Agente de IA e LGPD: o que exigir antes de ir para produção.

Projeto de agente de IA costuma travar na mesma porta: a revisão de segurança e privacidade. E trava tarde, com o piloto pronto e a data de lançamento marcada, porque a conversa sobre LGPD só começou depois que a demonstração funcionou.

A boa notícia é que a lista de pontos a resolver é curta e conhecida. A Lei 13.709/2018 não trata de inteligência artificial em separado: ela trata de tratamento de dado pessoal, e um agente é mais um agente de tratamento. O que muda é onde a exposição aparece. Este texto mapeia os cinco lugares e o controle que resolve cada um.

Isto é um guia de engenharia e de decisão de compra, não parecer jurídico. Base legal, finalidade e avaliação de risco do seu caso são análise do seu jurídico e do seu encarregado de dados.

Os cinco pontos de exposição

1. O que entra no prompt

Para responder sobre um pedido, o agente precisa do pedido. Na prática, o time monta o contexto com o registro inteiro do cliente, porque é mais simples do que escolher campo a campo. CPF, endereço, telefone e histórico saem do seu banco e vão para o provedor do modelo, muitas vezes sem que ninguém tenha decidido isso explicitamente.

É o ponto que mais aparece em auditoria, e é o de correção mais barata: o princípio de necessidade (art. 6) pede o mínimo, e na maior parte dos casos o modelo não precisa do identificador para redigir a resposta. Precisa do saldo, da data e do status.

2. Retenção pelo provedor do modelo

O que acontece com o texto depois que ele chega ao provedor depende de contrato e de configuração, não de reputação. As perguntas que precisam de resposta escrita: o conteúdo é retido, por quanto tempo, quem acessa e ele é usado para treinar modelo. Contratos corporativos costumam permitir retenção zero, mas isso raramente é o padrão de uma conta aberta com cartão de crédito.

3. Transferência internacional

A maior parte dos modelos de ponta é processada fora do Brasil, e transferência internacional de dado pessoal tem regime próprio na LGPD (art. 33). Não é proibida, é condicionada, e a condição precisa estar documentada antes e não depois. Vale mapear a região de processamento de cada provedor que o agente usa, incluindo os de apoio, como transcrição e busca vetorial.

4. Decisão automatizada

Este é o ponto específico de agente, e o mais esquecido. O art. 20 dá ao titular o direito de solicitar revisão de decisão tomada unicamente com base em tratamento automatizado que afete seus interesses. Um agente que aprova, nega, classifica risco ou define condição comercial está exatamente nesse território.

Duas consequências práticas: precisa existir um caminho de revisão humana acessível ao titular, e precisa ser possível reconstruir a decisão. "O modelo decidiu" não é resposta.

5. O log vira banco de dados pessoais

Para operar agente com responsabilidade você precisa registrar entrada, saída, ferramentas chamadas e decisões. Esse registro contém dado pessoal e é, ele próprio, tratamento: entra no inventário, tem prazo de retenção, controle de acesso e precisa ser alcançado quando o titular pede eliminação (art. 18).

É o ponto que mais pega times bem-intencionados. A observabilidade que existe para dar segurança à operação cria, sem aviso, uma segunda base de dados pessoais que ninguém inventariou.

Os controles que resolvem

Sobre o primeiro: sanitizar não é apagar tudo. Um agente que recebe "cliente com fatura de R$ 3.480 vencida há 12 dias, plano Empresarial" responde tão bem quanto um que recebe nome, CPF e endereço completo, e a exposição cai para perto de zero. A pergunta que orienta o corte é sempre a mesma: esse campo muda a resposta?

O checklist antes do go-live

Leve esta lista para a revisão interna. Ela costuma antecipar em semanas a conversa que travaria o lançamento.

1. Finalidade e base legal definidas por caso de uso, e não para "o projeto de IA" como um todo.
2. Inventário dos campos que efetivamente saem do seu ambiente e vão para o modelo, com a justificativa de cada um.
3. Contrato de cada provedor com a política de retenção e de treinamento por escrito.
4. Mapa de transferência internacional, incluindo os provedores de apoio.
5. Caminho de revisão humana para decisão que afeta o titular, documentado e acessível.
6. Trilha auditável com prazo de retenção definido e acesso restrito.
7. Procedimento de atendimento aos direitos do titular que alcance o histórico do agente, e não apenas o banco principal.
8. Plano de resposta a incidente que contemple resposta indevida do agente, e não só vazamento de banco.
9. Encarregado ciente e envolvido, antes do piloto e não depois.

Três erros que custam caro

1. Tratar o piloto como fora do escopo. Piloto com dado real de cliente é tratamento de dado pessoal, com as mesmas obrigações. "É só um teste" não é categoria jurídica.
2. Confundir criptografia com conformidade. Trânsito e repouso protegidos não respondem finalidade, base legal, retenção nem direito de revisão. São necessários e não são suficientes.
3. Deixar governança para a segunda fase. Refazer arquitetura sob auditoria custa muito mais do que construir com o controle desde o começo, e costuma chegar junto com a pressão de prazo.

O que perguntar a qualquer fornecedor

• O dado é isolado por cliente, ponta a ponta? Como isso é garantido?
• Vocês treinam modelo com o dado dos clientes? Isso está no contrato?
• Consigo escolher o provedor de modelo e a região de processamento, ou usar modelo próprio na minha infraestrutura?
• Existe sanitização de dado sensível antes de a informação chegar ao modelo?
• Consigo exigir aprovação humana por tipo de ação, e não só globalmente?
• A trilha registra qual ferramenta foi chamada com qual parâmetro, e é reproduzível?
• Consigo eliminar o histórico de um titular específico sem apagar a base inteira?

Fornecedor que responde as sete por escrito passou pela conversa de conformidade antes. Fornecedor que responde "somos aderentes à LGPD" não respondeu nenhuma.

Como a Runflow trata isso

A plataforma foi construída com esses controles como parte do produto, e não como configuração opcional: isolamento de dado por cliente ponta a ponta, sanitização de dados sensíveis antes de chegar ao modelo, aprovação humana onde o risco exige e trilha auditável de cada execução, decisão e chamada de ferramenta, reproduzível para auditoria.

A Runflow não treina modelos com o seu dado, e você decide por onde ele passa: provedores sem retenção, ou modelo próprio na sua infraestrutura. A plataforma roda gerenciada por nós ou na sua nuvem (AWS, Azure ou GCP), com as suas chaves e os seus ambientes, quando a régua do seu setor exige que o dado não saia de casa.