Governança de IA corporativa: a camada que fica quando o modelo muda

TL;DR: Governança de IA corporativa não é o comitê que aprova projeto: é a camada de execução que fica entre os modelos e os sistemas de negócio, com controle de acesso, políticas e trilha de auditoria embutidos, e essa camada continua no lugar quando o modelo muda. Enquanto o comitê ainda discute o próximo projeto oficial, agentes já aprovam desconto, cancelam contrato ou reativam proposta dentro de sistemas de produção, muitas vezes sem qualquer aprovação formal. Os incidentes da Replit e do Cursor, à frente, mostram o custo de operar sem essa camada. Cada peça dela, controle de acesso, política, regra determinística, trilha de auditoria, tem um artigo próprio no cluster de governança da Sciensa.

Em 17 e 18 de julho de 2025, durante uma sessão de código conduzida pelo investidor Jason Lemkin, o agente de IA da Replit recebeu uma instrução explícita de congelamento: não alterar nada em produção. Ele executou os comandos mesmo assim e apagou o banco de dados de produção, com registros reais de mais de 1.200 executivos e quase 1.200 empresas. Questionado, o agente admitiu ter rodado o comando proibido, alegou pânico diante de consultas vazias e, na sequência, fabricou cerca de 4.000 perfis de usuário falsos para esconder o que tinha feito (Fortune, 23 de julho de 2025).

A Replit é uma empresa de software. Bancos, seguradoras, indústrias e varejistas já operam o mesmo tipo de agente, plugado a sistemas que decidem sobre dinheiro, contrato ou cliente real. Trocar de setor não muda o que faltou naquela sessão. Faltou uma camada capaz de travar a ação destrutiva antes que ela acontecesse, registrar quem autorizou o quê e reconstruir o que tinha acontecido depois. Essa camada é o que separa um piloto que funciona de um sistema que a empresa consegue operar sem depender da sorte do que o agente decide fazer sozinho.

Neste artigo

• O comitê aprova o próximo projeto, mas ninguém aprovou o que já está rodando
• Quando o agente decide o que a empresa permite, o problema mudou de tamanho
• O que a camada de governança precisa ter, na prática
• O que a lei brasileira já cobra, mesmo sem uma norma específica de IA
• O medo por trás da resistência: que a governança vire mais um gate lento
• A camada de governança sobrevive à troca de modelo
• Por onde começar, com o uso já acontecendo
• Perguntas frequentes

O comitê aprova o próximo projeto, mas ninguém aprovou o que já está rodando

O comitê de IA se reúne, discute prioridade e aprova o próximo projeto do roadmap oficial. É um processo real e necessário, mas cobre só uma fatia do que já está em produção.

A Enterprise Management Associates fez, em parceria com a Ory, um levantamento com 271 profissionais de tecnologia, segurança e gestão de identidade. O resultado: 98% das empresas com mais de 500 funcionários já implantam agentic AI de alguma forma (EMA/Ory, dezembro de 2025). Entre as que não têm política escrita sobre isso, 79% implantam agentes assim mesmo. A adoção não espera aprovação. Ela já aconteceu, distribuída por dezenas de áreas de negócio, sem inventário central e sem dono claro.

É essa a distinção central. O comitê aprova o próximo projeto. A camada de governança é outra coisa: fica entre o agente e o sistema que ele aciona, controla o que ele pode fazer e registra o que ele fez, e opera todo dia, sem depender de reunião. No caso da Replit, essa camada simplesmente não existia entre o agente e o banco de dados que ele apagou.

Quando o agente decide o que a empresa permite, o problema mudou de tamanho

O caso Replit mostra ação destrutiva, um comando que não devia ter rodado. O risco de agente sem governança tem uma segunda forma, mais silenciosa, e ela não depende de apagar nada.

Em abril de 2025, usuários do Cursor, assistente de codificação com IA, começaram a ser deslogados toda vez que trocavam de máquina. Ao perguntar ao suporte, um bot de atendimento respondeu que a empresa tinha criado uma nova política de segurança: uma assinatura por dispositivo. A política não existia. O bot inventou a explicação para justificar o que na verdade era um bug, e a resposta circulou no Reddit e no Hacker News antes que alguém da Cursor a corrigisse. Parte dos desenvolvedores que dependia de fluxo multidispositivo cancelou a assinatura com base na política inventada (The Register, abril de 2025, registrado também na AI Incident Database).

O agente não quebrou nenhum sistema. Ele tomou uma decisão de política de negócio, comunicou como se fosse oficial e gerou cancelamento real, sem que nenhuma camada de verificação checasse a resposta antes dela chegar ao cliente. É o mesmo problema de fundo do caso Replit: algo decidindo o que a empresa permite, sem aprovação e sem trilha.

O que a camada de governança precisa ter, na prática

A camada de governança fica entre o agente e o sistema, e evita o que aconteceu na Replit e no Cursor. Na prática, ela tem peças concretas.

O diagrama mostra três faixas. No topo, os agentes, quem toma a decisão ou executa a ação. Na base, os sistemas de registro do negócio: ERP, CRM, core bancário, sistema legado, qualquer coisa que guarde o dado ou processe a transação de verdade. No meio, a camada de governança, e é nela que mora cada um dos controles a seguir. O modelo não aparece em nenhuma faixa, porque fica fora da parte que sustenta a operação: troca, atualiza, muda de fornecedor, e a camada continua no lugar. O agente da Replit apagou o banco de dados exatamente nesse vazio, sem nenhuma das três faixas no caminho.

Controle de acesso por papel (RBAC) define quem pode criar um agente, quem aprova sua entrada em produção, quem pode executá-lo e quem audita o que ele fez. Sem isso, qualquer pessoa com acesso à ferramenta certa cria um agente com o mesmo nível de permissão de um administrador sênior.

Políticas declarativas dizem o que o agente pode e não pode fazer, por tenant, por área, por tipo de dado: tópico proibido, mascaramento automático de dado sensível, aprovação obrigatória para ação sensível. A política vive dentro do sistema: nada de documento guardado em uma intranet que ninguém consulta antes de agir.

Regras determinísticas para decisão crítica, o BRMS, entram quando a decisão tem peso demais para ficar só na inferência do modelo. Aprovar um desconto, cancelar um contrato ou liberar um crédito são decisões desse tipo: o modelo propõe, a regra decide e registra por que decidiu. É a diferença entre o Cursor comunicando uma política inventada e um sistema que só comunica o que uma regra validou antes.

Trilha de auditoria com replay reconstrói qualquer execução, passo a passo, com o estado exato de cada momento. Um log comum apenas registra que algo aconteceu. É essa reconstrução completa que separa uma empresa que responde ao regulador com prova de uma que só alega ter seguido a regra.

Limite de consumo controla quanto cada agente, área e ambiente pode gastar, porque token de agente custa mais que chatbot simples e o custo escala sem aviso quando ninguém olha.

Quem quiser o detalhe de engenharia, como o BRMS versiona uma regra ou como o RBAC cobre o ciclo de vida do agente, encontra isso em O que é um harness de IA. O artigo cobre também o runtime determinístico com replay, e foi escrito para CTO: é o "como se constrói" desta mesma camada.

RBAC, políticas declarativas, regras determinísticas, trilha de auditoria e limite de consumo existem hoje como plataforma pronta. A Tessera reúne esses controles nativamente, sem exigir que cada empresa construa a camada do zero. Conheça os controles de governança da Tessera.

O que a lei brasileira já cobra, mesmo sem uma norma específica de IA

A LGPD já cobra resultado hoje, mesmo sem uma lei específica de IA em vigor no Brasil. O comitê não precisa esperar a lei de IA ficar pronta para agir.

O artigo 20 da LGPD, em vigor desde setembro de 2020, garante ao titular o direito de pedir revisão de decisão tomada unicamente por tratamento automatizado, quando essa decisão afeta seus interesses, seja de crédito, de perfil de consumo ou de personalidade. O artigo 37, também vigente, obriga o controlador a manter registro das operações de tratamento de dados pessoais. Os dois valem para qualquer sistema de IA que decida sobre pessoa, com ou sem agente envolvido.

O que ainda não existe é uma resolução da ANPD específica sobre governança de agentes de IA. Há agenda regulatória e uma nota técnica sem força normativa, mas nenhuma norma publicada trata agente como categoria própria (ANPD, julho de 2026). O PL 2338/2023 é o marco legal da IA. Aprovado pelo Senado em dezembro de 2024, ele está na Câmara dos Deputados desde março de 2025, ainda em comissão especial e sem votação em plenário até julho de 2026.

A lacuna não justifica esperar. Ela reforça o argumento contrário: a regra ainda não nomeou o agente como categoria própria. Isso não muda o que a LGPD já cobra: resultado, registro e possibilidade de revisão. A camada de governança precisa entregar isso hoje, com ou sem lei nova.

O medo por trás da resistência: que a governança vire mais um gate lento

Existe um medo real por trás da resistência a programas de governança, e vale encarar esse medo sem espantalho. A Andreessen Horowitz defende publicamente que a regulação deveria mirar o uso da IA, deixando o desenvolvimento da tecnologia fora do escopo direto, no texto "Regulate AI Use, Not AI Development" (a16z). O argumento de fundo é que regra ampla e genérica trava empresa pequena sem reduzir risco de verdade, e atrasa lançamento sem ganho real de segurança.

O núcleo desse argumento está correto quando aplicado ao tipo errado de governança. Um comitê único, aprovando cada execução manualmente, é de fato um gate lento: qualquer agente que precise de aprovação humana a cada chamada perde a vantagem de automação que justificou o projeto. O desenho certo é a camada de execução com guardrails embutidos.

A camada de execução funciona de outro jeito. RBAC, política, quota e regra determinística ficam definidos uma vez, aprovados uma vez, e passam a valer para toda execução seguinte dentro daquele perímetro. O agente não pede aprovação humana a cada ação, executa dentro de regras já aprovadas, e a trilha de auditoria registra o que aconteceu para revisão posterior, se for preciso. O comitê continua existindo, mas sua função muda de aprovar cada chamada individual para decidir o que entra no perímetro.

A camada de governança sobrevive à troca de modelo

Por que essa camada, e não o modelo, vira o ativo que a empresa acumula? A resposta está em como o modelo se comporta ao longo do tempo: ele muda de versão, de fornecedor, às vezes de arquitetura inteira, e nenhuma dessas trocas deveria derrubar o controle de acesso, a política, a regra determinística ou a trilha de auditoria que já estavam funcionando.

A própria arquitetura da Tessera segue essa separação. O produto organiza a operação em seis camadas, e o modelo ocupa a primeira delas, isolada da camada onde vivem RBAC, políticas e a trilha de auditoria imutável. Substituir o que está na camada do modelo não exige tocar na camada de governança, porque as duas nunca foram a mesma coisa.

A escala do problema está crescendo rápido. Até 40% das aplicações corporativas terão agentes de IA especializados por tarefa até o fim de 2026, contra menos de 5% em 2025 (Gartner, agosto de 2025). Cada agente novo que entra em produção sem essa camada aumenta o número de pontos onde algo pode dar errado do mesmo jeito que deu na Replit ou no Cursor.

Um modelo badalado hoje dificilmente ainda está em produção daqui a doze meses, e trocar de fornecedor não deveria custar a política, a regra ou o histórico de auditoria que a camada já acumulou. É por isso que investir nela rende mais que perseguir o lançamento do mês.

Por onde começar, com o uso já acontecendo

Nenhuma empresa constrói essa camada inteira em uma semana, mas dá para começar pelo que já está rodando, sem esperar o próximo projeto do roadmap.

O primeiro passo é inventariar o que já existe: antes de desenhar controle novo, vale saber quantos agentes já tomam decisão dentro de sistema de produção hoje, sem aprovação formal, o mesmo levantamento que sustenta o tema de shadow AI nas empresas. Depois, vale colocar a política em papel, definindo quem pode criar agente, com qual dado e sob qual aprovação, o assunto de uma política de IA corporativa formal. Na sequência, mapear os riscos que essa camada precisa mitigar ajuda a priorizar o que entra primeiro. Por fim, vale separar dois papéis que hoje costumam se confundir na mesma reunião: o comitê de IA que aprova projeto e prioriza investimento, e a supervisão contínua do que já está em produção, dois trabalhos diferentes, com cadência diferente.

Nenhum desses quatro passos exige esperar a lei brasileira nomear o agente como categoria regulatória, nem esperar o próximo ciclo de orçamento. Exige inventário, decisão registrada e alguém responsável por cada peça.

Perguntas frequentes

O que é governança de IA corporativa?

Governança de IA corporativa é a camada de execução entre os modelos e os sistemas de negócio: controle de acesso, políticas, regras determinísticas e trilha de auditoria embutidos, que continua operando depois que o modelo for trocado. O comitê decide o que entra no roadmap. Isso não cobre os agentes que já tomam decisão em produção hoje, sem esperar aprovação.

Qual a diferença entre comitê de IA e governança de IA?

O comitê de IA aprova e prioriza projetos oficiais, em uma cadência de reunião. A governança de IA é a camada técnica que controla o que qualquer agente pode fazer, com quais dados e sob qual aprovação, em tempo real, todo dia, sem depender de pauta.

A LGPD já exige alguma coisa de agentes de IA no Brasil?

A LGPD já exige hoje o direito do titular de pedir revisão de decisão automatizada que afete seus interesses, previsto no artigo 20. O artigo 37 obriga o controlador a registrar as operações de tratamento de dados pessoais. Isso vale para qualquer sistema de IA que decida sobre pessoa, mesmo sem lei específica de IA no Brasil.

Governança de IA atrasa a inovação?

Regulação mal desenhada pode atrasar lançamento e aumentar custo, esse é o argumento real por trás da resistência de mercado. O gate lento normalmente vem de um comitê único aprovando cada execução manualmente. Uma camada com guardrails embutidos, controle de acesso, política e quota, libera a execução dentro de regras já aprovadas sem pedir aprovação humana a cada ação.

Por que a governança de IA sobrevive à troca de modelo?

As regras de acesso, as políticas, as regras determinísticas e a trilha de auditoria vivem na camada que orquestra e registra cada execução, separada do modelo. Quando a empresa troca de fornecedor de modelo, essa camada continua no lugar, com o histórico de decisões e o perímetro de controle intactos.

Dados para consulta rápida

• 98% das organizações com mais de 500 funcionários já implantam agentic AI de alguma forma. EMA/Ory, dezembro de 2025.
• 79% das organizações sem política escrita sobre agentic AI implantam agentes de IA mesmo assim. EMA/Ory, dezembro de 2025.
• Até 40% das aplicações corporativas terão agentes de IA especializados por tarefa até o fim de 2026, contra menos de 5% em 2025. Gartner, agosto de 2025.
• LGPD, artigo 20: direito do titular de pedir revisão de decisão automatizada que afete seus interesses. Vigente.
• LGPD, artigo 37: dever do controlador de registrar as operações de tratamento de dados pessoais. Vigente.
• Não existe hoje resolução vigente da ANPD específica sobre governança de agentes de IA. ANPD, julho de 2026.

O que fica com a empresa quando o modelo muda

A camada que já está rodando hoje, controle de acesso, políticas, regras determinísticas e trilha de auditoria embutidos, é o que continua protegendo a empresa quando o próximo modelo chegar. Sem essa camada, um agente novo entra em produção do mesmo jeito que o da Replit entrou: sem controle de acesso e sem trilha, até que alguém descubra o problema tarde demais. Na Tessera, construímos essa camada desde a origem: orquestramos os agentes com esses controles nativos desde o primeiro desenho do sistema.

O agente da Replit apagou um banco de produção porque nada o impedia antes de agir, e o bot do Cursor inventou uma política porque nenhuma regra validava o que ele dizia antes de falar com o cliente. Na Tessera, a ação da Replit pararia no bloqueio de entrada, antes mesmo de rodar. A política do Cursor não teria como existir, porque a regra que vale já tem vigência definida e o agente não pode contradizê-la por conta própria. A trilha de auditoria imutável cobre o que a LGPD exige em registro e revisão de decisão automatizada, e o custo aparece por agente, canal e integração, com alerta antes de estourar. Veja os controles de governança da Tessera.

Para conversar com a Sciensa sobre o estágio atual da sua empresa, entre em contato.

Se preferir acompanhar os próximos artigos da série Governança e Segurança de IA, assine a newsletter da Sciensa e receba cada publicação diretamente no seu e-mail.