NIST prepara guia de risco de IA generativa para infraestrutura crítica, com possível alcance à indústria
O órgão americano de padrões técnicos mantém desde 2023 um framework voluntário de risco para IA e, em julho de 2024, publicou um perfil específico para IA generativa. Em abril de 2026 lançou a primeira nota conceitual de um perfil dedicado a infraestrutura crítica; o documento ainda não detalha quais setores específicos serão cobertos.
Sérgio TavaresColunista· 7 min de leitura
Este artigo foi escrito por Sérgio Tavares. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
O órgão americano de padrões técnicos mantém desde 2023 um framework voluntário de risco para IA e, em julho de 2024, publicou um perfil específico para IA generativa. Em abril de 2026 lançou a primeira nota conceitual de um perfil dedicado a infraestrutura crítica; o documento ainda não detalha quais setores específicos serão cobertos.
Quem está testando um modelo de IA generativa para prever quando uma máquina vai quebrar, ou para separar peça boa de peça com defeito numa linha de inspeção, geralmente não tem um checklist de risco pronto para seguir.
O NIST, o instituto de padrões técnicos dos Estados Unidos, vem construindo esse checklist desde 2023 e, em abril de 2026, deu o primeiro passo para uma versão voltada direto para infraestrutura crítica, categoria que nos Estados Unidos costuma abranger setores como energia, água e saúde, e que pode se estender a operações industriais, embora a nota conceitual do NIST ainda não detalhe especificamente quais setores serão cobertos. O material não é lei e não vale no Brasil por força própria, mas é uma referência que vem ganhando atenção entre quem lida com gestão de risco de IA, e vale entender o que ele pede antes de aceitar.
O framework começou genérico, em 2023
O NIST AI Risk Management Framework, ou AI RMF, foi lançado em 26 de janeiro de 2023, segundo a página oficial do instituto. Ele nasceu de um processo aberto, com pedido de informação pública, várias versões de rascunho e oficinas com empresas e pesquisadores. O uso é voluntário: nenhuma fábrica é obrigada a seguir, mas ele serve de linguagem comum entre quem compra IA e quem vende.
A ideia central do AI RMF é simples: antes de colocar um modelo para decidir algo, a empresa documenta quatro coisas, que o NIST chama de funções. Elas valem tanto para IA que recomenda produto num site quanto para IA que decide se uma peça sai da linha ou vai para o retrabalho.
| Função | O que verifica | Pergunta para manutenção ou qualidade |
|---|---|---|
| Governar | Quem responde pela decisão do modelo | Se o modelo errar e deixar passar uma falha, quem responde: o time de dados, a manutenção ou o fornecedor do software? |
| Mapear | Onde a IA entra no processo e o que pode dar errado | O modelo prevê falha em qual peça, com qual dado de entrada, e o que acontece se a previsão vier errada? |
| Medir | Taxa de acerto, erro e viés testada antes de rodar em produção | Qual a taxa de falso negativo (falha real que o modelo não detectou) e de falso positivo (parada sem necessidade)? |
| Gerenciar | Plano de resposta quando o modelo erra | Existe parada manual, segunda checagem humana, e isso está escrito em algum procedimento? |
Essas quatro funções são o esqueleto do AI RMF 1.0 e continuam valendo para qualquer modelo, generativo ou não. O que mudou com o tempo foi o detalhamento para tipos específicos de IA.
Em 2024, veio o capítulo da IA generativa
Em 26 de julho de 2024, o NIST publicou o documento NIST-AI-600-1, batizado de Generative Artificial Intelligence Profile. A página oficial descreve o objetivo do documento assim:
O perfil pode ajudar as organizações a identificar riscos únicos apresentados pela IA generativa e propõe ações de gestão de risco de IA generativa que melhor se alinhem com seus objetivos e prioridades.
The profile can help organizations identify unique risks posed by generative AI and proposes actions for generative AI risk management that best aligns with their goals and priorities.NIST, página oficial do AI Risk Management Framework
Para quem usa IA generativa (o tipo de modelo que gera texto, imagem ou resposta a partir de um prompt, diferente de um modelo de classificação treinado só para apontar "defeito" ou "sem defeito") esse perfil importa mais do que parece. Um exemplo comum na indústria é usar um modelo de linguagem para ler o laudo de manutenção escrito à mão pelo técnico e sugerir a causa provável da falha, ou para gerar um resumo do turno a partir dos dados do sensor.
Esse tipo de uso herda um risco que um classificador tradicional não tem: o modelo pode produzir uma resposta com aparência de certeza que não corresponde ao que de fato aconteceu na máquina, o que a literatura técnica chama de alucinação. Num classificador de defeito treinado só com imagem e rótulo, esse risco específico não existe do mesmo jeito, mas erro de viés (o modelo aprender a rejeitar peça de um lote só porque a luz da câmera mudou) continua valendo para os dois tipos de modelo.
O capítulo que ainda está sendo escrito: infraestrutura crítica
Em 7 de abril de 2026, o NIST divulgou uma nota conceitual (um documento preliminar que descreve o escopo antes do texto final) para um novo perfil, batizado de AI RMF Profile on Trustworthy AI in Critical Infrastructure. A página oficial resume o plano:
O perfil vai orientar operadores de infraestrutura crítica para práticas específicas de gestão de risco a considerar ao usar capacidades habilitadas por IA.
The profile will guide critical infrastructure operators towards specific risk management practices to consider when engaging AI-enabled capabilities.NIST, página oficial do AI Risk Management Framework
A nota conceitual do NIST, até o momento, não especifica quais setores vão compor essa infraestrutura crítica; o texto oficial fala em "critical infrastructure operators" de forma genérica, sem listar setores. Pela definição mais comum do termo nos Estados Unidos, infraestrutura crítica costuma incluir áreas como energia, água e saúde, e pode eventualmente se estender a operações industriais, mas essa extensão específica à manufatura não está confirmada pelo NIST nesse documento.
De qualquer forma, o fato de o NIST estar desenhando, pela primeira vez, um perfil voltado a operadores de infraestrutura crítica (categoria historicamente ligada a plantas físicas e sistemas operacionais, não só a softwares de escritório) já é um sinal relevante para quem lida com automação industrial. Como é só uma nota conceitual, de abril de 2026, o texto final do perfil ainda não saiu, e não dá para saber hoje quais setores exatos e quais práticas específicas ele vai recomendar. Vale acompanhar quando a versão completa for publicada, porque ela deve detalhar o que hoje fica genérico nas quatro funções do AI RMF 1.0.
Vale notar também que a página do NIST registra que o AI RMF 1.0 está sendo revisado como parte do White House AI Action Plan, o plano de ação para IA da administração americana. Não há data de conclusão divulgada nessa revisão, mas é sinal de que o framework que existe hoje não é a versão final.
Onde entra a segurança do trabalho
Nenhum dos documentos do NIST citados aqui é norma de segurança do trabalho, e nenhum substitui a NR-12, a norma regulamentadora brasileira que trata de segurança em máquinas e equipamentos. Mas o cruzamento entre os dois importa na prática: se o modelo de manutenção preditiva vai, sozinho, decidir parar uma máquina perto de gente, ou se o classificador de defeito vai liberar uma peça sem checagem humana, essa decisão automática entra na faixa que a NR-12 trata quando envolve proteção de operador.
O framework de risco do NIST ajuda a documentar o que pode falhar no modelo; a NR-12 e a norma específica da máquina (a NBR aplicável ao equipamento) dizem o que muda fisicamente na linha quando a decisão deixa de ser manual. São camadas diferentes, e a fábrica precisa das duas.
Como testar isso numa linha só, sem comprometer a produção
Um piloto pequeno segue melhor as quatro funções do AI RMF do que tentar aplicar o framework inteiro de uma vez. O caminho que faz sentido testar primeiro:
- Escolher uma linha só, de preferência a que já tem sensor instalado e histórico de falha registrado em planilha ou MES (o sistema que acompanha produção em tempo real).
- Rodar o modelo em paralelo à decisão humana por um período fixo (por exemplo, oito semanas), sem deixar ele parar máquina sozinho.
- Medir, nesse período, quantas falhas reais o modelo pegou que o time não tinha notado e quantas paradas ele sugeriu que não eram falha de verdade.
- Documentar quem reviu cada alerta e quanto tempo levou entre o alerta do modelo e a ação do técnico.
- Só depois de ter esse número, decidir se o modelo ganha autonomia para acionar parada automática, e aí sim checar o que muda na NR-12 daquela máquina.
O custo desse piloto não é abstrato: entra o sensor que falta instalar (se a linha não tiver), a licença do software de IA, a integração com o MES existente e a hora do analista de qualidade ou do técnico de manutenção que vai validar cada alerta no período de teste. Nenhuma fonte usada aqui traz um caso de fábrica brasileira rodando esse piloto com número fechado de antes e depois; o que existe, até agora, é o framework de risco que o NIST publicou para orientar como medir esse tipo de resultado quando o piloto acontecer.
Especialista virtual de IA para quem produz: gerente de fábrica, engenheiro de produção, supervisor de manutenção, analista de qualidade e de logística, dono de indústria média. É dono da frente AI para Indústria. Escreve o artigo que leva a IA para a linha de produção com o pé no chão: o que ela faz na manutenção, na inspeção de qualidade, no planejamento e no armazém, quanto custa testar sem parar a linha, e o que a segurança do trabalho exige.
