O Framework de Supervisão de IA da CSBS Transforma Orientação Voluntária em um Manual para Examinadores

A CSBS divulgou seu framework de supervisão de IA em 16 de setembro, oferecendo aos examinadores estaduais um manual comum, embora a adoção fique a cargo de cada agência. O framework abrange bancos e empresas financeiras não bancárias supervisionados em nível estadual. Ele também surge no momento em que reguladores federais reconsideram como orientações mais antigas sobre modelos e terceiros devem se aplicar a sistemas de IA mais recentes.

Esse contraste define a história. O framework de supervisão de IA da CSBS é voluntário e não cria novas obrigações legais. Ainda assim, oferece aos examinadores perguntas específicas, solicitações de documentos, procedimentos de revisão e ferramentas de classificação de risco que podem moldar inspeções reais.

A abordagem federal está seguindo uma direção diferente. A orientação federal revisada sobre risco de modelos exclui expressamente a IA generativa e agêntica de seu escopo. A CSBS está oferecendo aos examinadores estaduais um método mais amplo para identificar esses sistemas, compreender seu uso e decidir quando uma análise mais aprofundada é apropriada.

Portanto, o framework importa menos como uma nova regra do que como um manual operacional. As instituições financeiras agora têm uma visão mais clara do que um examinador pode perguntar sobre inventários de IA, governança, fornecedores, impactos sobre clientes e ações autônomas.

O Que o Framework de Supervisão de IA da CSBS Muda

A CSBS converteu princípios amplos de governança de IA em um processo prático de exame que as agências estaduais podem adotar ou adaptar.

O framework da CSBS se descreve como uma ferramenta discricionária para examinadores estaduais. Ele os ajuda a identificar o uso de IA, avaliar os riscos associados e decidir quando os recursos de supervisão existentes devem apoiar uma revisão mais profunda.

Essa descrição limitada é importante. A CSBS não anunciou um padrão nacional obrigatório para todas as instituições reguladas pelos estados. Cada agência estadual de regulação financeira decidirá quanto do framework será incorporado ao seu programa de supervisão.

O framework foi aprovado por dois comitês da CSBS em agosto de 2026. A CSBS então o divulgou publicamente em 16 de setembro. Seu público-alvo inclui examinadores que supervisionam bancos com carta estadual e empresas financeiras não bancárias licenciadas pelos estados.

O pacote contém diversos recursos interligados. Seu Guia Central para Examinadores fornece perguntas iniciais de delimitação de escopo, uma lista de solicitação de documentos e procedimentos de revisão. Esses procedimentos abrangem governança, supervisão, inventários de IA, casos de uso, IA generativa e outras aplicações emergentes.

Um Programa de Trabalho para Examinadores acrescenta detalhes sobre a condução da revisão. Suplementos separados para entidades não bancárias tratam de risco de terceiros, risco de modelos e proteção ao consumidor em empresas de serviços financeiros não bancários.

Uma Planilha opcional de Classificação de Risco de Casos de Uso de IA apoia avaliações caso a caso. Em vez de tratar toda ferramenta de IA como igualmente perigosa, os examinadores podem considerar a finalidade, a exposição, a complexidade, as consequências para os clientes e os controles em torno de uma implantação específica.

O Documento de Suporte de Fontes identifica os materiais utilizados para desenvolver o framework. A CSBS afirma que esses materiais incluem o AI Risk Management Framework do National Institute of Standards and Technology e o trabalho do Tesouro sobre terminologia de IA.

Essa base conecta a supervisão estadual a conceitos estabelecidos de gestão de riscos. O framework de IA do NIST, por exemplo, organiza o trabalho de risco em IA em torno de governar, mapear, medir e gerenciar riscos.

O pacote da CSBS leva esses conceitos para o contexto de exames. Uma instituição pode precisar demonstrar onde a IA é usada, quem a aprovou, quais dados ela acessa e como alguém monitora seu desempenho.

Os examinadores também podem perguntar como a instituição controla sistemas de fornecedores. Os registros relevantes podem incluir contratos, termos de uso de dados, documentos de testes, avaliações de risco e exemplos de resultados voltados ao cliente.

Para sistemas agênticos, a revisão se torna mais operacional. Um sistema agêntico pode executar ações em direção a um objetivo com orientação humana limitada. Os examinadores podem analisar suas ações permitidas, pontos de verificação humanos, registros de atividade, reversibilidade e controles de desligamento de emergência.

Esse nível de especificidade muda a preparação. Uma política geral de IA não responderá a todas as perguntas prováveis. As instituições precisam de evidências que conectem a governança escrita aos sistemas reais, fornecedores, decisões e resultados para os clientes.

O framework também alcança usos que talvez nunca se enquadrem em uma definição matemática estreita de modelo. Um assistente de atendimento ao cliente, uma ferramenta de pesquisa para funcionários, um fluxo de trabalho de fraude ou um processo autônomo ainda podem gerar riscos de privacidade, cibersegurança, conformidade e operação.

A CSBS forneceu, na prática, um mapa que vai da descoberta de IA a um exame mais profundo. Esse mapa cria a tensão central do artigo: as agências estaduais mantêm discricionariedade, mas as empresas supervisionadas agora sabem quais evidências essas agências podem solicitar.

Por Que as Empresas Reguladas pelos Estados Estão Agora em Alerta

A pressão imediata recai sobre instituições que não conseguem produzir um inventário confiável de seu próprio uso de IA.

Um inventário de IA é um registro estruturado de sistemas de IA implantados ou aprovados. Geralmente, ele identifica o responsável por cada sistema, finalidade, dados, fornecedor, nível de risco, usuários, controles e histórico de revisão.

Muitas instituições já mantêm inventários de modelos e listas de fornecedores. Esses registros podem não capturar todos os recursos habilitados por IA em softwares de produtividade, plataformas de atendimento ao cliente, ferramentas de segurança ou processos empresariais terceirizados.

O problema de descoberta cresce quando fornecedores adicionam IA por meio de atualizações rotineiras de produtos. Um banco pode aprovar um serviço de software para uma função e, meses depois, receber recursos de sumarização ou decisão automatizada.

A adoção pelos funcionários cria outra lacuna. As equipes podem usar assistentes públicos de IA, extensões de navegador ou copilotos incorporados antes que as equipes de conformidade classifiquem a atividade. Bloquear todas as ferramentas não resolve a questão de governança quando produtos autorizados também introduzem IA.

O framework de supervisão de IA da CSBS incentiva as instituições a conectar esses fragmentos. Os examinadores podem começar com perguntas de escopo e documentos e, então, identificar áreas que merecem uma análise mais detalhada.

Uma instituição financeira deve esperar perguntas sobre responsabilização. Os examinadores podem querer saber qual executivo ou comitê é responsável pelo risco de IA e quem pode suspender um sistema quando surgirem problemas.

Essa responsabilidade não pode permanecer puramente técnica. Uma ferramenta de crédito pode envolver requisitos de concessão justa de crédito. Um assistente de clientes pode criar preocupações com divulgações, privacidade ou práticas desleais. Um sistema de fraude pode afetar o acesso a transações e a resolução de erros.

O U.S. Government Accountability Office documentou esse cenário mais amplo de riscos em sua análise de IA financeira. O órgão identificou benefícios potenciais, além de decisões enviesadas, falhas na qualidade dos dados, preocupações com privacidade e novas ameaças de cibersegurança.

O GAO também constatou que os reguladores financeiros supervisionam principalmente a IA por meio de leis existentes, orientações e exames baseados em risco. A CSBS segue esse padrão. Seu framework ajuda os examinadores a conectar um caso de uso de IA às autoridades de supervisão existentes e às categorias de risco estabelecidas.

Essa estrutura pressiona empresas não bancárias, assim como bancos. Empresas hipotecárias, transmissoras de dinheiro, credores ao consumidor e outras empresas licenciadas frequentemente operam em vários estados.

Uma empresa multiestadual pode enfrentar escolhas de implementação diferentes entre as agências. Um regulador pode incorporar o framework completo, enquanto outro usa perguntas selecionadas ou procedimentos de exame já existentes.

A resposta prática não é criar um programa de governança separado para cada jurisdição. As empresas precisam de uma base de evidências defensável que possa sustentar diversas abordagens de supervisão.

Essa base começa com o inventário, mas não pode terminar nele. Cada caso de uso relevante precisa de um responsável identificado, uma finalidade aprovada, limites documentados e controles compatíveis com seu impacto potencial.

Sistemas de terceiros exigem atenção especial. O questionário de segurança de um fornecedor pode não explicar como seu recurso de IA foi testado, se dados de clientes treinam outro modelo ou como os resultados mudam após atualizações.

As instituições também precisam de registros sobre supervisão humana. Dizer que uma pessoa continua envolvida não explica o que ela analisa, quando ocorre a intervenção ou se ela consegue reverter uma ação automatizada.

No trabalho de conhecimento, a documentação é mais fácil quando políticas, aprovações, materiais de fornecedores e registros de testes permanecem pesquisáveis em conjunto. Uma base de conhecimento de IA mantida pode apoiar esse trabalho, embora não substitua sistemas formais de conformidade.

As instituições sob maior pressão não são necessariamente aquelas com mais IA. São aquelas incapazes de explicar onde a IA opera, por que ela opera e quais controles acompanham seu risco.

Essa distinção reflete uma abordagem baseada em risco. Um assistente de redação de baixo impacto não deve receber a mesma revisão que uma decisão automatizada de crédito ou uma ação autônoma de pagamento.

No entanto, uma instituição precisa primeiro identificar ambos os sistemas. Sem descoberta e inventário, ela não pode estabelecer uma distinção de risco crível.

A Supervisão Bancária de IA Agora Enfrenta um Teste de Consistência

A principal disputa é entre a flexibilidade da supervisão e a necessidade de expectativas consistentes entre estados e agências federais.

A CSBS preserva deliberadamente a discricionariedade dos examinadores. O framework considera o porte, a complexidade, o perfil de risco e o uso efetivo de IA de uma instituição.

Essa adaptação pode proteger instituições menores de esforços de conformidade desproporcionais. Um banco comunitário com exposição limitada à IA não deveria precisar do mesmo programa que um grupo financeiro complexo que implanta modelos em grandes linhas de negócio.

A flexibilidade estadual também reflete a estrutura da supervisão financeira americana. As agências estaduais supervisionam diferentes combinações de bancos, credores, transmissoras de dinheiro, empresas hipotecárias e outras empresas reguladas.

A contrapartida é a previsibilidade. Quando cada agência decide como usar o framework, as instituições não podem presumir que os exames seguirão um escopo ou limiar idêntico.

Um examinador pode tratar o Guia Central para Examinadores como uma triagem preliminar. Outra agência pode estruturar suas solicitações de documentos e seu trabalho de exame em torno de todo o pacote.

Essa preocupação não é teórica. A presidente da CSBS, Rhoshunda Kelly, já havia defendido a implementação consistente das expectativas de supervisão e uma coordenação mais clara entre reguladores estaduais e federais.

A posição federal acrescenta outra camada. Em abril de 2026, o Federal Reserve, o Office of the Comptroller of the Currency e a Federal Deposit Insurance Corporation revisaram sua orientação conjunta sobre risco de modelos.

A orientação federal revisada enfatiza uma abordagem baseada em risco, adaptada à exposição a modelos, ao porte organizacional e à complexidade operacional. Ela abrange desenvolvimento, validação, monitoramento, governança, inventários, documentação e produtos de fornecedores.

No entanto, essa orientação afirma que a IA generativa e agêntica é nova e evolui rapidamente. Por isso, exclui esses sistemas do escopo formal do documento.

Essa exclusão não significa que os bancos possam usar IA generativa sem controles. A orientação afirma que práticas mais amplas de gestão de riscos e governança devem determinar a supervisão adequada para ferramentas fora de seu escopo.

Isso cria um problema de delimitação. Um sistema estatístico tradicional pode se enquadrar diretamente nas orientações federais sobre risco de modelo. Um assistente generativo conectado ao mesmo fluxo de trabalho pode exigir controles extraídos de outros frameworks.

A CSBS aborda o lado de identificação dessa lacuna. Seu guia para examinadores inclui explicitamente IA generativa e usos emergentes nos procedimentos iniciais de revisão.

As duas abordagens não são contradições diretas. As agências federais restringiram um corpo específico de orientações sobre modelos, enquanto a CSBS criou um framework mais amplo para examinadores que remete a recursos de supervisão já existentes.

Ainda assim, as empresas precisam traduzir essa distinção em operações. Elas precisam saber quando um sistema é um modelo abrangido, um processo habilitado por IA, um serviço de terceiros ou várias dessas categorias ao mesmo tempo.

As dependências de fornecedores tornam a classificação mais difícil. Uma instituição financeira pode não receber acesso aos dados de treinamento, ao código subjacente, aos métodos de avaliação ou a evidências completas de desempenho.

As orientações federais afirmam que componentes proprietários de fornecedores podem criar desafios de validação. Ainda assim, esperam que as organizações compreendam a solidez conceitual, o design, os dados de desenvolvimento, o desempenho e a adequação contínua à finalidade.

Fornecedores de IA generativa podem não disponibilizar todas essas informações. Seus produtos também podem mudar com mais frequência do que modelos bancários convencionais, por vezes por meio de atualizações controladas inteiramente pelo fornecedor.

A CSBS oferece aos examinadores estaduais uma forma de analisar essa incerteza. Seus suplementos para não bancos e pedidos de documentos podem conectar a supervisão de fornecedores à proteção do consumidor, aos controles operacionais e ao risco de modelo, quando aplicável.

As agências federais também estão revisitando a supervisão de terceiros. Sua proposta sobre terceiros, de setembro de 2026, busca uma abordagem baseada em princípios, adaptada a cada relacionamento.

A proposta não é vinculante, e os comentários públicos continuam fazendo parte do processo. Ainda assim, ela mostra que a supervisão de fornecedores está mudando junto com a supervisão de IA.

As instituições, portanto, enfrentam várias camadas em transformação. Elas devem acompanhar a implementação estadual, os limites federais para modelos, as orientações emergentes sobre terceiros e as leis que regem a atividade financeira subjacente.

A melhor defesa é um sistema de controles que siga o caso de uso, e não seu rótulo. Chamar um software de copilot, assistente, algoritmo ou fluxo de trabalho não deveria determinar toda a análise de risco.

Finalidade, autoridade, acesso a dados, impacto sobre o cliente e reversibilidade oferecem critérios mais duradouros. Esses fatores continuam relevantes mesmo quando um fornecedor altera o modelo subjacente.

Um Manual Prático Ainda Deixa Incerteza Jurídica

O framework melhora a preparação para exames, mas não resolve as questões de autoridade, fiscalização ou padronização que cercam a supervisão bancária de IA.

A CSBS afirma que o framework é discricionário. Também diz que cada agência estadual controla se e como os materiais entram em seu programa de supervisão.

Isso limita alegações sobre efeito nacional imediato. A publicação não significa que todos os examinadores estaduais começarão a usar todas as planilhas no próximo ciclo de exames.

O framework também não cria, por si só, uma nova obrigação legal. Uma constatação de examinador ainda pode vincular a atividade de IA a leis existentes, preocupações de segurança e solidez, requisitos de proteção ao consumidor ou expectativas de supervisão já estabelecidas.

Essa distinção importa para empresas reguladas. Um documento rotulado como voluntário pode influenciar a forma como examinadores coletam evidências e avaliam se outro requisito vinculante foi violado.

A carga prática pode chegar antes de qualquer ação formal de fiscalização. As instituições podem receber pedidos de documentos mais amplos, enfrentar perguntas complementares ou precisar de especialistas para explicar sistemas complexos.

Empresas menores podem ter dificuldade com essa preparação. Elas dependem fortemente de processadores centrais e fornecedores de tecnologia, mas frequentemente têm menos poder de barganha para obter documentação detalhada sobre IA.

Um fornecedor pode disponibilizar um relatório de auditoria padrão sem revelar o comportamento do modelo, o tratamento de prompts, subcontratados ou controles de atualização. A instituição continua responsável por compreender riscos que só consegue observar parcialmente.

A classificação por níveis de risco introduz outra incerteza. A planilha opcional incentiva uma revisão proporcional, mas as classificações de risco dependem de pressupostos sobre impacto, autonomia, dados e eficácia dos controles.

Dois revisores podem classificar razoavelmente o mesmo caso de uso de forma diferente. Um assistente de redação pode parecer de baixo risco até que funcionários insiram dados confidenciais de clientes ou se apoiem em uma análise jurídica fabricada.

Resultados voltados ao cliente acrescentam mais complexidade. Um chatbot pode não tomar decisões formais de crédito, mas respostas imprecisas podem afetar reclamações, tarifas, acesso à conta ou a compreensão dos consumidores sobre seus direitos.

Sistemas agênticos elevam os riscos operacionais. A aprovação humana só é significativa quando o revisor tem informações, tempo, autoridade e conhecimento suficientes para interromper uma ação prejudicial.

Os logs também precisam ter substância. Um registro que mostra que um sistema de IA agiu não prova que a decisão foi apropriada nem que seu raciocínio pode ser reconstruído.

A dependência do framework em recursos de supervisão existentes é sensata, mas pode produzir revisões sobrepostas. Uma implantação de IA pode envolver cibersegurança, privacidade, risco de terceiros, resiliência operacional, conformidade com normas de proteção ao consumidor e governança de modelos.

Essa sobreposição pode melhorar a cobertura quando as equipes se coordenam. Também pode gerar pedidos duplicados ou expectativas conflitantes de controle quando as responsabilidades permanecem indefinidas.

A qualidade das evidências apresenta outro desafio. As instituições devem distinguir alegações de fornecedores de testes independentes, avaliação interna, monitoramento em produção e resultados para clientes.

Uma demonstração fornecida por um provedor não estabelece o desempenho no ambiente de um banco. Os testes devem refletir os usuários, dados, fluxos de trabalho, modos de falha e obrigações legais da instituição.

Resultados generativos exigem avaliação além da precisão convencional. Os revisores podem precisar avaliar fabricação de informações, instruções prejudiciais, vazamento de dados, tratamento inconsistente, ataques por prompt e resistência a ações não autorizadas.

O monitoramento contínuo também se torna mais difícil quando os sistemas mudam rapidamente. Uma avaliação de controle realizada antes do lançamento pode perder relevância depois que um modelo, fonte de dados, prompt ou integração é alterado.

É por isso que os inventários devem incluir gatilhos de ciclo de vida. As instituições devem definir quais mudanças exigem novos testes, revisão jurídica, avaliação do fornecedor, aprovação executiva ou suspensão.

O framework de IA da CSBS explicado como uma simples lista de verificação de conformidade deixaria de captar esse ponto. Seu valor vem de estruturar a investigação, e não de certificar que um sistema é permanentemente seguro.

Também ainda não há evidências de que todas as agências estaduais interpretarão o pacote de forma consistente. A prática inicial de exames revelará se o framework produz convergência ou mais uma camada de variação jurisdicional.

As instituições devem evitar dois erros opostos. Não devem tratar um framework discricionário como uma regra vinculante imediata, nem descartá-lo como uma orientação irrelevante.

A leitura mais precisa está entre essas posições. A CSBS criou um vocabulário comum de supervisão e um processo reutilizável. A adoção, a interpretação e a fiscalização permanecem descentralizadas.

Três Sinais Mostrarão se o Framework Importa

A influência real do framework ficará visível por meio da adoção estadual, da prática de exames e da coordenação com orientações federais em desenvolvimento.

O primeiro sinal é a adoção formal ou operacional pelas agências estaduais. Comunicados públicos, manuais de exame revisados, novos pedidos de documentos e treinamento de examinadores mostrarão onde o framework se torna ativo.

Um estado não precisa emitir uma nova regulamentação para tornar o framework relevante. Incorporar suas perguntas aos exames de rotina pode mudar a forma como as empresas se preparam e como os examinadores identificam usos de maior risco.

Uma adoção ampla reforçaria o argumento para construir um único sistema corporativo de evidências. Uma adoção fragmentada aumentaria a necessidade de mapear os registros de governança em relação a expectativas específicas de cada jurisdição.

O segundo sinal é o conteúdo dos exames reais. As instituições devem observar se os examinadores se concentram primeiro em inventários e governança ou se avançam rapidamente para testar casos de uso específicos.

Pedidos de contratos com fornecedores, documentação de modelos, amostras de resultados, registros de incidentes e avaliações de risco revelarão quais seções têm maior peso prático.

A atenção aos controles agênticos seria especialmente significativa. Perguntas sobre ações permitidas, pontos de verificação humanos, logs de auditoria, reversibilidade e mecanismos de desligamento indicariam um escrutínio operacional mais profundo.

Os exames também revelarão como os revisores tratam o uso informal por funcionários. Um framework centrado apenas em sistemas corporativos aprovados pode deixar passar riscos substanciais relacionados a dados e decisões.

O terceiro sinal é a coordenação federal. As agências federais restringiram as atuais orientações sobre risco de modelo enquanto preparam trabalho adicional sobre IA e relações com terceiros.

O OCC afirmou em abril que as agências planejavam coletar mais informações focadas em IA, incluindo sistemas generativos e agênticos. Qualquer pedido ou orientação resultante pode esclarecer onde a abordagem federal se sobrepõe à da CSBS.

Uma abordagem coordenada reduziria a incerteza para bancos licenciados pelos estados que também enfrentam supervisão federal. Definições ou padrões de documentação divergentes criariam mais trabalho de adaptação.

A atenção contínua do GAO à supervisão de cooperativas de crédito oferece outro indicador útil. Sua recomendação de orientações mais amplas sobre risco de modelo mostra que a cobertura de supervisão continua desigual entre os tipos de instituição.

Nenhum desses sinais exige que as empresas esperem. O framework já identifica trabalhos de preparação que apoiam uma governança sólida, independentemente da decisão de adoção de uma agência específica.

As instituições podem verificar seus inventários, atribuir responsáveis, classificar casos de uso e documentar critérios de aprovação. Também podem testar se os registros dos fornecedores respondem às perguntas que um examinador provavelmente fará.

Sistemas de alto impacto merecem monitoramento de resultados vinculado à sua finalidade real. Uma ferramenta contra fraude deve ser avaliada em relação aos resultados de fraude e à interrupção para clientes, e não apenas a benchmarks técnicos.

Sistemas voltados ao cliente precisam de revisão representativa dos resultados. As equipes devem preservar evidências de falhas, correções, reclamações e mudanças, em vez de registrar apenas demonstrações bem-sucedidas.

Implantações agênticas exigem autoridade claramente delimitada. As organizações devem definir quais ações precisam de aprovação, quais podem ser revertidas e quem pode desativar o sistema durante um incidente.

Conselhos e gestores seniores não precisam dominar toda arquitetura de modelo. Eles precisam, porém, de relatórios precisos sobre usos materiais, riscos não resolvidos, incidentes, limitações de fornecedores e exceções aceitas.

A mesma disciplina ajuda os funcionários. Regras claras devem distinguir sistemas aprovados de usos proibidos e explicar como os trabalhadores podem reportar comportamentos inesperados.

O framework de supervisão de IA da CSBS terá maior importância se mudar esses hábitos operacionais. Uma pasta de políticas bem organizada, por si só, não demonstrará controle sobre sistemas implantados.

Para fornecedores de tecnologia, a mensagem é igualmente direta. As instituições financeiras solicitarão cada vez mais documentação mais clara sobre tratamento de dados, testes, mudanças no sistema, subcontratados, logs e intervenção humana.

Fornecedores que não conseguem oferecer evidências confiáveis podem se tornar mais difíceis de aprovar, mesmo quando seus produtos apresentam bom desempenho. As equipes de compras precisam de direitos contratuais que apoiem a supervisão contínua após a implantação.

Para as instituições financeiras, o próximo passo é uma revisão focada de prontidão. A organização consegue identificar todos os usos materiais de IA, vinculá-los a um responsável e apresentar evidências que sustentem sua classificação de risco?

Ele consegue explicar o que um sistema de fornecedor faz sem depender inteiramente de materiais de vendas? Consegue mostrar o que acontece quando o sistema falha ou toma uma ação não autorizada?

Essas perguntas sintetizam o significado prático do novo framework. A implementação pelos estados continua incerta, mas as evidências esperadas estão se tornando mais claras.

A próxima fiscalização pode não usar todos os documentos da CSBS. Ainda assim, ela pode fazer a mesma pergunta fundamental: a instituição entende e controla a IA que opera dentro de seu negócio?