O ENQUADRAMENTO
EW-AiRM™ (Gestão de Risco de IA a Nível Empresarial) é uma estrutura de governação de IA aberta e de três camadas criada pelo Prof. Markus Krebsz: uma camada Estratégica de seis pilares ao nível do conselho de administração, uma camada Operacional de riscos e controlos baseada no Repositório de Risco de IA do MIT, e uma camada de Resiliência de oito categorias de Cisne Negro de IA, com o filtro ético HAiPECR™ a funcionar nas três. A ERM tradicional foi construída para riscos que se comportam de forma determinística; a IA quebra esse pressuposto. A EW-AiRM™ fecha a lacuna, aumentando o que já utiliza em vez de o substituir.
ARQUITETURA
A maioria dos referenciais de risco de IA escolhe um nível e mantém-se nele: o EW-AiRM™ abrange deliberadamente três camadas, porque as questões estratégicas não podem ser respondidas apenas com ferramentas operacionais, e a camada operacional não consegue antecipar Cisnes Negros. E o HAiPECRTM filtro ético a decorrer por todos eles. Com um Biblioteca de controlos de IA retirada de mais de 800 mitigações baseadas em evidências, e não apenas afirmado a partir de princípios fundamentais.
CAMADA 1
Seis pilares. Necessidade, prontidão, maturidade, tolerância, governança e responsabilidade, através demonitorização ao longo do ciclo de vida. Define as condições que qualquer implementação de IA tem de cumprir antes de entrar em funcionamento.
Pode também ser aplicado retroativamente, como parte da avaliação da maturidade de IA de uma empresa.
Complementado por HAiPECRTM, o filtro ético: as mesmas sete perguntas colocadas em cada decisão significativa de IA, em todas as três camadas, alinhada com a Recomendação de 2021 da UNESCO.
CAMADA 2
MIT AI Risk Repository (CC BY 4.0): mais de 1.000 riscos em 7 domínios e 24 subdomínios.
Mapeado para 831 controlos em 4 quadrantes (Governança e Supervisão, Técnica e de Segurança, Processo Operacional, Transparência e Responsabilidade).
Para mapeamentos de controlos nos níveis Primário, Secundário e Terciário.
Este a camada não exige que as organizações criem uma taxonomia de risco de IA de raiz; fornece aos profissionais a base de evidências e as ferramentas para a aplicar.
CAMADA 3
Oito Categorias de Cisnes Negros de IA -governado, governado através de Fundações Robustas, Deteção Contínua, Resposta Adaptativa.
Inclui a emergência de multiagentes e o transição criptográfica quântica (NIST FIPS 203/204/205).
Para riscos que não se enquadram na taxonomia operacional.
O a resposta a incógnitas desconhecidas é a resiliência, e não a previsão.
CONDIÇÕES DE BASE : Os 5 Aspetos Inegociáveis
1
Responsabilidade nominal atribuída a cada sistema de IA implementado
2
HAIPECR executado como um filtro de pré-implantação, documentado
3
Capacidade de anulação humana testada com um SLA de 4 horas
4
Aceitação de risco documentada pelo conselho de administração ou pela direção
5
Canal de comunicação de incidentes, com destinatário nomeado
CAMADA ESTRATÉGICA
Cada pilar é uma pergunta que a organização deve responder por escrito antes de um sistema poder ser implementado, e uma verificação que deve ser mantida ao longo do ciclo de vida da implementação.
P-I
Alinhamento Estratégico
+ Avaliação de Necessidade
Será que a IA é realmente a ferramenta certa para este problema? Se um sistema determinista resolvesse o problema, a IA seria a resposta errada.
P-II
P-III
Maturidade Tecnológica
O modelo subjacente, o fornecedor e o padrão de integração estão prontos para este caso de uso neste nível de risco?
P-IV
Tolerância ao Risco
O conselho de administração aprovou o risco residual e a tolerância está documentada ao nível adequado de granularidade?
P-V
Governação e Responsabilidade
Quem assume a decisão e quem assume o incidente? Nomeado, não implícito.
P-VI
Monitorização ao Longo do Ciclo de Vida
+ Adaptabilidade
Que alterações desencadeiam uma nova revisão? Quem executa a nova revisão? Qual é o SLA do interruptor de segurança?
ETHICAL OVERLAY
HAIPECR é o filtro ético que opera nas três camadas. Mapeado para a Recomendação da UNESCO de 2021 sobre a Ética da IA (10 princípios centrais, não 9). Listado no Observatório de Políticas de IA da OCDE desde abril de 2023.
Supervisão humana - Responsabilidade nomeada, anulação testada.
Responsabilidade - mapeada para o P5 da UNESCO.
Inclusividade - um pré-requisito integrado,
não é um pilar. (Daí o "i" minúsculo).
Privacidade - Proteção de dados, segurança, proteção.
Ética - Explicabilidade, Transparência, justiça, não-discriminação.
Conduzir - com base no Paradigma Universal de Risco de Conduta (UCRP).
Resiliência - Sustentabilidade, direitos intergeracionais.
MAPEAMENTO DA UNESCO:
H → P7 Supervisão Humana
A → P5 Responsabilidade
i → P4 Governação Multi-parte interessada + P9 Consciencialização e Literacia
P → P3 Privacidade + P2 Segurança & Proteção (+ 2024 UNESCO Neurotecnologia)
E → P6 Transparência e Explicabilidade + P10 Justiça
C → P1 Proporcionalidade / Não Prejudicar
R → P8 Sustentabilidade
UNESCO MAPPING: H → P7 Human Oversight A → P5 Accountability i → P4 Multi-stakeholder Governance + P9 Awareness & Literacy P → P3 Privacy + P2 Safety & Security (+ 2024 UNESCO Neurotech) E → P6 Transparency & Explainability + P10 Fairness C → P1 Proportionality / Do No Harm R → P8 Sustainability
CAMADA DE RESILIÊNCIA
O EW-AiRM identifica oito categorias distintas de Cisne Negro de IA.
Cada um tem características distintas, uma razão distinta para a imprevisibilidade e uma resposta de governança separada.
As categorias não são mutuamente exclusivas: várias categorias podem interagir, amplificando os efeitos umas das outras de formas que tornam o evento combinado mais grave do que qualquer categoria isolada:
Característica:
Os modelos de fundação exibem capacidades inesperadas que não foram explicitamente treinadas ou projetadas no sistema. Estas capacidades emergem das interações complexas de milhares de milhões de parâmetros de formas que não são previsíveis a partir da especificação do modelo.
Porque é imprevisível:
Os modelos têm milhares de milhões de parâmetros; o comportamento emerge de interações complexas de parâmetros que não podem ser totalmente previstas nem pelos engenheiros que construíram o sistema. A capacidade emerge em limiares de escala que são, em si, imprevisíveis.
Resposta de governação:
Limiares de monitorização de capacidades, portas de reimplantação faseada e reavaliação por proprietário designado sempre que um sistema demonstra capacidades fora do seu envelope avaliado. Os manuais de resposta são ensaiados durante a implementação do Nível e detalhados no Capítulo 14 do livro EW-AiRM™.
Característica:
Falha de um elemento central da infraestrutura de IA (mais proeminentemente um grande fornecedor de modelos de fundação, mas também fornecedores de GPUs na nuvem, fornecedores de aceleradores de IA e fornecedores de bases de dados vetoriais à medida que a pilha de IA amadurece) propaga-se por milhares de aplicações dependentes simultaneamente, criando disrupção a nível económico em vez de falhas organizacionais isoladas.
Porque é imprevisível:
A escala de dependência em todo o ecossistema é desconhecida até que ocorra uma falha. As organizações individuais avaliam a sua própria dependência, mas nenhum ator de governação único tem visibilidade sobre a dependência agregada em todo o sistema financeiro, sistema de saúde ou outro setor crítico.
Resposta de governação:
Dependências de fornecedores mapeadas, limites de concentração e caminhos de failover ensaiados para os serviços de IA sem os quais a organização não consegue operar. Os manuais de resposta são ensaiados durante a implementação do Nível e detalhados no Capítulo 14 do livro EW-AiRM™.
Característica:
Um modelo persegue os seus objetivos especificados de formas que são prejudiciais porque o processo de otimização encontrou um caminho para o objetivo que não foi antecipado pelos criadores do sistema. O modelo faz exatamente aquilo para o qual foi otimizado. Mas a otimização produziu consequências indesejadas.
Porque é imprevisível:
É difícil antecipar todas as formas pelas quais um processo de otimização pode encontrar um caminho para um objetivo que cause danos. A otimização está matematicamente correta; o problema é a lacuna entre o objetivo especificado e o pretendido. A investigação de vanguarda sobre a segurança da IA por parte da Anthropic, OpenAI, Google DeepMind e dos Institutos de Segurança de IA do Reino Unido e dos EUA documentou que esta lacuna se alarga em vez de se estreitar à medida que a capacidade do modelo aumenta, tornando a falha de alinhamento um risco estruturalmente crescente em vez de um problema que melhora com a maturidade técnica.
Resposta de governação:
Capacidade de intervenção humana documentada (Não Negociável 3), monitorização de desvio comportamental em relação ao envelope avaliado do sistema e critérios predefinidos de contenção e reversão. Os manuais de resposta são ensaiados durante a implementação do Nível e detalhados no Capítulo 14 do livro EW-AiRM™.
Característica:
Comportamentos inesperados e nocivos emergem da combinação de texto, imagem, áudio e outras modalidades de IA num sistema, onde as modalidades individuais foram avaliadas isoladamente como aceitáveis, mas a sua combinação cria efeitos compostos que não estavam presentes em nenhuma delas isoladamente.
Porque é imprevisível:
As interações entre modalidades são difíceis de prever através da análise de modalidades individuais. Os preconceitos que são individualmente geríveis podem acumular-se de formas que produzem danos qualitativamente mais graves quando as modalidades interagem.
Resposta de governação:
Análise de falhas intermodal antes de qualquer nova modalidade ser integrada, controlos de interface entre componentes do modelo e lançamento faseado com portas de teste específicas para cada modalidade. Os manuais de resposta são ensaiados durante a implementação do Nível e detalhados no Capítulo 14 do livro EW-AiRM™.
Característica:
É descoberta uma nova técnica de ataque que derrota as defesas de IA existentes em toda a indústria: não apenas as defesas de uma organização, mas as abordagens fundamentais que todos os principais sistemas implementaram.
Porque é imprevisível:
A superfície de ataque dos modelos de IA é enorme e novos ângulos de ataque são sempre possíveis. Quando uma nova técnica de ataque é descoberta e explora uma propriedade fundamental da arquitetura do modelo (por exemplo, o objetivo de previsão do próximo token que todos os modelos de linguagem partilham, ou a otimização baseada em gradientes que todas as redes neuronais utilizam), pode funcionar contra todos os modelos com essa arquitetura, independentemente das medidas defensivas individuais.
Resposta de governação:
Uma cadência permanente de testes adversários, fontes de inteligência de ameaças e manuais de incidentes que pressupõem que as defesas atuais serão eventualmente superadas. Os manuais de resposta são ensaiados durante a implementação do Nível e detalhados no Capítulo 14 do livro EW-AiRM™.
Característica:
Uma falha ou ataque na cadeia de abastecimento de IA (dados de treino, bibliotecas de modelos, infraestrutura de computação ou serviços de anotação de dados) propaga-se a jusante e compromete todos os sistemas construídos com base nesse componente da cadeia de abastecimento.
O risco do fornecedor do modelo de base é tratado separadamente como Categoria 2 (Concentração Sistémica); a Categoria 6 abrange as camadas a montante e de infraestrutura da cadeia de abastecimento de IA.
Porque é imprevisível:
As cadeias de abastecimento são complexas e as suas vulnerabilidades permanecem ocultas até serem exploradas. Os agentes maliciosos que compreendem a cadeia de abastecimento podem introduzir vulnerabilidades em pontos que afetam centenas de sistemas a jusante em simultâneo.
Resposta de governação:
Requisitos de proveniência para modelos, pesos e dados de treino, além de controlos contratuais e técnicos sobre dependências a montante, espelhando a garantia da cadeia de abastecimento mais ampla da organização. Os manuais de resposta são ensaiados durante a implementação do Nível e detalhados no Capítulo 14 do Livro EW-AiRM™.
Característica:
A falha ou o comportamento prejudicial surge da interação entre dois ou mais sistemas de IA que atuam sobre as saídas uns dos outros, onde cada sistema foi avaliado individualmente como aceitável, mas a interação produz efeitos compostos, transferência de autoridade em cascata ou comportamento coordenado que nenhum sistema individual foi concebido para produzir. A falha é uma propriedade da interação, e não de qualquer agente individual.
Porque é imprevisível:
As interações multiagente criam um espaço combinatório que não pode ser pré-avaliado exaustivamente. O comportamento de cada agente é limitado; a interação de cada agente com outro agente é limitada; a combinação de N agentes a interagir através de M ferramentas e K pontos de decisão produz um espaço de comportamento que excede a capacidade prática de avaliação. Comportamentos emergentes, incluindo coordenação, engano e desvio de objetivos, foram documentados em ambientes de investigação e são cada vez mais observados em implementações de agentes em produção. A avaliação de segurança tradicional avalia um agente de cada vez; a falha emergente multiagente é invisível para essa metodologia de avaliação por construção.
Resposta de governação:
Observabilidade entre agentes, design de interruptor de emergência (kill-switch) que funciona ao nível do sistema em vez de por agente, e limites rígidos na delegação não supervisionada entre agentes. Os manuais de resposta são ensaiados durante a implementação de Nível e detalhados no Capítulo 14 do Livro EW-AiRM™.
Característica:
Fica disponível um computador quântico criptograficamente relevante (seja
através do desenvolvimento gradual de capacidades ou de um avanço tecnológico descontinuado), e as fundações criptográficas da infraestrutura de IA tornam-se simultaneamente vulneráveis: as superfícies criptográficas standard (TLS, autenticação de API) e as dependências criptográficas específicas da IA (verificação da integridade dos pesos do modelo, assinatura de registos de auditoria, atestação da cadeia de abastecimento através da assinatura do modelo) em todo o património de IA implementado.
Separadamente, dados encriptados previamente exfiltrados (adquiridos através do ataque HNDL) tornam-se desencriptáveis retroativamente.
Porque é imprevisível:
O cronograma do Q-Day é limitado, mas incerto. As estimativas de peritos do Global Risk Institute Quantum Threat Timeline Report (Mosca e Piani 2024) e fontes equivalentes concentram-se em redor de 2034–2036, com um risco residual considerável que se estende do final da década de 2020 até à década de 2040. Um avanço na correção de erros quânticos, uma nova modalidade de qubits a atingir escala, ou um ataque algorítmico clássico a esquemas pós-quânticos podem alterar o cronograma de forma descontínua.
Resposta de governação:
Um inventário criptográfico atual, acompanhamento da prontidão pós-quântica dos fornecedores e marcos de migração definidos antes do Q-Day, em vez de depois. Os manuais de resposta são ensaiados durante a implementação do Nível e detalhados no Capítulo 14 do Livro EW-AiRM™.
DE ONDE ISTO VEM
EW-AiRM™ baseia-se em normas licenciadas publicamente: o MIT AI Risk Repository (CC BY 4.0), a Recomendação da UNESCO de 2021 sobre a Ética da IA, o NIST AI RMF, a ISO 31000 (risco geral), a ISO 42001 (sistemas de gestão de risco de IA) e a UNECE (ECE/TRADE/486, 2024). O HAIPECR foi originado pelo Prof. Markus Krebsz e está listado no Observatório de Políticas de IA da OCDE desde abril de 2023.
Eis uma comparação do EW-AiRMTM com esses outros referenciais e o Regulamento de IA da UE:
| Dimensão | EW-AiRM™ | NIST AI RMF | ISO 42001 | COSO ERM | Regulamento da UE sobre IA |
|---|---|---|---|---|---|
| Baseado na UNECE | Sim (ECE/TRADE/486) | Não | Não | Não | Não |
| Âmbito principal | IA a nível empresarial Governança de Risco estrutura & abordagem | Risco de IA Gestão | IA Gestão Sistema | (Tradicional) Empresa Risco Gestão | Regulamentação de IA |
| Público-alvo | Conselhos de administração, Funções de risco, CTOs, CISO, Comunidade de risco | Federal dos EUA e Empresa | Qualquer organização | Diretor Financeiro, Conselho de Administração, Equipas de ERM | Operadores e Fornecedores (UE) |
| Camadas | Estratégico, Operacional, Resiliência + HAiPECR | Governar, Mapear, Medir, Gerir | Planear, Fazer, Verificação, Agir | Estratégia, Desempenho | Proibido, Alto risco, GPAI |
| Certificável | Não (Estrutura aberta) | Não (Voluntário) | Sim (Auditoria ISO) | Não (Orientação) | Público, à escala da UE Regulamentação |
| Aberto / gratuito | Sim (base CC BY 4.0) | Sim | Pago norma | Pago orientação | Público regulação |
| Alinhado com a UNESCO | Sim (HAiPECR) | Não | Parcial | Não | Parcial (GPAI) |
O enquadramento é a imagem conceptual. A comparação de três níveis mostra como se apresenta na implementação.
The Human-Ai.Institute é um Think/Do Tank independente que promove o diálogo multilateral e multissetorial sobre governação de IA. O Instituto colabora com a ONU, a UNESCO, a OCDE, a Comissão Europeia e governos de todo o mundo.
Sede de EW-AiRM™ — a estrutura aberta de três camadas para a gestão de riscos de IA a nível empresarial, fundamentada em normas licenciadas publicamente e alinhada com a UNESCO, UNECE, NIST, ISO e o Regulamento de IA da UE.
Risco de IA, explicado: AIRisks.net
Serviços comerciais de consultoria, formação e aconselhamento são prestados por De-Risking Solutions Ltd. e RiskAi.Ai
SOLUÇÕES DE IA E TECNOLOGIA
IA, ferramentas agênticas e soluções tecnológicas são fornecidas por Human-Ai.Solutions.
The Human-Ai.Institute
é executado e mantido por
De-Risking Solutions Ltd.
E-mail:
contact [at] human-ai.institute
Listado no Observatório de Políticas de IA da OCDE · Membro fundador da Rede de IA da Universidade das Nações Unidas · Alinhado com a UNESCO, UNECE WP.6, NIST e ISO 42001
EW-AiRM™ e HAiPECR™ são marcas comerciais da De-Risking Solutions Ltd., registadas em Inglaterra e no País de Gales (Número de Empresa 09900565). Todos os direitos reservados.
© 2026 The Human-Ai.Institute.
