Governança não deveria ser o freio da IA, mas o processo estável que permite acelerar com autonomia.
A Inteligência Artificial está avançando rapidamente nas organizações e ampliando não apenas nossa capacidade de analisar informações, mas também de recomendar, decidir e, cada vez mais, executar ações.
Como dar autonomia sem aumentar riscos?
A questão ganha relevância conforme a IA deixa de ser apenas uma ferramenta de produtividade e passa a interferir diretamente em processos, decisões, produtos, serviços e experiências oferecidas aos clientes.
Um exemplo recente é o Claudeforce, parceria estratégica ampliada entre Salesforce e Anthropic. A proposta combina a capacidade de raciocínio do Claude com dados, workflows, regras de negócio, ações e governança da Salesforce. O lançamento inclui habilidades comerciais pré-configuradas capazes de analisar contexto, atualizar pipelines e executar ações governadas dentro da plataforma. [1]
Mais do que uma integração tecnológica, o caso ilustra uma mudança importante: a discussão já não é apenas sobre o que a IA consegue fazer, mas sobre quanto queremos permitir que ela faça autonomamente.
Em conversas com clientes, já ouvi algumas vezes que “governança demais freia a inovação”. Isso pode acontecer, principalmente quando governança significa excesso de aprovações, regras rígidas, comitês e concentração das decisões.
Governança forte não significa necessariamente governança centralizada.
Uma organização pode estabelecer princípios, padrões tecnológicos, limites de risco, requisitos de segurança e critérios de escalonamento e, ao mesmo tempo, dar liberdade para suas áreas experimentarem dentro desses limites. A estrutura central não precisa decidir cada ação. Ela precisa definir o campo de jogo.
Essa autonomia aparece em dois níveis. Primeiro, na organização: áreas e equipes precisam ter liberdade para experimentar, desenvolver e colocar soluções de IA em uso dentro de parâmetros comuns. Segundo, na tecnologia: agentes podem receber graus crescentes de liberdade para recomendar, decidir e executar ações. Em ambos os casos, a questão de governança é a mesma: quanta autonomia podemos distribuir, sob quais limites e com quais evidências?
Governança como acelerador
No Lean, trabalho padronizado não deveria impedir melhoria. Ele cria uma condição conhecida a partir da qual conseguimos identificar desvios, experimentar, aprender e evoluir. A governança de IA pode funcionar de maneira semelhante.
Governança não deveria ser o freio da IA, mas o processo estável que permite acelerar com autonomia.
Em vez de tentar prever e autorizar previamente todas as decisões possíveis, a organização precisa estabelecer limites suficientemente claros para permitir experimentação e execução com risco controlado. A pergunta deixa de ser apenas “como controlamos o uso da IA?” e passa a ser “que autonomia podemos conceder às áreas e aos sistemas, considerando maturidade, criticidade e risco?”
Essa visão é coerente com referências de gestão de risco como o NIST AI RMF, que recomenda gerenciar riscos ao longo do ciclo de vida da IA, de forma alinhada à tolerância a risco e aos objetivos da organização. [4]
Governança iterativa: as regras também precisam aprender
Na própria Setec vivemos algo semelhante. Começamos capacitando pessoas, experimentando ferramentas de IA e desenvolvendo automações. Conforme o uso aumentou, surgiram questões relacionadas a dados, ferramentas permitidas, segurança, responsabilidade e limites das automações.
Criamos nossa governança, mas tenho certeza de que daqui a seis meses estaremos revendo parte dessas regras. E considero isso saudável.
Esse comportamento se aproxima do conceito de governança adaptativa, discutido na literatura como alternativa a modelos estáticos. Reuel e Undheim defendem que a governança e a própria IA precisam coevoluir. A IAPP descreve a passagem de controles pontuais para monitoramento contínuo, supervisão iterativa e colaboração entre funções. Em linha semelhante, estudos recentes sobre escalabilidade responsável da IA reforçam a necessidade de ajustar a governança à medida que a tecnologia, os usos e os riscos evoluem. [2] [3] [7]
Governança iterativa não significa ausência de regras. Significa reconhecer que regras e controles também precisam aprender com a experiência.
| Experimentar | Monitorar | Aprender | Recalibrar | Experimentar novamente |
Uma governança, duas formas de autonomia
A autonomia que a governança de IA precisa administrar não é única. Ela existe, pelo menos, em duas dimensões: a autonomia organizacional, concedida a áreas e equipes, e a autonomia operacional, concedida a sistemas e agentes de IA.
A primeira é organizacional. Áreas de negócio precisam poder testar ferramentas, desenvolver casos de uso e, conforme maturidade e risco, implantar soluções sem depender de uma decisão central a cada passo. A governança define padrões, ambientes permitidos, requisitos de dados e segurança e critérios de escalonamento. Dentro desse campo, a experimentação pode ser distribuída.
A segunda é operacional ou agêntica. Quando sistemas deixam de apenas recomendar e passam a executar, é preciso definir quais dados e ferramentas podem acessar; quais decisões podem tomar; quais limites financeiros ou operacionais possuem; quando precisam de aprovação; quais ações são proibidas; e como sua autonomia pode ser interrompida ou revogada.
A literatura sobre governed autonomy ajuda a operacionalizar essa segunda dimensão: agentes podem planejar e agir dentro de limites definidos, aplicados durante a execução e revogáveis por humanos. Guardrails, nesse sentido, incluem identidade, permissões, acesso a ferramentas, monitoramento em runtime, escalonamento e intervenção humana. [5] [6]
| Autonomia organizacional | Autonomia operacional / agêntica |
| Áreas e equipes | Sistemas e agentes |
| Experimentar, desenvolver e implantar dentro de padrões | Recomendar, decidir e executar dentro de permissões |
Autonomia não é ausência de controle
Nas duas dimensões, autonomia não significa ausência de governança. Significa transferir decisões e capacidade de ação para onde elas geram mais velocidade, desde que os limites e as responsabilidades estejam claros.
Uma área pode começar em ambiente controlado, avançar para soluções de baixo risco e, com maturidade comprovada, ganhar maior liberdade para desenvolver e implantar novos casos de uso dentro de padrões corporativos.
Da mesma forma, um agente pode começar recomendando uma ação, depois executá-la mediante aprovação e, com desempenho e controles comprovados, atuar autonomamente dentro de limites definidos. Resultados, desvios e incidentes alimentam a revisão desses limites.
A analogia com excelência operacional ajuda: a governança funciona como um PDCA, aprendendo com a execução; os guardrails se aproximam de trabalho padronizado, poka-yoke e Andon, criando condições conhecidas para agir e mecanismos claros para interromper ou escalar quando surge uma condição anormal.
Governança Iterativa Incremental
Talvez essa seja a evolução mais interessante dessa discussão. A governança de IA não será apenas um documento, uma política corporativa ou um comitê. Ela precisa funcionar como um sistema de decisão que aprende com a própria utilização da IA.
Iterativa porque políticas, controles e limites são revistos a partir de evidências da execução. Incremental porque a autonomia pode ser ampliada, mantida ou reduzida progressivamente, tanto para áreas e equipes quanto para sistemas e agentes. A formulação dialoga com conceitos já existentes, como governança adaptativa e governed autonomy, mas os organiza em uma única lógica de aprendizado, distribuição de autonomia e recalibração.
A governança é iterativa porque aprende. A autonomia é incremental porque é expansiva.
O ciclo é simples: definir limites, distribuir autonomia, observar a execução, monitorar resultados e riscos, aprender e recalibrar. Quanto maior a maturidade, a confiança e o desempenho comprovado, maior pode ser a autonomia concedida. Quando surgem incidentes, novas ameaças, mudanças regulatórias ou alterações relevantes na tecnologia, essa autonomia pode ser revista.
O objetivo não deveria ser maximizar o controle, mas maximizar a autonomia possível dentro de um nível de risco aceitável.
A questão central deixa, portanto, de ser se a organização possui ou não uma política de IA. O desafio passa a ser desenhar um mecanismo capaz de distribuir autonomia e recalibrá-la continuamente à luz das evidências. Talvez a pergunta mais importante deixe de ser “temos governança de IA?” e passe a ser:
Quanto de autonomia conseguimos distribuir sem perder o controle dos riscos?
A resposta provavelmente dirá mais sobre a maturidade da organização para competir em um ambiente no qual áreas, pessoas e agentes de IA dividirão cada vez mais decisões, responsabilidades e ações.
Referências e fundamentos:
[1] Salesforce & Anthropic. “Salesforce e Anthropic expandem parceria e lançam Claudeforce para integrar IA agêntica e CRM.” 31 ago. 2026. Acessar fonte
[2] Reuel, A.; Undheim, T. A. “Generative AI Needs Adaptive Governance.” 2024. Acessar fonte
[3] Shirkhanloo, A. “Beyond compliance: The case for adaptive AI governance.” IAPP, 19 fev. 2025. Acessar fonte
[4] NIST. “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1).” 2024. Acessar fonte
[5] Governed Autonomy Institute. “What Is Governed Autonomy?” versão consultada em set. 2026. Acessar fonte
[6] Governed Autonomy Institute. “Governed Autonomy vs AI Guardrails.” versão consultada em set. 2026. Acessar fonte
[7] Lanzolla, G.; Pagani, M.; Tucci, C. L. “Governança adaptativa permite escalar IA com responsabilidade.” MIT Sloan Management Review Brasil, 31 jul. 2026. Acessar fonte
