Os assistentes de IA gerais produzem sugestões de viagem fluentes, mas frequentemente inviáveis: não sabem se o elétrico 15E está a funcionar, se o museu está aberto ou se vai chover amanhã em Belém. O estudo "A Multi-Agent Approach for Context-Aware Tourism and Urban Mobility Guidance", de André Silvestre, Bruno Jardim e Miguel de Castro Neto, investigadores da NOVA Information Management School (NOVA IMS) da Universidade NOVA de Lisboa, aceite em outubro de 2026 pela revista Results in Engineering, apresenta o LISBOA (Lisbon Itinerary System Based On AI), um protótipo de investigação multi-agente que responde a perguntas sobre turismo e mobilidade na capital a partir de dados oficiais em tempo real. Os resultados são inequívocos: a fundamentação em dados urbanos vivos melhora a qualidade das respostas em cerca de 0,84 a 0,87 pontos numa escala de 1 a 5, face aos mesmos modelos a operar sem ligação à cidade.
O turismo é um pilar fundamental da economia portuguesa. Como recordam os autores, a receita turística nacional atingiu quase 20,3 mil milhões de euros nos primeiros oito meses de 2025, mais 5,4% do que no período homólogo de 2024. A Área Metropolitana de Lisboa dá conta de cerca de 36% do PIB nacional, e a cidade concentra perto de 20% das pernoitas do país em 2024. Esta intensidade gera um ecossistema urbano complexo: aos cerca de 548 mil residentes somam-se, diariamente, fluxos pendulares que elevam a população funcional para aproximadamente 926 mil pessoas, pressionando uma rede multimodal - metro, autocarros, elétricos, comboios e ferries - que assegura apenas 22% das deslocações na cidade.
É neste contexto que os grandes modelos de linguagem (LLMs) revelam a sua fragilidade. Como sintetizam os investigadores, "a geração permanece otimizada para a plausibilidade e a utilidade, e não para a correção verificada, pelo que respostas fluentes podem continuar factualmente erradas". As omissões mais comuns incluem eventos temporários, pontos de interesse dinâmicos e detalhes como opções de restauração e horários atualizados. A evidência é consistente: benchmarks recentes como o TravelPlanner reportam que "os principais agentes LLM produzem planos viáveis em menos de 1% dos casos sob restrições realistas".
Uma arquitetura de agentes ao serviço da cidade
O LISBOA responde a esta lacuna com uma arquitetura hierárquica de agentes de IA. Um supervisor recebe cada pergunta, classifica a intenção e delega em agentes trabalhadores especializados - meteorologia, transportes e investigação turística - que seguem o padrão ReAct de raciocínio iterativo. Quando o pedido exige composição entre domínios (por exemplo, "planeie um dia de chuva em Belém"), um planeador sintetiza o itinerário a partir das evidências recolhidas, e um estágio de garantia de qualidade valida as respostas antes da entrega.
A inovação central está na camada de fundamentação de conhecimento: os agentes dispõem de 45 ferramentas ligadas a nove fontes oficiais de dados de Lisboa, incluindo o Turismo de Lisboa (mais de mil lugares turísticos e eventos culturais), os dados abertos municipais da Lisboa Aberta (168 conjuntos de dados em formato GeoJSON), os avisos e previsões do IPMA, e os sistemas em tempo real do Metropolitano, da Carris, da Carris Metropolitana e da CP. O sistema é bilingue, combinando geração aumentada por recuperação (RAG) multilingue, recuperação geoespacial determinística e integrações em tempo real.
Os autores são prudentes quanto ao alcance do desenho: "o design prioriza deliberadamente a fundamentação controlável e o comportamento previsível num domínio urbano volátil, em vez de uma autonomia sem limites". Quando a evidência não existe - uma previsão para além do horizonte de cinco dias do IPMA, um local fora da área metropolitana -, o sistema recusa-se a fabricar a resposta e declara explicitamente a limitação.
Os números: ganhos mensuráveis
A avaliação do LISBOA combinou um benchmark de agentes isolados, um estudo de ablação emparelhado e um estudo com utilizadores. No benchmark, os agentes fundamentados alcançaram uma pontuação média de 4,575 em 5, sem erros de execução, com o domínio meteorológico no topo (4,750) e o dos transportes no fundo (4,486) - uma ordenação que os autores atribuem à heterogeneidade do parque operacional lisboeta, que obriga a normalizar dados de quatro operadores distintos.
O estudo de ablação fornece, porém, a evidência mais forte. Ao comparar o pipeline completo com o mesmo modelo a responder apenas a partir da memória paramétrica, o ganho médio foi de +0,843 pontos para o perfil proprietário e +0,865 para o de pesos abertos, estatisticamente significativo (p < 0,001), com o LISBOA a pontuar mais alto em 63 das 75 consultas para ambos os perfis. Os ganhos concentram-se onde a evidência externa mais importa: meteorologia (+1,029) e transportes (+0,941). À escala das dimensões, "os maiores ganhos verificam-se na completude e na exatidão factual", enquanto a relevância e a qualidade do texto melhoram menos, constatação que localiza o contributo do sistema naquilo que ele consegue saber, e não na fluência com que escreve.
Este rigor tem custos operacionais: a latência mediana do pipeline completo foi de 5,79 segundos (contra 2,01 do modelo isolado) e o custo de cerca de um cêntimo de dólar por resposta. Os autores assumem o compromisso: a fundamentação "não é uma reclamação de substituição" de sistemas anteriores como o LISA, mas a demonstração de que um fluxo multi-agente fundamentado colmata parte da falha de acesso a condições atuais que os sistemas estáticos deixam em aberto.
Vinte utilizadores, uma prova de conceito
O estudo formativo com 20 participantes - 13 residentes fora de Lisboa, seis lisboetas e um visitante - devolveu medianas iguais ou superiores a 4,0 em todas as seis dimensões avaliadas (utilidade, confiança, qualidade da resposta, personalização, interface e satisfação global). Os participantes valorizaram sobretudo "a orientação consolidada de transportes e meteorologia, fundamentada em fontes citadas", convergindo com os domínios onde a ablação registou os maiores ganhos. Quinze dos vinte recomendaria o sistema; os restantes cinco responderam "talvez"; nenhum recusou.
Há um achado particularmente interessante para quem gere comunicação de destinos: a dimensão mais baixa e dispersa foi a confiança, mas parte da explicação reside numa tensão de desenho, não numa falha. Vários participantes experienciaram como limitação a recusa do sistema em responder para além do horizonte de previsão ou fora da área coberta, quando esse comportamento é, precisamente, a fundamentação disciplinada que a arquitetura impõe. Como escrevem os autores, "a implicação para este protótipo não é uma fundamentação mais fraca, mas uma comunicação mais clara do porque de uma limitação existir e do que o sistema pode oferecer em alternativa".
Para além de Lisboa: lições para os territórios
As implicações práticas do estudo estendem-se a toda a gestão de destinos. Os investigadores sublinham que, com o modelo mantido constante, o valor do assistente decorre da amplitude, atualidade e autoridade das fontes de dados, e de um fluxo de trabalho que comunica a incerteza quando falta evidência. Para organizações de gestão de destinos, operadores de transporte e serviços municipais, a mesma abordagem oferece uma forma de transformar dados oficiais fragmentados em orientação consistente, reduzindo o risco de respostas desatualizadas ou fabricadas.
A transferibilidade é explícita: "Lisboa é o caso empírico deste estudo, mas a arquitetura e o desenho de avaliação são transferíveis em estrutura, outra cidade poderia adaptar o quadro reconstruindo as integrações de dados locais". Para cidades e municípios portugueses que dispõem de catálogos de dados abertos, de APIs de transporte e de conteúdos turísticos oficiais, o LISBOA desenha um caminho concreto: a inteligência artificial de um destino vale, afinal, pela qualidade dos dados que a cidade lhe disponibiliza.
Convém ser claro, por outro lado, quanto ao estatuto do LISBOA: trata-se de um exercício académico, não de um serviço disponível ao público. O projeto nasceu como tese de mestrado em Ciência de Dados na NOVA IMS, e a interface bilingue construída para a avaliação - um protótipo em Streamlit - serviu de ambiente ao estudo com utilizadores, não de aplicação aberta. Os autores são, aliás, explícitos: "o LISBOA não é um planeador de viagens universal, nem um otimizador de tarifas, nem um motor genérico de otimização de rotas", e as linhas de trabalho futuro indicadas no artigo são todas de natureza científica (benchmarking independente, calibração dos avaliadores automáticos, migração para protocolos-padrão de dados) sem qualquer referência a implementação comercial.
Isto não esvazia o interesse do trabalho; redefine-o. O código-fonte está disponível num repositório público no GitHub, o que permite a qualquer equipa técnica replicar o sistema desde que disponha das credenciais de acesso às fontes de dados. O valor para quem gere destinos não está num produto pronto a usar, mas num modelo comprovado: a arquitetura, a estratégia de fundamentação em dados oficiais e o quadro de avaliação são explicitamente transferíveis a cidades com fontes de dados comparáveis. Para municípios e organizações de gestão de destinos portugueses, a questão pertinente não é "quando poderemos usar o LISBOA?", mas sim "quais as bases de dados oficiais de que o nosso território já dispõe para replicar esta abordagem?".
Principais conclusões
- Um fluxo multi-agente fundamentado em dados urbanos vivos melhora a qualidade julgada das respostas em 0,84 a 0,87 pontos (escala 1-5) sobre os mesmos modelos a operar sem ligação à cidade, com ganhos concentrados na meteorologia e nos transportes.
- O benchmark dos agentes isolados registou uma qualidade média de 4,575 em 5, sem erros de execução, sendo a exatidão factual a dimensão mais difícil e o domínio dos transportes o mais exigente, dada a heterogeneidade operacional.
- O estudo com 20 utilizadores devolveu medianas iguais ou superiores a 4,0 em todas as dimensões; os participantes valorizaram sobretudo a orientação de transportes e meteorologia fundamentada em fontes citadas, e nenhum recusou recomendar o sistema.
- O sistema recusa fabricar respostas quando a evidência não existe, declarando limitações, um comportamento que os autores defendem como núcleo da confiança, exigindo porém comunicação mais clara junto dos utilizadores.
- A arquitetura é transferível para outras cidades com fontes de dados comparáveis, com implicações diretas para organizações de gestão de destinos, operadores de transporte e serviços municipais.
Referência: Silvestre, A., Jardim, B., & de Castro Neto, M. (2026). A Multi-Agent Approach for Context-Aware Tourism and Urban Mobility Guidance. Results in Engineering, artigo em pré-publicação aceite a 3 de outubro de 2026. https://doi.org/10.1016/j.rineng.2026.113369
Comentários
Enviar um comentário