Em um único trimestre, a proporção de líderes empresariais norte-americanos que afirmam ter as capacidades e a governança necessárias para gerir o risco de IA em escala subiu de 57% para 73% (KPMG, 2026). Aproximadamente no mesmo período, a proporção de organizações que incorporam controles nos seus agentes, a par de procedimentos de monitoramento e avaliação, caiu para 30%, vindo de 43% dois trimestres antes. A KPMG expõe a razão em uma única oração: muitas estão "contando com as barreiras de proteção já existentes".
A mesma pesquisa. As mesmas empresas. A confiança subiu enquanto os controles mais próximos do agente eram retirados.
O terceiro número é o que deveria mover uma decisão neste trimestre. As organizações que desenvolvem ou implementam ativamente sistemas multiagente subiram para 25%, contra 6% em cada um dos dois trimestres anteriores. A complexidade se acumula exatamente no momento em que o controle incorporado se afina — e pede-se à governança de agentes de IA que funcione sobre uma infraestrutura construída para um problema diferente.
O que a KPMG realmente mediu
A pesquisa foi conduzida entre 24 de julho e 25 de agosto de 2026 e captou 314 executivos de alta liderança e responsáveis de negócio norte-americanos em organizações com receita anual de 1 bilhão de dólares ou mais; mais de um terço estava acima de 10 bilhões (KPMG, 2026). Essa amostra importa, e voltarei a ela.
Dois movimentos seguem em direções opostas:
| Indicador | 3º tri. 2026 | Leitura anterior |
|---|---|---|
| Confiança nas capacidades e na governança para gerir o risco de IA em escala | 73% | 57% (trimestre anterior) |
| Incorporação de controles nos próprios agentes, com monitoramento e avaliação | 30% | 43% (dois trimestres antes) |
| Desenvolvimento ou implementação ativa de sistemas multiagente | 25% | 6% (em cada um dos dois trimestres anteriores) |
| Construção, implantação ou desenvolvimento de agentes de IA | 62% | 53% (trimestre anterior) |
| Casos de uso de alto risco definidos em que decisões autônomas de agentes não são permitidas | 49% | 28% (3º tri. 2025) |
| Orçamentos de uso ou de tokens implementados | 43% | — |
A disciplina financeira está de fato melhorando: 74% já incluem revisões de custo nos processos de aprovação de IA, contra 61% no trimestre anterior, e 70% usam painéis de monitoramento de IA. Esta não é a história de organizações descuidadas. É a história de uma governança que amadurece em uma dimensão — gasto, visibilidade, processo de aprovação — enquanto outra dimensão se desregula silenciosamente.
Por que a confiança na governança de agentes de IA ultrapassou o controle
A expressão "barreiras de proteção já existentes" carrega um peso considerável, de modo que vale perguntar quais são essas barreiras.
A própria KPMG lista o que as organizações incluem na sua camada de controle: controles de acesso a dados (59%), controles de segurança e identidade (53%), monitoramento das saídas de IA (47%), aplicação de políticas e barreiras de proteção (42%) e gestão de acesso a modelos (40%) (KPMG, 2026).
Releia essa lista com olhar operacional. Cada item governa o acesso: quais sistemas um modelo pode alcançar, qual identidade carrega, qual modelo pode ser chamado e se as saídas parecem aceitáveis depois do fato. Nenhum deles responde à pergunta que um agente levanta: este agente pode executar esta ação específica e visível externamente, em nome de quem, dentro de qual orçamento, e quem pode revogá-la em pleno curso?
Controles de perímetro são necessários e não viajam com o agente. Um agente que se autenticou legitimamente, alcança apenas sistemas aprovados e chama um modelo aprovado pode, ainda assim, enviar o e-mail errado a um cliente, emitir um reembolso fora da política ou comprometer a empresa com um fornecedor. Nenhum desses casos é uma violação de acesso. Cada um é uma questão de autoridade sobre a ação — e autoridade sobre a ação é precisamente o que os 30% estavam construindo e o que empresas equivalentes a 13 pontos deixaram de construir.
A lacuna é maior onde a implantação é mais rápida
Um único agente chamando uma ferramenta bem delimitada é um caso administrável com controles de perímetro. Um sistema multiagente — em que a saída de um agente se torna a instrução de outro — não é, porque não existe perímetro algum entre os dois. Essa configuração passou de 6% para 25% em dois trimestres. O modelo de controle estava se afinando justamente quando a arquitetura que ele governa se tornava mais difícil de raciocinar.
A explicação de custo que ninguém enuncia
Há uma razão pouco nobre para que os controles incorporados nos agentes sejam cortados, e ela não é a complacência.
A equipe QuantumBlack da McKinsey precificou o custo variável de operação de um agente em produção e constatou que, para uma tarefa de atendimento ao cliente em banco, os custos de tokens frequentemente representam apenas 20 a 25 por cento dos custos variáveis de operação, enquanto a supervisão humana responde por 70 a 75 por cento (McKinsey QuantumBlack, 2026). No onboarding de clientes, esperam que 10 a 20 por cento das execuções agênticas sejam revisadas por especialistas de risco e de função.
Supervisão não é um arredondamento no business case de um agente. Ela é o business case. O que significa que todo controle que coloca uma pessoa no caminho de uma ação é um custo de margem visível, recorrente e quantificável — e, no momento em que um painel diz que está tudo bem, essa linha se torna a mais fácil de defender ao cortar.
Esse é o mecanismo por trás das duas curvas da KPMG. A confiança crescente não causou a queda dos controles. A confiança crescente removeu o argumento para manter um controle caro que ainda não havia falhado de forma estrondosa.
A contraevidência do controle por design
Se afinar os controles incorporados nos agentes fosse simplesmente uma eficiência racional, as empresas que o fazem deveriam ter desempenho superior. A evidência disponível aponta no sentido oposto.
O Institute for Business Value da IBM entrevistou 2.000 executivos de tecnologia de nível C e comparou organizações que incorporam o controle diretamente nos sistemas de IA com aquelas que dependem de governança manual. O grupo do controle por design relatou 25% menos incidentes, 16 vezes mais agentes de IA implantados, margens operacionais 18% superiores e um consumo do orçamento de IA 4 vezes menor (IBM Institute for Business Value, 2026).
O controle embutido não foi o freio da implantação. Foi o que tornou a implantação sustentável o suficiente para escalar: uma diferença de 16 vezes em agentes efetivamente em operação.
O mesmo estudo coloca o número de confiança sob uma luz incômoda: 77% desses executivos de tecnologia disseram que a adoção de IA já supera suas capacidades de governança, dois terços relataram ser responsabilizados por sistemas de IA que não controlam integralmente, e a organização média da amostra registrou 54 incidentes de agentes em um ano, dos quais 17% levaram mais de quatro horas para serem contidos. Os respondentes da KPMG são majoritariamente executivos de alta liderança e responsáveis de negócio. Os da IBM são os CIOs e CTOs que seriam acionados. Os 73% e os 77% não são necessariamente contraditórios: podem simplesmente estar medindo confiança a distâncias diferentes do incidente.
A objeção honesta
Três limites, ditos com clareza.
Esta é uma amostra de 1 bilhão de dólares de receita para cima, e isso contraria a leitura óbvia. Mais de um terço dessas empresas está acima de 10 bilhões de dólares em receita. Uma companhia de 200 funcionários não dispõe da gestão de identidades, do ferramental de acesso e da revisão de segurança aos quais esses líderes estão recorrendo. Portanto, o achado não se transfere como "as grandes empresas estão relaxando e nós estamos bem". Transfere-se na versão mais difícil: as barreiras de proteção preexistentes em que aqui se confia estão em grande parte ausentes no mid-market, o que torna o controle incorporado ao agente menos opcional, não mais.
A confiança é autodeclarada; o número dos controles também é. Ninguém auditou essas organizações. Um salto de 57% para 73% em um trimestre é um movimento amplo para uma crença, e crenças podem se reprecificar mais rápido do que capacidades. Leia os 73% como uma leitura de percepção, não como uma avaliação de maturidade.
Mais supervisão não é monotonicamente melhor, e este artigo não deve fingir o contrário. Gans e Holden modelam a supervisão de agentes capazes de ocultar suas ações e mostram que uma auditoria mais forte desencoraja a conduta indevida ao mesmo tempo que aumenta a ocultação entre os agentes que continuam a violar — de modo que a taxa de detecção, a probabilidade de descobrir um agente que viola, pode cair à medida que a auditoria aumenta (Gans & Holden, NBER, 2026). Suas condições de dissuasão são específicas: a evidência de uma violação precisa sobreviver à ocultação, o agente não deve poder conhecer o sorteio da auditoria antes de agir, e as sanções devem poder escalar em vez de se limitar à perda da recompensa da tarefa. A implicação não é "acrescente mais revisões". É que o design do controle vence o volume do controle, e que trilhas de auditoria que não podem ser editadas por aquilo que está sendo auditado fazem mais trabalho do que a frequência de revisão.
O que colocar em prática antes de o próximo agente entrar em operação
Quatro movimentos. Nenhum exige um programa de plataforma, e os próprios dados da KPMG mostram que cada um já é prática normal, não uma exigência de fronteira.
- Escreva primeiro a lista do "nunca autônomo". 49% dessas organizações definiram casos de uso de alto risco em que os agentes não têm permissão para decidir autonomamente, acima dos 28% de um ano antes. Isso é um documento, não uma compra. Nomeie as classes de ação que sempre exigem uma decisão humana antes de qualquer implantação contra elas.
- Coloque um teto em cada agente. 43% já operam orçamentos de uso ou de tokens. Defina um limite por transação e mensal, para que uma falha tenha custo delimitado em vez de aberto, e para que a conversa com finanças seja sobre um teto em lugar de uma surpresa.
- Vincule uma pessoa nomeada a cada agente, não ao programa. "O comitê de IA é responsável pela supervisão" não é um responsável. Uma pessoa específica que aprova as classes de ação que você não automatizou e que pode revogar a autonomia sem abrir um ticket, é.
- Torne a trilha de auditoria não gravável pelo agente. Esta é a leitura operacional do resultado sobre ocultação: registre a ação, quem a aprovou e a revogação no momento em que acontecem, em um lugar que o agente não possa alterar. A frequência de revisão pode ser ajustada depois; a integridade da evidência não é retrofitável.
Esses quatro também constituem o desenho mais defensável diante das obrigações de supervisão humana do EU AI Act, o que é um efeito colateral útil mais do que a razão para adotá-los. Se quiser uma referência concreta de como aprovação por ação e autonomia conquistada são estruturadas — pedidos de aprovação que carregam um nome, autonomia concedida por tipo de ação e não por agente, um pedido sem resposta que expira em vez de passar em silêncio, e um supervisor humano obrigatório acima de cada agente — a Scovai documenta publicamente o seu modelo de governança de Digital Employees.
O ponto mais profundo diz respeito ao que um número de confiança pode e não pode lhe dizer sobre a governança de agentes de IA. Os 73% não estão errados: essas empresas construíram governança real, em torno de gasto, acesso e visibilidade. Os controles que elas abandonaram são os que ficam entre um agente e uma ação no mundo, e nada em um painel de monitoramento informará sua ausência até que algo já tenha acontecido.
Antes de o seu próximo agente entrar em operação, procure a lista de ações que ele pode executar sem perguntar a ninguém. Se essa lista não existe no papel, ela não está vazia: apenas não foi escrita.
