"IA Responsável" costuma virar uma seção genérica no relatório anual, sem conexão com o que a equipe técnica realmente faz todo dia. Na prática, é mais útil tratá-la como uma lista de verificação — concreta, por fase do projeto — do que como um princípio abstrato.
Antes de começar
- O indicador de negócio e o nível de risco do caso de uso estão documentados?
- Está claro qual dado vai alimentar o sistema, e se algum é sensível ou pessoal?
- Existe uma base legal clara para usar esse dado — e ela foi checada, não presumida?
Durante o desenvolvimento
- As respostas do sistema citam a fonte, quando aplicável — ou é impossível saber de onde veio a informação?
- Existe defesa básica contra prompt injection e vazamento de dado nas integrações?
- O controle de acesso reflete quem pode ver o quê — por papel, por time, por documento?
Antes de ir para produção
- Existe avaliação de qualidade além do "parece bom" — métricas acompanhadas, não só impressão do time?
- Ficou definido, por escrito, onde a decisão do sistema é final e onde precisa de revisão humana?
- Existe um plano para o que fazer quando o sistema erra — não só para quando funciona?
Depois do lançamento
- Alguém acompanha a qualidade das respostas ao longo do tempo, ou o sistema roda sem revisão desde o dia 1?
- A política de uso de IA é revisada periodicamente, ou foi escrita uma vez e arquivada?
- Existe rastro do que foi perguntado, respondido e com base em quê — para auditoria, se for preciso?
Nenhum item dessa lista exige um comitê de ética separado ou um documento de cem páginas. Exige que alguém pergunte, em cada fase, e documente a resposta — o que já separa a maioria dos projetos de IA Responsável dos que só dizem que são.