Palavras-chave
Processamento de linguagem natural
Mineração de texto
Capacidade de inteligência competitiva
Revisão sistemática da literatura
Tomada de decisão orientada por IA
Eficácia organizacional
Como Citar
Resumo
Objetivo: O objetivo da pesquisa é investigar o papel da análise de linguagem como uma fonte de eficácia da Inteligência Competitiva (IC) nas organizações, apresentar uma análise aprofundada da produção científica internacional no período de 2013 a 2026 e identificar as formas pelas quais dados textuais, em sua forma não estruturada, podem ser convertidos em vantagem estratégica.
Metodologia/abordagem: Foi realizada uma revisão sistemática da literatura (RSL), de acordo com as diretrizes PRISMA 2020. As bases Scopus, Web of Science, IEEE Xplore e Google Scholar foram pesquisadas utilizando uma combinação de palavras-chave, tais como análise de linguagem, processamento de linguagem natural, mineração de texto, análise de sentimentos, modelagem de tópicos e inteligência competitiva. Após a triagem de 487 registros iniciais e a avaliação de 142 artigos em texto completo, 62 estudos de alta qualidade foram incorporados à síntese final.
Originalidade/Relevância: A análise de linguagem, incluindo processamento de linguagem natural (NLP), mineração de texto e grandes modelos de linguagem (LLMs), pode oferecer às organizações uma solução eficaz para transformar dados textuais brutos em informações oportunas, precisas e preditivas.
Principais resultados: Os resultados indicam quatro mecanismos principais pelos quais a análise de linguagem pode ser utilizada para aumentar a eficácia da IC: monitoramento em tempo real e velocidade; profundidade semântica e precisão; capacidades preditivas e prescritivas; e escalabilidade multilíngue e multiplataforma. O estudo posiciona a análise de linguagem como um facilitador estratégico da tomada de decisão orientada por inteligência, auxiliando as organizações no fortalecimento da vantagem competitiva.
Contribuições teóricas/metodológicas: Este artigo apresenta uma contribuição teórica ao desenvolver o modelo tradicional do ciclo de IC da SCIP mediante a incorporação de uma camada específica de análise de linguagem e ao integrar as perspectivas das capacidades dinâmicas e da visão baseada no conhecimento à inteligência orientada por IA. Como contribuição metodológica, apresenta um protocolo de RSL reproduzível e um framework conceitual que sintetiza o conhecimento existente.
Referências
Abbas, J. (2026). Resource orchestration and firm competitive performance: The role of knowledge absorptive capacity in converting business analytics into strategic competitive advantage. Technological Forecasting and Social Change, 222, 124403. https://doi.org/10.1016/j.techfore.2025.124403
Abdullah, M. S., Tasnim, K., Karim, M. Z., & Hasan, R. (2025). Improving Market Competitiveness using the Use of Artificial Intelligence in Strategic Business Decisions. Business and Social Sciences, 3(1), 1-9. https://doi.org/10.25163/business.3110213
Adomako, S., & Tran, M. D. (2022). Environmental collaboration, responsible innovation, and firm performance: The moderating role of stakeholder pressure. Business Strategy and the Environment, 31(4), 1695-1704. https://doi.org/10.1002/bse.2977
Al Mohaimin, A. F. M., & Rahman, M. (2025). Business Intelligence in the Age of Enterprise AI: Assessing Readiness for Unstructured Data Utilization. DOI: https://doi.org/10.70818/ijarhs.v04i03.2025.250315
Ballinger, M. S. (2000). Participant self-perceptions about the causes of behavior change from a program of executive coaching. Capella University.
Béraud, M., Drajac, C., & Thomas, M. (2021). Talent management after an acquisition: a case study of Roche and Genentech. Strategic HR Review, 20(1), 30-35. https://doi.org/10.1108/SHR-09-2020-0082
Bosso, C. T., Senayah, W. K., & Biney-Aidoo, V. (2023, August). Analysing the Competitiveness of Ghanaian Textile and Garment Industries Through Porter’s Five Forces Framework. In Applied Research Conference in Africa (pp. 15-39). Cham: Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-65357-5_2
Dash, B. (2022). Information Extraction from Unstructured Big Data: A Case Study of Deep Natural Language Processing in Fintech. University of the Cumberlands.
Dash, R., McMurtrey, M., Rebman, C., & Kar, U. K. (2022). Application of artificial intelligence in business intelligence: A systematic review. Journal of Business Research, 145, 1–15. https://doi.org/10.1016/j.jbusres.2022.02.032
Dathe, T., Dathe, R., Dathe, I., & Helmold, M. (2022). Suppliers and Competitors. In Corporate Social Responsibility (CSR), Sustainability and Environmental Social Governance (ESG) Approaches to Ethical Management (pp. 181-190). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-92357-0_14
de las Heras-Rosas, C., & Herrera, J. (2021). Innovation and sustainability in competitive intelligence: A bibliometric analysis. Sustainability, 13(12), 6785. https://doi.org/10.3390/su13126785
Wang, T., Zhang, B., Jiang, D., & Li, D. (2025). A multimodal large language model framework for intelligent perception and decision-making in smart manufacturing. Sensors, 25(10), 3072. https://doi.org/10.3390/s25103072
Elkaabi, A., Mamouny, A., & Elmaallam, M. (2025, June). The Impact of Artificial Intelligence Tools on the Competitive Intelligence Process: A Systematic Literature Review. In 2025 International Conference on Circuit, Systems and Communication (ICCSC) (pp. 1-7). IEEE. 10.1109/ICCSC66714.2025.11135245
Garg, A., Gupta, S., Vats, S., Handa, P., & Goel, N. (2024). Prospect of large language models and natural language processing for lung cancer diagnosis: A systematic review. Expert Systems, 41(11), e13697.
https://doi.org/10.1111/exsy.13697
He, W., Zha, S., & Li, L. (2013). Social media competitive analysis and text mining: A case study in the pizza industry. International journal of information management, 33(3), 464-472. https://doi.org/10.1016/j.ijinfomgt.2013.01.001
Horlings, T. (2023). Dealing with data: coming to grips with the Information Age in Intelligence Studies journals. Intelligence and National Security, 38(3), 447-469. https://doi.org/10.1080/02684527.2022.2104932
Ibtissam, L. A. I. B., MEHDA, S., ATTIA, H., ATTIA, R., Feriel, D. I. A. B., & KHIARI, R. (2025). Phenolic profile, antioxidant capacity, and in vivo sub-acute toxicity evaluation of Calligonum comosum L. aerial part. 10.2478/auoc-2025-0002
Ju, X., et al. (2024). A social media competitive intelligence framework for brand topic identification and customer engagement prediction. PLOS ONE, 19(11), Article e0313191. https://doi.org/10.1371/journal.pone.0313191
Kampourakis, K. E., Gkioulos, V., Kavallieratos, G., & Lin, J. C. (2025). Digital Twin-Enabled Incident Detection and Response: A Systematic Review of Critical Infrastructures Applications: KE Kampourakis et al. International Journal of Information Security, 24(5), 194. https://doi.org/10.1007/s10207-025-01113-0
Ma, L., Chen, R., Ge, W., Rogers, P., Lyn-Cook, B., Hong, H., ... & Zou, W. (2025). AI-powered topic modeling: comparing LDA and BERTopic in analyzing opioid-related cardiovascular risks in women. Experimental Biology and Medicine, 250, 10389. 10.3389/ebm.2025.10389
Manoharan, G., Durai, S., Rajesh, G. A., & Ashtikar, S. P. (2023). A Study on the Application of Natural Language Processing Used in Business Analytics for Better Management Decisions: A Literature Review. Artificial Intelligence and Knowledge Processing, 249-261.
Masethe, H. D., Masethe, M. A., Ojo, S. O., Giunchiglia, F., & Owolawi, P. A. (2024). Word sense disambiguation for morphologically rich low-resourced languages: A systematic literature review and meta-analysis. Information, 15(9), 540. https://doi.org/10.3390/info15090540
Mehraliyev, F., Chan, I. C. C., & Kirilenko, A. P. (2022). Sentiment analysis in hospitality and tourism: a thematic and methodological review. International Journal of Contemporary Hospitality Management, 34(1), 46-77. https://doi.org/10.1108/IJCHM-02-2021-0132
Menghini, I. (2022). NLP for market and competitive intelligence. In Proceedings of the 3rd Italian Workshop on Artificial Intelligence and Applications for Business and Industries (AIABI 2023) (CEUR Workshop Proceedings, Vol. 3650). CEUR-WS.org. https://ceur-ws.org/Vol-3650/paper2.pdf
Necula, G. C., McPeak, S., Rahul, S. P., & Weimer, W. (2002, March). CIL: Intermediate language and tools for analysis and transformation of C programs. In International Conference on Compiler Construction (pp. 213-228). Berlin, Heidelberg: Springer Berlin Heidelberg. https://doi.org/10.1007/3-540-45937-5_16
Pathak, N. (2025). GenAI Enabled Learning Ecosystems (GELEs). Digital Repository of Theses.
Ren, S., Cooke, F. L., Stahl, G. K., Fan, D., & Timming, A. R. (2023). Advancing the sustainability agenda through strategic human resource management: Insights and suggestions for future research. Human Resource Management, 62(3), 251-265.
https://doi.org/10.1002/hrm.22169
Sandoval, A. M., & Redondo, T. (2016). Text analytics: the convergence of big data and artificial intelligence. IJIMAI, 3(6), 57-64.
Silva, D., & Bação, F. (2023). MapIntel: A visual analytics platform for competitive intelligence. Expert Systems, 40(10), e13445.
https://doi.org/10.1111/exsy.13445
Sinjanka, Y., Ibrahim, U. S., & Malate, F. (2023). Text analytics and natural language processing for business insights: A comprehensive review. International journal for research in applied science and engineering technology, 11(9), 1626-1651.
Tat, O., & Aydogan, I. (2024). Discovering hidden patterns: Applying topic modeling in qualitative research. Journal of Measurement and Evaluation in Education and Psychology, 15(3), 247-259. https://doi.org/10.21031/epod.1539694
Zapata-Cantu, L., & González, F. (2021). Challenges for innovation and sustainable development in Latin America: The significance of institutions and human capital. Sustainability, 13(7), 4077.