---
title: "Auditoria defensiva de IA: o estudo do Sicredi | Raphael Sousa Pereira"
description: "width=device-width,initial-scale=1,viewport-fit=cover\" name=\"viewport\"/>\r\n<title>Auditoria defensiva de IA: o que mede, como funciona e estudo público do Sicredi | Raphael Sousa Pereira</title>\r\n<meta content=\"Entenda o que é uma auditoria defensiva de IA, o que o PANDORA CYBER-GENESIS Ω mede em LLMs, RAG e agentes, por que esses dados importam, como contratar uma auditoria e veja o estudo público do Sicredi com 18 controles e score 831/1000."
canonical: "https://raphaelsousapereira.com.br/auditoria-defensiva-ia-sicredi-llm-rag-agentes-governanca/"
language: "pt-BR"
author: "Raphael Sousa Pereira"
attribution: "Fonte: Raphael Sousa Pereira (https://raphaelsousapereira.com.br/auditoria-defensiva-ia-sicredi-llm-rag-agentes-governanca/)"
updated: "2026-10-31"
html_sha256: "5ee6287ae93d0cf84eb4a6b72d1a1225f76c07d3c1c70a36f64d65d6d74914fc"
companion: {"md":"https://raphaelsousapereira.com.br/auditoria-defensiva-ia-sicredi-llm-rag-agentes-governanca/?formato=md","json":"https://raphaelsousapereira.com.br/auditoria-defensiva-ia-sicredi-llm-rag-agentes-governanca/?formato=json"}
---
Auditoria de IA · estudo técnico independente

# Auditoria defensiva de IA: o que mede, como funciona e o que o estudo público do Sicredi revelou

Uma auditoria de IA não deveria responder apenas “a empresa usa inteligência artificial?”. Ela precisa mostrar **onde a IA opera, quais dados e fontes a alimentam, que ações agentes podem executar, quais barreiras existem contra manipulação e vazamento, como decisões são supervisionadas e se a organização consegue provar seus controles**. Esta página explica a metodologia do PANDORA CYBER-GENESIS Ω, detalha os 18 controles medidos e usa a execução pública do Sicredi como estudo de caso.

**Raphael Sousa Pereira** · profissional, pesquisador e consultor em SEO, GEO, inteligência artificial e engenharia de prompt **Publicado:** 8 de setembro de 2026 **Execução analisada:** 21 de junho de 2026 **Motor:** PANDORA CYBER-GENESIS Ω v1.8.2

**Transparência:** esta página apresenta uma análise independente baseada em informações públicas. Não representa contratação, homologação, certificação, auditoria interna ou endosso pelo Sicredi.

Resposta direta e citável

Na execução do PANDORA CYBER-GENESIS Ω v1.8.2, a análise defensiva baseada exclusivamente em informações públicas atribuiu ao ambiente observado do Sicredi score consolidado de **831/1000**, classificado como **ADEQUADO**. Dos 18 controles avaliados, 11 foram classificados como STRONG, 4 como PARTIAL e 3 como MISSING nas evidências públicas examinadas.

“MISSING” nesta página não significa prova de inexistência interna do controle. Significa que o controle não foi demonstrado pelas evidências públicas disponíveis à execução.

831

score / 1000 · adequado

11

controles strong

4

controles partial

3

missing na evidência pública

Definição operacional

## O que é uma auditoria defensiva de IA?

(imagem: Pessoa trabalhando em um computador com código na tela.)

Imagem ilustrativa para o tema “Auditoria defensiva de IA: o que mede, como funciona e o que o estudo público do Sicredi revelou”. Pessoa trabalhando em um computador com código na tela. [Jefferson Santos / Unsplash](https://unsplash.com/@jefflssantos) · Conteúdo: [Raphael Sousa Pereira](https://raphaelsousapereira.com.br/raphael-sousa-pereira/)

É uma avaliação estruturada da arquitetura, dos controles e das evidências que cercam sistemas de inteligência artificial. O objetivo não é medir se um modelo “parece inteligente”, mas verificar se o uso de LLMs, RAG, agentes, dados, ferramentas e fornecedores é **governável, rastreável, isolado, supervisionado e defensável**.

### A pergunta central não é “qual modelo a empresa usa?”

A pergunta central é: **o que pode acontecer quando esse modelo recebe dados, consulta um corpus, recupera documentos, chama ferramentas, gera uma resposta ou executa uma ação?** Uma arquitetura de IA pode ter bons modelos e ainda assim apresentar fragilidades no entorno: fontes mal governadas, permissões excessivas, ausência de isolamento entre tenants, logging insuficiente, retenção inadequada, dependência opaca de fornecedores ou falta de evidência para demonstrar que os controles existem.

Por isso, a auditoria trabalha sobre o **sistema sociotécnico** ao redor da IA: pessoas, políticas, fontes, dados, componentes de recuperação, agentes, integrações, aprovações humanas, fornecedores, registros de eventos e mecanismos de resposta a incidentes.

### Em termos executivos, a auditoria tenta responder:

- Quais sistemas de IA existem e onde eles entram nos processos?
- Quais dados, documentos e fontes podem influenciar as respostas?
- Um usuário, documento ou agente consegue ampliar indevidamente seu alcance?
- Há separação entre instrução, contexto recuperado e ação autorizada?
- Quem aprova ações sensíveis e quem responde por incidentes?
- A empresa consegue provar seus controles com evidências verificáveis?

Não é benchmark de modelo

### Não mede “qual IA é mais inteligente”

O foco é segurança, governança, isolamento, rastreabilidade, privilégios, fontes, ações e evidências — não uma competição de capacidade entre modelos.

Não é pentest ofensivo

### Não depende de exploração destrutiva

O laudo se declara defensivo e exclui payloads, bypass, exfiltração operacional e instruções de ataque. A análise identifica superfícies, controles e lacunas de governança.

Não é certificação

### Não substitui auditoria regulatória ou parecer jurídico

O score é um resultado do motor dentro do escopo e das evidências avaliadas. Para uso formal regulatório, jurídico ou certificador, o próprio laudo recomenda validação profissional independente.

Metodologia do motor

## O que o PANDORA CYBER-GENESIS Ω faz durante uma auditoria

O PANDORA CYBER-GENESIS Ω transforma sinais e evidências sobre o uso de IA em uma matriz defensiva estruturada. Na execução documentada, o motor avaliou 18 controles, atribuiu status, severidade e score, relacionou evidências a achados, mapeou padrões de ameaça e produziu prioridades de remediação com proveniência da execução.

### Mapeia o ambiente de IA

Identifica sistemas, agentes, fluxos, fontes, corpus, integrações, fornecedores e pontos em que a IA participa de processos ou decisões.

### Organiza evidências

Relaciona evidências aos controles avaliados e mantém a distinção entre o que foi observado, o que foi inferido e o que não foi demonstrado no escopo disponível.

### Avalia 18 controles defensivos

Cada controle recebe uma leitura própria, como STRONG, PARTIAL ou MISSING, acompanhada por severidade, score e, quando aplicável, lacuna e recomendação.

### Conecta ameaça e controle

O motor relaciona padrões como manipulação via corpus/RAG, exfiltração semântica e supply chain opaca aos controles que deveriam reduzir essas superfícies.

### Prioriza remediação

As lacunas são convertidas em um plano executivo por prioridade e janela temporal, permitindo separar o que é imediato do que pertence à maturidade operacional.

### Preserva proveniência

A execução registra identidade, fingerprint, workflow, cadeia de eventos, grafo de evidências e assinatura, criando uma trilha de auditoria para o próprio processo de análise.

**Camada 1 · Informação**

Inventário, fontes, corpus, recuperação, dados e isolamento.

**Camada 2 · Comportamento**

Prompt injection, poisoning, exfiltração, outputs e ações downstream.

**Camada 3 · Agência**

Ferramentas, privilégios, autorização, aprovação humana e limites de agentes.

**Camada 4 · Governança**

Logs, retenção, incidentes, testes, fornecedores, evidência e cadeia de custódia.

**Dois modos de evidência:** este estudo do Sicredi foi executado exclusivamente com informações públicas. Em uma auditoria contratada por uma empresa, o escopo pode ser ampliado com evidências internas disponibilizadas pelo cliente — como políticas, diagramas, matriz de acessos, documentação de fornecedores, logs e resultados de testes. Isso reduz a incerteza entre “não demonstrado externamente” e “controle efetivamente validado no escopo interno”.

Matriz de medição

## O que uma empresa efetivamente mede ao contratar esta auditoria

Os 18 controles não são uma lista decorativa. Eles funcionam como perguntas de governança e segurança que atravessam o ciclo de vida da IA — da entrada de dados até a ação de um agente, passando por privacidade, fornecedores, observabilidade e capacidade de provar o que aconteceu.

CG.1 · CG.2 · CG.10 · CG.17

### Inventário, fontes e cadeia de fornecimento

Mede se a organização sabe quais sistemas de IA utiliza, quem fornece modelos e plugins, quais fontes alimentam o sistema e se existe ownership e governança sobre esse ecossistema.

- Inventário de IA, agentes e fluxos.
- Curadoria, allowlist, versionamento e revisão de fontes.
- Governança de modelos, plugins e fornecedores.
- Visibilidade sobre dependências externas.

CG.3 · CG.4 · CG.5 · CG.13

### Entrada adversarial, RAG e integridade do conhecimento

Mede se instruções maliciosas ou conteúdo externo podem alterar o comportamento do sistema, contaminar o corpus ou permitir recuperação fora do escopo autorizado.

- Prompt injection direto e indireto.
- Separação entre instrução e conteúdo recuperado.
- Isolamento vetorial por tenant, cliente ou escopo.
- Detecção de poisoning e integridade de fontes.

CG.6 · CG.7 · CG.12 · CG.14

### Agentes, ferramentas, privilégios e aprovação humana

Mede até onde um agente pode agir, quais ferramentas pode chamar, quais permissões possui, como ações downstream são validadas e em quais pontos a supervisão humana é obrigatória.

- Matriz de ações permitidas.
- Princípio de menor privilégio.
- Controles sobre tool calls e ações sensíveis.
- Human-in-the-loop para decisões críticas.

CG.9 · CG.11

### Privacidade, retenção e exfiltração semântica

Mede se dados pessoais, confidenciais ou sensíveis podem aparecer em respostas, logs ou contexto sem autorização e se a retenção em operações com LLMs está controlada.

- Políticas de privacidade e retenção em LLMOps.
- Risco de informação sensível emergir em respostas ou contexto.
- Relação entre privilégio, recuperação e exposição de dados.

CG.8 · CG.15 · CG.16

### Observabilidade, incidentes e regressão

Mede se a organização consegue reconstruir eventos, detectar falhas, responder a incidentes e provar que uma atualização de prompt, modelo, corpus ou integração não reintroduziu um risco já tratado.

- Logging e telemetria.
- Processo de incidente específico para LLM/GenAI.
- Golden evals, testes e regressão de segurança.

CG.18 + cadeia de execução

### Evidência, auditabilidade e cadeia de custódia

Mede a capacidade de sustentar uma afirmação de controle com trilha verificável. Sem evidência, um processo pode até existir, mas continua difícil demonstrá-lo para auditoria, gestão de risco, conselho, DPO, segurança ou investigação de incidente.

- Vínculo entre achado e evidência.
- Identidade e integridade da execução.
- Rastreabilidade para revisão posterior.

**O que o score não deve ser usado para afirmar:**

- que uma organização está “100% segura”;
- que a ausência de evidência pública prova ausência de um controle interno;
- que o resultado substitui certificação, pentest, parecer jurídico ou auditoria regulatória;
- que um único número resume sozinho toda a maturidade de IA. O valor do score está na decomposição por controle, severidade, evidência e prioridade.

Valor executivo

## Por que esses dados são importantes para uma empresa

A organização raramente sofre porque “não tinha um score”. Ela sofre porque não sabia onde estava a exposição, quem tinha permissão, qual fonte contaminou uma resposta, por que um agente executou determinada ação ou como provar que um controle existia. A auditoria transforma essas perguntas em um mapa acionável.

01

### Priorizar investimento

Severidade e score ajudam a separar lacunas críticas de melhorias de maturidade. Isso evita tratar 18 controles como se todos exigissem a mesma urgência ou o mesmo orçamento.

02

### Reduzir risco de exposição de dados

Controles de RAG, privilégio, retenção e exfiltração conectam diretamente a arquitetura de recuperação e agentes ao risco de dados aparecerem fora do escopo autorizado.

03

### Governar agentes que executam ações

Quando a IA deixa de apenas responder e passa a chamar ferramentas, aprovar fluxos ou alterar sistemas, permissões e human-in-the-loop tornam-se parte do risco operacional.

04

### Responder incidentes com evidência

Logs, telemetria, cadeia de eventos e provenance reduzem a distância entre “algo deu errado” e “conseguimos reconstruir o que ocorreu, em qual escopo e com qual evidência”.

05

### Controlar dependências externas

Modelos, plugins, datasets e fornecedores podem ampliar a superfície de risco. A auditoria torna a supply chain de IA uma questão explícita de governança, não um detalhe invisível de implementação.

06

### Criar uma baseline repetível

Uma primeira execução estabelece uma fotografia. Reavaliações futuras podem mostrar se remediações foram implementadas e se mudanças de modelo, corpus, fornecedor ou arquitetura alteraram o perfil de risco.

| Dado produzido | Decisão que ele ajuda a tomar | Quem pode usar |
|---|---|---|
| Status + score por controle | Onde concentrar remediação, orçamento e responsáveis. | CISO, CTO, liderança de IA, risco. |
| Severidade | Qual lacuna exige ação imediata e qual pode entrar em roadmap. | Segurança, gestão, conselho de risco. |
| Mapa de evidências | O que pode ser demonstrado e o que ainda depende de validação. | Auditoria, compliance, DPO, jurídico. |
| Padrões de ameaça | Como uma fragilidade técnica se conecta a uma superfície concreta. | AppSec, engenharia, arquitetura. |
| Plano P1/P2/P3 | Como converter finding em execução com ordem e horizonte. | PMO, engenharia, segurança, direção. |
| Proveniência da execução | Como revisar, repetir e comparar auditorias sem perder rastreabilidade. | Auditoria interna, segurança e governança. |

Serviço para empresas

## Como uma empresa pode contratar uma auditoria defensiva de IA

A contratação começa por escopo, não por um número pronto. O objetivo é descobrir quais sistemas de IA precisam ser avaliados, quais evidências podem ser acessadas e quais riscos são materialmente relevantes para o negócio. A mesma matriz de 18 controles pode ser usada como núcleo, mas a profundidade depende do ambiente e da evidência disponibilizada.

### Quando faz sentido contratar

- A empresa colocou chatbot, copiloto ou assistente baseado em LLM em produção.
- Existe RAG conectado a documentos internos, base de conhecimento ou dados de clientes.
- Agentes de IA chamam APIs, ferramentas, CRM, ERP, e-mail, banco de dados ou automações.
- Há dados sensíveis, regulados, financeiros, pessoais ou estratégicos no fluxo de IA.
- Vários fornecedores, modelos, plugins ou conectores compõem a solução.
- A direção precisa de uma visão executiva de risco e um plano priorizado de correção.

### O que a empresa pode disponibilizar

- Inventário de soluções de IA e responsáveis.
- Diagramas de arquitetura, fluxos de RAG e integrações.
- Políticas de acesso, retenção, privacidade e incidentes.
- Matrizes de permissão de agentes e ferramentas.
- Documentação de fornecedores, modelos e plugins.
- Logs, telemetria, evidências de teste e registros de revisão.

Quanto melhor a evidência interna, menor a dependência de inferências e maior a capacidade de validar controles específicos.

Etapa 1

### Triagem e escopo

Mapeamento inicial dos sistemas de IA, criticidade, dados envolvidos e objetivo da auditoria.

Etapa 2

### Plano de evidências

Definição do que será analisado e de quais documentos, registros ou acessos serão fornecidos pelo cliente.

Etapa 3

### Execução PANDORA

Avaliação dos controles, classificação de achados, severidade, scores e vinculação de evidências.

Etapa 4

### Laudo técnico

Entrega da matriz de controles, gaps, threat patterns, limitações e provenance da execução.

Etapa 5

### Plano executivo

Priorização P1/P2/P3 com recomendações e, quando o escopo permitir, estimativa de esforço.

Etapa 6

### Reavaliação

Nova execução após remediações para comparar evolução, validar evidências e detectar regressões.

### Entregáveis possíveis de uma auditoria contratada

Score consolidado + score por controle

Matriz dos 18 controles defensivos

Mapa de evidências e lacunas

Threat patterns relacionados

Plano P1 / P2 / P3

Recomendações por finding

Identidade e provenance da execução

Resumo executivo para decisão

**Solicitar um escopo de auditoria:** a primeira conversa serve para entender sistemas, dados, agentes, integrações e objetivo da análise. O escopo pode ser público, interno ou híbrido, conforme a evidência que a organização autorizar.

[Solicitar auditoria de IA](https://raphaelsousapereira.com.br/)

Escopo e fronteira epistemológica

## O que este estudo pode afirmar — e o que ele não pode

A força da página depende de manter separadas observação pública, inferência defensiva e ausência de evidência. O próprio laudo delimita seu alcance: auditoria defensiva, sem exploração ofensiva, baseada em informações públicas e sujeita a revisão independente para usos formais.

Observado em fonte pública

Informação ou evidência que a execução conseguiu localizar e relacionar diretamente ao controle analisado.

Inferência defensiva

Conclusão operacional derivada da combinação entre evidências públicas, critérios do motor e regra de scoring.

Não demonstrado publicamente

Ausência de evidência pública suficiente na execução. Não equivale a afirmar que o controle interno inexiste.

**Regra de redação:** “não foi encontrada evidência pública suficiente” é epistemicamente mais forte do que “a organização não possui”.

Dataset editorial

## 18 controles defensivos avaliados

A tabela abaixo preserva os IDs, os nomes, os status, as severidades e os scores registrados no laudo. O HTML transforma a matriz do PDF em dados textuais legíveis por humanos, buscadores e sistemas generativos.

| ID | Controle | Status | Severidade | Score |
|---|---|---|---|---|
| CG.1 | Inventário de IA, agentes e fluxos | STRONG | LOW | 950 |
| CG.2 | Controle de fontes e corpus | PARTIAL | MEDIUM | 666 |
| CG.3 | Defesa contra prompt injection direto | STRONG | LOW | 982 |
| CG.4 | Defesa contra prompt injection indireto | MISSING | HIGH | 332 |
| CG.5 | RAG seguro e isolamento vetorial | MISSING | CRITICAL | 292 |
| CG.6 | Governança de agentes e ferramentas | MISSING | HIGH | 340 |
| CG.7 | Menor privilégio para agentes | PARTIAL | LOW | 670 |
| CG.8 | Logging e telemetria | STRONG | LOW | 958 |
| CG.9 | Privacidade e retenção em LLMOps | STRONG | LOW | 950 |
| CG.10 | Supply chain de modelos e plugins | STRONG | LOW | 958 |
| CG.11 | Proteção contra exfiltração semântica | PARTIAL | LOW | 670 |
| CG.12 | Segurança de outputs e ações downstream | STRONG | LOW | 966 |
| CG.13 | Detecção de poisoning | STRONG | LOW | 966 |
| CG.14 | Human-in-the-loop | STRONG | LOW | 990 |
| CG.15 | Incidentes LLM/GenAI | STRONG | LOW | 958 |
| CG.16 | Testes e regressão de segurança | PARTIAL | LOW | 670 |
| CG.17 | Governança de fornecedores de IA | STRONG | LOW | 990 |
| CG.18 | Evidência e cadeia de custódia | STRONG | LOW | 950 |

Achados prioritários

## As três lacunas públicas mais relevantes

Os menores scores e maiores severidades concentraram-se em RAG, prompt injection indireto e governança formal de agentes. A leitura abaixo preserva o sentido do laudo sem converter “MISSING” em afirmação sobre controles internos não observáveis.

CG.4 · HIGH · 332/1000

### Prompt injection indireto

**Lacuna registrada:** RAG/fontes externas sem evidência pública suficiente de proteção contra prompt injection indireto.

**Recomendação:** tratar conteúdo externo como não confiável e separar instruções de dados recuperados.

CG.5 · CRITICAL · 292/1000

### RAG seguro e isolamento vetorial

**Lacuna registrada:** RAG sem evidência pública suficiente de isolamento por cliente, tenant ou escopo.

**Recomendação:** isolamento vetorial, filtros por tenant e testes de acesso cruzado.

CG.6 · HIGH · 340/1000

### Governança de agentes e ferramentas

**Lacuna registrada:** agentes sem governança formal publicamente demonstrada de escopo, ações e limites.

**Recomendação:** política de agentes, matriz de ações permitidas e aprovação para ações sensíveis.

Relações semânticas

## Padrões de ameaça mapeados

O laudo conecta padrões de ameaça a controles relacionados, formando uma estrutura de relações que pode ser recuperada como grafo: ameaça → superfície → controles defensivos.

TP.2

### Manipulação indireta via corpus/RAG

Conteúdo externo ou documento ingerido tenta influenciar o comportamento do sistema. Relaciona-se a prompt injection indireto, fontes/corpus, poisoning e isolamento de RAG.

TP.3

### Exfiltração semântica

Informações sensíveis aparecem em respostas, logs ou contexto sem autorização adequada. Relaciona-se a exfiltração, privacidade, menor privilégio e isolamento de RAG.

TP.5

### Supply chain de IA opaca

Fornecedor, modelo, plugin ou dataset sem governança contratual ou técnica suficiente. Relaciona-se a supply chain, fornecedores de IA e retenção/privacidade.

Remediação

## Plano de ação por prioridade

P1 · imediato · 0–30 dias

### Isolamento de RAG

- CG.5 — implementar isolamento vetorial.
- Aplicar filtros por tenant.
- Testar acesso cruzado entre escopos.

P2 · 30–90 dias

### Entrada externa e agentes

- CG.4 — tratar conteúdo externo como não confiável.
- Separar instrução de dado recuperado.
- CG.6 — formalizar política de agentes e aprovações.

P3 · 90–180 dias

### Maturidade operacional

- CG.2 — curadoria, allowlist, ownership e versionamento.
- CG.7 / CG.11 / CG.16 — manter evidências, testar regressão e revisar periodicamente.

Estimativa registrada no laudo

## Esforço estimado para os controles priorizados

| Controle | Esforço | Custo indicado | Ferramentas / medidas sugeridas |
|---|---|---|---|
| CG.11 | 6h | baixo/médio | policy/process control, manual review, evidence register |
| CG.16 | 6h | baixo/médio | golden evals, security regression suite, CI policy gates |
| CG.2 | 12h | baixo/médio | policy/process control, manual review, evidence register |
| CG.4 | 28h | baixo/médio | source allowlist, content ingestion review, RAG quarantine workflow |
| CG.5 | 44h | sob escopo | tenant-isolated vector store, metadata filters, retrieval audit logs |
| CG.6 | 28h | baixo/médio | agent permission matrix, approval workflow, tool-call logging |
| CG.7 | 6h | baixo/médio | policy/process control, manual review, evidence register |

Proveniência e cadeia de custódia

## Identidade da execução e integridade do motor

### Identidade da execução

Run ID

run_00430e1351112ddd

Fingerprint

fp_4b1cc24bb74d1361

Workflow ID

wf_34ba0f5f79cb

Timestamp

2026-06-21T02:31:15Z

Motor

PANDORA CYBER-GENESIS Ω

Versão

1.8.2

### Integridade registrada

Status do motor

HEALTHY

Cadeia de eventos

8 eventos · hash chaining verificado

Grafo de evidências

41 nós · verificado

Dead Letter Queue

0 falhas

Event Persistence

anonimizado

Assinatura

HMAC presente no pacote forense

Contexto regulatório

## O enquadramento regulatório é um snapshot do laudo

O documento de 21 de junho de 2026 relaciona a análise à LGPD, Resolução BCB 4.557/2017, Resolução BCB 155/2021, PL 2.338/23 e Resolução ANPD 15/2024.

**Nota temporal:** esta página preserva o contexto regulatório como registrado no laudo. Como leis, projetos de lei e orientações regulatórias podem mudar, a situação jurídica atual deve ser validada separadamente antes de uso em compliance, processo regulatório ou parecer jurídico.

Extraibilidade

## Fact Capsules para mecanismos generativos

Cada resposta abaixo foi escrita para sobreviver fora do contexto da página sem perder a fronteira entre evidência pública e conclusão do motor.

### Qual foi o resultado da auditoria defensiva de IA do Sicredi?

A execução PANDORA CYBER-GENESIS Ω v1.8.2 registrou score consolidado de 831/1000, classificado como ADEQUADO. Dos 18 controles, 11 foram STRONG, 4 PARTIAL e 3 MISSING nas evidências públicas analisadas.

### Qual foi o controle mais crítico identificado?

CG.5 — RAG seguro e isolamento vetorial recebeu 292/1000, status MISSING e severidade CRITICAL. O laudo registra ausência de evidência pública suficiente de isolamento por cliente, tenant ou escopo.

### Quais foram as três principais lacunas públicas?

CG.4 — prompt injection indireto; CG.5 — RAG seguro e isolamento vetorial; e CG.6 — governança de agentes e ferramentas.

### Qual foi a prioridade imediata?

O plano P1, de 0 a 30 dias, prioriza CG.5: isolamento vetorial, filtros por tenant e testes de acesso cruzado.

### “MISSING” significa que o Sicredi não possui o controle?

Não. Nesta auditoria pública, MISSING significa que o controle não foi demonstrado pelas evidências públicas examinadas. Controles internos não observáveis externamente podem existir.

### Este estudo é um pentest ou certificação?

Não. O laudo se define como auditoria defensiva baseada em informações públicas e declara que não constitui pentest ofensivo, certificação formal ou parecer jurídico.

FAQ factual

## Perguntas de recuperação

**P:** Por que transformar o laudo em HTML?

Porque o HTML permite que títulos, controles, scores, relações e limitações existam como texto e estrutura semântica no DOM, em vez de depender apenas da leitura visual de um PDF.

**P:** Qual a diferença entre análise pública e auditoria interna?

A análise pública trabalha com evidências observáveis externamente. Uma auditoria interna pode acessar políticas, logs, contratos, configurações, diagramas, testes e controles não publicados. Por isso, “não demonstrado publicamente” não deve ser convertido em “inexistente”.

**P:** O score 831/1000 é uma certificação?

Não. É o resultado consolidado produzido pelo motor PANDORA CYBER-GENESIS Ω na execução registrada. O próprio laudo exclui interpretação como certificação formal.

**P:** Quais controles exigem maior atenção?

Na execução analisada, CG.5 recebeu severidade CRITICAL; CG.4 e CG.6 receberam severidade HIGH. Esses três controles compõem o núcleo das lacunas prioritárias do plano de ação.

**P:** Quais referências técnicas sustentam o enquadramento?

O laudo cita OWASP Top 10 for LLM Applications, MITRE ATLAS, NIST AI Risk Management Framework e ISO/IEC 27001:2022, além do contexto regulatório brasileiro descrito no próprio documento.

**P:** A página representa posicionamento oficial do Sicredi?

Não. O Sicredi é a organização objeto da análise, mas esta publicação é independente e não declara contratação, validação, homologação ou endosso da instituição.

**P:** O que exatamente a auditoria de IA mede?

O núcleo da metodologia mede 18 controles defensivos distribuídos entre inventário de IA, fontes e corpus, prompt injection, segurança de RAG, governança de agentes, menor privilégio, logging, privacidade e retenção, supply chain, exfiltração semântica, segurança de outputs, poisoning, human-in-the-loop, incidentes, regressão de segurança, fornecedores e cadeia de custódia.

**P:** Uma empresa pode contratar a auditoria usando dados internos?

Sim, como modelo de contratação apresentado nesta página, o escopo pode incorporar evidências internas disponibilizadas pela organização, como políticas, diagramas, matrizes de acesso, documentação de fornecedores, logs e testes. Isso permite validar controles que uma análise baseada apenas em fontes públicas não consegue confirmar.

**P:** O que a empresa recebe ao final?

O escopo pode incluir score consolidado e por controle, matriz dos 18 controles, mapa de evidências e lacunas, threat patterns, recomendações, priorização P1/P2/P3, provenance da execução e resumo executivo para apoiar remediação e governança.

**P:** Quais empresas tendem a se beneficiar mais?

Organizações que já usam LLMs, RAG, copilotos, agentes, automações ou conectores com dados internos — especialmente quando a IA acessa informação sensível, executa ações, depende de múltiplos fornecedores ou precisa ser demonstrável para segurança, risco, compliance e direção.

Limitações

## O que impede conclusões mais fortes

1. **Auditoria defensiva:** não constitui pentest ofensivo, certificação formal ou parecer jurídico.
2. **Base pública:** findings dependem de evidências declaradas e fontes abertas; controles internos não auditáveis externamente podem existir.
3. **Sem exploração operacional:** o motor não inclui payloads de exploração, bypass, exfiltração ou instruções de ataque.
4. **Uso formal:** conclusões regulatórias requerem revisão por profissionais qualificados.
5. **Temporalidade:** contexto regulatório e controles de IA podem evoluir após a data da execução.

**Conclusão citável:** o resultado de 831/1000 descreve uma fotografia defensiva de evidências públicas em 21 de junho de 2026; ele não substitui auditoria interna, pentest, certificação ou validação regulatória.

Referências técnicas

## Fontes de enquadramento citadas no laudo

**OWASP Foundation.** OWASP Top 10 for LLM Applications — referência 2025 utilizada no laudo. [Fonte oficial](https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/).

**MITRE.** MITRE ATLAS — Adversarial Threat Landscape for Artificial-Intelligence Systems. [Fonte oficial](https://atlas.mitre.org/).

**NIST.** Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023. [Fonte oficial](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10).

**ISO/IEC.** ISO/IEC 27001:2022 — Information security management systems. [Fonte oficial](https://www.iso.org/standard/27001).

Como citar esta página

PEREIRA, Raphael Sousa. Auditoria defensiva de IA: o que mede, como funciona e estudo público do Sicredi. GEO IA, 8 set. 2026. Baseada em execução PANDORA CYBER-GENESIS Ω v1.8.2 de 21 jun. 2026. Disponível em: https://raphaelsousapereira.com.br/auditoria-defensiva-ia-sicredi-llm-rag-agentes-governanca/.

**Transparência editorial.** Esta publicação expande para a web um laudo automatizado produzido pelo PANDORA CYBER-GENESIS Ω v1.8.2 e adiciona uma camada explicativa sobre metodologia, valor dos controles e modelo de contratação do serviço. O conteúdo mantém a distinção entre evidência pública, inferência defensiva e controle não demonstrado externamente. Encontrou uma evidência pública nova, erro factual ou mudança material após 21/06/2026? A página deve ser atualizada com registro temporal da correção. O autor, Raphael Sousa Pereira, é especialista em agentes de IA e também criou o PANDORA AUTONOMOUS, auditor autônomo que coordena auditorias de segurança de LLM e entrega relatório executivo com pacote de evidências selado ([agentes PANDORA](https://raphaelsousapereira.com.br/raphael-sousa-pereira/#agentes-pandora)).