O primeiro relatório do Sandbox Regulatório em Inteligência Artificial da Agência Nacional de Proteção de Dados traz uma mudança importante para empresas brasileiras: governança de IA começa a sair do campo das declarações genéricas e entrar em um processo de teste, documentação e produção de evidências.12
A ANPD acompanha Metatext, Synapse AI e Prevvine Tecnologia em um ambiente experimental, controlado e supervisionado. Os projetos envolvem segurança para agentes e IA generativa, gestão de fluxo de pessoas em transporte ferroviário e um sistema de IA médica. O primeiro ciclo foi preparatório e ainda não testou plenamente as soluções, mas já mostrou quais informações precisam existir antes de uma avaliação séria.
Regulação experimental não é selo de conformidade
O relatório não certifica as empresas participantes nem cria uma aprovação automática para sistemas de IA. A própria ANPD deixa claro que o ciclo inicial foi dedicado à infraestrutura, ao alinhamento metodológico e à preparação das etapas seguintes.2
Essa distinção é importante. Um sandbox regulatório não serve para contornar a Lei Geral de Proteção de Dados. Ele cria um espaço em que regulador, especialistas e empresas conseguem observar o sistema mais de perto, testar hipóteses e identificar lacunas antes que decisões sejam transformadas em regras ou conclusões definitivas.
Para o mercado, o sinal é direto: dizer que uma solução é segura, transparente ou compatível com a LGPD não basta. A organização precisa conseguir demonstrar como chegou a essa afirmação.
Arquitetura e fluxo de dados viram parte da governança
As equipes solicitaram informações claras sobre arquitetura do modelo, fluxo de dados, APIs, componentes de IA e protocolos de segurança. No caso da Synapse, a preparação incluiu VPN, máquina dedicada e horários controlados para circulação dos dados. Na Metatext, a análise se concentra em transparência e na permanência da anonimização de dados não estruturados durante o processamento.2
Esses pontos aproximam governança de IA da engenharia de software. Um inventário de modelos sem diagrama de fluxo, origem dos dados, perfis de acesso, integrações e registros de execução oferece pouca capacidade de auditoria. Quando a solução usa um modelo externo, também é necessário saber o que sai do ambiente da empresa, que informação volta, por quanto tempo fica retida e quais fornecedores participam da operação.
Documentação deixa de ser um arquivo produzido no final do projeto. Ela passa a funcionar como parte do próprio controle: orienta testes, permite comparar versões e ajuda a localizar onde um risco foi introduzido.
Dados sintéticos também exigem protocolo
O primeiro relatório registra a necessidade de melhorar o protocolo de uso de dados sintéticos. Isso corrige uma simplificação comum. Substituir dados reais por dados artificiais pode reduzir exposição, mas não torna o processo automaticamente seguro ou representativo.
É preciso documentar como esses dados foram gerados, que propriedades preservam, que vieses podem carregar e se ainda permitem inferir informações sobre pessoas ou grupos. Em sistemas médicos, financeiros ou de mobilidade, um conjunto sintético mal construído pode proteger identidades e, ao mesmo tempo, distorcer o comportamento que deveria ser avaliado.
Anonimização também precisa ser verificada ao longo do fluxo, não apenas na entrada. Um sistema pode receber um conjunto aparentemente anonimizado e combinar campos, contexto ou dados externos de maneira que aumente o risco de reidentificação. O relatório trata esse acompanhamento como questão técnica e regulatória, não como uma etiqueta aplicada ao dataset.
Evidência precisa sobreviver à demonstração
O HarpIA, ambiente de avaliação usado com apoio da USP, foi estruturado para guardar prompts, respostas, contexto, decisões por turno e metadados de execução. A proposta é produzir avaliações rastreáveis, comparáveis e humanamente inspecionáveis.2
Esse desenho oferece uma referência prática mesmo para empresas que não participam do sandbox. Um projeto de IA precisa registrar versão do modelo, configuração, fonte de conhecimento, ferramentas autorizadas, conjunto de testes, resultado esperado, resultado observado e decisão humana. Sem isso, uma boa demonstração não se transforma em evidência de comportamento consistente.
Também é necessário preservar revisão e contestação. Se a IA recomenda, classifica ou responde em um processo relevante, a organização precisa saber quem pode revisar a saída, como um erro é corrigido e que registro fica disponível para investigação posterior.
O que empresas podem adotar agora
O relatório parcial não oferece uma lista universal de conformidade, mas permite extrair um roteiro de preparação. Antes de ampliar um sistema de IA, a empresa deve mapear finalidade e base de uso dos dados, documentar arquitetura e fornecedores, limitar acessos, separar ambientes de teste, definir métricas, guardar evidências e estabelecer responsáveis por revisão e incidente.
O aprendizado mais valioso do sandbox está no método. Governança confiável não nasce de uma política isolada nem de uma promessa do fornecedor. Ela depende de documentação que corresponde ao sistema real, testes reproduzíveis e capacidade de provar como dados, modelos e pessoas participam de cada decisão.
- ANPD, "Publicados primeiros resultados do Sandbox Regulatório em Inteligência Artificial", 2 jul. 2026. ↩
- ANPD, "1º Relatório Parcial de Monitoramento — Fase de Teste, Ciclo 1", jul. 2026. ↩