Governança de IA Agêntica: quanto mais autonomia, maior precisa ser o controle?

A adoção de agentes de inteligência artificial está avançando mais rapidamente do que a capacidade de muitas empresas de estabelecer como eles devem operar. No Brasil, essa diferença já aparece de forma bastante clara. Segundo o State of AI in the Enterprise 2026, da Deloitte, 95% dos respondentes brasileiros afirmam que suas organizações planejam adotar IA Agêntica nos próximos dois anos, enquanto apenas 27% dizem possuir modelos maduros de governança para essa tecnologia [1]. No resultado global da pesquisa, os percentuais são, respectivamente, 97% e 21% [1].

Essa distância importa porque agentes introduzem uma característica que muda a natureza do problema. Em muitas aplicações tradicionais de inteligência artificial, uma pessoa ainda recebe uma resposta, avalia o resultado e decide o que fazer. Um agente pode ir além: recebe um objetivo, acessa dados, utiliza ferramentas, interage com sistemas e, dependendo das permissões recebidas, executa ações.

Quanto maior essa capacidade de agir, maiores podem ser as consequências de uma decisão inadequada. Ao mesmo tempo, restringir excessivamente a atuação de todos os agentes pode eliminar justamente parte dos ganhos de velocidade e automação que justificam sua adoção.

Já não basta definir se um agente pode ou não ser utilizado. É preciso estabelecer quanta autonomia ele pode receber, em quais circunstâncias e quais controles devem acompanhar essa autonomia.

Nem todos os agentes representam o mesmo risco

Um agente que consulta uma base de conhecimento e prepara uma recomendação não deveria ser tratado da mesma maneira que outro capaz de alterar uma configuração, modificar um cadastro, movimentar recursos ou executar uma ação que afete diretamente um cliente.

Essa diferença parece simples, mas tem implicações importantes. Durante os primeiros anos de adoção corporativa da inteligência artificial, grande parte das políticas foi construída para uma realidade na qual a pessoa permanecia claramente no centro da execução. Já existiam questões relevantes de privacidade, segurança, propriedade intelectual, qualidade das respostas e utilização de dados, mas a decisão final normalmente continuava sob responsabilidade humana.

Com agentes, parte dessa execução pode ser delegada à própria IA. Um agente pode, por exemplo, consultar informações, chamar uma Application Programming Interface (API), interface que permite a comunicação programática entre sistemas, selecionar uma ferramenta e realizar uma sequência de tarefas sem que uma pessoa precise determinar individualmente cada passo.

É por isso que aplicar o mesmo modelo de controle a todos pode levar a erros em direções opostas. Podemos conceder liberdade excessiva a agentes capazes de produzir consequências relevantes ou impor tantos controles a atividades de baixo risco que a automação deixa de fazer sentido.

O Gartner chama atenção justamente para esse problema ao defender modelos de governança proporcionais ao nível de autonomia. A consultoria prevê que, até 2027, 40% das empresas poderão rebaixar ou desativar agentes autônomos em razão de falhas de governança identificadas somente depois de incidentes em produção [2].

A PwC chega a uma conclusão semelhante ao discutir a entrada dos agentes na força de trabalho: eles precisam ter acesso suficiente para serem úteis, mas sua autonomia deve permanecer compatível com os riscos que a organização consegue administrar. À medida que aumentam a independência do agente e as consequências potenciais de suas decisões, também precisam evoluir os mecanismos de supervisão [3].

O nível de controle precisa acompanhar não apenas a tecnologia utilizada, mas principalmente aquilo que o agente pode fazer e as consequências que suas ações podem produzir.

Na prática, isso significa substituir uma visão binária, na qual o agente é simplesmente autorizado ou proibido, por uma avaliação mais contextual. Importa compreender o que ele pode acessar, quais ferramentas consegue utilizar, que tipo de decisão está autorizado a tomar e qual seria o impacto de uma ação inadequada.

Autonomia precisa ser acompanhada por governança durante a execução

Essa lógica também sugere que autonomia não precisa ser concedida de uma única vez. Um agente pode começar analisando informações e recomendando ações. Em outro estágio, determinadas tarefas podem ser executadas mediante aprovação humana. Com maior maturidade operacional e mecanismos adequados de controle, algumas dessas ações podem ganhar mais independência, enquanto decisões de maior impacto continuam exigindo intervenção de uma pessoa.

O Gartner trabalha com diferentes níveis de autonomia e recomenda que os requisitos de governança acompanhem essa evolução [2]. Essa abordagem permite que a organização aumente gradualmente a capacidade de atuação dos agentes à medida que desenvolve experiência, confiança e controles suficientes para lidar com os riscos envolvidos.

Nesse contexto, human-in-the-loop, expressão utilizada para descrever situações em que uma pessoa participa do processo de decisão ou execução da IA, também deixa de significar necessariamente aprovação humana em todas as etapas. Dependendo da criticidade, a intervenção pode ser exigida apenas em determinadas ações, em situações excepcionais ou quando algum limite previamente definido for ultrapassado.

Supervisão humana precisa contribuir para a segurança e a responsabilidade sem eliminar os ganhos operacionais que levaram a empresa a utilizar agentes. Isso exige que o grau de intervenção seja definido de acordo com a criticidade da atividade e não simplesmente aplicado de forma uniforme a todas as situações.

A autonomia pode ser ampliada progressivamente à medida que a organização desenvolve confiança, observabilidade e capacidade de intervir quando necessário.

Há, porém, outra mudança relevante. Governança corporativa costuma começar por políticas, definindo tecnologias permitidas, dados que podem ser acessados, responsabilidades e situações nas quais uma aprovação é obrigatória. Em ambientes agênticos, essas regras precisam conseguir chegar até o momento da execução.

Uma política escrita não impede, por si só, que um agente autorizado a utilizar determinado sistema realize uma ação inadequada. O Gartner alerta para essa diferença e prevê que, até 2029, pelo menos 70% das organizações com IA Agêntica em produção em operações de infraestrutura e tecnologia poderão experimentar algum incidente material de serviço, segurança ou custo relacionado, em parte, à insuficiência de controles em tempo de execução [4].

Isso exige transformar princípios de governança em mecanismos operacionais capazes de verificar identidades, aplicar permissões e limites, registrar atividades, acompanhar comportamentos, controlar custos e solicitar aprovações quando a situação exigir. O objetivo é fazer com que as regras definidas pela organização continuem válidas quando o agente estiver efetivamente trabalhando, inclusive em velocidades e volumes que inviabilizam acompanhamento manual permanente.

Em ambientes agênticos, governança precisa deixar de existir apenas na política e passar a funcionar também durante a execução.

A Boston Consulting Group (BCG) acrescenta outra dimensão a essa discussão. Em sua pesquisa, 35% das organizações já possuíam IA Agêntica em produção, 44% planejavam novas implantações e mais de um terço esperava conceder direitos independentes de decisão aos agentes dentro de três anos [5].

À medida que essa autonomia cresce, controlar apenas quais recursos um agente está autorizado a acessar pode deixar lacunas. Um agente pode possuir permissões legítimas para utilizar diferentes sistemas e, ainda assim, escolher uma sequência inadequada de ações para atingir determinado objetivo. A BCG chama esse problema de authorization gap, ou lacuna de autorização, destacando que a governança precisa considerar não apenas o acesso concedido, mas também como essa autonomia é exercida [5].

Esse ponto se torna particularmente importante quando agentes começam a planejar tarefas, escolher ferramentas e interagir com outros agentes. A autorização deixa de ser apenas uma verificação feita antes da execução e passa a fazer parte de um processo contínuo de governança.

Governança pode ser o que permite ampliar a autonomia

Existe uma aparente contradição na discussão sobre agentes. Quanto maior a autonomia que buscamos, mais mecanismos de controle parecem ser necessários. Vista apenas como restrição, essa relação pode levar à impressão de que governança e inovação caminham em sentidos opostos.

Na prática, uma organização que não consegue identificar seus agentes, compreender seus acessos, acompanhar suas ações ou intervir diante de um comportamento inadequado terá razões legítimas para limitar aquilo que eles podem fazer. A ausência desses mecanismos acaba estabelecendo um teto para a própria autonomia que a empresa consegue conceder com segurança.

Por isso, o objetivo não deveria ser maximizar a quantidade de controles nem aplicar o mesmo conjunto de regras a todos os agentes. O desafio está em estabelecer mecanismos proporcionais à capacidade de atuação e às consequências potenciais de cada caso, permitindo que atividades de menor risco tenham maior fluidez enquanto decisões mais sensíveis permanecem submetidas a limites e supervisão adequados.

Essa abordagem também muda a forma de pensar confiança. Em vez de assumir que um agente é confiável de maneira permanente, a organização pode ampliar sua autonomia conforme acumula evidências sobre seu comportamento, melhora sua observabilidade e desenvolve capacidade de detectar desvios e intervir quando necessário.

Governança passa, assim, a fazer parte da infraestrutura que permite aumentar a autonomia de forma responsável, em vez de funcionar apenas como um mecanismo para restringi-la.

Esse talvez seja um dos principais desafios da próxima etapa de adoção da IA Agêntica. Empresas que desejam capturar os ganhos de produtividade e escala proporcionados pelos agentes precisarão desenvolver, ao mesmo tempo, a capacidade de conceder autonomia e os mecanismos necessários para governá-la.

Da visão à prática: ARGUS

Essa relação entre autonomia, contexto e controle está diretamente conectada à proposta do ARGUS como plataforma de Inteligência Operacional e Agêntica.

Com capacidades de AgentOps (Agent Operations) e AI Gateway, o ARGUS busca apoiar organizações na aplicação de políticas e no acompanhamento da atuação de agentes à medida que eles passam a acessar modelos, ferramentas e recursos corporativos. Nesse ambiente, governança envolve controlar permissões e formas de acesso, preservar rastreabilidade e acompanhar aspectos como execuções, decisões, chamadas de ferramentas, custos, latência e resultados.

Essa estrutura também favorece uma abordagem incremental de autonomia. Dependendo do contexto e do risco, determinadas ações podem exigir aprovação humana, enquanto outras podem ser executadas dentro de limites previamente estabelecidos. À medida que a organização desenvolve confiança e amadurece seus controles, esses limites podem evoluir sem que a supervisão e a capacidade de auditoria sejam perdidas.

Há ainda uma dimensão que consideramos particularmente importante no ARGUS: a atuação de um agente não acontece isoladamente. Uma decisão pode estar relacionada ao estado de uma aplicação, a uma alteração recente, a um evento de infraestrutura, a uma ação humana ou a atividades realizadas anteriormente por outros agentes e automações.

Por isso, a inteligência agêntica se conecta ao contexto operacional compartilhado. Ao correlacionar informações de múltiplas fontes, o ARGUS busca permitir que aquilo que o agente fez seja compreendido junto com aquilo que estava acontecendo no ambiente quando a decisão foi tomada. Essa visão sistêmica amplia a capacidade de investigar incidentes, reconstruir decisões e compreender as relações entre pessoas, agentes, automações, aplicações e infraestrutura.

À medida que agentes ganham autonomia, governá-los exigirá mais do que acompanhar seu comportamento individual. Será necessário compreender suas ações dentro do ambiente em que elas produzem consequências.

Conheça o ARGUS e veja como funciona na prática.

Sobre a Target Solutions

A Target Solutions é uma empresa brasileira de tecnologia especializada em soluções para ambientes críticos de TI e Telecom.

Ao longo de mais de 15 anos, participamos de projetos envolvendo infraestrutura, monitoramento, observabilidade, automação, integração de plataformas e operações de redes e serviços, trabalhando com grandes organizações e ambientes de alta complexidade.

Essa experiência nos permitiu acompanhar de perto a evolução das operações, do monitoramento tradicional à observabilidade, da automação à inteligência artificial e, agora, a ambientes nos quais agentes de IA começam a participar de processos, decisões e operações corporativas.

É nesse contexto que desenvolvemos o ARGUS, nossa plataforma de Inteligência Operacional e Agêntica, que combina capacidades de AgentOps, AI Gateway e AIOps para integrar o contexto da operação à atuação dos agentes de IA, ampliando visibilidade, governança, rastreabilidade e controle à medida que pessoas, automações, sistemas e agentes passam a compartilhar o ambiente operacional.

Sobre o autor

Paulo Florêncio de Menezes é cofundador da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.

É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).

Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.

Referências

[1] Deloitte Brasil. State of AI in the Enterprise 2026. Resultados brasileiros da pesquisa sobre adoção empresarial de inteligência artificial e IA Agêntica.

[2] Gartner. Gartner Says Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure. 26 maio 2026.

[3] PwC. AI agents are joining the workforce. Is your governance ready?

[4] Gartner. Govern Agentic AI Infrastructure at Machine Speed. 2026.

[5] Boston Consulting Group. The Authorization Gap: Why AI Agent Governance Needs a New Approach. 2026.