A IA está atravessando o processo inteiro
Em 14 de setembro de 2026, a OpenAI publicou um caso sobre o uso do GPT-6 Astra pela Perplexity. Segundo o relato, o modelo é aplicado para redigir comunicações, modificar sistemas e monitorar software em produção. A empresa também descreve o uso da IA para criar programas de teste que simulam respostas de outros serviços e verificam um fluxo do início ao fim.
A notícia mostra uma mudança de unidade. A IA deixa de atuar apenas em uma tarefa isolada, como escrever um trecho de código ou resumir um documento, e passa a conectar etapas diferentes. Ela interpreta uma necessidade, constrói ou altera algo, testa, observa o ambiente e pode preparar uma comunicação sobre o resultado.
Para as empresas, a oportunidade é evidente, mas a pergunta de governança também muda. Se o trabalho é ponta a ponta, revisar somente a saída final já não revela tudo o que aconteceu. O controle precisa acompanhar o caminho entre uma etapa e outra, porque é nessas transições que contexto, permissão e consequência se transformam.
Uma sequência de tarefas não é apenas uma tarefa maior
Quando uma pessoa executa um processo, ela costuma perceber mudanças de ambiente. Abrir uma base interna, enviar uma mensagem, alterar um sistema e observar produção são ações diferentes, cercadas por regras e expectativas próprias. Um agente pode percorrer essas fronteiras em uma única execução, sem sentir a separação organizacional que existe entre elas.
Essa continuidade técnica pode esconder descontinuidades de responsabilidade. A autorização para consultar uma informação não implica autorização para usá-la em uma mensagem externa. A permissão para propor código não implica permissão para implantá-lo. O acesso para observar produção não implica liberdade para corrigir automaticamente qualquer sinal encontrado.
Por isso, somar capacidades não produz apenas eficiência acumulada. Também combina riscos. A empresa precisa governar o fluxo como uma cadeia de decisões relacionadas, preservando o sentido de cada passagem em vez de tratar o processo completo como um único comando.
A transição é a nova fronteira de controle
Muitos controles são desenhados em torno de ferramentas. Define-se quem pode acessar o correio, o repositório, o sistema de clientes ou a plataforma de monitoramento. Em um agente ponta a ponta, porém, o risco pode nascer na passagem entre ferramentas, mesmo quando cada acesso isolado parece permitido.
Um dado pode ser adequado para diagnóstico interno e inadequado para uma comunicação. Um alerta técnico pode justificar investigação, mas não uma mudança imediata. Um teste pode produzir evidência suficiente para continuar em ambiente isolado e ainda ser insuficiente para alcançar produção.
Cada transição precisa declarar o que está mudando: finalidade, público, ambiente, nível de impacto ou capacidade de agir. Quando essa mudança ocorre, o agente deve encontrar uma condição de passagem. Ela pode ser uma regra automática, uma validação independente ou uma decisão humana, conforme a consequência.
Confiança precisa ser específica, condicional e revogável
O caso da Perplexity registra que a empresa verifica o trabalho do modelo com menor frequência do que fazia com gerações anteriores. Esse relato descreve a experiência de uma organização com um uso específico. Ele não transforma confiança em uma propriedade universal do modelo nem autoriza outra empresa a copiar o mesmo nível de autonomia.
Confiança operacional precisa estar ligada a um processo delimitado, a versões conhecidas, a ferramentas autorizadas e a evidências observadas. Ela também depende da estabilidade do ambiente. Uma integração nova, uma mudança de modelo, uma alteração de dados ou um incidente relevante pode exigir que o nível de autonomia retorne a uma etapa anterior.
Ser revogável é tão importante quanto ser conquistada. A empresa precisa conseguir reduzir permissões, exigir nova aprovação ou voltar ao modo manual sem reconstruir todo o sistema. Caso contrário, confiança deixa de ser uma decisão de governança e se torna dependência operacional.
Testar o próprio fluxo ajuda, mas não encerra a validação
A OpenAI relata que a Perplexity usa o modelo para criar pequenos programas de teste e simular respostas que outros serviços poderiam devolver. Essa prática pode ampliar a cobertura de caminhos e permitir que a aplicação seja observada antes de interagir com sistemas reais.
A simulação, entretanto, representa uma hipótese sobre o mundo. Se o mesmo agente interpreta a tarefa, constrói a alteração e define todas as respostas simuladas, solução e teste podem compartilhar o mesmo pressuposto incorreto. O resultado demonstra coerência interna, mas não necessariamente aderência às condições reais do negócio.
Casos críticos precisam vir também de fora da execução. Requisitos aprovados, incidentes anteriores, contratos de integração, reclamações de clientes e exemplos conservados por outra equipe oferecem referências independentes. O agente pode executar o teste, mas não deve ter liberdade para redefinir silenciosamente o que significa passar.
Monitorar produção já é uma forma de agir
Monitoramento costuma parecer uma atividade passiva. Na prática, escolher sinais, agrupar eventos, atribuir prioridade e decidir quando alertar influencia a operação. Um sistema que reduz ruído pode ajudar uma equipe, mas também pode esconder um evento se usar contexto incompleto ou uma classificação inadequada.
Quando a IA observa produção, a empresa precisa separar percepção, interpretação e ação. O agente pode coletar um sinal, formular uma hipótese e sugerir uma resposta. A autorização para executar a correção depende da reversibilidade, do alcance e da possibilidade de afetar clientes ou dados.
Os registros devem conservar essa sequência. Não basta mostrar que uma ação aconteceu. É preciso saber qual evidência a motivou, quais alternativas foram consideradas, que permissão permitiu a mudança e quem assumiu a responsabilidade pela consequência. Sem essa trilha, automação rápida pode produzir investigação lenta.
Comunicação, código e operação pedem políticas diferentes
Um fluxo ponta a ponta pode atravessar domínios que a empresa tradicionalmente governa separadamente. Comunicação externa envolve voz da marca, confidencialidade e compromisso com o destinatário. Mudança de software envolve revisão, dependências e segurança. Operação em produção envolve disponibilidade, clientes e recuperação.
O agente não deve receber uma autorização genérica para trabalhar. Ele precisa encontrar políticas adequadas a cada domínio. Uma comunicação pode exigir confirmação de destinatário e fonte. Uma alteração de código pode exigir testes preservados e revisão de componentes sensíveis. Uma ação em produção pode exigir limite de alcance, janela definida e plano de reversão.
A orquestração liga essas políticas sem apagá-las. O fluxo pode permanecer contínuo para a tecnologia e, ainda assim, apresentar checkpoints distintos para a organização. Essa arquitetura permite que autonomia cresça sem transformar conveniência em permissão irrestrita.
O NIST trata controle como ciclo, não como aprovação única
O AI Risk Management Framework do NIST organiza a gestão de risco em governar, mapear, medir e gerenciar. O modelo é contínuo porque contexto, desempenho e consequências podem mudar durante o ciclo de vida. O Playbook também propõe políticas de aprovação, aprovação condicional e rejeição para desenho, implementação e implantação de sistemas de IA.
Essa estrutura é especialmente útil para fluxos longos. Uma etapa pode ser aprovada para observação, outra para recomendação e outra para execução limitada. A decisão pode incluir condições de tempo, escopo, dados, ambiente e supervisão. O processo não precisa escolher entre autonomia total e trabalho manual.
O Secure Software Development Framework do NIST acrescenta práticas de preparação organizacional, proteção do software, verificação e resposta a vulnerabilidades. Para um agente que modifica sistemas, esses elementos continuam sendo responsabilidade da organização, mesmo quando parte da execução e dos testes é automatizada.
A evidência deve sobreviver ao fim da execução
Agentes podem produzir explicações detalhadas enquanto trabalham. Essas mensagens são úteis, mas não substituem um registro estruturado. Depois que a execução termina, a empresa precisa recuperar a solicitação, as fontes, as ferramentas, as versões, as decisões, os testes, as ações e as exceções.
Um pacote de evidências torna o fluxo revisável sem exigir que alguém leia toda a conversa do agente. Ele conecta intenção, transformação e resultado. Também registra o que permaneceu fora do escopo, quais sinais foram ignorados e que etapas dependeram de confirmação humana.
Essa memória permite comparar execuções, investigar incidentes e ajustar controles. Quando um problema aparece, a equipe consegue localizar a transição em que o contexto mudou ou a autorização foi interpretada de forma ampla. O aprendizado retorna ao fluxo como regra, teste ou novo checkpoint.
Um responsável pelo resultado não substitui responsáveis pelas passagens
Todo processo automatizado precisa de uma pessoa ou área responsável pelo resultado empresarial. Ainda assim, atribuir um único dono ao fluxo não resolve as competências específicas de cada transição. Segurança pode precisar aprovar uma permissão, comunicação pode avaliar uma mensagem e operação pode decidir sobre produção.
A matriz de responsabilidade deve indicar quem define condições, quem recebe alertas, quem pode interromper e quem decide a retomada. A autoridade precisa ser real. Um revisor que não possui tempo, contexto ou poder para negar funciona apenas como registro formal de uma decisão já tomada.
O agente também deve saber quando escalar. Ambiguidade sobre destinatário, divergência entre fontes, comportamento inesperado de uma integração ou impossibilidade de testar são motivos para interromper o caminho. Escalonar bem é parte da capacidade, não sinal de fracasso.
Autonomia progressiva torna o aprendizado reversível
A implantação pode começar com o agente observando e registrando o que faria. Depois, ele prepara propostas para aprovação. Em seguida, executa ações reversíveis dentro de limites estreitos. Somente após evidência suficiente recebe autorização para percorrer uma parte maior do fluxo.
Cada avanço precisa ter critérios anteriores à experiência. A empresa define quais erros são aceitáveis, quais consequências não podem ocorrer, que evidência será examinada e o que provoca retorno à etapa anterior. Assim, a autonomia não cresce apenas porque o sistema completou mais tarefas.
O desenho progressivo permite descobrir problemas nas transições antes que elas concentrem grandes consequências. Também ajuda as pessoas a aprenderem novas formas de revisão e resposta. A organização não entrega o processo inteiro de uma vez. Ela conquista continuidade à medida que prova controle.
Conclusão
O caso publicado pela OpenAI mostra uma IA participando de comunicações, mudanças de software, testes e monitoramento de produção. O avanço relevante não é apenas fazer tarefas mais complexas. É ligar trabalho que antes atravessava ferramentas, equipes e decisões distintas.
Quando essa ligação acontece, governança precisa acompanhar o percurso. Confiança deve ser específica e revogável, testes precisam de referências independentes, monitoramento deve conservar a lógica da ação e cada mudança de contexto precisa encontrar uma condição de passagem.
Na minha visão, a empresa madura não mede autonomia pelo tempo que consegue ficar sem olhar para o agente. Mede pela clareza com que sabe onde olhar, quando interromper e como reconstruir cada consequência. Menos intervenções podem ser resultado de um sistema melhor, mas nunca devem significar menos responsabilidade.
IA com propósito pode assumir fluxos inteiros sem transformar o negócio em uma caixa-preta. Para isso, a organização precisa governar não apenas o começo e o fim, mas todas as transições em que informação vira decisão e decisão vira realidade.