Fechando a lacuna de IA: como o acesso ao conhecimento de próxima geração viabiliza resultados de missão para o governo

O acesso ao conhecimento de última geração representa uma abordagem avançada para encontrar, entender e usar informações, indo além dos métodos tradicionais de busca e dos repositórios estáticos de conhecimento.

No setor público, isso se traduz em sistemas de IA e operadores obtendo acesso ao conhecimento certo no momento certo e com o contexto certo, eliminando a necessidade de buscar manualmente em fontes desconectadas.

A pressão fiscal está se intensificando em muitas regiões. Nos 193 estados-membros da ONU avaliados, o investimento em infraestrutura resiliente e tecnologias avançadas continua a crescer.² Os líderes estão sendo solicitados a entregar melhores resultados com menos recursos, e estão recorrendo à IA para fechar essa lacuna.

A implicação estratégica para os líderes do setor público é clara. A IA não é mais uma iniciativa de inovação discricionária. Ela está se tornando cada vez mais uma prioridade de políticas e prestação de serviços, e as agências que não conseguirem operacionalizá-la enfrentarão uma pressão crescente de órgãos de fiscalização, autoridades eleitas e do público que atendem.

A marca de 72% merece uma análise mais detalhada. A pesquisa da IDC identifica as principais barreiras para o redimensionamento da IA: lacunas de habilidades, riscos de segurança e conformidade e prontidão dos dados.¹

Os data warehouses tradicionais foram criados para análises periódicas de dados estruturados e curados. O Agentic AI depende de acesso rápido e regulamentado a uma superfície de conhecimento muito mais ampla que pode incluir:

• Políticas e procedimentos

• Notas do caso e correspondência

• Transcrições de chamadas, formulários e logs operacionais

• Sinais de ameaças de segurança cibernética em tempo real

A maior parte desse conteúdo não é estruturada e fica em sistemas isolados, dificultando sua correlação e análise. Ele também pode não ser descoberto ou utilizado por agentes de IA em seu estado atual.

O desafio costuma surgir na camada de recuperação. Sem acesso governado a conhecimentos autorizados, as aplicações de IA podem produzir saídas menos confiáveis, tornando mais difícil para as agências construir e manter a confiança pública.

Os regulamentos estão começando a definir os requisitos para implantar a IA em produção. A Lei de IA da UE e a Lei da Europa Interoperável refletem uma tendência global mais ampla em direção a padrões formais para serviços públicos digitais confiáveis e interoperáveis. Ao mesmo tempo, a soberania digital e de IA está influenciando cada vez mais as decisões de aquisição e os requisitos operacionais.

De acordo com pesquisas da IDC, as organizações do setor público que estão fazendo o redimensionamento da IA generativa e agêntica estão priorizando:

• Garantias de residência dos dados (46%)

• Barreiras de segurança, incluindo embasamento baseado em recuperação e filtros de políticas (43%)

• Capacidade de auditoria de prompts e ações (40%)

• Aprovações com intervenção humana (39%)

• Proveniência do modelo e lista de materiais de software (38%)¹

Esses requisitos precisam ser considerados desde o início, e não adicionados após a implantação. Eles moldam a arquitetura, a seleção de ferramentas e o design do sistema. Como a IDC observa a partir de conversas com autoridades seniores, os formuladores de políticas querem uma infraestrutura de IA que possam "controlar em momentos de crise", refletindo uma mudança mais ampla dos requisitos de localização de dados para a autonomia estratégica sobre os roadmaps de IA.¹

Para tomadores de decisão, isso significa avaliar os requisitos de governança e soberania logo no início do processo de seleção. O desempenho do modelo só importa se a tecnologia puder operar dentro dos requisitos de conformidade da agência.

Três tendências convergentes estão moldando essa evolução:

• A recuperação híbrida como um padrão recomendado: a busca híbrida combina palavras-chave (lexical) e busca semântica para oferecer suporte a RAG e fluxos de trabalho de agentes, equilibrando correspondências exatas com a compreensão contextual.

• Protocolos de integração abertos: padrões, como o Model Context Protocol (MCP) — uma especificação aberta para conectar aplicativos de grandes modelos de linguagem (LLM) a fontes de dados e ferramentas externas — aceleram a integração enquanto aumentam os requisitos de governança sobre o que está conectado e como é feito o log.

• Controles de segurança e de risco como mecanismos de proteção: filtragem de permissões, redação, logs de auditoria e rastreamento de proveniência alinham a arquitetura de recuperação a frameworks, como o National Institute of Standards and Technology (NIST) AI Risk Management Framework.³

Juntos, esses recursos transformam a busca em um serviço de recuperação pronto para IA que pode manter os dados em locais em conformidade, ao mesmo tempo que permite acesso controlado e de baixa latência em sistemas distribuídos.

Quando a recuperação é governada e consistente, os benefícios se estendem por toda a organização. Para equipes de TI e desenvolvedores, conectores padronizados, abordagens de indexação e APIs de recuperação reduzem o trabalho de integração pontual e aceleram a entrega em todos os projetos. Para equipes de segurança e governança, elas podem limitar a cópia desnecessária de dados e tornar o acesso às informações mais fácil de auditar.¹

As agências podem esperar:

• Uma visão operacional unificada que elimina os silos de dados, melhora a visibilidade e oferece às equipes o contexto de que precisam para tomar decisões mais rápidas e informadas

• Ganhos de eficiência com a consolidação de ferramentas fragmentadas de busca e recuperação

• Redução da exposição de conformidade por meio de filtragem de permissões integrada, redação e logs de auditoria

• Menor tempo de colocação em produção para casos de uso de IA em segurança cibernética governamental, gestão de casos e serviços ao cidadão

• Autonomia estratégica sobre roadmaps de IA, com a capacidade de implantar em ambientes soberanos ou no local conforme exigido pelas políticas

Esses resultados importam porque órgãos de fiscalização e autoridades eleitas acabarão buscando evidências de governança, auditabilidade e impacto na missão. Um investimento em IA que não consegue demonstrar esses resultados pode estar em risco.

A pesquisa aponta para uma direção estratégica clara. O redimensionamento da IA não é primariamente um problema de seleção de modelos. É um problema de arquitetura, e a camada de recuperação desempenha um papel fundamental.

Para os líderes do setor público, três prioridades emergem das descobertas da IDC:

• Tratar a prontidão dos dados como um pré-requisito, e não como um fluxo de trabalho paralelo. Antes de expandir os pilotos de IA, invista na base de recuperação governada que vai sustentá-los em larga escala.

• Projetar para a soberania desde o início. Residência de dados, auditabilidade e supervisão humana não são caixas de seleção de conformidade. São requisitos arquitetônicos que moldam a seleção da plataforma.

• Escolher plataformas construídas com base em padrões abertos. A interoperabilidade protege contra o lock-in e preserva a autonomia estratégica à medida que as políticas e condições geopolíticas evoluem.

Os órgãos que agirem de acordo com essas prioridades agora serão os que entregarão resultados mensuráveis nas missões com IA nos próximos dois a três anos.

O relatório IDC Spotlight completo, copatrocinado pela Elastic e AWS, fornece os dados completos da pesquisa, análise de políticas globais e orientação arquitetônica referenciados ao longo deste artigo. Baixe o relatório IDC Spotlight: Fechando a lacuna de IA no governo

• Explore casos de uso de IA no setor público da Elastic.

• Veja como as organizações do setor público usam o Elasticsearch.

• Leia o artigo sobre GenAI e busca semântica no setor público.