Governança de IA fica real quando o controle gera evidência. O ADG 2.0 do EC-Council chega a 180 controles

A maioria dos documentos de governança de IA diz as coisas certas: manter supervisão humana, monitorar vieses, manter um inventário. Poucos dizem o que prova que algo disso aconteceu. O fundador do EC-Council, Jay Bavisi, foi direto ao lançar o ADG 2.0, em 1º de outubro: “A maior parte da governança de IA hoje é um documento de política que ninguém testa.”

O framework é um entre muitos. O que faz valer a leitura é a forma como ele foi montado.

O que o ADG 2.0 traz

ADG significa Adopt, Defend, Govern. A versão 2.0 troca os 12 controles mínimos originais por mais de 180 controles em 12 famílias, mapeados para mais de 90 regulações, normas e frameworks, entre eles o NIST AI RMF, a ISO/IEC 42001, o AI Act europeu, o MITRE ATT&CK e o ATLAS, e as listas OWASP Top 10 para aplicações com LLM e para sistemas agênticos.

Duas escolhas de desenho se destacam:

• Cada controle especifica a evidência que exige, para que ela seja coletada enquanto o sistema roda, e não reconstruída quando o auditor chega.
• A revisão humana é ligada a níveis de autonomia. O framework usa três níveis (Assistive, Conditional, Autonomous) e define limites de revisão em quatro pontos operacionais que chama de ADMIT, DECIDE, EMIT e COMMIT.

O framework e uma ferramenta de autoavaliação são gratuitos, sem cadastro. O EC-Council também oferece os mapeamentos sem custo a governos, reguladores e organismos de normalização.

Política, controle, evidência

A ideia útil é uma escada que qualquer programa de governança pode aplicar, seja qual for o framework adotado:

1. Declaração de política
2. Controle técnico
3. Evidência gerada na operação
4. Checagem independente da evidência

O que pretendemosO que o sistema garante

Pegue “supervisão humana em decisões de alto impacto”. Como política, é uma frase. Como controle, é uma etapa de aprovação que o fluxo não consegue pular. Como evidência, é o registro de quem aprovou, o que viu, quanto tempo levou e com que frequência discordou do agente. Só a última sobrevive a uma auditoria, e só a última diz se a supervisão é real. É a lacuna que apontamos na análise do estudo da IBM sobre supervisão humana: uma revisão que ninguém consegue contestar não é controle.

A evidência que um agente em produção deveria gerar

Para qualquer agente com permissões reais, a pergunta para cada controle é a mesma: que artefato prova que isso aconteceu? Um mínimo prático:

• Responsável e sponsor do agente, com datas de atribuição.
• Modelo e versão, e a versão das instruções.
• Identidade com que o agente roda e as permissões concedidas.
• Contexto recuperado em cada decisão, ao menos como referência.
• Ferramentas chamadas, com parâmetros e resultados.
• Aprovações pedidas e concedidas, e por quem.
• Ações executadas em outros sistemas.
• Resultados de avaliação da versão em produção, com a data em que rodaram.
• Exceções e substituições manuais, com o motivo.

Quase tudo isso é engenharia de telemetria, não redação de política. Há sobreposição com o que as ferramentas de observabilidade capturam, como na análise sobre observabilidade de agentes além do uptime, mas o propósito é outro: observabilidade pergunta se o sistema funciona; evidência pergunta se o sistema fez o que a governança disse que faria. Desenhe o esquema com o time de compliance na sala, antes do go-live. Evidência montada depois transforma auditoria em arqueologia.

Os níveis de autonomia do ADG também conversam com o framework para conquistar autonomia de agentes uma ação por vez: a exigência de revisão deve depender do que o agente pode fazer, e é a evidência que faz uma classe de ação subir de nível.

O que um mapeamento não é

Mapear um controle para o AI Act europeu ou para a ISO/IEC 42001 diz a qual requisito o controle se relaciona. Não quer dizer que implementar o controle cumpre o requisito. Regulações têm condições de escopo, deveres de documentação e procedimentos próprios que uma lista de controles não resolve. Use mapeamentos para achar lacunas e evitar trabalho duplicado entre frameworks; use o jurídico e a auditoria para decidir o que é conformidade.

No Brasil, isso tem uma vantagem de tempo. O PL 2338/2023, aprovado no Senado em dezembro de 2024, segue em análise na Câmara, e a versão aprovada prevê avaliação de impacto algorítmico para sistemas de alto risco. Seja qual for o texto final, quem já gera evidência operacional dos controles vai precisar de muito menos esforço para se adequar do que quem só tem política escrita. A LGPD, que já está em vigor, pede o mesmo tipo de prova: registro das operações de tratamento e capacidade de explicar decisões automatizadas.

O que fazer agora

1. Escolha os cinco controles de IA mais importantes e escreva, ao lado de cada um, o artefato que prova que ele funcionou.
2. Verifique se esse artefato é gerado automaticamente hoje. Se não for, esse é o backlog de engenharia.
3. Defina um esquema de evidência para agentes com a lista acima e peça a aprovação de compliance.
4. Ligue a exigência de revisão aos níveis de autonomia, e registre aprovações e substituições como evidência.
5. Use mapeamentos para reduzir trabalho duplicado, não como prova de conformidade.
6. Rode a autoavaliação se quiser um checklist externo, e trate o resultado como lista de lacunas.

Em resumo

O ADG 2.0 não vai ser o último framework, e frameworks não são o ponto. O ponto é a mudança que ele representa: governança de IA está virando engenharia de evidência. As empresas que definirem o que seus agentes precisam registrar, antes de colocá-los em produção, vão achar qualquer framework mais fácil de cumprir.