Saiba como utilizar alertas inteligentes com o Guard Detect

Romildo Burguez • November 13, 2025

Se você trabalha em um ambiente crítico, sabe: quando um alerta chega tarde — ou chega errado — o dano já está feito. É o contrato que vaza em uma página do Confluence, o acesso fora de política naquela madrugada, o push suspeito em um repositório estratégico. E, no meio disso tudo, um time soterrado por notificações que parecem importantes, mas não são.


Nesse post vamos mostrar como ganhar visibilidade real e agir cedo com menos ruído, usando alertas inteligentes com o Guard Detect e conectando-os ao seu dia a dia de operação.


Quer saber mais? Continue a leitura!


Por que falar dos “alertas inteligentes”


Alertas sempre existiram. O problema é que, nas empresas onde a tecnologia é meio e não fim do negócio, eles costumam custar caro por três motivos:


1. Ruído: chega mais coisa do que deveria. E muito do que chega não merece atenção.

2. Contexto pobre: um aviso que não explica “quem, onde, quão crítico” vira investigação demorada.

3. Ação lenta: um alerta que não aciona o dono certo, com um roteiro claro, vira conversa infinita no chat.


“Inteligente”, aqui, significa a combinação de três elementos práticos:


Contexto: o alerta já chega sabendo “quem é o usuário”, “qual time”, “qual artefato”, “quão sensível é o conteúdo”.


Correlação: eventos que fazem parte do mesmo problema são agrupados em um único caso — não em 18 tickets.


Ação segura: além de avisar, o sistema consegue executar pequenas correções com segurança (e reversão), abrir um chamado já preenchido no JSM, acionar o on-call certo e registrar tudo para compliance.


Quando você liga esse tripé, o efeito é imediato: menos distrações, decisões mais rápidas e uma trilha de auditoria que não dá dor de cabeça.


O que muda quando você usa o Guard Detect


Pense no Guard Detect como um radar focado no seu ecossistema Atlassian e no entorno. Em vez de gerar “ping” para cada suspeita, ele ajuda a enriquecer, priorizar e encaminhar o que importa. Em linguagem de dia a dia:


Vazamento acidental? Uma página do Confluence que ficou pública com dados sensíveis deixa de ser uma caça ao tesouro: você fica sabendo onde está, quem publicou, quem acessou e qual ação tomar.


Comportamento fora do padrão? Um login estranho fora de horário, com várias tentativas em sequência, não vira só um aviso: aciona o fluxo certo, pede verificação adicional e registra evidência.


Repositório crítico? Um push suspeito para uma branch protegida num sistema legado não vira mais um “alguém viu isso?”: abre caso, envolve o squad correto, vincula runbook e, quando aplicável, sugere rollback.


A peça-chave está na integração com o que você já usa — especialmente o Jira Service Management para tratamento e SLAs, e ferramentas de plantão como Opsgenie. Assim, o alerta não “mora” em mais um painel; ele entra no seu fluxo, com dono, prioridade e prazo.


Do alerta à ação: um caminho que cabe no seu dia a dia


Para que isso funcione em ambientes críticos, o fluxo precisa ser claro e curto. Na prática, ele acontece em sete passos:


Detecção: Um evento potencialmente arriscado é identificado (exposição pública, comportamento anômalo, alteração em repositório sensível).


Enriquecimento: O alerta recebe contexto: quem é o usuário, a qual time pertence, qual projeto está envolvido, quão sensível é o conteúdo.


Priorização: Em vez de “todo mundo é P1”, o caso ganha peso conforme impacto no negócio, criticidade do ativo e histórico.


Encaminhamento: Regras simples determinam o destino: qual fila do JSM, qual on-call, qual runbook. Nada de “olha isso pra mim?”.


Ação automática segura: Pequenas correções podem acontecer em segundos — por exemplo, tornar uma página privada ou forçar uma checagem adicional — sempre com registro e possibilidade de reversão.


Colaboração com lastro: Comentários acontecem dentro do ticket, com checklist, anexos e evidências, não em conversas soltas que se perdem.


Aprendizado: O que foi ruído? O que foi sinal? Esse feedback retroalimenta as regras, reduzindo falsos positivos semana a semana.


Note que nada aqui exige “projeto de seis meses”. É orquestração leve, conectando peças que você já tem — o ganho vem do encadeamento, não de uma grande troca de plataforma.


Por onde começar: o recorte mínimo viável


Em ambientes com muitos sistemas legados, tentar cobrir tudo de uma vez costuma fracassar. O melhor caminho é atacar o que dá mais retorno com menos atrito. Duas frentes costumam ser campeãs nas primeiras semanas:


Confluence público e sensível: Comece mapeando espaços e páginas que, por descuido, podem estar expostos. O valor percebido é alto porque você fecha uma porta visível, comunica o time afetado e cria uma rotina de prevenção.


Repositórios críticos no Bitbucket: Foco em branches protegidas e serviços que sustentam operação — onde qualquer alteração fora do esperado vira incidente caro. Ao ligar regras simples (janela de mudança, dupla aprovação, alerta para push atípico), você ganha previsibilidade sem engessar.


Uma boa abordagem é executar um piloto de 14 dias: na primeira semana, ativar as políticas padrão e garantir o encaminhamento correto; na segunda, medir o que foi ruído e ajustar. Ao final, você já terá métricas comparáveis para apresentar à diretoria.


Políticas que valem ouro nas primeiras semanas


Sem complicar, priorize cinco políticas que resolvem dores recorrentes e demonstram valor rápido:


Exposição acidental em páginas: Quando um conteúdo sensível fica público, o alerta identifica, notifica o dono e sugere a correção imediata (privar, mover, redigir). É uma ação pequena que evita manchete grande.


Login fora de padrão: Várias tentativas seguidas, horários improváveis ou acesso de local incomum? Em vez de “acompanhar”, você aciona um passo adicional de verificação e evita que credenciais comprometidas virem incidente.


Mudança não planejada em repositório crítico: Push para branch protegida, fora da janela ou por um usuário recém-criado dispara revisão obrigatória com o squad correto. Quando necessário, abre caminho para rollback.


Acesso fora de papel: Alguém sem vínculo com um projeto sensível tenta acessar dados que não deveria? O alerta sinaliza e pede revisão de permissões — reduzindo risco e limpeza mensal de pendências.


Descarga incomum de conteúdo: Exportações ou downloads em volume, em curto período, acendem a luz amarela. O caso é priorizado, com perguntas objetivas: é uma tarefa legítima do time ou uma tentativa de exfiltração?


A ideia é agir rápido e com bom senso, sempre com reversão possível e comunicação clara para o time.


Métricas que realmente importam para a diretoria


Você não precisa de um painel com 50 números. Para contar a história certa, foque em cinco métricas que conversam com risco, eficiência e compliance:


Ruído: quantos alertas por dia por analista? Qual a percentual de falsos positivos antes e depois do piloto?


Velocidade: MTTA (tempo para começar a agir) e MTTR (tempo para resolver), por tipo de caso.


Qualidade: qual a taxa de agrupamento de eventos em um mesmo incidente? Quantas auto-ações foram bem-sucedidas?


Compliance: em quanto tempo você remedia uma exposição de dado pessoal? A evidência fica registrada de forma auditável?


Negócio: quantas horas de triagem foram poupadas? Quantos incidentes relevantes foram evitados por ação precoce?


Com um piloto bem recortado, é comum ver queda perceptível de ruído em poucas semanas e redução do tempo de resposta em casos repetitivos. O segredo é comparar antes e depois com honestidade, sem prometer milagre.


Como neutralizar possíveis riscos de implementação


“E se a automação travar o trabalho?”


Comece com auto-ações reversíveis e configure uma janela de exceção. Um bom padrão é avisar o dono do conteúdo e permitir a regularização rápida (por exemplo, tornar a página privada e explicar como reabrir com segurança). Assim, você protege sem paralisar.


“E se o time burlar o processo?”


O famoso shadow IT é um risco real. Contraponha com treinos curtos e contextuais (vídeos de 2–5 minutos) e playbooks de uma página embutidos no ticket. Quando as pessoas entendem o “porquê” e o caminho está a um clique, a adesão cresce.


“E se meu integrador cair?”


Tenha uma fila de compensação: se o SIEM/JSM estiver indisponível, os eventos ficam enfileirados e são reenviados quando o serviço volta. É detalhe técnico, mas economiza dor de cabeça.


Três histórias curtas que provam o ponto


“A página que não virou manchete”


Um time de projetos publicou, sem perceber, um documento com dados pessoais em um espaço do Confluence. O Guard Detect sinalizou a exposição, o conteúdo foi tornado privado em minutos e o dono recebeu um checklist de correção. O caso virou um ticket no JSM, com registro de quem fez o quê e quando. Na auditoria, o DPO apresentou a trilha de ações e o assunto morreu ali mesmo.


“O login fora de hora que não virou sequestro de conta”


Às 3h, um conjunto de tentativas de acesso falhas apareceu no radar para uma conta com privilégios. Em vez de só “monitorar”, o fluxo forçou revalidação, notificou o responsável e abriu uma investigação com o SOC. Resultado: nenhuma interrupção de serviço e evidência pronta para o relatório de risco.


“O push de sexta-feira que não estourou o sábado”


Um desenvolvedor novo fez um push em uma branch sensível perto do fim do expediente. O alerta abriu revisão obrigatória, envolveu o on-call e bloqueou a ida para produção fora da janela. O squad revisou, aprovou para segunda e a operação dormiu em paz.


Checklist narrativo para tirar do papel


Você pode transformar tudo isso em realidade com um roteiro enxuto:


Mapeie o que é crítico (páginas e repositórios que, se vazarem ou quebrarem, doem no negócio). Relacione times e on-calls a cada área. Ative políticas padrão de exposição, login e mudança em repositório sensível. Conecte o JSM para que o alerta já vire chamado com prioridade e checklist. Defina auto-ações reversíveis (privar, solicitar verificação, forçar revisão). Rode um piloto de 14 dias em duas áreas. Meça e ajuste ruído, MTTA/MTTR e taxa de auto-ação bem-sucedida.

Comunique vitórias rápidas com prints e números simples. Escalone por ondas, sempre mantendo a régua de qualidade. Em paralelo, dispare microtreinos para reduzir resistência e consolidar o novo hábito.


O ganho vem da clareza de regra, da qualidade do encaminhamento e do registro.


Cultura e adoção: o lado humano do alerta


Tecnologia não segura sozinha uma organização. Para que alertas inteligentes “peguem”, algumas decisões de gestão fazem toda a diferença:


Conte a história pelo risco evitado: Em vez de falar de “100 alertas tratados”, mostre “duas exposições bloqueadas antes de virar incidente”. Isso engaja diretoria.


Dê o playbook pronto: Um PDF de uma página, colado no ticket certo, vale mais do que um manual de 40.


Substitua reuniões por evidência: Quando o chamado já nasce com contexto, não precisa juntar 12 pessoas para descobrir o básico.


Crie um ciclo de melhoria quinzenal: Reserve 30 minutos para rever ruído, desligar regras que não ajudam e ajustar prioridades.


No fim, o que muda a vida do time é decidir rápido sem adivinhar. É isso que um bom desenho de alertas entrega.


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


Proteja sua equipe com o Atlassian Guard Premium


Identifique falhas antes do cliente com o Guard Detect, da Atlassian


Atlassian System of Work: como unir metas, trabalho e conhecimento


Conclusão


Se você chegou até aqui, a mensagem central é esta: alerta inteligente é processo, não pirotecnia. Em ambientes críticos, o que separa um susto de um incidente é a capacidade de perceber cedo, entender rápido e agir pequeno — repetidamente. O Guard Detect, integrado ao que você já usa, é um bom caminho para sair do “apito a cada minuto” e entrar no ritmo de decisões com contexto, correlação e ação segura.


Comece onde a dor é maior e o ganho é imediato: Confluence público e repositórios críticos. Execute um piloto de 14 dias, meça de verdade e conte a história com números que a diretoria entende: menos ruído, resposta mais rápida, evidência pronta e incidentes que não aconteceram.


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.