Do painel ao impacto: como cortar decisões lentas pela metade

Romildo Burguez • September 24, 2025

Você já viu esse filme. O dashboard está impecável, a sala está atenta, os números contam uma história precisa — e, mesmo assim, nada muda antes de alguns e-mails, aprovações, reuniões e “vamos esperar até amanhã”. Em ambientes críticos, esse tempo morto custa caro. Não só em dinheiro, mas em confiança, previsibilidade e fôlego do time. A boa notícia: existe uma forma simples e responsável de fazer o dashboard agir. Não é pular etapas, não é apostar a empresa. É transformar parte das decisões repetitivas — aquelas que todo mundo já sabe o que fazer — em próximos passos automáticos, documentados e reversíveis. 


Esse post é um guia para quem lidera tecnologia em empresas onde TI é meio para eficiência e inovação, não o core do negócio. Setores consolidados, equipes enxutas, sistemas legados sensíveis, prazos curtos. O objetivo é mostrar como cortar pela metade o tempo de decisão nas frentes que mais doem, sem abrir mão de governança, segurança e serenidade operacional. 


Vamos lá? 


Do espelho ao motor: o papel que faltava 


Dashboards são ótimos para enxergar. Falta a perna que faz. Quando falamos em “dashboard que age”, estamos descrevendo um fluxo natural: detectar um evento relevante, decidir com uma regra simples e conhecida, executar um pequeno passo seguro, registrar por que fizemos isso e manter um botão à mão para desfazer. Parece óbvio — e é. Em operações maduras, boa parte do dia é tomada por decisões repetitivas. Elas consomem tempo de gente cara e não exigem criatividade. Ao automatizá-las com cuidado, liberamos essas pessoas para o que realmente pede julgamento humano: exceções, casos delicados, melhorias estruturais. 


Onde faz sentido automatizar 


A régua é sempre o custo do atraso. Considere três situações: um pedido de alto valor parado além do aceitável, um backlog que anuncia um estouro de SLA no fim do dia, um estoque de item crítico que ameaça ficar abaixo do mínimo. Em todas elas, a demora machuca hoje; e a ação provável é conhecida por todos. Nessas frentes, a automação costuma pagar a conta rapidamente. Já decisões sensíveis, com impacto regulatório ou fortes nuances de contexto, merecem uma abordagem diferente: o dashboard recomenda a ação, mas pede confirmação humana. Em termos simples: automatize o previsível e barato de reverter; recomende o raro, caro ou sujeito a interpretação. 


Governança que habilita 


A governança, aqui, não é obstáculo; é trilho. Primeiro, toda automação tem donos claros — um de negócio e um técnico — e uma regra escrita em português direto: “se X passar de Y por Z minutos, fazer W”. Segundo, versões e trilha. Regras mudam, e isso precisa estar registrado: qual era a versão, quando entrou, por que mudou. Terceiro, kill switch. Um botão para desligar por sistema, área ou horário dá a tranquilidade necessária para ligar. Quarto, privacidade e minimização. Use apenas os dados indispensáveis para a ação e limite quem vê o quê. Quinto, qualidade mínima do dado. Se o dado não está fresco o suficiente, completo o suficiente e coerente o suficiente, a automação não toca; no máximo recomenda. Com esses cinco alicerces, a conversa deixa de ser “pode ou não pode” e passa a ser “como fazemos com segurança”. 


O frescor certo ao preço certo 


“Tempo real” é expressão cara — às vezes, literalmente. A pergunta útil não é “dá para ser em um minuto?”, e sim “qual é a vida útil dessa decisão?”. Se agir em 15 minutos entrega o mesmo valor que agir em 1 minuto, por que comprar a conta do segundo? O caminho prático é montar uma escada de frescor: para cada tipo de decisão, defina o intervalo mínimo que preserva o valor e cabe no bolso. Em algumas frentes, ciclos de 5 minutos fazem sentido; em outras, 30 minutos resolvem. Com essa transparência, FinOps deixa de ser a mesa do “não” e vira parceira: o “sim, desde que compense”. 


Como conviver com o legado sem quebrar nada 


Nada assusta mais do que imaginar uma automação mexendo em sistemas frágeis. Por isso, a última milha precisa ser conservadora. Cada evento deve gerar um único disparo, capaz de reconhecer que aquela situação já foi tratada. As ações entram em fila e seguem a ordem, com reenvio se algo falhar. Limites protegem o negócio: a automação só altera o que é seguro (por exemplo, ajustes até 10%); acima disso, pede aprovação. E, nas primeiras semanas, um modo sombra deixa a automação “agir” sem tocar no sistema, produzindo apenas recomendações e logs. Você compara o que teria sido feito com o que o time fez de fato, ajusta as regras e só então liga a tomada. Não há heroísmo: há amortecedores. 


Sem telemetria, não sobe 


Se você não sabe quantas ações automáticas aconteceram hoje, quantas falharam e quanto tempo levou cada etapa, está pilotando no escuro. A automação precisa de um painel próprio, com contagens, tempos e motivos de recusa. Precisa de controles simples para ligar e desligar por automação, por área, por horário. Precisa de um plano de rollback que explique como desfazer a última ação, ou o último lote, sem suspense. E os logs devem ser legíveis por humanos: “Agimos porque o estoque ficou abaixo de X por Y minutos; regra Z, versão 1.3; dono Fulano; dados verificados A, B e C”. É essa transparência que coloca todo mundo do mesmo lado. 


Como saber se a IA ajuda ou atrapalha 


Modelos preditivos encaixam muito bem em previsões de demanda, estimativas de estouro de SLA, priorização de oportunidades. Mas é saudável manter a abstenção inteligente: se o modelo não estiver confiante, a decisão volta para a pessoa. Antes de escalar, deixe o modelo algumas semanas em modo observação, comparando o que sugeriria com o que a operação realmente fez. Você evita sustos e ganha ajustes finos. O princípio é simples: IA deve adiantar serviço, não inventar novos riscos. 


Menos alertas, mais próximos passos 


Quem opera sabe: alerta em excesso é ruído. Dashboards que agem falam menos e melhor. Quando precisarem interagir com pessoas, as mensagens devem dizer o que aconteceu, por que a ação é necessária (ou por que foi feita) e qual é o próximo passo. Situações de baixa severidade podem ser resolvidas em lote, em horários combinados, sem interromper ninguém. Contexto também conta: “pedido travado” não ajuda tanto quanto “pedido travado há 3h, valor estimado de R$ 120 mil, cliente prioritário, parada na etapa X, sugestão de liberação Y”. A meta é reduzir toques manuais e aumentar a confiança no que o sistema faz sozinho. 


Três histórias para enxergar o impacto 


Em operações e logística, imagine um conjunto de lojas com risco de ruptura. O dashboard vigia estoques e vendas. Quando um item cai abaixo do limite, a automação ajusta o pedido dentro de uma faixa segura; acima disso, prepara uma tarefa de aprovação já com as alternativas possíveis. Em pouco tempo, a prateleira deixa de surpreender e a equipe consegue planejar melhor, em vez de apagar incêndio. 


No atendimento, o sistema projeta o risco de estouro de SLA para o fim do dia. Ao detectar trajetória perigosa, redistribui filas entre times, ativa um modo de força-tarefa por 90 minutos e, se necessário, avisa clientes críticos antes do atraso. O humor muda: sai a sensação de descontrole, entra a previsibilidade com transparência. 


Em comercial, pedidos de alto valor que travam além da janela aceitável disparam ações pequenas e seguras: resolver pendências operacionais que não mexem em preço ou condição, notificar o dono da conta com contexto e sugerir o próximo passo. Pendências mais sensíveis entram em via rápida de aprovação. A consequência é uma curva de conversão mais estável e menos “quase fechou”. 


Como provar que funcionou 


Resultados não se defendem com adjetivos. Alguns números contam a história com clareza. O tempo de decisão cai; vale medir a mediana e também casos extremos. A porcentagem de decisões automatizadas sobe, mas apenas nas situações onde os dados estavam saudáveis e as regras cabiam. A confiabilidade se traduz em incidentes por mil ações e no tempo de rollback quando algo precisa ser desfeito. A parte financeira aparece como receita incremental e perdas evitadas, e tudo isso precisa conversar com o custo por decisão automatizada. Com esse conjunto, a diretoria enxerga valor, o time enxerga mérito e a empresa enxerga um método repetível. 


Um playbook de 90 dias, sem comitês infinitos 


Dá para tirar isso do papel em três meses, mesmo com equipes enxutas. Nas duas primeiras semanas, escolha três decisões onde a demora dói e a ação é repetitiva. Escreva as regras em linguagem simples, defina donos, estabeleça limites e exceções, combine a vida útil de cada decisão. Nas semanas seguintes, prepare a explicabilidade que irá junto de cada ação: a justificativa, a versão da regra, o horário, os dados usados. Desenhe o painel da automação e o plano de rollback; alinhe com jurídico e segurança o que será registrado e por quanto tempo. 


Comece então um período em modo sombra: a automação não toca nos sistemas, mas sugere ações e registra tudo. Compare com a prática de hoje, ajuste a regra, enfrente exceções recorrentes e transforme exceção em regra quando fizer sentido. Só depois ligue de verdade, com limites conservadores e para um grupo piloto — uma região, uma linha, um turno. Monitore como se fosse uma UTI: poucas métricas, o tempo todo. Faça office hours curtos para dúvidas, cole exemplos concretos de vitórias, ajuste mensagens e limiares. No fim do ciclo, tome a decisão de escala. Se os números compensarem, amplie; se não, desligue sem trauma e documente o aprendizado. Evolução também é saber onde não automatizar. 


Objeções que costumam surgir e respostas que funcionam 


A primeira é o medo do legado. Com limites, fila, idempotência e modo sombra, a automação se comporta como um motorista cuidadoso. A segunda é o custo do “tempo real”. O frescor certo é o que caber no bolso sem perder valor; para muita coisa, ciclos de minutos resolvem. A terceira é o erro. Haverá erros — por isso existem botão de desligar, plano de rollback e trilha explicável. Erros com limite e reversão viram aprendizado, não crise. A quarta é a confiança do time. Transparência, controle e resultado constroem confiança mais rápido do que discursos; nada substitui o painel que mostra o que foi feito, por que e com qual impacto. 


Para que você possa se aprofundar ainda mais, recomendamos também a leitura dos artigos abaixo: 





Conclusão 


Empresas de setores consolidados não podem se dar ao luxo de quebrar o que funciona; também não podem ficar paradas enquanto o mercado acelera. A virada de chave é entender que governança não é o oposto de velocidade. Governança é o trilho que permite acelerar sem sair da pista. Quando dashboards passam a tomar o próximo passo seguro, com donos, trilha e reversão, o seu time troca horas de acompanhamento por horas de evolução. O resultado aparece no que mais importa: menos decisões atrasadas, menos incêndios, menos retrabalho. E mais foco no que exige realmente o talento das pessoas. 


Se fosse para resumir em uma frase: faça seus dashboards agirem onde a demora dói, com regras simples e freios à mão. Essa combinação corta o tempo de decisão pela metade e devolve ao seu time a sensação de controle — aquela que todo líder quer sentir quando olha para o painel e sabe, sem dúvida, que a próxima ação já está em curso. 


Esperamos que você tenha gostado do conteúdo desse post!  


Caso você tenha ficado com alguma dúvida, entre em contato conosco, clicando aqui! Nossos especialistas estarão à sua disposição para ajudar a sua empresa a encontrar as melhores soluções do mercado e alcançar grandes resultados! 

 

Para saber mais sobre as soluções que a CSP Tech oferece, acesse: www.csptech.com.br. 

Fale com a CSP Tech

.

Por Guilherme Matos • 19 de novembro de 2026
Para usar agentes de IA sobre dados de sinistro sem expor dado pessoal do segurado, o agente precisa herdar a mesma regra de acesso do analista que faz a pergunta, aplicada no momento da consulta. No Databricks, isso depende de duas escolhas. A primeira é o modo de autorização do agente: na autorização por usuário , o agente consulta os dados com a identidade de quem pergunta, e o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna; na autorização do app, todos os usuários compartilham as permissões de uma conta técnica. A segunda é não contornar as máscaras com cópias de dados feitas para alimentar a busca vetorial. Em sinistros de vida, saúde e acidentes pessoais, parte desses dados é dado de saúde, que a LGPD trata como dado pessoal sensível. Por que o dado de sinistro pede um cuidado diferente Um processo de sinistro reúne dados de identificação do segurado e dos beneficiários, dados bancários para indenização, relatos do evento e, em vários ramos, laudos e informações médicas. A Lei Geral de Proteção de Dados define, no artigo 5º, inciso II, o dado referente à saúde como dado pessoal sensível, e o artigo 11 limita as hipóteses em que ele pode ser tratado. Entre elas estão o exercício regular de direitos, inclusive em contrato, e a garantia da prevenção à fraude. O artigo 6º, inciso III, acrescenta o princípio da necessidade: o tratamento deve se limitar ao mínimo necessário para a sua finalidade. Na operação, esse princípio já costuma estar refletido em perfis de acesso. O regulador de sinistro vê o processo que conduz, o time antifraude vê os sinais de que precisa, e o atendimento vê o status do pedido sem acessar o laudo. O risco do agente de IA é desfazer essa separação sem que ninguém perceba, porque ele responde em linguagem natural e não mostra de qual tabela, com qual permissão, tirou cada informação. Tese da CSP Tech: na seguradora, o agente de IA deve ver exatamente o que o analista que fez a pergunta veria, nem mais nem menos, e essa regra precisa ser aplicada no momento da consulta, pela plataforma de dados, e não por instruções no prompt. No Databricks, os dois pontos em que o dado do segurado costuma escapar são a escolha da autorização do agente e as cópias feitas para busca vetorial, e ambos se resolvem no desenho, antes do piloto. Os dois modos de autorização do agente Autorização do app Segundo a documentação da Databricks, atualizada em 23 de outubro de 2026, na autorização do app o agente se autentica com uma conta técnica criada automaticamente, e todos os usuários compartilham as mesmas permissões. É o modo mais simples de colocar um piloto no ar, e por isso é o mais comum. O efeito em um ambiente de sinistros é direto: se a conta técnica tem acesso ao laudo médico, qualquer pessoa que converse com o agente pode receber uma resposta baseada nele, ainda que o perfil dessa pessoa não permita abrir o laudo. Autorização por usuário Na autorização por usuário, antes chamada de on-behalf-of-user, o agente acessa os recursos com a identidade de quem faz a pergunta. A documentação lista como benefícios o acesso por usuário a dados sensíveis, os controles granulares do Unity Catalog, a trilha de auditoria por usuário e a aplicação automática de filtros de linha e máscaras de coluna. O recurso funciona com SQL Warehouse, Genie, Model Serving, índices de AI Search e tabelas do Unity Catalog, entre outros. Os dois modos podem ser combinados no mesmo agente, o que permite usar a conta técnica para recursos sem dado pessoal e a identidade do usuário para os que têm. Há três cuidados registrados pela própria Databricks. A autorização por usuário está em prévia pública e precisa ser habilitada por um administrador do workspace. As mudanças de escopo podem levar até cinco minutos para valer, por causa de caches. E, se o token do usuário não chegar ao agente, a função que deveria usar a identidade dele recorre à conta técnica sem gerar erro. Por isso a documentação recomenda testar o agente com uma ferramenta que devolva a identidade em uso antes de liberar o acesso. Filtros de linha e máscaras de coluna: a regra aplicada na consulta No Unity Catalog, filtros de linha e máscaras de coluna restringem, no momento da consulta, quais linhas e quais valores cada usuário consegue ver, segundo a documentação de filtros e máscaras , atualizada em 6 de novembro de 2026. O filtro de linha é uma função que exclui as linhas para as quais retorna falso, o que permite, por exemplo, que o regulador veja só os processos da sua carteira. A máscara de coluna é uma função que devolve o valor original ou uma versão mascarada, o que permite mostrar o diagnóstico ao time médico e um valor oculto ao atendimento. Para aplicar a mesma regra a muitas tabelas, a Databricks recomenda políticas baseadas em atributos, ligadas a tags no catálogo ou no esquema, que os donos das tabelas não conseguem remover. Combinadas com a autorização por usuário, essas regras fazem o agente herdar o perfil do analista sem nenhuma instrução no prompt. Uma instrução do tipo “não revele dados de saúde” pode ser contornada por uma pergunta bem formulada, enquanto a máscara aplicada pela plataforma impede que o dado chegue ao modelo. Onde o dado do segurado escapa A cópia para busca vetorial. A documentação informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. Quando o time de dados quer que o agente pesquise documentos de sinistro, a saída mais rápida é criar uma cópia sem as proteções para indexar, e com isso o índice passa a conter o que as máscaras escondiam. O desenho seguro prepara uma tabela própria para o índice, já sem os campos sensíveis ou com eles transformados, e aplica a autorização por usuário ao índice. Os clones e as versões antigas. Clones de tabelas com filtros ou máscaras não são suportados, e a consulta a versões anteriores da tabela, o time travel, não funciona com filtros e máscaras em nível de tabela. Ambientes de teste montados com cópias de produção são um caminho conhecido para o dado sensível sair do perímetro. As views. Filtros e máscaras não podem ser aplicados diretamente a uma view. Se o agente consulta uma view construída sobre a tabela original, a proteção precisa estar na tabela de origem. O fallback silencioso. Quando o token do usuário não chega ao agente, a consulta passa a usar a conta técnica sem erro. O teste de identidade em uso precisa fazer parte da homologação e do monitoramento, e não só do primeiro deploy. O que a seguradora precisa decidir antes do piloto A plataforma aplica as regras, mas não as define. Antes de liberar o agente, a seguradora precisa classificar quais colunas de sinistro são dado pessoal e quais são dado de saúde, decidir quais perfis podem ver cada classe, registrar essas decisões como tags governadas no catálogo e escolher, recurso por recurso, se o agente usa a identidade do usuário ou a conta técnica. Essa classificação é o mesmo trabalho de governança de dados que a seguradora já precisaria fazer para a LGPD, agora aplicado a um consumidor novo, que responde a perguntas em vez de abrir telas. O caso de dados de conversa, com mascaramento de gravações e transcrições, está tratado no artigo “Governança de dados de conversa no Databricks” , publicado no blog. Aqui o foco é o agente que consulta o processo de sinistro. A camada regulatória, com a ressalva devida A LGPD exige, no artigo 46, medidas de segurança técnicas e administrativas aptas a proteger os dados pessoais de acessos não autorizados, e não prescreve ferramenta. No mercado de seguros, a Circular Susep 638/2021 trata de segurança cibernética e determina a comunicação de incidentes relevantes à autarquia. A leitura de que o agente de IA deve herdar a regra de acesso do analista é uma interpretação editorial da CSP Tech sobre como aplicar o princípio da necessidade a um novo tipo de consumidor de dados. A base legal de cada tratamento, a classificação dos dados e a avaliação de impacto cabem ao encarregado de dados e às áreas de compliance e jurídico da seguradora. Quando esse desenho é desproporcional Um agente que trabalha só com dados agregados ou anonimizados, como volume de sinistros por ramo e região, não precisa de autorização por usuário: a conta técnica com acesso apenas a essas tabelas resolve. O mesmo vale para um agente interno que responde sobre normas e procedimentos, sem acesso a processos de segurados. O cuidado descrito aqui é para o agente que consulta processos individuais. Perguntas frequentes Dado de sinistro é dado pessoal sensível? Parte dele é. A LGPD, no artigo 5º, inciso II, classifica o dado referente à saúde como dado pessoal sensível, e processos de sinistro de vida, saúde e acidentes pessoais costumam conter laudos e informações médicas. Dados de identificação e bancários do segurado são dados pessoais, ainda que não sensíveis. O que é autorização por usuário em agentes do Databricks? É o modo em que o agente acessa os dados com a identidade de quem faz a pergunta, antes chamado de on-behalf-of-user. Com ele, o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna. Segundo a documentação da Databricks de outubro de 2026, o recurso está em prévia pública e precisa ser habilitado por um administrador do workspace. Posso indexar no AI Search uma tabela com máscaras de coluna? Não. A documentação da Databricks informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. O caminho seguro é preparar uma tabela própria para o índice, sem os campos sensíveis ou com eles transformados, em vez de copiar a tabela original sem proteção. Uma instrução no prompt basta para o agente não revelar dados de saúde? Não é uma proteção confiável, porque pode ser contornada por perguntas bem formuladas. A forma mais segura é impedir que o dado chegue ao modelo, aplicando máscaras de coluna e filtros de linha na plataforma de dados e fazendo o agente consultar com a identidade do usuário. Próximo passo Faça um teste de dez minutos: no agente que sua equipe está testando sobre dados de sinistro, faça a mesma pergunta com dois usuários de perfis diferentes, um do atendimento e outro da regulação, e compare as respostas. Depois, verifique se o índice de busca do agente foi criado a partir de uma cópia da tabela original. Se as respostas forem iguais, ou se o índice veio de uma cópia sem máscaras, o agente está vendo mais do que o analista. Solicite um diagnóstico de dados da CSP Tech para desenhar a autorização e as máscaras antes de ampliar o piloto. Leituras relacionadas Governança de dados e IA Segurança de agentes de IA: por que permissão virou o novo perímetro (e como limitar o agente sem inutilizá-lo) Data lake ou pântano de dados: por que a IA não fracassa por falta de dado, e sim por não achar o dado certo MDM no Databricks: como construir gestão de dados mestres no Lakehouse (sem comprar mais uma plataforma) Por que 40% dos projetos de agentes de IA serão cancelados até 2027 (e o que a fundação de dados tem a ver com isso) Setor financeiro e seguros Agentes de IA não autorizados chegaram às contas bancárias dos EUA. Seus sistemas sabem quem está do outro lado? Empresa de intranet para banco, cooperativa ou seguradora: como comparar plataforma pronta, SharePoint e desenvolvimento sob medida “De onde veio esse número”? Rastreabilidade de dados para decisões mais confiáveis Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 38 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace). Fontes (acesso em 19/11/2026): Databricks Documentation, “Authentication for AI agents” (autorização do app e por usuário; prévia pública; fallback sem erro; recursos suportados), atualizada em 23/10/2026. Databricks Documentation, “Row filters and column masks” (avaliação em tempo de consulta, políticas ABAC, limitações com AI Search, clones, time travel e views), atualizada em 06/11/2026. Lei nº 13.709/2018 (LGPD) , arts. 5º (II), 6º (III), 11 e 46, texto compilado no Planalto. Circular Susep nº 638/2021 . A tese e as práticas de desenho são formulação editorial da CSP Tech. Este conteúdo não constitui aconselhamento jurídico ou regulatório.
Por Guilherme Matos • 18 de novembro de 2026
Scripts envenenados em quatro serviços web, DDoS contra a rede Tor: como cada ataque de novembro de 2026 funcionou e o que revisar em cada camada.
Por Guilherme Matos • 17 de novembro de 2026
Com o Pix funcionando 24 horas, a mudança segura em pagamentos é a que chega à janela com o caminho de volta testado e registrado. Veja como estruturar janela, aprovação e rollback.
Por Guilherme Matos • 16 de novembro de 2026
A linhagem do Unity Catalog mostra de onde veio cada coluna, mas tem limites documentados. Veja o que ela não cobre e o que a instituição financeira precisa somar para defender um número reportado.
Por Guilherme Matos • 13 de novembro de 2026
Em banco, seguradora ou cooperativa, um normativo interno vencido que continua acessível na intranet deixa de ser só conteúdo desatualizado e passa a ser instrução operacional errada. Com o Microsoft 365 Copilot, o risco cresce, porque o assistente usa todo o conteúdo que o colaborador tem permissão de ver, inclusive a
Por Guilherme Matos • 12 de novembro de 2026
Uma instância Jira por cooperativa ou uma para o sistema inteiro? Veja os três desenhos possíveis, os critérios de decisão e o que a Resolução 4.893 permite ao sistema cooperativo.
Por Guilherme Matos • 10 de novembro de 2026
Com IA, o gestor de banco pergunta ao dado em linguagem natural em vez de esperar o relatório. Veja o que muda no time de dados com o Genie do Databricks: curadoria, testes de precisão, revisão de respostas e o histórico de perguntas como fila de demanda.
Por Guilherme Matos • 9 de novembro de 2026
Banco, cooperativa e seguradora já usam mais IA do que a TI registrou. Veja o que um inventário de IA precisa conter para servir de evidência à auditoria e ao Banco Central, de onde vêm os itens e onde manter o registro vivo no Jira Service.
Por Guilherme Matos • 5 de novembro de 2026
A Resolução 4.893 pede que o Banco Central saiba onde os dados podem ser processados. No Databricks, os recursos de IA seguem a área geográfica do workspace, que pode ir além do Brasil. Veja o que mapear antes de contratar e como configurar.