Guardrails e adoção (S)

Este capítulo consolida as regras inegociáveis do modelo (onde a decisão é sempre humana) e propõe um roteiro de adoção para a fábrica que vai operar com IA assistida intensiva.

A IA está a serviço da decisão humana

A regra geral é simples: a IA acelera, propõe, transcreve, gera artefatos. Decisões com impacto regulatório, contratual, arquitetural ou operacional permanecem com humanos competentes.

Esse princípio segue diretamente Supervisão humana obrigatória e Validação em múltiplas camadas.

Pontos de aprovação humana obrigatória

Decisão	Regra
Conformidade	Se a IA sugerir “podemos relaxar LGPD/LAI porque é MVP”, o Encarregado de Dados + Validador Técnico rejeitam. Conformidade vale desde o Day 1.
Requisitos	Se a IA interpretar uma fala de forma ambígua, o Analista valida com o usuário antes de virar requisito. A IA não assume.
Arquitetura	Se a IA propuser microserviços, Kafka ou Kubernetes para um MVP de baixa complexidade, o Arquiteto decide “não, overengineering”.
Código	Toda saída de IA passa por Tech Lead antes do merge. Sem exceção.
Conformidade em código	PRs com violação crítica (segredo hardcoded, ausência de auditoria, dados pessoais expostos) são bloqueados até decisão explícita.
Deploy	Mesmo com checklist 100% verde, o Tech Lead + Gestor do contrato autorizam o deploy. Registro de quem, quando e qual versão.
Rollback e remediação em produção	A IA detecta e sugere; SRE/DevOps/Tech Lead decide e executa. A IA não executa rollback sozinha.
Aceite de UAT	Issues categorizadas pela IA são reclassificadas pelo Validador de Negócio antes de virarem ações.
Decisões automatizadas em produção	Onde houver decisão automatizada com efeito relevante para o cidadão/usuário, deve haver revisão humana proporcional, conforme Conformidade do framework.

Regras de uso de IA por fase

Fase	O que a IA pode fazer	O que a IA não pode fazer
Fase 0	Classificar, pesquisar normas, sugerir stakeholders	Contatar usuário, alterar prioridade institucional
Fase 1	Transcrever, detectar ambiguidades, atualizar wireframes	Aprovar requisitos no lugar do usuário
Fase 2	Detectar gaps, sugerir critérios, gerar matriz de conformidade	Publicar requisitos no backlog sem revisão
Fase 3	Gerar SRS, ADR, diagramas, casos de teste	Aprovar SRS sem revisão de Arquiteto/PO
Fase 4	Propor arquitetura, calcular trade-offs, gerar ADR draft	Decidir stack ou padrão arquitetural
Fase 5	Gerar boilerplate, código, testes, code review	Fazer merge; aprovar PR; alterar regras de pipeline
Fase 6	Gerar testes, calcular cobertura, sugerir gaps	Marcar requisito como “coberto” sem revisão
Fase 7	Mediar UAT, categorizar issues, gerar atas	Decidir aceite final ou severidade contratual
Fase 8	Monitorar, detectar anomalias, sugerir ações	Executar rollback ou correção em produção

Tratamento de dados pessoais com IA

Situação	Ação
Prompts/contexto contendo dados pessoais reais	Evitar. Usar dados sintéticos (Faker) e máscaras quando possível.
Transcrição de reuniões com dados pessoais	Configurar retenção e descarte; verificar base legal do uso
Logs e auditoria de IA em produção	Versionar prompts, decisões e respostas com retenção compatível com LGPD/LAI
Modelos hospedados externamente	Avaliar implicações de transferência internacional de dados (LGPD)
Dados sensíveis	Decisão envolvendo dados sensíveis exige presença obrigatória do Encarregado de Dados

Esta seção complementa o Ponto de Vista PDP e a Conformidade do framework. Em caso de dúvida concreta, consulte o Encarregado de Dados antes de adotar a prática.

Roteiro de adoção do modelo

Semana 0 — Setup do programa

Atividade	Saída
Definir ferramentas (IDE, transcrição, observabilidade)	Lista aprovada com licenças e responsáveis
Treinar o time em uso disciplinado de IA	Workshop + guia de boas práticas internas
Criar templates (histórias BDD, ADR, SRS, ata)	Pasta `/templates/` versionada
Configurar pipelines com hooks de IA (review, conformidade)	Pipelines de referência reutilizáveis
Definir governança de prompts e tools	Política interna publicada e referenciada

Semanas 1+ — Primeira demanda em modelo IA-centric

Atividade	Saída
Aplicar Fase 0 (pré-reunião com IA)	Documento de contexto aprovado
Conduzir Fase 1 com transcrição e wireframes ao vivo	Histórias draft + wireframe v1.0
Refinar requisitos (Fase 2) com matriz de conformidade	Backlog publicado
Medir tempo economizado e desvios	Painel inicial de métricas do programa
Iterar a cada sprint review	Lições aprendidas registradas

Indicadores de sucesso (primeiros 3–6 meses)

Indicador	Sinal de sucesso
Tempo das fases 1–3	Redução de 40–50% em relação ao baseline (sem IA)
Requisitos	100% claros antes do dev (zero “idas e vindas” registradas)
Bugs em produção	Redução de 80% ou mais frente ao baseline
Conformidade	Sem violação aberta nas primeiras 3 auditorias internas
SLA	Atendido na primeira versão estabilizada
Documentação	Sempre sincronizada com o código (auditável a qualquer momento)
Satisfação do time	Medida em retrospectivas; tendência de melhora ao longo das sprints

Síntese final

O Modelo 3 transforma a IA de ferramenta passiva (“dev pergunta, IA responde”) em parceira ativa que:

Antecipa contexto — não espera o pedido para começar a pesquisar.
Participa em tempo real — não opera offline depois do encontro.
Documenta continuamente — não relega documentação para o fim.
Detecta problemas cedo — não espera o bug aparecer em produção.
Respeita supervisão humana — não toma decisões com efeito regulatório, contratual ou operacional.

Para colocar em prática, comece pequeno (uma demanda piloto), meça os ganhos, ajuste os guardrails e expanda. O modelo dá velocidade com responsabilização, não velocidade sem freios.

Anterior: 10 · Ganhos, ferramentas e ROI · Voltar: Visão geral