Governança de IA que só existe no papel não segura uma terça-feira movimentada, e LLMOps é o que muda isso

Todo piloto de IA funciona na demonstração. O problema aparece três meses depois, quando ninguém sabe dizer qual versão do prompt está rodando, quanto custa cada resposta ou por que o agente começou a responder diferente numa terça-feira qualquer.

Aqui entram dois assuntos que muita gente separa: o LLMOps, que parece coisa de tecnologia, e a governança de IA, que parece coisa de compliance. Na prática, um depende do outro. A governança diz o que precisa ser verdade. O LLMOps faz isso continuar verdadeiro depois que o agente entra em produção.

O que é LLMOps

LLMOps é o conjunto de práticas que mantém um sistema de IA funcionando bem depois do lançamento. Em software tradicional, o mesmo código dá a mesma resposta. Com IA, nem sempre: o resultado depende do prompt, dos documentos consultados e de um modelo que o fornecedor pode atualizar. Por isso é preciso versionar, testar a cada mudança e medir o custo de cada execução.

Governança sem operação vira só mais um documento

O 18º State of Agile Report mostra o buraco: 61% dos respondentes dizem estar preparados para adotar IA com responsabilidade, mas só 49% têm diretrizes claras de uso. A amostra é pequena e autodeclarada, então vale como sinal.

O motivo é simples: a política é escrita uma vez, e o sistema muda toda semana, com prompt novo, modelo novo e fonte de dados nova. Sem um processo que confira a política a cada mudança, ela envelhece sozinha.

Cinco controles que tiram a governança do papel

1. Inventário. Todo agente em produção tem um responsável, uma finalidade e a lista de dados que acessa.
2. Avaliação. Um conjunto de casos reais roda a cada troca de prompt ou de modelo. Se a nota cai, a mudança não sobe.
3. Telemetria. Sem medir custo e erro por tarefa, o agente não vai para produção.
4. Revisão proporcional ao risco. A IA acelera a escrita e a fila de revisão vira o gargalo. A Faros AI (2025) aponta alta de 98% nos pull requests e de 91% no tempo de revisão em equipes com adoção alta de IA. O olhar sênior vai para onde o erro custa caro, e a automação cuida do resto.
5. Rastro e botão de emergência. Registro de quem decidiu o quê e um jeito rápido de desligar o agente ou voltar à versão anterior.

Regulação: a data mudou, o dever de casa ficou

No EU AI Act, as obrigações para sistemas de alto risco, como recrutamento e crédito, valeriam a partir de 2 de agosto de 2026. Uma revisão do regulamento, em vigor desde 27 de julho de 2026, adiou esse prazo para 2 de dezembro de 2027 (NatLawReview). A data mudou, mas o que se espera continua igual: monitoramento, registros auditáveis e supervisão humana. Quem já tem LLMOps chega a qualquer prazo com o trabalho feito.

Quem responde por isso

Um desenho comum é o de núcleo e pontas. Um grupo central cuida da plataforma, da segurança e do monitoramento. As equipes de negócio configuram o que precisam, sem esperar fila.

Foi essa a lógica quando criei o repositório corporativo de agentes de IA em uma empresa de varejo digital. Isso era uma espécie de marketplace de GEMs e Skills para o dia a dia de times de engenharia e de produto. Em vez de cada pessoa montar o seu assistente do zero, o time encontra o que já existe, reaproveita e melhora.

Antes de aprovar mais um agente, faça três perguntas: quem é o dono, como ele é avaliado e quanto custa por tarefa. Se as três têm resposta, a governança está funcionando. Se alguma falta, ainda é só um piloto.

Um agente em produção vira um serviço, com dono, histórico e conta no fim do mês. Quem trata assim desde o começo chega à auditoria com as respostas na mão.

Fontes

• 18th State of Agile Report, Digital.ai, 2025 (349 respondentes, jul-ago/2025)
• The AI Productivity Paradox Report 2025, Faros AI (mais de 10 mil desenvolvedores, 1.255 equipes)
• EU Digital Omnibus on AI enters into force, NatLawReview