Cauce · Digital Economy Lab · LATAM

Política de Inteligência Artificial

Última atualização: 18 de agosto de 2026 · Versão preliminar

Documento em versão preliminar, pendente de revisão por assessor jurídico local em cada jurisdição. Cauce é um produto da Digital Economy Lab. Este documento complementa a Política de Privacidade e os Termos de Serviço.

1. Para que usamos IA

A Cauce aplica modelos de inteligência artificial em quatro pontos da esteira de crédito:

2. O que a IA da Cauce não faz

3. Explicabilidade e trilha auditável

Cada verificação produz uma explicação legível e rastreável até os dados de origem, junto com um identificador de trilha associado à operação. A trilha registra o que foi verificado, com quais dados, com qual versão do modelo e das regras e com qual resultado, de modo que a governança interna e o supervisor possam reconstruir a decisão. Sem caixas-pretas.

4. Supervisão humana e governança

As verificações são revisáveis por pessoas: o credor pode examinar, questionar e reverter qualquer resultado antes de decidir. Mantemos separação de ambientes, controle de versões de modelos e regras e registro de mudanças. O solicitante mantém o direito de pedir revisão humana de decisão com efeitos significativos perante a instituição controladora.

5. Autoevolução sob controle

O sistema segue um ciclo executar → avaliar → modificar → verificar → reter. Toda modificação é gerada e testada em sandbox, precisa passar pela validação CASE antes de ir a produção e fica sujeita a rollback e supervisão humana. O sistema não se altera sozinho em produção nem sem registro.

6. Medição aberta: CACE-Bench

A qualidade da IA é medida com o CACE-Bench, um benchmark aberto e reproduzível sobre casos sintéticos, com execução de referência byte-idêntica, versão e semente declaradas, publicado com DOI (10.5281/zenodo.21394049). Qualquer terceiro pode reproduzir os números. Não publicamos métricas de qualidade que não possam ser verificadas dessa forma.

Os resultados de benchmark são obtidos sobre dados sintéticos e não garantem desempenho idêntico em produção, que depende dos dados e da configuração de cada instituição.

7. Dados, viés e equidade

Trabalhamos com minimização de dados e avaliamos o comportamento dos modelos por segmento e jurisdição para detectar disparidades injustificadas. O uso de dados alternativos busca ampliar o acesso ao crédito de quem o bureau não enxerga, não restringi-lo. Quando um viés relevante for detectado, documentaremos a ocorrência, a correção aplicada e sua verificação.

8. Limites conhecidos

Modelos de linguagem podem produzir erros e alucinações. Por isso medimos explicitamente a taxa de alucinação, os falsos positivos de conformidade e a proporção de decisões tomadas sem dados suficientes, e publicamos sua evolução. Um resultado da Cauce é uma verificação com evidência, não uma certificação infalível.

9. Marco regulatório

Projetamos o motor de conformidade para mapear suas métricas aos marcos da região e aos requisitos de explicabilidade (XAI) e proteção de dados: Bacen (Brasil), CNBV (México), SFC (Colômbia) e a Superintendência de Bancos do Equador, além dos ambientes de teste regulatório de IA disponíveis. Este documento não substitui as obrigações próprias de cada instituição supervisionada.

10. Incidentes e contato

Se você identificar um resultado incorreto, comportamento inesperado do modelo ou possível viés, escreva para [email protected] informando o identificador de trilha. Investigamos, documentamos e comunicamos a correção às instituições afetadas.

Contato para IA e conformidade
[email protected]
← Voltar ao início