Orquestração e serviços avançam para a governança de IA

O avanço acelerado da inteligência artificial (IA) tem demandado das organizações uma postura estratégica que vai além da simples implementação de novas ferramentas. Para debater os impactos dessa evolução, especialistas compuseram o painel O Próximo Nível da IA Corporativa – Governança, Automação e Dados Integrados, realizado durante o Web Summit 2026. 

O encontro marcou o lançamento de uma parceria focada em unir a robusta estrutura de serviços da Claro empresas — que hoje conta com 6 mil profissionais dedicados a suporte, fábrica de software, analytics e IA — à reputação e liderança tecnológica da plataforma watsonx da IBM. O objetivo principal da iniciativa é disseminar a governança de dados e de IA no ambiente corporativo nacional.

Na busca por eficiência operacional, é comum que as empresas busquem soluções prontas capazes de trazer retornos rápidos. No entanto, o gerente de vendas de data analytics e IA da Claro empresas, João Del Nero, adverte sobre a necessidade de uma mudança estrutural interna. “É preciso criar estruturas e processos com as novas tecnologias, em vez de tentar aplicar as novas tecnologias sobre os mesmos processos”, destacou.

Del Nero ressalta que a governança deve ser encarada como um alicerce básico desde o início do projeto. Embora represente um custo adicional imediato, é o pilar que viabiliza a transição dos experimentos para a escala operacional com segurança. O executivo destacou o conceito de paradoxo artificial, sinalizando que, sem critérios rígidos, a tecnologia pode se voltar contra o negócio. “Quanto mais processos e mais agentes se pensa em colocar, mais risco se tem de tomar a decisão errada”, alertou, reforçando que a mitigação desse risco reside unicamente na governança, responsável por transformar a inteligência artificial em confiança artificial.

IA confiável

“Vemos hoje uma tendência semelhante à que ocorreu com a nuvem”, comparou o executivo de vendas de segurança de dados e IA da IBM, Bruno Alcântara. “Há uma década, os gestores lidavam com a desconfiança em relação aos custos variáveis da nuvem, desafio semelhante ao que ocorre hoje com a IA em produção”, lembrou.

“A IA gera valor sustentável se ela for confiável”, resumiu o especialista da IBM.

Segundo o executivo, a confiabilidade do sistema depende integralmente do tratamento dado aos insumos informacionais. “Se o processo de governança do dado, antes mesmo de chegar à IA, não está bem estabelecido, bem executado, com linhagem, com qualidade do dado, olhando se a informação que vem do CRM daquele cliente está cruzando certo com a informação que se tem na transação, a IA não vai conseguir dar a resposta certa na ponta”, argumentou.

Diante disso, a integração de bases de dados torna-se vital para potencializar o uso das ferramentas analíticas. Além da organização interna, a parceria estratégica visa habilitar a produtização e a monetização desses ativos por meio do compartilhamento seguro. “Dentro da nossa oferta, da parceria IBM e Claro, há um ponto essencial que chamamos de compartilhamento de dados (data sharing), de como transformar aquele dado em num produto”, explicou Alcântara.

“A parceria com a Claro empresas permite entregar ao cliente uma camada muito importante, de serviços. A Claro empresas mantém um Centro de Excelência em dados e IA e a proximidade e conhecimento dos clientes faz toda a diferença no custo e nos resultados dos projetos”, avaliou.

Governança do ciclo de vida dos modelos e a plataforma watsonx

A governança corporativa estende-se também ao gerenciamento do ciclo de vida dos modelos preditivos convencionais (machine learning) e dos novos modelos de IA generativa (LLMs). João Del Nero defende que o monitoramento deve ocorrer de forma agnóstica e open source, alinhado à realidade multicloud e híbrida do mercado. Essa supervisão contínua se conecta às práticas de FinOps, fornecendo insumos para que a gestão decida pelo descomissionamento de modelos obsoletos que consomem recursos sem trazer o devido retorno financeiro (ROI).

Para operacionalizar esses conceitos, as empresas demandam plataformas automatizadas como o watsonx, capaz de analisar desvios de comportamento dos algoritmos, monitorar a perda de performance (drift) e fixar barreiras de proteção (guardrails).

A urgência por controle técnico é referendada por dados de mercado. Bruno Alcântara aponta que, em períodos recentes, mais de 90% dos projetos e pilotos de IA falharam por ausência de governança e indefinição de casos de uso claros. Como contrapartida, ele cita a estratégia Client Zero da própria IBM, que aplicou os mecanismos internamente em seus sistemas legados de recursos humanos, vendas e help desk, gerando um retorno de US$ 4,5 bilhões entre 2023 e 2025. 

“A governança deixou de ser um tema de controle para ser um acelerador na adoção da IA”, afirmou Alcântara.

Regulamentação e conformidade no mercado

O ambiente de negócios também é pressionado pela evolução regulatória. Assim como a LGPD balizou o tratamento de dados pessoais no Brasil com base no modelo europeu, novas legislações começam a ditar os rumos da inteligência artificial.

O mercado caminha sob as diretrizes de legislações específicas e de referências internacionais como o EU AI Act. “Hoje já temos uma legislação de IA (PL 2338), e já está em vigor na Europa o EU AI Act. Essas legislações vão dizer como a IA tem que ser regida: ela não pode ter viés, não pode ter caráter discriminatório, e tem que ter explicabilidade. Por exemplo, um banco não pode usar um CEP para calcular o score de crédito, pois tem caráter discriminatório”, mencionou Alcântara.

O executivo argumenta que a união de processos bem estruturados e plataformas tecnológicas adequadas traz segurança para o corpo diretivo das empresas. Ao conferir previsibilidade e sustentabilidade aos projetos, a governança garante ao CFO e aos demais tomadores de decisão a visibilidade necessária sobre os indicadores de eficiência e o retorno dos investimentos efetuados.

Estrutura de pilares de governança e implementação

Escopo da governança de dados

• Controle e padrão de qualidade: verificação e padronização contínua dos ativos de dados.
• Catalogação estruturada: organização e centralização de dados para otimizar o acesso técnico.
• Descoberta automatizada: mapeamento completo e localização de informações no ecossistema corporativo (data lake).
• Classificação de dados críticos: Identificação e separação de registros pessoais e sensíveis sob as normas da LGPD.
• Linhagem e rastreabilidade: mapeamento da origem, transformações e destino do dado ao longo dos processos.
• Gestão de acessos e permissões: controle estrito de credenciais, monitorando quem acessa e a respectiva finalidade.
• Políticas de uso e compliance: estabelecimento de regras institucionais em conformidade com as regulações.
• Integração e padronização: conexão de silos de dados para maximizar a eficiência dos algoritmos.
• Gerenciamento de metadados: administração das propriedades estruturais e integridade dos dados.
• Privacidade: adequação às normas legais de proteção à privacidade de dados.
• Compartilhamento de dados (Data Sharing): estruturação e preparação dos ativos informacionais para fins de produtização e monetização.
• Observabilidade e monitoramento: auditoria em tempo real dos fluxos de dados corporativos.

Escopo da governança de IA

• Gestão do ciclo de vida: supervisão completa dos modelos tradicionais e generativos, desde a criação ao descomissionamento.
• Monitoramento de performance e drift: avaliação contínua do desempenho técnico e desvios comportamentais dos modelos.
• Detecção de viés e riscos éticos: identificação e neutralização de critérios discriminatórios ou preconceituosos nos algoritmos.
• Explicabilidade algorítmica: capacidade de justificar as razões técnicas por trás de cada decisão automatizada.
• Auditoria de processos: rastreabilidade total das rotinas operacionais executadas pelos sistemas inteligentes.
• Governança de prompts e agentes: monitoramento de comandos, interações e autonomia das aplicações generativas.
• Segurança dos modelos: salvaguarda contra vulnerabilidades na operação das estruturas de IA.
• Compliance regulatório adicional: alinhamento estrito a leis vigentes, como o PL 2338 e diretrizes internacionais.
• Gestão de risco e uso responsável: mitigação de ameaças institucionais atreladas à automação decisória.
• Otimização financeira (FinOps): Descomissionamento de aplicações ineficientes para controle do consumo de tokens.

Como simplificar a jornada prática

• Seleção restrita de casos de uso: iniciar o processo com foco delimitado em dois ou três cenários de negócios específicos (como vendas, logística ou atendimento), evitando dispersão de escopo.
• Mapeamento diagnóstico dos dados: avaliar a qualidade atual, o nível de integração e a localização precisa das informações que alimentarão a IA.
• Adoção conectada de políticas e plataformas: estabelecer diretrizes corporativas apoiadas pelo uso de ferramentas automatizadas, acelerando rotinas de descoberta e classificação de dados sensíveis.
• Monitoramento prévio: iniciar a medição de performance e consumo de recursos ainda na fase de testes, garantindo previsibilidade orçamentária antes da implantação final.