Avaliações de Impacto de IA da EPA Permanecem Secretas enquanto Grupos de Transparência Apelam
A EPA reteve as avaliações finais de suas ferramentas de IA de alto impacto, apesar de regras federais exigirem que as agências documentem os riscos antes de implantar esses sistemas. A recusa agora resultou em um recurso administrativo e em um teste direto da transparência federal em IA.
A Public Employees for Environmental Responsibility, conhecida como PEER, e a Free Information Group, ou FIG, anunciaram o recurso em 15 de setembro de 2026. Seu pedido de março, com base na Freedom of Information Act, buscava registros sobre IA em avaliações químicas, incluindo ferramentas de triagem associadas a sete substâncias químicas.
A EPA identificou seu inventário público de IA e as avaliações finais de impacto como registros pertinentes. No entanto, reteve as avaliações sob o privilégio do processo deliberativo e informou não ter encontrado registros pertinentes para outras 13 categorias do pedido.
Essa resposta cria um conflito maior do que uma única disputa por registros. A política federal promove a rápida adoção de IA enquanto exige controles adicionais para sistemas que afetam saúde, segurança e direitos. As avaliações de impacto de IA da EPA deveriam revelar se esses controles funcionam antes que resultados algorítmicos entrem em decisões relevantes da agência.
A questão ainda sem resposta não é se a EPA usa IA. Seus planos e inventários públicos estabelecem que sim. A questão é se pessoas de fora da agência podem avaliar as evidências por trás de suas garantias.
O Recurso sobre as Avaliações de Impacto de IA da EPA Tem como Alvo Registros Finais
O recurso contesta tanto a decisão da EPA de reter as avaliações quanto os aparentes limites de sua busca por registros.
PEER e FIG apresentaram seu pedido original em 5 de março de 2026. Segundo seu anúncio do recurso, o pedido abrangia o uso de IA pela EPA em avaliações químicas e seu trabalho de triagem envolvendo sete substâncias químicas.
As organizações buscaram mais do que uma lista geral de projetos de IA. Solicitaram documentos sobre seleção de ferramentas, testes, desempenho, salvaguardas e o papel que a IA poderia desempenhar em avaliações químicas.
A EPA afirmou ter localizado apenas duas categorias de material pertinente. Uma era seu Inventário de Casos de Uso de IA de 2025, que a agência já publica. A outra era um conjunto de avaliações finais de impacto para ferramentas de IA de alto impacto da EPA.
Essas avaliações não foram divulgadas. A EPA invocou o privilégio do processo deliberativo, uma proteção comumente associada a comunicações internas criadas antes de uma agência chegar a uma decisão.
A disputa gira, em parte, em torno da palavra “final”. Uma avaliação final pode conter análises, recomendações ou outro material ligado a deliberações internas. Seu título, por si só, não resolve se cada parte se qualifica para retenção.
No entanto, o título dá aos solicitantes uma base clara para escrutínio. Se as avaliações registram testes concluídos, controles adotados, determinações finais de risco ou conclusões factuais, os grupos argumentam que a EPA não deveria tratá-las como deliberações inteiramente secretas.
Disputas sob a FOIA frequentemente exigem que as agências separem trechos isentos de informações não isentas razoavelmente segregáveis. Isso significa que a questão central não é necessariamente divulgação total ou sigilo absoluto. A EPA pode enfrentar questionamentos sobre se poderia divulgar seções factuais, resumos, conclusões ou versões com redações.
A própria busca é outro ponto de conflito. A EPA supostamente não encontrou registros pertinentes para outras 13 categorias que abrangiam práticas mais amplas de governança de IA e triagem química.
Esse resultado não prova que faltam registros ou que a EPA realizou uma busca inadequada. As agências podem discutir programas publicamente sem criar todos os documentos que um solicitante espera.
Ainda assim, a lacuna merece análise. A EPA publicou uma estratégia de IA, mantém órgãos de governança, acompanha casos de uso e discutiu a expansão da IA no trabalho da agência. Uma busca por registros que retorna tão poucos detalhes cria tensão entre o programa público da agência e seu rastro documental.
O diretor executivo da PEER, Tim Whitehouse, enquadrou a questão em torno da responsabilização pública. Ele argumentou que os contribuintes financiam essas ferramentas e que seus resultados podem afetar saúde, segurança e direitos.
O parceiro da FIG, Kevin Bell, descreveu as ferramentas como política expressa em código. Sua preocupação é que uma recomendação automatizada possa moldar um resultado da agência mesmo quando um humano formalmente assina a decisão final.
O recurso não estabelece que os sistemas da EPA sejam inseguros, enviesados ou estejam controlando decisões químicas. Ele pede que a agência revele evidências suficientes para que pessoas de fora avaliem essas possibilidades.
Essa distinção importa. O argumento mais forte pela divulgação não depende de provar previamente danos algorítmicos. Ele se baseia na dificuldade de identificar erros quando o público não pode inspecionar a avaliação, as salvaguardas ou o processo de testes.
Regras Federais Exigem Mais do que um Inventário de IA
Uma lista de projetos mostra que a IA existe, enquanto uma avaliação de impacto deveria mostrar se um sistema relevante é adequado para a função atribuída.
O inventário público de uso de IA da EPA define amplamente um caso de uso. Ele pode incluir sistemas projetados, desenvolvidos, adquiridos ou utilizados para apoiar missões, decisões, serviços ou benefícios públicos da agência.
O inventário de 2025 da agência foi inicialmente divulgado em 10 de fevereiro de 2026 e posteriormente atualizado. A EPA também publica um relatório consolidado sobre formas comuns de uso de IA.
Inventários fornecem informações básicas úteis. Eles podem identificar a finalidade de um projeto, estágio de desenvolvimento, categoria técnica, escritório responsável, participação de fornecedores e classificação de impacto.
Eles não necessariamente expõem as evidências usadas para aprovar a implantação. Uma breve descrição não pode mostrar se os dados de teste representavam condições operacionais reais, se as taxas de erro diferiam entre populações ou se revisores questionaram as premissas da equipe do projeto.
O Memorando OMB M-25-21 estabelece essa distinção. Ele define IA de alto impacto como um sistema cujo resultado serve de base principal para decisões ou ações com efeitos significativos sobre direitos ou segurança.
A participação humana não remove automaticamente um sistema dessa categoria. Uma agência deve considerar a função real do resultado da IA e quanto um processo decisório depende dele.
Segundo a política federal de IA, as agências devem concluir uma avaliação de impacto antes de implantar um caso de uso de IA de alto impacto. Também devem atualizar essa avaliação ao longo do ciclo de vida do sistema, quando apropriado.
A análise exigida é extensa. Ela inclui a finalidade pretendida, benefícios esperados, qualidade dos dados, capacidade do modelo, possíveis efeitos sobre privacidade e direitos civis, procedimentos de reavaliação, custos diretos e revisão independente.
Os testes devem antecipar resultados no mundo real, em vez de depender apenas do desempenho em laboratório. As agências também precisam de procedimentos para detectar e lidar com a queda de desempenho após a implantação.
Esses requisitos tornam uma avaliação de impacto de IA mais informativa do que uma entrada de inventário. A avaliação deveria conectar o benefício alegado de um sistema a evidências, limitações, supervisão e uma pessoa identificada disposta a aceitar o risco residual.
Essa diferença explica por que as avaliações de impacto de IA da EPA se tornaram o centro do recurso. O inventário publicado da EPA confirma atividade, mas não pode substituir a análise detalhada exigida para implantações de alto impacto.
A política da OMB também contém limites importantes. Nem todo fluxo de trabalho assistido por IA se qualifica como de alto impacto, mesmo quando opera dentro de um programa sensível.
Uma ferramenta de busca que ajuda cientistas a localizar artigos pode permanecer consultiva. Um modelo que classifica substâncias químicas para atenção regulatória pode ter maior peso, dependendo de como a equipe usa seu resultado.
A mesma tecnologia pode, portanto, receber classificações diferentes em fluxos de trabalho distintos. Contexto, autoridade, dados e dependência humana importam mais do que o rótulo de marketing do modelo.
Isso cria espaço para divergências razoáveis. A EPA pode concluir que uma ferramenta apoia a pesquisa sem servir de base principal para uma decisão relevante. Críticos podem ver a mesma classificação ou recomendação como praticamente decisiva porque os funcionários raramente se afastam dela.
A avaliação de impacto deveria documentar esse limite. Sem acesso ao seu raciocínio, pessoas de fora não podem determinar se a EPA testou um sistema genuinamente consultivo ou adotou uma definição estreita que subestima sua influência.
Revisão Química Mais Rápida Eleva o Custo de Premissas Ocultas
A IA pode ajudar a EPA a organizar evidências científicas, mas a velocidade se torna perigosa quando escolhas de triagem determinam silenciosamente quais evidências recebem atenção.
Avaliações químicas exigem que cientistas processem conjuntos amplos e desiguais de informações. Os estudos podem diferir em espécie, via de exposição, dose, resultado, qualidade e relevância para a saúde humana.
Aprendizado de máquina e processamento de linguagem natural podem ajudar a classificar estudos, extrair informações, identificar registros relacionados ou priorizar material para revisão. Essas funções podem reduzir trabalho repetitivo e ajudar especialistas a navegar por uma base crescente de evidências.
No entanto, a triagem não é neutra. A classificação de um modelo pode influenciar quais estudos os revisores examinam primeiro, quais registros recebem atenção mais próxima e quais lacunas aparentes desencadeiam pesquisa adicional.
Um falso positivo pode desperdiçar tempo. Um falso negativo pode ser mais grave porque evidências relevantes talvez nunca cheguem ao especialista responsável por avaliar um perigo.
O risco depende do desenho do fluxo de trabalho. Um modelo usado como segundo canal de busca cria uma exposição diferente daquela de um modelo usado para excluir documentos de análise adicional.
É por isso que rótulos amplos como “assistido por IA” revelam pouco. Os leitores precisam saber se o sistema recupera, resume, classifica, exclui, prevê ou recomenda.
Também precisam saber quais dados treinaram ou avaliaram a ferramenta. A literatura científica inclui viés de publicação, terminologia inconsistente, resumos incompletos e décadas de métodos de pesquisa em transformação.
Nomes químicos criam complexidade adicional. Uma substância pode ter vários nomes, enquanto compostos estreitamente relacionados podem ter propriedades materialmente diferentes.
Idealmente, a avaliação da EPA explicaria como o sistema lida com essas condições. Também deveria descrever amostras de validação, medidas de erro relevantes, procedimentos de revisão humana e a resposta quando o desempenho fica abaixo das expectativas.
Nenhuma evidência pública citada no recurso prova que a EPA tenha delegado decisões finais sobre risco químico a um sistema de IA. PEER e FIG afirmam que a agência não explicou se ferramentas de IA entram na tomada de decisões regulatórias ou como são configuradas.
Essa lacuna de verificação deve permanecer central. Seria impreciso descrever uma ferramenta experimental de triagem como um regulador automatizado sem evidências que demonstrem esse papel.
Seria igualmente prematuro descartar a preocupação porque um humano permanece em algum ponto do processo. O viés de automação, a tendência de aceitar prontamente a recomendação de um sistema, pode influenciar resultados mesmo quando a autoridade formal permanece com um funcionário.
Pressões de equipe e de tempo aumentam esse risco. Quando revisores enfrentam milhares de registros, uma lista priorizada pode se tornar a forma prática da revisão.
A IA também pode melhorar a consistência. Um modelo documentado pode aplicar critérios de triagem de maneira mais uniforme do que equipes trabalhando sob prazos diferentes.
Esse potencial benefício reforça a necessidade de uma avaliação mensurável. A EPA deveria ser capaz de demonstrar se a ferramenta encontra evidências relevantes a uma taxa aceitável e se revisores humanos conseguem identificar seus erros.
A disputa, portanto, não é uma simples competição entre tecnologia e revisão manual. Trata-se de automação transparente versus automação cuja influência não pode ser examinada de forma independente.
Os próprios planos da EPA mostram que a agência vê a IA como mais do que um experimento menor. Seus materiais orçamentários para o ano fiscal de 2027 descrevem o apoio da IA a tarefas de regulamentação e licenciamento, incluindo a categorização de dezenas de milhares de comentários públicos.
O orçamento solicitou US$ 202,2 milhões e 730 postos equivalentes a tempo integral para ampliar as capacidades de IA. Esse valor abrange um programa mais amplo, não apenas a triagem de produtos químicos ou ferramentas de alto impacto.
Ainda assim, isso mostra por que os registros de governança importam agora. Uma supervisão que funciona para um projeto-piloto pode não escalar automaticamente para regulamentação, licenciamento, fiscalização e avaliação científica.
A EPA Promete Controles, Mas Mantém as Evidências Internas
A estrutura de governança publicada pela EPA parece séria, mas as avaliações retidas contêm as evidências necessárias para verificar se essa estrutura altera decisões operacionais.
A estratégia de IA da EPA descreve três grupos de governança. O Conselho Executivo de Governança de IA define as diretrizes, enquanto um subcomitê de IA desenvolve políticas e mantém o inventário de casos de uso.
Uma comunidade de prática mais ampla oferece a cientistas de dados e equipes de programas um espaço para trocar feedback e lições operacionais. Esse grupo não é, por si só, um órgão de governança.
A estratégia afirma que a EPA incorpora o Framework de Gestão de Riscos de IA do National Institute of Standards and Technology. Também identifica projetos-piloto, monitoramento, ciclos de feedback, treinamento, revisão de cibersegurança e consulta jurídica como salvaguardas.
Para sistemas de alto impacto, a EPA afirma que seu subcomitê de IA supervisiona controles destinados a lidar com possíveis efeitos negativos. Esses são componentes razoáveis da governança federal de IA.
A estratégia não mostra como esses controles funcionaram para um sistema específico. Ela não pode revelar se um revisor independente encontrou lacunas não resolvidas, se os testes abrangeram modos de falha realistas ou se líderes aceitaram riscos apesar de objeções técnicas.
Essas informações pertencem a registros no nível do projeto. As avaliações de impacto são, portanto, o ponto em que as promessas gerais de governança da EPA deveriam encontrar evidências operacionais.
Retê-las cria um problema de credibilidade, mesmo que a isenção legal acabe se aplicando. Pede-se ao público que confie em um processo cujos resultados mais informativos permanecem indisponíveis.
A EPA poderia reduzir essa lacuna sem publicar código-fonte, dados pessoais protegidos, detalhes de cibersegurança ou informações comerciais confidenciais. Ela poderia divulgar avaliações com redações, resumos de avaliação, cartões de modelo, categorias de falhas ou decisões de risco em linguagem simples.
Também poderia explicar por que um sistema específico se qualifica como de alto impacto. Se uma ferramenta influencia decisões de saúde ou segurança, a agência deveria identificar a decisão, o papel de sua saída e o ponto em que autoridades responsáveis intervêm.
Por outro lado, a EPA deveria explicar qualquer determinação de que um uso aparentemente sensível não é de alto impacto. Isso esclareceria se o sistema fornece apoio administrativo menor ou molda um resultado relevante.
O histórico mais amplo do governo federal mostra que a divulgação incompleta não é exclusiva da EPA. Uma análise de 2026 da Brookings concluiu que as agências documentaram mais de 3.600 casos de uso de IA em 2025.
Sistemas de alto impacto representaram 12,3% do total, ou 445 casos de uso. Ainda assim, a análise constatou que mais de 85% dos casos de alto impacto implantados não tinham alguma informação pública exigida sobre controles de risco.
Essas conclusões do inventário não provam que agências individuais deixaram de realizar avaliações internas. Elas mostram que a divulgação pública não acompanhou a expansão da IA de impacto significativo.
A mesma análise identificou uma importante mudança de política. A orientação anterior abrangia sistemas que controlavam ou influenciavam significativamente os resultados. A M-25-21 agora se concentra em sistemas cujas saídas servem como base principal para decisões.
Essa redação pode restringir a categoria abrangida. Uma agência pode argumentar que a IA apenas informa um processo humano mais amplo, mesmo quando molda substancialmente as evidências disponíveis aos tomadores de decisão.
O risco é uma lacuna de responsabilização. Um sistema pode ser importante o suficiente para alterar um fluxo de trabalho, mas permanecer abaixo de uma interpretação estrita de “base principal”.
O reconhecimento da EPA de que detém avaliações finais indica que ela classificou pelo menos algumas ferramentas como de alto impacto. No entanto, a resposta disponível não revela os nomes, as funções ou o status de implantação das ferramentas.
Essa incerteza deve impedir afirmações abrangentes em qualquer direção. Os registros podem documentar testes cuidadosos e implantação comedida. Também podem expor lacunas, riscos não resolvidos ou responsabilidade pouco clara.
A divulgação é valiosa precisamente porque ambos os resultados continuam possíveis.
O Recurso Testa o Sigilo, Não a Precisão da IA da EPA
Uma vitória dos solicitantes melhoraria a visibilidade, mas não provaria, por si só, que as ferramentas da EPA são precisas ou foram implantadas de forma inadequada.
Um recurso administrativo sob a FOIA pede que uma agência reconsidere sua resposta inicial. O órgão revisor pode confirmar a decisão, revertê-la ou exigir uma busca mais ampla e divulgação adicional.
A contestação atual permanece nessa etapa. Nenhum tribunal decidiu que a EPA reteve indevidamente as avaliações, e o anúncio do recurso apresenta a versão dos solicitantes sobre a disputa.
A EPA tem interesse legítimo em proteger parte de suas deliberações internas. Os tomadores de decisão precisam de espaço para testar ideias, debater riscos e rejeitar conclusões preliminares sem transformar cada troca em política final.
As avaliações de IA também podem conter descrições sensíveis à segurança, informações pessoais, detalhes de aquisição ou dados confidenciais. Um processo de divulgação responsável deve levar esses interesses em conta.
A questão mais difícil é se essas preocupações justificam reter integralmente documentos finais. A responsabilização pública se enfraquece quando uma agência pode divulgar que existem salvaguardas enquanto protege todas as evidências de como essas salvaguardas foram aplicadas.
Uma divulgação equilibrada poderia preservar trechos protegidos e expor o registro da decisão. Campos úteis incluiriam a finalidade da ferramenta, o escritório responsável, o status de implantação, o desenho da avaliação, as limitações conhecidas, o cronograma de monitoramento e o processo de escalonamento.
A revisão independente merece atenção especial. A OMB exige um revisor que não tenha participado do desenvolvimento para identificar preocupações ou lacunas.
Essa exigência cria atrito organizacional por design. As equipes de projeto costumam se concentrar nos benefícios esperados, enquanto um revisor independente deve testar pressupostos e examinar modos de falha.
O público não precisa de cada comentário interno para avaliar se essa salvaguarda funcionou. Precisa de informações suficientes para saber quais preocupações foram levantadas e como a autoridade responsável as resolveu.
Também há o risco de que a divulgação se torne performática. As agências podem publicar resumos bem elaborados que omitem limites, constatações adversas ou divergências não resolvidas.
Detalhes técnicos brutos apresentam o problema oposto. Um documento longo pode parecer transparente enquanto permanece inacessível às pessoas afetadas pelo sistema.
Uma transparência federal eficaz sobre IA, portanto, precisa de camadas. Um resumo curto deve explicar a decisão e suas consequências, enquanto a documentação técnica deve apoiar a revisão especializada.
Campos estruturados de inventário devem conectar esses materiais ao longo do tempo. Identificadores estáveis ajudariam pesquisadores a acompanhar se sistemas passaram de piloto à implantação, mudaram suas classificações de impacto ou receberam avaliações atualizadas.
O inventário público atual da EPA oferece um ponto de partida. As avaliações solicitadas acrescentariam as evidências de risco que uma lista de projetos não pode fornecer.
Auditorias em todo o governo reforçam a necessidade dessa conexão. O Government Accountability Office constatou que os usos relatados de IA generativa em 11 agências selecionadas passaram de 32 em 2023 para 282 em 2024.
Sua revisão federal de IA também descreveu conformidade com políticas, recursos técnicos, orçamentos e tecnologia em rápida transformação como desafios recorrentes de gestão.
Essas conclusões não avaliam as ferramentas contestadas da EPA. Elas mostram por que depender de garantias internas se torna mais difícil à medida que as agências adicionam sistemas mais rapidamente do que as práticas de governança amadurecem.
O recurso também traz uma lição prática para empresas que adotam IA. Um inventário, comitê de revisão ou documento de política não prova que sistemas implantados atendem aos padrões declarados.
As organizações precisam de evidências rastreáveis que conectem cada caso de uso a seus dados, testes, limitações, monitoramento, responsável e decisão de risco. Caso contrário, a governança se torna uma coleção de promessas desconectadas do software em operação.
A EPA ocupa uma posição particularmente sensível porque avaliações científicas podem informar regras, limites de exposição, decisões de licenciamento e prioridades de fiscalização. Erros podem se propagar por decisões que afetam comunidades, trabalhadores, empresas e ecossistemas.
Isso não significa que todo modelo da EPA exija código-fonte público ou acesso irrestrito a seus dados. Significa que o escrutínio deve aumentar conforme a consequência da saída.
Três Sinais Mostrarão se a Supervisão Federal de IA Tem Força
O próximo teste é se a EPA divulgará evidências significativas, e não se publicará outra declaração de alto nível em apoio à IA responsável.
O primeiro sinal é a decisão da EPA sobre o recurso administrativo. Uma reversão total daria aos solicitantes acesso às avaliações, sujeitas a quaisquer outras redações aplicáveis.
Uma divulgação parcial pode ser mais provável. Seu valor dependerá do que permanecer visível após as redações.
Uma resposta útil preservaria fatos sobre finalidade, avaliação, limitações, revisão independente e monitoramento. Páginas dominadas por marcas de retenção deixariam sem resposta a questão central de responsabilização.
A decisão também deve abordar a busca pelos registros. A EPA pode explicar quais escritórios, sistemas, responsáveis pela custódia e termos de busca examinou sem expor conteúdo protegido.
Se a agência localizar registros adicionais de governança ou de triagem química, isso fortaleceria o argumento dos solicitantes de que a primeira busca foi incompleta. Se documentar uma busca cuidadosa e ainda assim não encontrar nada, a preocupação passa a ser se a EPA cria registros adequados.
O segundo sinal é a próxima revisão do inventário de IA da EPA. Os leitores devem observar sistemas de alto impacto recém-identificados, estágios de implantação alterados, identificadores de projeto estáveis e links para resumos de gestão de riscos.
A página pública da EPA afirma que a agência mantém continuamente o inventário. As atualizações podem revelar se os sistemas contestados permanecem ativos e se projetos de avaliação química aparecem sob descrições reconhecíveis.
Mudanças de classificação serão importantes. Uma ferramenta de alto impacto reclassificada como de menor risco deve incluir uma justificativa clara vinculada ao seu papel operacional.
O inverso também é importante. Um projeto-piloto que passa a moldar decisões regulatórias ou relacionadas à saúde deve desencadear testes, monitoramento e divulgação mais rigorosos.
O terceiro sinal é a aplicação da M-25-21 em todo o governo. A OMB pode solicitar documentação por meio de revisões de responsabilização e relatórios anuais de inventário.
Resumos públicos de determinações e dispensas mostrariam se as regras federais de IA têm consequências além da autorreferência das agências. Lacunas repetidas sem ação corretiva enfraqueceriam a credibilidade da política.
O Congresso, os inspetores-gerais e o GAO também podem examinar se as agências realizam as avaliações exigidas antes da implantação. Seu trabalho pode testar registros que os inventários públicos não conseguem expor por completo.
Para desenvolvedores, o caso ilustra por que o contexto de implantação importa tanto quanto o design do modelo. Um classificador que organiza documentos pode se tornar relevante quando sua classificação determina quais evidências um especialista vê.
Para compradores corporativos, isso mostra a fragilidade de confiar em alegações de fornecedores ou em listas de verificação de governança. Os compradores precisam de registros de avaliação vinculados aos seus próprios dados, usuários e processo decisório.
Os trabalhadores do conhecimento devem se importar porque a revisão humana não garante julgamento independente. Os revisores precisam de tempo, autoridade e evidências acessíveis para contestar uma recomendação automatizada.
A disputa sobre as avaliações de impacto de IA da EPA é, portanto, um teste de memória institucional, bem como de acesso público. As agências devem documentar por que um sistema foi aprovado, o que seus revisores sabiam e quem aceitou o risco remanescente.
Sem esses registros, investigadores posteriores podem ter dificuldade para reconstruir como um fluxo de trabalho automatizado influenciou uma decisão. O mesmo problema aparece em organizações privadas quando mudanças nos modelos, saídas de funcionários e documentação dispersa apagam o contexto.
O recurso não determinará se toda a IA federal é confiável. Ele pode estabelecer se as evidências por trás de uma classificação de alto impacto permanecem visíveis apenas para a agência que a fez.
Acompanhe a decisão do recurso, o próximo inventário da EPA e o histórico de fiscalização do OMB. Se esses sinais produzirem evidências específicas, a supervisão da IA federal se tornará mais fácil de testar. Se produzirem apenas linguagem de políticas, os sistemas mais consequentes do governo continuarão responsáveis principalmente perante si mesmos.
