Como mapear e governar os agentes de IA da empresa

Antes de governar os agentes de IA da sua empresa, você precisa de uma resposta simples para uma pergunta difícil: quais existem, o que cada um consome e como provar de onde veio uma resposta. Esse mapa tem um nome de mercado, inventário de agentes de IA (ou AI inventory), mas o que importa não é o rótulo. É o que ele registra.

Pense nele como o catálogo vivo dos agentes que sua empresa já opera, somado às fontes que cada um usa, às permissões aplicadas e à evidência de cada resposta. Não é uma planilha de compliance para passar na auditoria. É o primeiro artefato de controle que decide se você consegue escalar IA sem perder a noção de quem responde o quê, com qual fonte e sob qual alçada.

Se você é CISO, Head de Segurança ou responsável por governança de IA, a cena já chegou. Áreas de negócio ligam copilots ao CRM, apontam assistentes para a pasta de políticas no SharePoint, deixam automações respondendo tickets. E quando segurança, jurídico ou o comitê de IA pergunta quantos agentes existem, que dados cada um toca e como rastrear uma resposta, ninguém responde sem improviso.

A maioria dos times tenta resolver isso com uma lista: nome, dono, runtime. Em poucas semanas, vira documento morto. Este texto mostra por que isso acontece e como montar um catálogo que se mantém fiel à realidade, porque registra a coisa certa.

O que esse catálogo realmente registra

Um catálogo de agentes útil tem três camadas ligadas: os agentes em operação, o contexto que cada um consome e a evidência de como cada resposta foi produzida. É o que separa um registro operacional de uma simples lista de bots.

A lista de bots responde “quantos agentes temos e quem é o dono”. Útil, mas raso. Ela não diz quais fontes o agente comercial pode usar, se essas bases estão aprovadas ou ainda em rascunho, qual o alcance da chave que ele carrega, nem como reconstruir uma resposta específica meses depois.

O catálogo operacional responde a tudo isso porque trata o agente como ponta de uma cadeia. Ele não é confiável por si: herda a confiabilidade das fontes que consome e do escopo que recebe. Por isso o registro precisa cobrir a cadeia inteira, não só a casca visível.

A diferença fica clara num exemplo. Saber que existe um “Assistente de Vendas, dono João, roda em LangGraph” não ajuda numa auditoria. Saber que ele consome só as coleções de playbooks e materiais técnicos aprovados, que não enxerga contratos jurídicos, e que cada resposta dele deixa trilha com fonte e versão, é o que destrava a aprovação de produção.

Por que a planilha de agentes envelhece tão rápido

A planilha falha porque cataloga a parte que quase não muda e ignora a parte que muda toda hora. O agente em si é estável: nome, finalidade e runtime mudam pouco depois de definidos. O que vive em movimento é o contexto que ele consome.

Uma política de RH ganha nova versão. Um contrato é substituído. Um procedimento operacional fica obsoleto e ninguém remove. Uma base que estava em rascunho é aprovada, ou o contrário. O alcance de uma chave é ampliado “só para testar” e nunca volta. Nada disso aparece numa lista de agentes, e tudo isso altera o que o agente responde.

O resultado é uma armadilha conhecida. O documento foi montado com capricho, validado numa reunião, e duas semanas depois já não reflete a operação. Pior: dá uma falsa sensação de controle, porque existe um arquivo, mesmo que ele aponte para bases que já mudaram de status ou de versão.

Há ainda a aprovação informal. Alguém decidiu, num chat, que aquele acervo “pode usar”. Não houve ciclo de rascunho para oficial, não há responsável que responda por ele, não há registro de quando passou a valer. Um catálogo estático não captura essa informalidade, e é exatamente nela que mora o risco.

Daí a tese central deste texto: catalogar o agente sem mapear o contexto, o status das fontes e a trilha das respostas é registrar só a fachada. O movimento está no contexto.

O que um bom catálogo precisa responder

Um catálogo maduro responde, sem improviso, às perguntas que segurança, jurídico e auditoria fazem quando o projeto se aproxima da produção. São perguntas concretas que hoje a maioria das empresas trava ao tentar responder.

• Quais fontes este agente pode usar? Não as que ele tecnicamente alcança, mas as que foram autorizadas para a finalidade dele.
• O que está aprovado e o que ainda é rascunho? A base que alimenta a resposta separa material curado de material bruto, ou mistura tudo?
• Quem é o owner de cada fonte? Existe um responsável por manter, aprovar e depreciar aquele acervo, ou ele é órfão?
• Como provar de onde veio uma resposta? Dá para reconstruir a interação com fonte, versão, escopo e evidência, ou a prova depende da memória de alguém?
• Quais lacunas existem antes de produção? Onde o agente recusa por falta de fonte aprovada, onde o conteúdo está vencido, onde o acesso está amplo demais?

Repare que nenhuma dessas perguntas é sobre o modelo de IA. Todas tratam do contexto que o agente consome e da capacidade de prestar contas. É aí que o catálogo vira a fundação de um programa de governança de agentes de IA, e não um anexo burocrático.

As três camadas: agente, contexto, evidência

O catálogo vira controle real quando registra três coisas juntas, não uma. Esse enquadramento é o que diferencia uma ferramenta de governança de uma planilha decorativa.

A camada do agente (agent registry)

A primeira camada registra os agentes em operação. Para cada um: finalidade, owner, runtime, escopo autorizado e status (em piloto, em produção, depreciado). É a camada que a maioria já tenta cobrir, e é o ponto de partida correto.

O cuidado é não parar nela. Sozinho, o registro de agentes diz “o que temos”, mas não “o que cada um vê e prova”. Ele precisa apontar para a próxima camada.

A camada das fontes (context registry)

A segunda camada registra o contexto que esses agentes consomem: bases de conhecimento, coleções, versões e, principalmente, o status de aprovação no ciclo de rascunho para oficial. É aqui que entram o frescor de cada fonte, quando foi revisada pela última vez, e quem responde por ela.

Esta é a camada que a lista de bots ignora, e por isso a faz envelhecer. Ligar cada agente às bases que ele realmente usa, com versão e status, é o que mantém o catálogo fiel à operação ao longo do tempo.

A camada da evidência

A terceira camada registra como cada resposta foi produzida: a pergunta, o contexto recuperado, as fontes citadas, a versão e o escopo aplicados e a resposta entregue, tudo amarrado a um identificador de interação. Essa trilha é o que torna o catálogo exportável para um auditor, um comitê ou a diretoria.

Com as três camadas convivendo, o registro deixa de ser uma descrição e passa a funcionar como prova. A auditoria, nesse desenho, vira consequência da arquitetura em vez de um esforço posterior, e isso conecta o catálogo diretamente à disciplina de auditoria de IA.

Passo a passo para montar o seu

Construir esse catálogo é um trabalho de descoberta seguido de estruturação. O roteiro abaixo é pragmático e cabe num primeiro recorte, sem virar projeto de dois anos.

1. Mapeie os agentes em uso, inclusive o shadow AI. Comece pelo que está oficial e procure o que nasceu na sombra: o assistente que o comercial ligou ao CRM, a automação de tickets, o copilot apontado para o Drive. O que você não lista, não governa.
2. Liste e classifique as fontes de cada agente. Para cada um, registre as bases que ele consome e marque o status: aprovado, rascunho ou obsoleto. Aqui você costuma descobrir conteúdo em conflito e versões duplicadas.
3. Atribua owner e escopo. Cada fonte ganha um responsável por curadoria; cada agente ganha uma alçada explícita. Acesso amplo “por precaução” é justamente o que faz segurança e jurídico travarem a produção.
4. Defina a trilha de cada resposta. Decida o registro mínimo que deixa a interação reconstruível depois. Sem essa trilha, não há como comprovar nada.
5. Mantenha vivo. Estabeleça uma cadência de revisão de status, frescor e owner. O catálogo é dinâmico; tratá-lo como foto fixa é o que o mata.

O ganho desse roteiro é que o recorte mínimo já serve, ao mesmo tempo, como catálogo inicial e como prova de governança. Pequeno o bastante para sair em semanas, completo o bastante para destravar a primeira aprovação. É o mesmo princípio que sustenta o esforço de controlar fontes, permissões e escopo em agentes de IA.

A ligação com ISO/IEC 42001 e LGPD

Esse catálogo é um dos pré-requisitos práticos da jornada de adequação às boas práticas de gestão de IA. Inventário de IA, gestão de risco, qualidade de dados, rastreabilidade e monitoramento são pilares dessas práticas, e o catálogo alimenta cada um deles.

Vale a precisão. Ele apoia essa jornada e gera evidências; não garante certificação nem substitui a avaliação formal. A Contextfy não declara certificação ISO/IEC 42001 nem parceria oficial com fornecedores. O que dá para afirmar com honestidade é metodológico: um sistema de gestão de IA alinhado às práticas da ISO 42001 pede o que um catálogo organizado entrega, ou seja, agentes mapeados, fontes com owner, escopo definido e trilha rastreável.

Pelo lado da LGPD, o raciocínio é parecido. Saber quais agentes tocam dado pessoal, sob qual base e com qual evidência é insumo direto para prestar contas. Sem esse mapa, a prova depende de arqueologia; com ele, está pronta quando perguntarem.

Qual é o ganho de negócio

O ganho não está em “organizar seus chatbots”. Está em reduzir o shadow AI, encurtar o retrabalho de auditoria e decidir mais rápido quais agentes vão para produção, com mais deles operando sob controle. Governança, aqui, acelera em vez de travar.

Pense no que de fato segura uma iniciativa de IA. Quase nunca é o modelo. É a impossibilidade de responder, na sala de segurança, o que cada agente acessa e como se comprova. O catálogo responde a isso de forma verificável, e é isso que destrava a assinatura de quem aprova.

Os efeitos se acumulam. O shadow AI diminui, porque o que nasceu na sombra entra no catálogo e ganha owner. A auditoria custa menos, porque a evidência já existe quando o auditor pergunta. A decisão de promover um agente fica mais rápida, porque as lacunas aparecem antes da produção. E a operação ganha escala, porque cada novo agente herda um modelo pronto em vez de recomeçar a discussão de fontes e escopo do zero.

Vale inverter a leitura comum: esse catálogo não é custo defensivo, e sim o que aumenta a probabilidade de uma iniciativa de IA chegar à produção com previsibilidade.

De catálogo estático a operação contínua (ContextOps)

Nada disso se sustenta sem um processo que mantenha o catálogo vivo. As bases envelhecem, são depreciadas, mudam de versão e de escopo. Um registro que não acompanha esse movimento volta a ser a planilha de sempre, só que com mais campos.

Por isso o catálogo pertence a uma operação contínua. Essa rotina, que chamamos de ContextOps, mantém status, frescor e owner em dia, acompanha as lacunas e atualiza a evidência conforme as fontes mudam. O registro deixa de ser uma foto e passa a acompanhar a operação.

Na prática, já há produto sustentando parte disso. Uma fila de aprovação leva cada fonte de rascunho a oficial, o escopo é definido por workspace e coleção, as chaves carregam as coleções permitidas, a recusa por falta de contexto evita a invenção, e cada interação gera um registro de evidência rastreável. Superfícies como o registro de agentes e o cofre de evidências seguem em expansão. O que descrevemos como existente é o que já está no ar; o restante é capacidade em construção, sem overclaim.

Por trás de tudo está a disciplina de tratar contexto como uma camada projetada, o tema central de contexto governado para agentes. Esse catálogo é a porta de entrada dela.

Próximo passo: comece pelo diagnóstico

Você provavelmente já tem mais agentes em operação do que consegue listar de cabeça, e cada um deles consome fontes que talvez ninguém tenha aprovado. Mapear o que existe é o primeiro movimento para sair desse ponto cego.

Um diagnóstico entrega esse ponto de partida: a lista dos agentes em uso, o mapa das fontes que cada um consome, a matriz de permissões, o mapa de lacunas e um roteiro para colocar mais agentes em produção com controle. É assim que governança vira o mecanismo que destrava a operação.

Faça o diagnóstico gratuito e descubra quais agentes, fontes e riscos sua empresa já tem fora de controle.

Marcas citadas pertencem a seus respectivos proprietários. Contextfy é uma camada independente de contexto governado e não declara parceria oficial, certificação ou integração nativa, salvo quando explicitamente informado.