Quando a IA erra, quem está preparado para responder?

Empresas precisam saber investigar o problema, avaliar seus impactos e manter registros capazes de mostrar como cada decisão foi tomada. Acontece que Incidentes envolvendo sistemas de IA já fazem parte da realidade das organizações. O AI Incident Database reúne mais de 1.200 casos documentados em todo o mundo, enquanto o Stanford AI Index registrou um aumento de 56% nos incidentes reportados nos últimos anos. Ao mesmo tempo, muitas empresas que utilizam inteligência artificial em processos relevantes ainda não contam com procedimentos formais para lidar com uma falha, tampouco mantêm uma documentação capaz de reconstruir o que aconteceu, quais medidas foram adotadas e quem esteve à frente de cada decisão. 

Já existem diversas maneiras de sanar essas dores, na cláusula 10.1 da ISO 42001 por exemplo, padrão internacional para sistemas de gestão de inteligência artificial, o chamado AI Incident Handling estabelece uma estrutura para identificar, registrar, investigar e responder a incidentes relacionados ao uso de IA, criando também uma base documental para que a organização consiga aprender com o ocorrido e aprimorar seus controles.
 

A Jump, uma das empresas brasileiras certificadas nesse padrão, desenvolveu o Radar AI para levar essa estrutura para a operação: a plataforma reúne alertas, informações sobre o incidente, responsáveis e trilhas de auditoria, acompanhando o caso desde a identificação do comportamento anômalo até a conclusão das medidas corretivas. Para entender o que isso representa no cotidiano de uma organização, vale imaginar uma situação que poderia acontecer em uma operação real. 

Na operação real

Uma empresa do setor de crédito utiliza há oito meses um sistema automatizado de scoring para avaliar propostas de financiamento. O modelo opera normalmente e não há registros anteriores de incidentes. Em uma terça-feira, porém, o Radar AI identifica uma alteração relevante: a taxa de aprovação de uma determinada faixa de clientes caiu 34% em relação à média observada nas duas semanas anteriores. Não houve nenhuma mudança anunciada na política de crédito que justificasse a queda.

O primeiro alerta já traz informações sobre o modelo envolvido, o comportamento identificado, o momento em que a alteração começou e os dados que sustentam a ocorrência. Para quem está responsável pelo sistema, isso muda a natureza da resposta. Em vez de começar tentando descobrir se existe um problema, a equipe já recebe um conjunto de informações que permite avaliar a situação e decidir como agir.

Uma das primeiras questões será definir se o modelo deve continuar operando durante a investigação ou se precisa ser temporariamente interrompido. A decisão pertence a um responsável humano, que precisa considerar tanto o risco de manter o sistema em funcionamento quanto os impactos de uma eventual paralisação. O Radar AI registra quem tomou essa decisão, em que momento e qual justificativa foi apresentada. Essa informação pode parecer secundária enquanto o incidente está acontecendo, mas ganha outro peso posteriormente. Em uma auditoria, por exemplo, a organização poderá demonstrar que houve supervisão humana e que a decisão foi tomada dentro de um processo definido, com registro das circunstâncias que levaram à escolha.

A investigação aponta então para uma possível causa: o modelo sofreu drift. Os dados recebidos recentemente apresentam uma distribuição diferente daquela utilizada durante o treinamento original e, como não havia um monitoramento ativo de performance acompanhando essa alteração, o comportamento do modelo foi mudando sem chamar a atenção da equipe.
Nesse momento que o Tractix, framework que opera sob o Radar AI para detecção e classificação de comportamentos anômalos em modelos de inteligência artificial, ajuda a aprofundar a análise. A investigação consegue avançar para as variáveis relacionadas à divergência e observar o que mudou, em qual direção e com que intensidade.

O que acontece depois que o incidente é identificado?

A identificação do problema abre uma sequência de decisões que precisam ser coordenadas. No caso do sistema de crédito, por exemplo, a empresa terá de avaliar não apenas a causa do drift, mas também o que aconteceu com as propostas analisadas durante o período de comportamento anômalo.  

Imagine uma operação que tenha processado centenas ou milhares de propostas durante esse período. A empresa pode precisar estabelecer critérios para identificar quais casos exigem uma nova análise humana, qual será a prioridade dessa revisão e quais medidas deverão ser tomadas caso sejam encontradas decisões afetadas pelo incidente. Existe aí uma consequência operacional concreta, que envolve tempo, pessoas e recursos. Para a liderança, a decisão sobre o alcance dessa revisão precisa estar apoiada pelas evidências produzidas durante a investigação. Por isso o registro do incidente acompanha todo o processo. Cada decisão tomada durante a contenção, responsável envolvido, as medidas corretivas, os prazos definidos e os critérios utilizados para encerrar o caso passam a fazer parte de uma mesma trilha.

Ao final, a organização consegue reconstruir a história do incidente. Quando o problema começou? Quando foi identificado? Quem foi informado? Qual decisão foi tomada naquele momento? O que foi investigado? Quais medidas foram adotadas? Houve impacto sobre decisões anteriores? O que foi alterado para reduzir a possibilidade de recorrência? São perguntas que podem surgir internamente, em uma auditoria, diante de um cliente ou até mesmo em uma discussão no conselho de administração. Ter essas respostas registradas muda a capacidade da empresa de demonstrar como exerceu a governança sobre aquele sistema.

A distância entre ter uma política e conseguir aplicá-la

A SO 42001 estabelece uma série de requisitos para o tratamento de incidentes de IA: a organização deve ter procedimentos para identificação e reporte, registrar formalmente os incidentes, avaliar sua gravidade e seus impactos, investigar suas causas, estabelecer ações corretivas com responsáveis e prazos e revisar o ocorrido para identificar oportunidades de melhoria. O desafio está em transformar esses requisitos em uma rotina que funcione quando um problema aparece. Uma pesquisa da IBM mostra essa diferença: 87% das organizações consultadas afirmam possuir frameworks de governança de IA, mas menos de 25% implementaram os controles necessários para administrar situações de falha de maneira efetiva.

Ter uma política de governança arquivada em uma plataforma corporativa não significa necessariamente que exista uma operação preparada para responder a um incidente. A diferença aparece justamente no momento de pressão, quando alguém precisa identificar o problema, acionar as pessoas certas, decidir se o sistema deve continuar funcionando, estabelecer o que será investigado e registrar as decisões enquanto tudo acontece.

Em inteligência artificial, essa preparação ganha uma dimensão adicional porque alguns problemas não são facilmente percebidos. Um modelo pode continuar disponível, processando solicitações e entregando respostas enquanto seu desempenho se deteriora. Dependendo da aplicação, o efeito pode se acumular durante um período considerável antes de ser identificado.

2026: Mudanças 

Em 2026, a discussão sobre incidentes de IA também está inserida em um ambiente regulatório que se torna progressivamente mais exigente. O EU AI Act, cuja implementação acontece em etapas desde 2024 e teve novas obrigações entrando em vigor ao longo de 2025 e 2026, estabelece requisitos relacionados à supervisão, ao monitoramento e ao reporte de determinados incidentes, especialmente no caso de sistemas classificados como de alto risco.
Entre as exigências está a necessidade de acompanhar o comportamento dos sistemas depois que eles entram em operação e manter mecanismos capazes de identificar situações que possam demandar intervenção ou comunicação às autoridades competentes. Uma empresa que precise demonstrar como acompanhou um sistema de IA durante determinado período terá dificuldade para fazer isso se as decisões, alertas, investigações e ações corretivas estiverem espalhados por e-mails, planilhas, mensagens e registros independentes.

A adoção da ISO 42001 cria uma estrutura para organizar, mas a certificação, por si só, não resolve o desafio. O valor está em transformar os requisitos de governança em processos que possam ser aplicados no cotidiano e demonstrados quando necessário.

Foi a partir dessa lógica que a Jump desenvolveu o Radar AI. A plataforma funciona como uma camada operacional para a governança de inteligência artificial, conectando a identificação de comportamentos anômalos ao processo de investigação, tomada de decisão, correção e registro.
O Tractix participa desse fluxo na análise dos comportamentos dos modelos, enquanto o Radar AI organiza as informações e a trilha necessária para acompanhar o incidente e documentar sua evolução. À medida que a inteligência artificial passa a participar de decisões cada vez mais relevantes dentro das empresas, a capacidade de responder a um erro também passa a fazer parte da própria governança desses sistemas.

A pergunta, portanto, já não é apenas se a organização consegue identificar quando uma IA apresenta um comportamento inesperado. É saber se, naquele momento, existe uma estrutura capaz de transformar a descoberta em investigação, a investigação em decisão e a decisão em evidência. A Jump se estrutura e desenvolve seus produtos com governnança, a transformação não espera. Fale conosco.

Referências 

ISO/IEC. ISO/IEC 42001 :2023 — Sistema de Gestão de Inteligência Artificial . 

Cornerstone. ISO/IEC 42001 Explicada: Por que a IA Responsável e a Governança da IA são Essenciais, janeiro de 2026 . 

ISMS.online. ISO 42001: Guia Definitivo de Implementação 2025 . 

Protecht Group. Governança de IA: Por que a ISO 42001 é o próximo passo natural na certificação, lançamento em 2025 . 

Governança de IA hoje. A ISO 42001 está redefinindo a governança de IA em 2026, março de 2026 . 

Diretório de Segurança de IA. ISO/IEC 42001: Guia Padrão de Sistemas de Gestão de IA 2026 . 

Elevate Consult. Código de Práticas de IA da UE: Guia 2025 + Mapa ISO 42001 . 

IBM. Pesquisa sobre Governança de IA 2025 . 

Stanford HAI. Relatório do Índice AI 2025 . 

Radar AI — Governança operacional de IA . 

Jump marca presença no SP2B, evento de inovação

No dia 11 de agosto de 2026, o Parque Ibirapuera recebeu a primeira edição do SP2B, São Paulo Beyond Business. Durante oito dias, o evento reuniu mais de dois mil palestrantes em uma programação distribuída por mais de vinte palcos, colocando tecnologia, negócios, cultura e inovação no centro das discussões. A proposta do SP2B parte de uma ambição semelhante à do SXSW, nos Estados Unidos: criar um grande ponto de encontro para diferentes setores discutirem as transformações que estão acontecendo e os caminhos que se abrem para os negócios. Em São Paulo, maior polo econômico da América Latina, a ideia encontra um cenário natural para essa conversa. 

Os números da primeira edição ajudam a dimensionar o tamanho do evento. Foram 750 painéis, mais de mil horas de conteúdo e uma expectativa de 700 mil pessoas circulando pelo Ibirapuera ao longo da semana. A produção é da DA20, mesma empresa responsável pelo Rio2C, com curadoria que inclui nomes como Hugh Forrest, ex-presidente do SXSW, e Zé Ricardo, diretor artístico do Rock in Rio. Foi nesse ambiente que Rafael Capua, COO e sócio fundador da Jump, participou do painel Smart Growth, no palco Beehive Innovation. Ao lado de Thiago Aor, sócio e CFO da Cora, e com mediação de Rafa Cappai, CEO da Espaçonave, Rafael falou sobre uma questão que acompanha qualquer empresa em processo de expansão: como crescer sem deixar que a velocidade comprometa a eficiência, a essência e, sobretudo, a racionalidade do negócio. 

Para a Jump, estar no SP2B foi uma escolha deliberada,; o evento concentra empreendedores, executivos e investidores que estão pensando nos próximos passos de seus negócios. O tema do painel também conversa diretamente com o que a empresa vive na prática, tanto nos projetos que conduz com seus clientes quanto na forma como desenvolve e lança seus próprios produtos. 

Quando a primeira pergunta é sobre IA 

Rafa Cappai abriu o painel com uma pergunta que levou os participantes diretamente aos bastidores do crescimento: qual foi o aprendizado mais doloroso de escalar uma empresa? A resposta de Rafael passou por uma questão que se tornou cada vez mais presente nas empresas: a adoção de inteligência artificial antes de entender o problema que se pretende resolver. 

“Muita gente chega no cliente e já tem na cabeça que precisa de IA. Essa nunca deve ser a primeira pergunta. A gente acredita que a primeira pergunta tem que estar relacionada ao processo, às pessoas, a quem está envolvido, para aí sim usar a tecnologia e a IA como meio”, disse Capua durante o painel. 

“A lógica muda a ordem da conversa, antes de pensar em qual tecnologia usar, é preciso entender o processo, as pessoas envolvidas e o problema que precisa ser resolvido. Quando essa ordem é invertida, a inteligência artificial pode acabar apenas acelerando uma operação que já não funciona bem. A empresa passa a produzir mais e automatizar mais, mas sem necessariamente resolver aquilo que deveria estar no centro da operação”, explica.

“Muita gente chega no cliente e já tem na cabeça que precisa de IA. Essa nunca deve ser a primeira pergunta. A gente acredita que a primeira pergunta tem que estar relacionada ao processo, às pessoas, a quem está envolvido, para aí sim usar a tecnologia e a IA como meio”, disse Capua durante o painel. 

“A lógica muda a ordem da conversa, antes de pensar em qual tecnologia usar, é preciso entender o processo, as pessoas envolvidas e o problema que precisa ser resolvido. Quando essa ordem é invertida, a inteligência artificial pode acabar apenas acelerando uma operação que já não funciona bem. A empresa passa a produzir mais e automatizar mais, mas sem necessariamente resolver aquilo que deveria estar no centro da operação”, explica.

Essa questão ganha ainda mais relevância à medida que as ferramentas de IA passam a fazer parte da rotina dos times. A capacidade de produzir aumenta, mas a decisão sobre onde e como aplicar essa tecnologia precisa acompanhar o mesmo ritmo. 

Como faz a Jump 

Essa preocupação com processos também aparece na maneira como a Jump desenvolve seus próprios produtos. Durante o painel, Rafael contou que a empresa criou uma cultura de desenvolvimento em que cada nova solução é tratada como uma micro-startup. Cada produto parte de uma tese, tem um prazo e critérios de validação definidos. A ideia é colocar essa hipótese diante do cliente rapidamente para descobrir se ela responde, de fato, a uma necessidade. 

Com um time de produtos de cerca de quinze pessoas, a Jump consegue ter uma tese pronta para ser testada com o cliente em até vinte dias. O produto não precisa estar perfeito para ser testado. Precisa ser suficiente para confirmar ou refutar a hipótese. A partir dessa resposta, a empresa consegue entender se deve avançar, ajustar a proposta ou seguir por outro caminho. 

O OPT-3, produto de FinOps da Jump que monitora e otimiza custos de cloud em ambientes como AWS, Azure, GCP e Databricks, foi citado como exemplo concreto desse processo. A solução nasceu de uma dor real de um cliente que via sua conta de nuvem crescer sem entender o motivo. A Jump construiu o produto, testou a tese e conseguiu reduzir o custo de cloud do cliente em 61%. O número é um resultado documentado com cliente real. 

Quando a IA muda o lugar do gargalo 

O avanço da inteligência artificial também começa a alterar uma dinâmica importante dentro das empresas. Quando os times conseguem produzir mais, em menos tempo, aumenta também o volume de entregas que precisa ser acompanhado por quem está na liderança. Foi nesse ponto que Rafael chamou atenção para uma mudança no lugar do gargalo.

“A quantidade de deliverables que a gente começou a fazer com IA é impressionantemente maior. Só que o gargalo, por incrível que pareça, passa a ser a liderança no final”, disse. 

“A quantidade de deliverables que a gente começou a fazer com IA é impressionantemente maior. Só que o gargalo, por incrível que pareça, passa a ser a liderança no final”, disse. 

A tecnologia aumenta a capacidade de produção, mas alguém ainda precisa revisar, aprovar e dar contexto para aquilo que está sendo produzido. Em muitos casos, essa responsabilidade chega até o topo da organização. A solução não é retirar o humano do processo, é redesenhar a operação para que o humano continue sendo o ponto de decisão, sem se transformar no ponto que impede o trabalho de avançar. 

Essa mudança exige que as empresas olhem para seus processos com a mesma atenção que dedicam às ferramentas que estão adotando. Afinal, não basta aumentar a velocidade de produção se a estrutura de decisão continua funcionando no mesmo ritmo de antes. 

Crescer também exige saber onde parar 

O painel Smart Growth colocou no centro uma tensão que acompanha praticamente toda empresa em crescimento: a busca por velocidade e a necessidade de construir uma estrutura capaz de sustentá-la. Rafael e Thiago chegaram ao palco com histórias diferentes. A Cora precisou parar para respirar depois de queimar caixa em ritmo acelerado. A Jump, por sua vez, cresceu de dois para seiscentos colaboradores sem nunca captar rodada externa. 

As trajetórias são distintas, mas levaram a uma conclusão semelhante: crescer bem exige saber dizer não. Também exige entender o que está por baixo antes de acelerar aquilo que está por cima. Processos, pessoas e dados precisam fazer parte da estrutura que sustenta a operação, principalmente quando a empresa passa a lidar com um ritmo maior de crescimento. Essa é uma conversa que a Jump leva para seus clientes em cada projeto e também está presente na forma como a empresa desenvolve seus próprios produtos e decide onde concentrar seus esforços. 

No SP2B, essa discussão ganhou espaço diante de empreendedores, executivos e investidores que estão enfrentando perguntas semelhantes em seus próprios negócios. Na estreia do evento em São Paulo, o painel Smart Growth trouxe uma discussão que vai além da velocidade de crescimento: Entender o que precisa estar estruturado antes de acelerar, onde a tecnologia realmente faz sentido e como manter a capacidade de decisão enquanto a empresa cresce. 

Foi essa experiência prática que Rafael Capua levou ao palco do SP2B em nome da Jump, em uma conversa sobre crescimento, eficiência, tecnologia e as escolhas que definem os próximos passos de uma empresa, permearam o painel trazendo grandes aprendizados.

Sua empresa usa IA sobre dados mas ninguém sabe ao certo onde estão

Grandes empresas brasileiras estão implantando IA generativa em processos críticos agora, e a maioria delas está fazendo isso sem conseguir responder uma pergunta simples: se alguém pedisse hoje uma lista de todos os dados que um agente de IA está usando para tomar decisões, de onde eles vêm, se são confiáveis e quem é o responsável por eles, essa resposta existiria? Na maior parte dos casos, não. Essa é a lacuna que um catálogo de dados resolve, e é o motivo pelo qual a Jump está desenvolvendo propostas de implantação do OpenMetadata, plataforma de código aberto com mais de 3.000 implantações empresariais globais, para clientes que chegaram ao ponto em que a IA funciona em piloto mas não consegue escalar com segurança porque a fundação de dados embaixo dela ainda não está visível nem governada. 

O problema que virou urgente quando a IA entrou em produção 

Um catálogo de dados é o sistema que centraliza tudo que uma organização sabe sobre seus próprios: onde cada conjunto de informações existe, quem é responsável por ele, de onde veio, com quais outros sistemas se conecta, se passou por verificação de qualidade e quem pode acessá-lo. Durante anos, esse tipo de ferramenta foi tratada como projeto de documentação, útil para auditorias e compliance, mas ignorado pela maioria dos times no dia a dia. O argumento para investir nela sempre competiu com outras prioridades e raramente vencia. 

O que mudou não foi a ferramenta, mas o que passou a consumir esses dados. Analistas humanos, quando encontram uma tabela desatualizada ou com definição ambígua, perguntam para alguém. Agentes de IA não perguntam, eles agem com base no que encontram, e se o que encontram está errado, a resposta que produzem carrega o mesmo nível de confiança com que carregaria uma resposta certa. Esse comportamento tem nome técnico, alucinação, e a causa mais frequente em ambientes corporativos não é o modelo de IA sendo impreciso: é o dado que o modelo recebeu sendo incompleto, desatualizado ou sem contexto suficiente para ser interpretado corretamente. 

A escala do problema fica clara quando se considera o que dados fragmentados significam na prática. A maioria dos programas de governança de dados não falha por falta de política. Falha porque as respostas para perguntas básicas, qual tabela de clientes é confiável, o que acontece se esse modelo de transformação mudar, quem é dono desse dado, estão espalhadas entre warehouses, projetos de pipeline, planilhas, threads de comunicação interna e conhecimento tácito de pessoas que podem não estar mais na empresa. Adicionar agentes de IA sobre esse cenário sem resolver a fragmentação não é acelerar o negócio: é garantir que os agentes tomem decisões sobre contexto incompleto em velocidade maior do que qualquer processo manual conseguiria detectar. 

O que o OpenMetadata resolve que outros sistemas não resolveram 

O OpenMetadata resolve o problema histórico que fazia projetos de catálogo morrerem antes de chegar à produção: a dependência de documentação manual. Com mais de 120 conectores para os principais sistemas de dados do mercado, incluindo Databricks, Snowflake, dbt, Airflow, Tableau e Power BI, a plataforma coleta metadados diretamente dos sistemas de origem de forma automática e contínua. Isso significa que o catálogo se mantém atualizado sem depender de que alguém lembre de documentar cada mudança, que é exatamente onde os projetos de catálogo anteriores falhavam. 

A versão lançada em junho de 2025 adicionou data contracts ao repertório da plataforma: acordos formais e verificáveis por máquina que definem o que cada conjunto de dados deve ser em termos de esquema, qualidade e prazo de atualização. Quando um data contract está ativo, qualquer sistema que consuma aquele dado, incluindo um agente de IA, pode verificar automaticamente se o dado que está recebendo cumpre as condições acordadas antes de usá-lo. Isso transforma o catálogo de um sistema de documentação em um mecanismo de confiança operacional. 

Para um agente de IA que consulta dados, a diferença é concreta. Sem catálogo, o agente recebe uma tabela e faz o melhor que pode com o que encontra. Com o OpenMetadata configurado, o agente recebe junto com a tabela o status de certificação daquele dado, quem é o responsável técnico e de negócio, quais verificações de qualidade foram aprovadas e quando, quais campos contêm informações sensíveis e quais contratos de dados estão ativos. Essa camada de contexto verificado é o que separa um agente que responde com confiança de um agente que responde com precisão. 

O projeto é de código aberto e API-first, o que significa que times com capacidade de engenharia podem hospedar a plataforma internamente, estender entidades de metadados e integrar operações de catálogo à própria arquitetura de dados da organização sem dependência de fornecedor. Para organizações que já operam sobre Databricks ou Snowflake, a integração nativa com essas plataformas permite que o catálogo reflita automaticamente as mudanças de schema, linhagem e qualidade que acontecem nesses ambientes, sem esforço adicional dos times de dados. 

Por que isso importa para quem leva governança de IA a sério 

A relação entre catálogo de dados e governança de IA certificada não é apenas lógica: é técnica e regulatória. A ISO 42001, padrão global de gestão de inteligência artificial do qual a Jump é uma das únicas empresas brasileiras certificadas, exige que organizações mantenham documentação rastreável sobre os dados que alimentam seus sistemas de IA, com linhagem verificável e mecanismos de controle de qualidade ativos. Um catálogo com coleta automática de metadados e data contracts é parte concreta da evidência que sustenta essa certificação. 

Para organizações que usam modelos de IA sobre dados internos, o catálogo cumpre o papel de camada de rastreabilidade: qualquer decisão tomada por um sistema de IA pode ser conectada ao dado que a fundamentou, com informação sobre qualidade, linhagem e responsabilidade daquele dado no momento exato em que foi consultado. Sem essa camada, auditar decisões de IA é impossível na prática. Com ela, a organização consegue responder a reguladores, clientes e seu próprio conselho de administração com evidência documentada, não apenas com intenções declaradas. 

O EU AI Act, com obrigações progressivamente ativas desde 2025, e o PL 2338, que tramita no Brasil com estrutura similar, convergem nesse ponto: sistemas de IA de alto risco precisam de documentação de dados rastreável e mecanismos de supervisão que funcionem. Organizações que implementam um catálogo de dados como parte da sua estratégia de IA não estão apenas melhorando a eficiência dos seus agentes: estão construindo a evidência que a regulação vai exigir. 

A Jump está desenvolvendo as implantações do OpenMetadata com essa perspectiva como ponto de partida, conectando a capacidade técnica da plataforma com os requisitos de governança da ISO 42001 e com a arquitetura de dados que cada cliente já opera. O catálogo não é um projeto separado da estratégia de IA: é a infraestrutura que torna a estratégia de IA sustentável. Quando o problema de dados fragmentados se torna visível em produção, geralmente já virou incidente. O trabalho de evitar esse incidente começa antes, e começa pelo mapa, fale com a Jump. 

Referências 

DQLabs. Best Data Catalog Tools in 2026: A Buyer’s Guide, jun. 2026. 

Marmot Data. Best Data Catalogs for AI Agents in 2026, jul. 2026. 

ToolWorthy. OpenMetadata Review 2026. 

Medium / Antonio Soto. Using AI for Data Governance with dbt and OpenMetadata, jun. 2026. 

Atlan. 16 Best Data Catalog Tools in 2026: Buyer’s Guide, abr. 2026. 

Thoughtworks. The State of Data Mesh in 2026, jul. 2026. 

ISO/IEC. ISO/IEC 42001:2023 Artificial Intelligence Management System. 

Comissão Europeia. EU AI Act Official Implementation Page. 

Jump. Governança de IA e Certificação ISO 42001.