SISAM: a IA da Receita que já te conhece (e decide se sua carga para)

Todo mundo que importa acha que canal é loteria.

Não é. E faz uma década que não é.

Existe uma inteligência artificial dentro da Receita Federal chamada SISAM — Sistema de Seleção Aduaneira por Aprendizado de Máquina. Ela lê item por item, adição por adição, de toda declaração de importação registrada no Brasil, e calcula a probabilidade de aquilo ali estar errado. Depois calcula quanto o governo ganha se te parar. E aí decide se vale a pena.

Ela foi criada por um auditor-fiscal que é doutor em IA pela Unicamp, ganhou o 1º lugar do Prêmio RFB em 2015 e roda em todas as unidades aduaneiras do país, integrada ao Siscomex.

Ou seja: enquanto o mercado discute o que é Incoterm, tem uma máquina te estudando desde 1997.

Vamos aos fatos — e todos os números daqui saem do estudo publicado pela própria Receita.

O que ele olha na sua declaração

Não é “risco do importador” genérico. É granular. Pra cada mercadoria de cada adição de cada DI, o SISAM calcula a probabilidade de:

erro de classificação fiscal (NCM) — o principal alvo
erro de país de origem
erro de regime tributário
erro de acordo tarifário
falta de LI (ou LI onde não precisava)
erro nas alíquotas de II, IPI, PIS, Cofins e antidumping
descrição inadequada da mercadoria
erro na redução de base de cálculo de PIS/Cofins

E aqui vem a parte que a maioria dos importadores não sabe:

Ele não só desconfia da sua NCM. Ele calcula qual seria a NCM certa.

O sistema devolve pro auditor uma lista ranqueada de valores corretos possíveis, com a probabilidade de cada um, o impacto tributário de cada um, e uma explicação em português de por que ele desconfiou. O auditor abre a tela e já tem a suspeita, a hipótese e o motivo, tudo mastigado.

Ele não te para pra perguntar o que é aquilo. Ele te para com o palpite pronto.

Quão bom é esse palpite?

São 10.000 NCMs possíveis. Um produto pode caber em várias. A classificação segue regras que confundem gente que faz isso há 20 anos.

Mesmo assim:

Onde está a NCM correta na lista do SISAM	1ª	2ª	3ª	4ª	5ª
Nos itens em geral	40%	52%	57%	61%	65%
Nos itens mais suspeitos (top 2%)	56%	67%	70%	75%	77%

Em 40% dos casos, o primeiro chute da máquina é o certo. Entre dez mil opções.

E quanto mais suspeito o item, mais ele acerta — porque os mesmos indícios que geram a suspeita apontam a resposta.

A pontaria: 1% de conferência, 22% dos erros

Essa é a tabela que define o jogo. Ela mostra quantos erros de classificação a Receita captura conferindo só os itens mais suspeitos segundo o SISAM:

Conferindo…	1%	2%	5%	10%	20%	50%
…pega dos erros	22%	34%	52%	66%	81%	96%

Conferindo 1% das mercadorias, a Receita pega 22% de todos os erros de NCM. Alavancagem de 22 vezes.

Em outros erros a pontaria é ainda mais assustadora, sempre no 1% mais suspeito:

Falta de licença de importação: 51%. Metade de todos os erros de LI do país está no 1% mais suspeito. Esqueceu a LI? Assuma que ele viu.
Regime tributário do II: 82%. Pedir regime especial que não cabe é praticamente levantar a mão.
Diferença de alíquota efetiva: 27% do valor total. Ele não persegue erro — persegue dinheiro.

E funciona na prática?

Funciona. A Coana mediu 7.201 declarações redirecionadas de canal por fiscais e olhou quantas acabaram efetivamente retificadas:

Canal	Deu resultado
Amarelo	61%
Vermelho	75%
Cinza	85%

Compare com a seleção parametrizada tradicional do Siscomex, aquela de regra fixa: média de 30%.

Traduzindo sem anestesia: quando um fiscal te redireciona apoiado no SISAM e joga a DI no cinza, 85% das vezes a declaração acaba retificada.

Você não foi sorteado. Você foi escolhido.

As cinco coisas que ninguém te contou

Aqui é onde dói. Tudo isso está escrito, com todas as letras, no estudo da própria Receita.

1. Canal verde não é absolvição — é coleta de dados

O modelo foi treinado com 98,7 milhões de itens em 5,5 milhões de declarações. E 88% dessas declarações foram desembaraçadas em canal verde.

Está no texto: o sistema aprende os “comportamentos típicos e atípicos dos importadores sem que eles sequer precisem saber que o SISAM existe”. Não teve campanha, não teve aviso, não teve nada.

Cada verde que você tirou nos últimos anos não apagou nada. Alimentou o modelo.

2. Corrigir um erro não te tira do radar — te move dentro dele

Essa é a joia técnica do sistema, e a mais desconfortável. O autor explica que, “ao ser pego cometendo um erro, o importador tende a parar de cometê-lo, embora possa tranquilamente seguir cometendo erros diferentes”.

Um sistema burro continuaria cobrando o erro velho. O SISAM foi construído justamente pra não cair nessa: ele reconhece a correção e vai atrás do próximo ponto fraco.

Consertar a NCM que te pegaram não é fim de história. É virada de página.

3. Trocar de porto não esconde nada

Está listado como benefício explícito do sistema: tornar inútil para o importador mudar a carga para uma unidade da Receita que ainda não conheça suas infrações.

O histórico é nacional. Não é do porto, não é do fiscal, não é da sua região.

4. Não existe fórmula pra cair no verde

Um dos requisitos de projeto é literalmente: “não permitir que os importadores identifiquem seu comportamento e aprendam a se situar abaixo do radar”.

Outro: “evitar aprender com comportamentos errados, mesmo que repetitivos, não se deixando induzir pelos importadores”.

Declarar errado trezentas vezes não transforma o errado em normal. Transforma em padrão detectável.

Se alguém te vender macete de canal, está te vendendo vento — e caro.

5. Sua descrição é prova

O sistema processa texto livre: descrição da mercadoria, nome do fornecedor estrangeiro, nome do fabricante. E foi treinado especificamente pra não se perder com descrições que trazem “mais palavras associadas ao contexto do negócio que à mercadoria em si”.

Aquela descrição copiada do catálogo do fornecedor, cheia de adjetivo comercial e vazia de característica técnica, não passa despercebida. Ela chama atenção.

A brecha honesta (e é aqui que se ganha dinheiro)

O próprio autor admite um ponto fraco: o SISAM demora a se adaptar a mudanças de legislação. Quando muda regra de LI ou de alíquota, o modelo erra mais — e sobra falso positivo.

Ou seja: em período de mudança normativa, empresa certinha também para.

E aí a diferença entre as duas empresas paradas no mesmo dia é uma só: quem tem dossiê pronto sai em horas, quem não tem fica semanas. Catálogo organizado, laudo técnico, ficha do produto, memória de classificação, LI conferida antes do embarque. É burocrático? É. É o que separa custo de prejuízo.

E com a DUIMP, piora ou melhora?

Depende inteiramente de você.

Com a DUIMP e o Catálogo de Produtos, o histórico deixa de ser por declaração e passa a ser por produto. Rastro mais limpo, mais longo, mais fácil de cruzar.

Quem cataloga bem, constrói reputação a cada operação. Quem cataloga errado carimba o erro em toda importação futura — e em escala, automaticamente.

(Essa última parte é leitura da Orvion sobre onde a coisa está indo, não está no estudo de 2015.)

O resumo em três linhas

Você já está no modelo. Há anos. Inclusive pelo que passou no verde.
A máquina não procura culpado — procura retorno esperado em reais.
O único jeito de vencer um sistema que aprende é não dar a ele o que aprender.

Não dá pra enganar. Dá pra ser chato de fiscalizar: NCM sustentada por laudo, descrição técnica de verdade, origem documentada, licença antes do embarque, catálogo consistente.

Custa uma fração de um dia de demurrage. E te tira da fila de quem vale a pena parar.

Quer saber como sua operação aparece pra essa máquina? A Orvion faz o diagnóstico do seu histórico de importação — NCM, descrição, origem, licenciamento e regimes — e aponta onde você está entregando motivo. Sem enrolação e com atendimento de dono.

👉 orvionconsulting.com · contato@orvionconsulting.com · +55 41 99677-1597

Fontes

JAMBEIRO FILHO, J. E. S. Inteligência Artificial no Sistema de Seleção Aduaneira por Aprendizado de Máquina. 1º lugar — 14º Prêmio RFB, 2015. Repositório ENAP.
Raya Consult — SISAM na RFB.
Receita Federal — Política para uso ético e seguro de Inteligência Artificial, março/2026.