). Este procedimento também buscou atender à etapa do projeto de DSR referente à compreensão do problema, pois possibilitou avaliar como as tecnologias digitais de análise de dados tem apoiado a tomada de decisão no processo de inovação das organizações. Nesse sentido, foi realizada uma busca por artigos científicos nas bases Web of Science e SCOPUS, que tratavam do uso de técnicas analíticas de dados na gestão da inovação. Em seguida, procedeu-se com as etapas de seleção, leitura completa, categorização segundo as orientações de Dwertmann & Van Knippenberg (2021), análise crítica, proposição de uma estrutura conceitual e da agenda de estudos futuros. O detalhamento do percurso metodológico adotado para este objetivo pode ser conferido integralmente na Segunda Parte que compõe este documento, especificamente no Artigo 1. 3.4 Síntese do percurso metodológico adotado no Artigo 2 Em atenção ao objetivo específico que visa “Investigar as práticas que permeiam a construção de data-driven roadmappings tecnológicos como instrumentos de apoio ao desenvolvimento de agenda pública de pesquisa e inovação agrícola”, elaborou-se uma revisão sistemática da literatura de acordo com as recomendações de Page et al. (2021) dos Principais Itens para Relatar Revisões Sistemáticas e Meta-análises (PRISMA 2020) e das diretrizes sugeridas por Snyder (2019). Este procedimento também buscou atender à etapa de investigação da solução do projeto de DSR, pois permitiu identificar a abordagem do roadmapping tecnológico fundamentado em dados como um instrumento estratégico de apoio ao processo de inovação. Nesse sentido, foi realizada uma busca por artigos científicos nas bases Web of Science e SCOPUS, que tratavam da abordagem estratégica de roadmapping em apoio à gestão da inovação no setor público e do setor agrícola. Em seguida, procedeu-se com 38 as etapas de seleção, leitura completa, análise bibliométrica, síntese qualitativa e da agenda de estudos futuros. O detalhamento do percurso metodológico adotado para este objetivo pode ser conferido integralmente na Segunda Parte que compõe este documento, especificamente no Artigo 2. 3.5 Síntese do percurso metodológico adotado no Artigo 3 De modo a atingir o terceiro objetivo específico de “Propor os preceitos básicos de um roadmapping tecnológico aumentado por IA generativa em apoio à gestão da inovação no contexto da Empresa Brasileira de Pesquisa Agropecuária”, seguiu-se as diretrizes de Design Science Research propostas por Peffers et al. (2007); o framework de avaliação de Vanable; Pries-Heje; Baskerville (2016), e; as orientações de relatório e comunicação de Gregor e Hevner (2013) e Romme e Holmström (2023). A pesquisadora assumiu o papel de desenvolvedora dos artefatos (Dresch; Lacerda; Júnior, 2015). Buscou-se, portanto, oferecer opções aperfeiçoadas de estratégia de gestão da inovação tendo em vista o contexto em desenvolvimento das inteligências artificiais (ex. modelos em Large Language Model ou Generative Pre-trained Transformers) que possibilitem um grau elevado de augmentation (interação humano-máquina) em busca do aumento de eficiência do processo. O detalhamento da construção do artefato configurou parte inerente à etapa de desenvolvimento (APÊNDICE A e D). O método de pesquisa Design Scienc Research numa abordagem qualitativa pode auxiliar a administração pública, em especial a brasileira, a buscar soluções para os seus problemas complexos (Santos; Koerich; Alperstedt, 2018). A etapa de avaliação consistiu na demonstração dos artefatos na aplicação de entrevistas semiestruturadas (APÊNDICE B e E) com especialistas e gestores envolvidos do processo de prospecção tecnológica e P&D da Empresa. A comunicação dos procedimentos da pesquisa e direitos do entrevistado foi feita pela assinatura do Termo de Consentimento Livre e Esclarecido (APÊNDICE C). Com o intuito de favorecer o rigor da pesquisa, adotou-se a triangulação dos dados por meio de pesquisa documental (Cárdenas et al., 2018). Utilizou-se a análise de conteúdo temática para captar as significações explícitas ou ocultas (Chizzotti, 2014; Mozzato; Grzybovski, 2011; Dellagnelo; Silva, 2005). O detalhamento do percurso metodológico adotado para este objetivo pode ser conferido integralmente na Segunda Parte que compõe este documento, especificamente no Artigo 3. 39 3.6 Matriz de amarração metodológica Tendo em consideração as orientações metodológicas supracitadas, apresenta-se no Quadro 1, a matriz de amarração metodológica que norteará a coleta e análise dos dados, bem como a todo o método DSR a ser percorrido para atingir os objetivos propostos. Quadro 1 – Matriz de amarração metodológica Problema de pesquisa Como as técnicas de análise de dados podem contribuir para o processo de prospecção tecnológica, visando a construção de agenda de pesquisa pública voltada para o setor agrícola brasileiro? Objetivo geral Propor os preceitos básicos de um roadmapping tecnológico aumentado por IA em apoio à gestão da inovação agrícola no contexto da Empresa Brasileira de Pesquisa Agropecuária Paradigma Epistemologia Método Abordagem Design Science Pragmatismo Design Science Research (DSR) Qualitativa e prescritiva Objetivo Específico Etapa do método DSR Técnica de coleta de dados Técnica de análise Apresentar um panorama teórico acerca da aplicação de técnicas de análise de dados na gestão de processos de inovação (Artigo 1) Problema Revisão integrativa da literatura– (Torraco, 2005, 2016) Busca nas bases científicas (Web of Science e Scopus) Abordagem de categorização para revisões integrativas (Dwertmann; Van Knippenberg, 2021) Investigar as práticas que permeiam a construção de data-driven roadmappings tecnológicos como instrumentos de apoio ao desenvolvimento de agenda pública de pesquisa e inovação agrícola (Artigo 2) Solução Revisão sistemática (Page et al., 2021; Snyder, 2019) Busca nas bases científicas (Web of Science e Scopus) Bibliometria (Aria; Cuccurullo, 2017); Análise de conteúdo temática (Bardin, 2016) Propor os preceitos básicos de um roadmapping tecnológico aumentado por IA generativa em apoio à gestão da inovação no contexto da Empresa Brasileira de Pesquisa Agropecuária (Artigo 3) Desenvolvimento Metodologia de Pesquisa em Design Science (Peffers et al., 2007) Análise de Documentos; Observação direta; Entrevista semiestruturada Análise de conteúdo temática (Bardin, 2016) Avaliação Estrutura para avaliação em DSR (Venable; Pries-Heje; Baskerville, 2016) Agregação de valor/ Comunicação Orientações para elaboração de manuscritos de DSR (Artigo 3) – (Gregor; Hevner, 2013; Romme; Holmström, 2023) Fonte: Da autora (2023) 40 REFERÊNCIAS ACCIAI, C. The politics of research and innovation: understanding instrument choices in complex governance environments – the case of France and Italy. Research Policy, v. 50, n. 9, p. 104254, 2021. Disponível em: https://doi.org/10.1016/j.respol.2021.104254. AGOPYAN, V.; ARBIX, G. A. Universidade como fonte confiável para a formulação e aperfeiçoamento de políticas públicas. Estudos Avançados, v. 36, n. 104, p. 285-298, fev. 2022. Disponível em: https://doi.org/10.1590/s0103-4014.2022.36104.013 AKTER, S. et al. Algorithmic bias in data-driven innovation in the age of AI. International Journal of Information Management, v. 60, p. 102387, 2021. Disponível em: https://doi.org/10.1016/j.ijinfomgt.2021.102387 AKTER, S. et al. Transforming business using digital innovations: the application of AI, blockchain, cloud and data analytics. Annals of Operations Research, p. 1-33, 2022. Disponível em: https://doi.org/10.1007/s10479-020-03620-w APPIO, F. P. et al. Digital transformation and innovation management: a synthesis of existing research and an agenda for future studies. Journal of Product Innovation Management, v. 38, n. 1, p. 4-20, 2021. Disponível em: https://doi.org/10.1111/jpim.12562 ARIA, M.; CUCCURULLO; C. Bibliometrix: An R-tool for comprehensive science mapping analysis, Journal of Informetrics, 11(4), pp 959-975, 2017. BARDIN, L. Análise de Conteúdo. São Paulo: Edições 70, 2016. BASKERVILLE, R. What design science is not. European Journal of Information Systems, v. 17, n. 5, p. 441-443, 2008. Disponível em: https://doi.org/10.1057/ejis.2008.45 BASKERVILLE, R. et al. Design science research contributions: finding a balance between artifact and theory. Journal of the Association for Information Systems, v. 19, n. 5, p. 3, 2018. Disponível em: https://10.17705/1jais.00495 BASKERVILLE, R.; MYERS, M. D.; YOO, Y. Digital First: the ontological reversal and new challenges for information systems research. MIS Quarterly. v. 44, n. 2, p. 509-523, 2020. Disponível em: https://doi:10.25300/MISQ/2020/14418 BEECH, N.; ANSEEL, F. COVID-19 and its impact on management research and education: threats, opportunities and a manifesto. British Journal of Management, v. 31, n. 3, p. 447- 449, 2020. Disponível em: https://doi.org/10.1111/1467-8551.12421 BERMAN, S. J. Digital transformation: opportunities to create new business models. Strategy & Leadership, v. 40, n. 2, p. 16-24, 2012. Disponível em: https://doi.org/10.1108/10878571211209314 BOGERS, M. L. A. M. et al. Digital innovation: transforming research and practice. Innovation, v. 24, n. 1, p. 4-12, 2022. Disponível em: https://doi.org/10.1080/14479338.2021.2005465 https://doi.org/10.1590/s0103-4014.2022.36104.013 https://doi.org/10.1111/jpim.12562 https://doi.org/10.1111/1467-8551.12421 41 BORRÁS, S.; EDLER, J. The roles of the state in the governance of socio-technical systems’ transformation. Research Policy, v. 49, n. 5, p. 103971, 2020. Disponível em: https://doi.org/10.1016/j.respol.2020.103971 BREM, A.; GIONES, F.; WERLE, M. The AI Digital Revolution in Innovation: a conceptual framework of artificial intelligence technologies for the management of innovation. IEEE Transactions on Engineering Management, p. 1-7, 2021. Disponível em: https://doi.org/10.1109/TEM.2021.3109983 BURGELMAN, R.; CHRISTENSEN, C.; WHEELWRIGHT, S. Strategic Management of Technology and Innovation, 5. ed. Singapura: McGraw-Hill, 2008. CARAYANNIS, E. G.; RAKHMATULLIN, R. The quadruple/quintuple innovation helixes and smart specialization strategies for sustainable and inclusive growth in Europe and beyond. Journal of the Knowledge Economy, v. 5, p. 212-239, 2014. Disponível em: https://doi.org/10.1007/s13132-014-0185-8 CARAYANNIS, E.; GREBENIUK, A.; MEISSNER, D. Smart roadmapping for STI policy. Technological Forecasting and Social Change, v. 110, p. 109-116, 2016. Disponível em: https://doi.org/10.1016/j.techfore.2015.11.003 CÁRDENAS, A. R. et al. O uso da triangulação em teses e dissertações de programas de pós- graduação em Administração no Brasil. Administração: Ensino e Pesquisa, v. 19, n. 2, p. 243–276, 2018. Disponível em: https://doi.org/10.13058/raep.2018.v19n2.853 CARVALHO, M. M.; FLEURY, A.; LOPES, A. P. An overview of the literature on technology roadmapping (TRM): contributions and trends. Technological Forecasting and Social Change, v. 80, n. 7, p. 1418-1437, 2013. Disponível em: https://doi.org/10.1016/j.techfore.2012.11.008 CASTILLO-CAMARENA, N.; LÓPEZ-ORTEGA, E. Technological foresight as support for the planning of research and development centers: the case of EI-UNAM. Foresight, v. 23, n. 4, p. 457-476, 2021. Disponível em: https://doi.org/10.1108/FS-09-2020-0100 CASTRO, G. D. R.; FERNANDEZ, M. C. G.; COLSA, A. U. Unleashing the convergence amid digitalization and sustainability towards pursuing the Sustainable Development Goals (SDGs): A holistic review. Journal of Cleaner Production, v. 280, p. 122204, 2021. CHIZZOTTI, A. Pesquisa qualitativa em Ciências Humanas e Sociais. 6. ed. Petrópolis: Editora Vozes, 2014. CINAR, E.; TROTT, P.; SIMMS, C. A systematic review of barriers to public sector innovation process. Public Management Review, v. 21, n. 2, p. 264-290, 2019. Disponível em: https://doi.org/10.1080/14719037.2018.1473477 DELLAGNELO, E. H. L.; SILVA, R. C. Análise de conteúdo e sua aplicação em pesquisa na administração. In VIEIRA, M. M. F.; ZOVAIN, D. M. (Orgs.). Pesquisa qualitativa em administração: teoria e prática (pp. 97-118). São Paulo: FGV, 2005. 42 DAVENPORT, T. H. From analytics to artificial intelligence. Journal of Business Analytics, v. 1, n. 2, p. 73-80, 2018. Disponível em: https://doi.org/10.1080/2573234X.2018.1543535 DAVENPORT, T. H; RONANKI, R. Artificial intelligence for the real world. Harvard business review, v. 96, n. 1, p. 108-116, 2018. Disponível em: https://hbr.org/webinar/2018/02/artificial-intelligence-for-the-real-world DE ALCANTARA, D. P.; MARTENS, M. L. Technology Roadmapping (TRM): a systematic review of the literature focusing on models. Technological Forecasting and Social Change, v. 138, p. 127-138, 2019. Disponível em: https://doi.org/10.1016/j.techfore.2018.08.014 DE BOON, A.; SANDSTRÖM, C.; ROSE, D. C. Governing agricultural innovation: a comprehensive framework to underpin sustainable transitions. Journal of Rural Studies, v. 89, p. 407-422, 2022. Disponível em: https://doi.org/10.1016/j.jrurstud.2021.07.019 DENYER, D.; TRANFIELD, D.; VAN AKEN, J. E. Developing design propositions through research synthesis. Organization studies, v. 29, n. 3, p. 393-413, 2008. Disponível em: https://doi.org/10.1177/0170840607088020 DIERCKS, G.; LARSEN, H.; STEWARD, F. Transformative innovation policy: addressing variety in an emerging policy paradigm. Research Policy, v. 48, n. 4, p. 880-894, 2019. Disponível em: https://doi.org/10.1016/j.respol.2018.10.028 DING, B.; HERNÁNDEZ, X. F. Case study as a methodological foundation for Technology Roadmapping (TRM): literature review and future research agenda. Journal of Engineering and Technology Management, v. 67, p. 101731, 2023. Disponível em: https://doi.org/10.1016/j.jengtecman.2023.101731 DRESCH, A.; LACERDA, D. P.; JUNIOR, J. A. V. A. Design science research: método de pesquisa para avanço da ciência e tecnologia. Porto Alegre: Bookman Editora, 2015. DRESCH, A.; LACERDA, D. P.; MIGUEL, P. A. C. Uma análise distintiva entre o estudo de caso, a pesquisa-ação e a design science research. Revista Brasileira de Gestão de Negócios, v. 17, p. 1116-1133, 2015. Disponível em: https://doi.org/10.7819/rbgn.v17i56.2069 DWERTMANN, D. J. G; VAN KNIPPENBERG, D. Capturing the state of the science to change the state of the science: a categorization approach to integrative reviews. Journal of Organizational Behavior, v. 42, n. 2, p. 104-117, 2021. Disponível em: https://doi.org/10.1002/job.2474 EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Visão 2030: o futuro da agricultura brasileira. 2018. Disponível em: https://www.embrapa.br/visao/o-futuro-da- agricultura-brasileira. Acesso em: 18 abr. 2023 ESPIG, M. et al. Responsible digital agri‐food innovation in Australian and New Zealand public research organisations. Sociologia Ruralis, v. 62, n. 2, p. 389-409, 2022. Disponível em: https://doi.org/10.1111/soru.12370 43 EUROPEAN COMMISSION. Powering European public sector innovation: towards a new architecture. Disponível em: https://ec.europa.eu/futurium/en/system/files/ged/42- public_sector_innovation_-_towards_a_new_architecture.pdf. Acesso em: 18 mar. 2023. FERES, J. G.; FERREIRA, M. D. Sustentabilidade da agropecuária brasileira: o desafio da intensificação. In: VIEIRA FILHO, J. E. R.; GASQUES, J. G. (Org.). Uma jornada pelos contrastes do Brasil: cem anos de Censo Agropecuário. Brasília: Ipea, 2020. p. 341-349. Disponível em: https://repositorio.ipea.gov.br/handle/11058/10339. Acesso em: 18 mar. 2023. FILATOTCHEV, I.; IRELAND, R. D.; STAHL, G. K. Contextualizing management research: an open system perspective. Journal of Management Studies, v. 59, n. 4, p. 21, 2022. Disponível em: https://doi.org/10.1111/joms.12754 FÜLLER, J. et al. How AI revolutionizes innovation management: perceptions and implementation preferences of AI-based innovators. Technological Forecasting and Social Change, v. 178, p. 22, 2022. Disponível em: https://doi.org/10.1016/j.techfore.2022.121598 GERDSRI, N; MANOTUNGVORAPUN, N. Systemizing the Management of University- Industry Collaboration: assessment and Roadmapping. IEEE Transactions on Engineering Management, v. 69, n. 1, p. 245-261, 2022. Disponível em: https://doi.org/10.1109/TEM.2021.3077447 GEUM, Y.; FARRUKH, C.; LEE, S. An integrated framework for assessing the technology roadmapping process from multiple perspectives: the case at the sector level. Journal of Engineering and Technology Management, v. 67, p. 101732, 2023. Disponível em: https://doi.org/10.1016/j.jengtecman.2023.101732 GONG, C.; RIBIERE, V. Developing a unified definition of digital transformation. Technovation, v. 102, p. 102217, 2021. Disponível em: https://doi.org/10.1016/j.t