O Plano de IA da GW Passa do Mapeamento à Execução

A George Washington University levou sua iniciativa de IA no campus a uma segunda fase após uma revisão de oito meses que envolveu 49 professores e membros da equipe. O anúncio chegou ao Google News, mas o desenvolvimento importante não é sua visibilidade. A GW agora precisa transformar um amplo inventário de atividades de inteligência artificial em decisões sobre ensino, pesquisa, operações, financiamento e responsabilidade institucional.

A universidade iniciou seu exercício de mapeamento AI@GW em dezembro de 2025. Três grupos de trabalho examinaram pesquisa, educação e operações administrativas em 23 escolas e unidades. O trabalho culminou em um relatório de agosto de 2026 destinado a apoiar uma estratégia de IA para toda a universidade.

Isso cria um teste mais difícil do que publicar mais um conjunto de princípios. A GW já conta com orientações para uso responsável, uma comunidade interdisciplinar de pesquisa e grandes projetos de IA financiados externamente. Seu desafio é transformar esses elementos em um único modelo operacional sem impor as mesmas regras a todas as disciplinas.

A principal tensão, portanto, é entre compromisso e execução. Um relatório de mapeamento pode identificar oportunidades e preocupações, mas não aloca recursos nem prova que um fluxo de trabalho apoiado por IA melhora a aprendizagem. Tampouco pode determinar se professores, funcionários e estudantes confiarão nos sistemas escolhidos em seu nome.

Outras universidades enfrentam o mesmo problema. Algumas distribuíram chatbots comerciais ou criaram hubs de IA gerenciados pela instituição. Outras continuam focadas em restrições em sala de aula, integridade acadêmica e privacidade. A GW está adotando uma abordagem centrada na governança, que pode gerar decisões melhores, mas também corre o risco de prolongar a etapa de planejamento enquanto a adoção continua de modo informal.

O Relatório AI@GW Encerra a Fase de Descoberta

A GW concluiu um inventário institucional, não uma estratégia de IA finalizada.

O exercício de mapeamento AI@GW começou com uma pergunta prática: onde a inteligência artificial já está afetando a universidade? A GW organizou essa investigação em torno de pesquisa, educação e operações, em vez de tratar a IA como um projeto isolado de tecnologia da informação.

O grupo de pesquisa considerou a IA tanto como tema de estudo quanto como ferramenta usada ao longo de todo o processo de pesquisa. Esse escopo incluiu o apoio de que pesquisadores e administradores precisam para usar a IA de forma produtiva e responsável.

O grupo de educação examinou as competências de que os formandos precisarão e as maneiras pelas quais a IA transforma o ensino. Também considerou ferramentas, capacitação e outros tipos de apoio para as pessoas responsáveis por essa transição.

O grupo de operações estudou oportunidades de fluxo de trabalho juntamente com custos, uso de energia, riscos de implementação e apoio à equipe. Isso importa porque a IA administrativa frequentemente recebe menos atenção pública do que o uso de chatbots por estudantes. Aquisições, processamento financeiro, comunicações e administração de pesquisa ainda podem criar sérios problemas de privacidade ou responsabilidade.

A GW afirma que 49 professores e membros da equipe de 23 escolas e unidades participaram dos grupos de trabalho. Essa abrangência dá ao relatório mais legitimidade institucional do que uma política elaborada apenas por um escritório central de tecnologia.

O processo também seguiu um cronograma definido. A GW anunciou o exercício em dezembro de 2025, recrutou participantes para os grupos de trabalho em janeiro e abriu espaço para contribuições mais amplas durante fevereiro. A análise começou em março, enquanto relatórios preliminares foram enviados às partes interessadas durante abril e maio.

O relatório de agosto estabelece uma base para o que a GW chama de próxima fase da iniciativa. Essa fase envolve planejar ações concretas, em vez de continuar mapeando as atividades existentes.

Essa distinção é fácil de perder quando um anúncio circula pelo Google News e é comprimido em uma manchete. A universidade não anunciou um único chatbot para o campus, uma regra obrigatória para salas de aula ou uma decisão de aquisição. Ela concluiu o trabalho preliminar necessário para fazer essas escolhas de forma mais coerente.

Essa é uma mudança significativa porque a experimentação descentralizada cria pontos cegos institucionais. Um professor testando um modelo de linguagem, uma equipe de pesquisa desenvolvendo um sistema de IA e um administrador automatizando a revisão de documentos enfrentam riscos diferentes. Ainda assim, os três podem envolver dados universitários, propriedade intelectual, acessibilidade e confiança pública.

Um mapa compartilhado pode revelar gastos duplicados, regras incompatíveis e necessidades de apoio negligenciadas. Também pode identificar projetos úteis que poderiam permanecer presos a um único departamento.

O relatório não estabelece que a GW resolveu esses problemas. Ele estabelece um ponto de partida comum a partir do qual os líderes podem priorizá-los. A próxima fase será julgada pelas decisões que vierem a seguir, não pela completude do inventário.

Por Que a Estratégia de IA da GW Importa Agora

A universidade precisa definir limites compartilhados enquanto o uso de IA já se espalha por salas de aula, laboratórios e escritórios.

A GW iniciou o exercício depois que ferramentas públicas de IA generativa já haviam alterado o trabalho acadêmico rotineiro. IA generativa refere-se a sistemas que criam texto, imagens, áudio ou código a partir de instruções do usuário. Esses sistemas podem acelerar a elaboração de rascunhos e a análise, mas também podem produzir informações falsas ou lidar inadequadamente com dados sensíveis.

Esperar que a tecnologia se estabilize não é uma política institucional viável. Produtos, capacidades dos modelos e termos comerciais mudam mais rapidamente do que os ciclos normais de revisão universitária. Estudantes e funcionários podem acessar muitas ferramentas sem implantação centralizada.

Isso coloca pressão primeiro sobre os professores. Eles precisam decidir se uma entrega assistida por IA representa apoio legítimo, terceirização proibida ou algo entre essas categorias. A resposta muitas vezes depende do objetivo de aprendizagem e não pode ser reduzida a uma única proibição para toda a universidade.

Um professor de escrita pode permitir brainstorming, mas exigir que os estudantes documentem as revisões. Uma disciplina de ciência da computação pode avaliar a capacidade de um estudante de inspecionar código gerado por IA. Um programa de medicina pode impor controles mais rigorosos porque um resultado impreciso pode criar um nível diferente de risco.

Equipes de pesquisa enfrentam outro conjunto de decisões. Elas precisam considerar se um modelo externo pode receber descobertas ainda não publicadas, informações de participantes, dados licenciados ou documentos relacionados a bolsas. Os pesquisadores também precisam de métodos para registrar a assistência de IA, para que os resultados permaneçam reproduzíveis e passíveis de revisão.

A equipe administrativa enfrenta pressão semelhante, com menos debates públicos sobre seu trabalho. Uma ferramenta de resumo pode economizar tempo, mas o mesmo prompt pode expor um registro de emprego, um rascunho de contrato ou um identificador de estudante. A automação também pode obscurecer quem tomou uma decisão quando um fluxo de trabalho dá errado.

A orientação administrativa sobre IA já existente da GW aborda várias dessas preocupações. Ela instrui os funcionários a usar ferramentas aprovadas, classificar os dados antes de inseri-los, manter os humanos responsáveis pelas decisões finais e divulgar assistência significativa de IA.

A orientação distingue dados públicos, restritos e regulamentados. Informações regulamentadas incluem registros protegidos por leis como FERPA ou HIPAA, enquanto dados restritos podem incluir planos internos, contratos e comunicações.

Essas regras estabelecem uma base, mas a implementação exige mais do que publicar uma página. A equipe precisa saber quais ferramentas são aprovadas para cada classe de dados. Gestores precisam de processos para revisar novos casos de uso, e a universidade precisa de uma forma de atualizar aprovações à medida que fornecedores mudam seus sistemas.

É aqui que a estratégia de IA da GW enfrenta pressão imediata. Se a revisão central for lenta demais, as pessoas usarão ferramentas de consumo não aprovadas. Se a aprovação for permissiva demais, a universidade poderá expor informações sensíveis ou adotar sistemas sem evidências de valor.

O cenário mais amplo do ensino superior reforça a urgência. Um estudo da força de trabalho da EDUCAUSE reuniu 1.960 respostas qualificadas de funcionários do ensino superior no fim de 2025. Seu escopo refletiu como a IA agora afeta o trabalho em todas as instituições, não apenas as atividades dos estudantes.

Um estudo separado sobre avaliação reuniu 438 respostas de pessoas diretamente envolvidas na avaliação da aprendizagem durante março de 2026. A pesquisa examinou como os profissionais estão mudando a avaliação, em vez de simplesmente registrar opiniões sobre IA.

Esses estudos não provam que um único modelo de campus funcionará em todos os lugares. Eles mostram por que as universidades não podem deixar as decisões sobre IA inteiramente para a experimentação individual. O processo de planejamento da GW chegou ao ponto em que o apoio institucional compartilhado precisa se tornar visível.

A Atenção do Google News Não Pode Substituir a Governança do Campus

A disputa central é entre um modelo de governança coordenado e uma adoção fragmentada movida pela conveniência.

Uma manchete no Google News pode fazer a próxima fase da IA na GW parecer um evento de comunicação. Dentro da universidade, porém, o trabalho difícil diz respeito à autoridade. Alguém precisa decidir quem aprova ferramentas, quem financia o acesso, quem avalia os resultados e quem responde quando um sistema causa danos.

O modelo coordenado começa com princípios comuns e distribui decisões a pessoas que entendem cada contexto. Escritórios centrais podem gerenciar aquisições, cibersegurança, privacidade e avaliação de fornecedores. Escolas e departamentos podem definir usos acadêmicos e profissionais aceitáveis.

Esse equilíbrio é difícil. O controle central excessivo pode produzir regras que ignoram necessidades disciplinares. A descentralização completa pode criar proteções inconsistentes e acesso desigual.

A estrutura de mapeamento da GW reconhece implicitamente esse problema. Seus três grupos de trabalho separaram domínios diferentes, conectando-os a uma estrutura universitária comum. O modelo trata a IA como um sistema institucional, e não como a compra de um único produto.

A universidade também traz para esse esforço uma comunidade de pesquisa já estabelecida em IA confiável. A GW descreve IA confiável como um trabalho que conecta o desenho técnico à governança e aos contextos em que os sistemas são usados.

Em abril de 2026, a GW anunciou uma missão de pesquisa mais ampla para sua Trustworthy AI Initiative. A universidade afirmou que a comunidade liderada por docentes havia crescido para mais de 100 pesquisadores e representava um modelo de colaboração interdisciplinar.

Essa iniciativa oferece à GW conhecimento relevante, mas destaque em pesquisa não produz automaticamente uma governança interna eficaz. Uma universidade pode estudar responsabilidade enquanto ainda enfrenta dificuldades com seus próprios processos de aquisição, programas de capacitação e políticas para salas de aula.

A mesma distinção se aplica ao financiamento. A GW participa do Institute for Trustworthy AI in Law and Society, conhecido como TRAILS, que recebeu uma concessão federal de US$ 20 milhões. A universidade também citou uma bolsa de formação da National Science Foundation de US$ 3 milhões, focada em sistemas de IA confiáveis.

Essas concessões apoiam pesquisa e educação. Elas não estabelecem como cada unidade administrativa deve comprar ou usar um serviço de IA generativa.

O adversário da abordagem coordenada da GW não é outra universidade. É a adoção fragmentada. Esse caminho surge quando estudantes, docentes, pesquisadores e funcionários selecionam ferramentas de forma independente porque uma tarefa imediata parece mais urgente do que a revisão institucional.

A adoção fragmentada pode avançar rapidamente. Também pode criar várias versões do mesmo problema. Diferentes departamentos podem pagar por serviços sobrepostos, aplicar regras de divulgação conflitantes ou interpretar restrições de dados de maneiras distintas.

O acesso desigual se torna outra preocupação. Alguns usuários podem pagar por serviços avançados, enquanto outros dependem de versões limitadas. Departamentos com orçamentos maiores podem adquirir produtos institucionais e treinamento, criando condições desiguais para estudantes e funcionários.

Um modelo coordenado pode reduzir essas lacunas se a GW financiar deliberadamente o acesso e o suporte. Pode agravá-las se a estratégia anunciar objetivos compartilhados sem oferecer recursos compartilhados.

Portanto, a universidade precisa de uma governança que as pessoas realmente consigam usar. Os caminhos de aprovação devem ser compreensíveis, o treinamento deve corresponder a funções específicas e as decisões devem chegar rápido o suficiente para influenciar o comportamento.

Esse princípio também se aplica a ferramentas pessoais de conhecimento. Estudantes e trabalhadores do conhecimento frequentemente reúnem notas, documentos e resultados de IA em serviços desconectados. Um segundo cérebro de IA organizado localmente pode melhorar a recuperação de informações, mas os usuários ainda precisam de regras claras sobre informações universitárias protegidas.

O Que o Relatório de Mapeamento Ainda Não Comprova

A ampla participação dá à GW um ponto de partida crível, mas o relatório ainda não demonstra melhor aprendizado, trabalho mais seguro ou gastos responsáveis.

A primeira incerteza diz respeito aos resultados. Mapear o uso atual pode revelar onde há atividade, mas não pode mostrar se essa atividade melhora a qualidade da pesquisa, o aprendizado dos estudantes ou o desempenho administrativo.

As universidades precisam de métricas adequadas a cada caso de uso. O tempo economizado pode ser relevante para tarefas administrativas repetitivas, mas é insuficiente para o ensino. Uma ferramenta que ajuda estudantes a concluir tarefas mais rapidamente ainda pode enfraquecer o aprendizado se substituir o raciocínio que uma atividade foi criada para desenvolver.

A avaliação exige cuidado especial. Docentes precisam de formas de distinguir assistência produtiva de terceirização cognitiva, em que um sistema realiza o pensamento que se esperava que os estudantes praticassem. Essa distinção varia conforme a disciplina e o nível do curso.

A segunda incerteza diz respeito à qualidade das evidências. Muitos produtos comerciais de IA mudam com frequência, o que dificulta avaliações convencionais de vários anos. Um modelo avaliado durante a aquisição pode se comportar de maneira diferente após uma atualização do fornecedor.

A GW pode lidar com esse problema por meio de revisão contínua, em vez de aprovação única. Sistemas de alto risco precisam de responsáveis documentados, usos definidos, comunicação de incidentes e um processo de suspensão quando as condições mudarem.

A terceira incerteza diz respeito à governança de dados. As orientações publicadas pela GW alertam contra inserir informações não públicas em ferramentas sem a aprovação correta. Traduzir essa regra para a prática diária exige classificações detalhadas de ferramentas e exemplos práticos.

Um pesquisador pode entender que prontuários de pacientes são sensíveis, mas continuar sem saber como tratar notas de entrevistas após a remoção de identificadores. Um administrador pode não saber se um rascunho de orçamento interno pode ser inserido em um assistente aprovado. A ambiguidade incentiva tanto o uso arriscado quanto a evasão total.

A quarta incerteza diz respeito à transparência. A GW pede que funcionários divulguem assistência significativa de IA, inclusive durante a criação de conteúdo e reuniões. A universidade ainda precisa de expectativas consistentes sobre quando a divulgação é obrigatória e quais informações ela deve conter.

Divulgação insuficiente oculta a influência do sistema. Divulgação excessiva pode criar burocracia que os usuários ignoram. Uma transparência útil deve ajudar outra pessoa a entender o que a ferramenta fez e quem verificou o resultado.

A quinta incerteza diz respeito à supervisão humana. Exigir que uma pessoa revise um resultado parece tranquilizador, mas a qualidade da revisão depende de conhecimento especializado, tempo e acesso a evidências. Um funcionário apressado aprovando centenas de recomendações geradas por modelo não representa uma supervisão significativa.

A GW deve definir a supervisão como uma responsabilidade ativa. O revisor precisa entender a tarefa, conseguir contestar o resultado e ter autoridade para rejeitá-lo. Decisões de alto impacto devem preservar registros que expliquem como uma conclusão foi alcançada.

A sexta incerteza diz respeito à liberdade acadêmica e à autonomia local. Docentes precisam de espaço para elaborar instruções adequadas às suas disciplinas. Os estudantes também precisam de expectativas previsíveis entre diferentes cursos.

Uma estratégia viável deve estabelecer uma base para toda a universidade, ao mesmo tempo que permite que instrutores especifiquem regras de sala de aula mais rígidas ou mais permissivas. Essas regras devem aparecer claramente nos materiais do curso e se conectar aos objetivos de aprendizagem da atividade.

A sétima incerteza diz respeito ao consentimento da comunidade. O exercício de mapeamento reuniu contribuições por meio de grupos de trabalho, pesquisas e grupos focais, mas a implementação criará novas decisões. As pessoas afetadas por essas decisões precisam de formas contínuas de levantar preocupações.

Isso importa porque IA confiável não é um rótulo permanente atribuído durante a aquisição. A confiança depende de como um sistema funciona, de as pessoas conseguirem questioná-lo e de a universidade responder quando surgirem danos.

As orientações internacionais sustentam essa cautela. As orientações da UNESCO sobre IA na educação enfatizam privacidade de dados, validação centrada no ser humano e um desenho pedagógico adequado. Também alertam que o desenvolvimento de produtos pode superar a regulação institucional e nacional.

Nenhuma dessas incertezas invalida a estratégia de IA da GW. Elas definem o trabalho que começa após o relatório. A universidade deve resistir a apresentar a fase de mapeamento como evidência de que a implementação já foi bem-sucedida.

A Vantagem da GW em IA Confiável Vem Com um Padrão Mais Exigente

Os pontos fortes de pesquisa da GW lhe dão uma base crível, mas também tornam mais difícil justificar uma implementação interna fraca.

A universidade não está começando do zero. Seu trabalho em IA confiável abrange engenharia, direito, políticas públicas, educação, saúde e outras disciplinas. Essa base interdisciplinar corresponde à natureza das decisões sobre IA no campus.

Uma revisão técnica pode testar controles de segurança, confiabilidade e comportamento do sistema. Especialistas jurídicos e de políticas públicas podem examinar privacidade, discriminação, aquisição e responsabilização. Educadores podem avaliar se uma ferramenta apoia o objetivo de aprendizagem.

Essa combinação é especialmente relevante em Washington, D.C., onde a GW conecta o trabalho acadêmico ao governo, à sociedade civil e às políticas públicas. A universidade pode estudar como as escolhas institucionais de IA interagem com a regulação e a confiança pública.

A GW também definiu sua identidade de pesquisa em torno da ponte entre desenvolvimento técnico e governança. Muitos programas de IA se concentram principalmente na criação de algoritmos ou na análise ética. A GW argumenta que sua força está em conectar escolhas de projeto a uma supervisão viável.

Essa afirmação se ajusta ao exercício de mapeamento. Ensino, pesquisa e operações combinam, cada um, sistemas técnicos com instituições humanas. A arquitetura de modelo de um chatbot importa, mas também importam os dados fornecidos a ele, a decisão que ele informa e a pessoa responsável por revisar seu resultado.

A vantagem da universidade permanecerá teórica se essas conexões não aparecerem na implementação. A GW deve ser capaz de explicar por que aprovou uma ferramenta, quais evidências sustentaram a escolha e como monitorará os resultados.

Também deve ser capaz de identificar usos que não buscará. Uma estratégia crível não é um catálogo de possibilidades. É um conjunto priorizado de decisões que reflete a capacidade institucional e o risco.

Para a pesquisa, isso pode significar recursos compartilhados de avaliação, ambientes de computação seguros e suporte para documentar o uso de modelos. Também pode significar regras mais claras para proteger trabalhos não publicados e dados de participantes.

Para a educação, as prioridades podem incluir desenvolvimento docente, reformulação de atividades, alfabetização em IA e acesso equitativo. Alfabetização em IA significa a capacidade de usar esses sistemas avaliando suas evidências, limitações e efeitos.

Para as operações, a GW pode começar por tarefas delimitadas em que a equipe possa verificar os resultados. Redigir linguagem rotineira ou organizar informações públicas cria um perfil de risco diferente de tomar decisões sobre admissões, emprego ou finanças.

A universidade deve evitar equiparar volume de adoção a progresso. Mais prompts, licenças ou fluxos de trabalho automatizados não representam automaticamente melhores resultados.

Uma abordagem confiável deve recompensar valor documentado. Se um sistema economiza tempo, os líderes devem determinar para onde esse tempo vai. Se melhora o acesso, a universidade deve medir quem se beneficia e quem continua excluído.

A GW também precisa se preparar para falhas. Modelos geram afirmações falsas, reproduzem vieses e se comportam de forma inconsistente. Uma estratégia madura presume que incidentes ocorrerão e define como os usuários os relatam.

A posição pública da instituição em pesquisa eleva as expectativas nesse aspecto. A GW não pode defender de forma crível uma IA responsável em outros lugares enquanto trata seus sistemas internos como compras comuns de software.

Isso não significa que toda implementação precise de um projeto de pesquisa acadêmica. Significa que o nível de revisão deve corresponder às consequências. Experimentos de baixo risco podem avançar rapidamente, enquanto sistemas que afetam direitos, oportunidades ou dados regulados exigem controles mais fortes.

O relatório de mapeamento dá à GW a oportunidade de tornar explícita essa abordagem proporcional. Se fizer isso, a universidade poderá oferecer um modelo útil para seus pares. Se produzir apenas princípios amplos, sua reputação em pesquisa tornará a lacuna mais visível.

Três Sinais Mostrarão se a Próxima Fase Funciona

Os próximos três meses devem revelar se a GW está construindo um sistema operacional para adoção responsável ou apenas estendendo o processo de planejamento.

O primeiro sinal é um roteiro concreto de implementação. A universidade deve identificar líderes responsáveis, projetos prioritários, datas de decisão e os recursos atribuídos a cada área.

Um roteiro reforçaria o argumento de que o exercício de mapeamento criou uma estratégia compartilhada. Outro anúncio geral sem responsáveis ou marcos o enfraqueceria.

O roteiro mais útil separaria ações de curto prazo de objetivos de longo prazo. Deveria mostrar quais projetos apoiam pesquisa, educação e operações, ao mesmo tempo que identifica qualquer trabalho que abranja os três.

O segundo sinal é um caminho de governança utilizável. Docentes e funcionários devem saber como propor um caso de uso de IA, qual área o revisa, quais evidências são necessárias e quanto tempo uma decisão deve levar.

Esse caminho deve conectar aquisição, cibersegurança, privacidade, acessibilidade, política acadêmica e governança de dados. Os usuários não devem precisar navegar por essas áreas de forma independente.

Classificações claras de ferramentas fortaleceriam o modelo coordenado. A ambiguidade persistente continuaria empurrando a adoção para canais informais, independentemente do que apareça no Google News.

O terceiro sinal é a evidência do uso real. A GW deve publicar exemplos delimitados que mostrem como ferramentas selecionadas afetam o aprendizado, a pesquisa ou o trabalho. Esses exemplos devem incluir limitações e experimentos malsucedidos, não apenas casos de sucesso.

No ensino, as evidências podem abordar se uma atividade apoiou um aprendizado mais profundo e como os docentes verificaram esse resultado. Nas operações, podem comparar o tempo de revisão e as taxas de erro antes e depois de um piloto controlado.

Na pesquisa, as evidências podem mostrar como um fluxo de trabalho seguro ajudou pesquisadores a analisar informações enquanto protegia material não publicado. A universidade deve evitar publicar detalhes sensíveis, mas pode explicar o método de avaliação.

Esses sinais importam mais do que o número de produtos de IA disponíveis no campus. Eles testam se a estratégia de IA da GW consegue coordenar ações preservando julgamento e responsabilização.

Os estudantes devem esperar expectativas mais claras para os cursos, acesso a ferramentas aprovadas e treinamento que vá além de dicas de prompts. O corpo docente deve esperar apoio prático que respeite as diferenças entre as disciplinas.

Os pesquisadores devem esperar infraestrutura segura, padrões de documentação e processos de revisão adequados a modelos em evolução. Os funcionários devem esperar treinamento específico para suas funções e uma voz legítima no redesenho dos fluxos de trabalho.

Os fornecedores de tecnologia também devem prestar atenção. As universidades precisam cada vez mais de produtos que apoiem a identidade institucional, controles de acesso, registros de auditoria, separação de dados e uma gestão administrativa previsível.

A abordagem da GW faz as perguntas iniciais certas, especialmente ao tratar pesquisa, ensino e operações como domínios conectados, porém distintos. Seu processo de mapeamento com 49 membros oferece aos líderes um registro substancial das necessidades do campus.

A próxima fase agora precisa tornar as concessões visíveis. Os líderes terão de decidir quais usos merecem investimento, quais exigem salvaguardas mais rigorosas e quais devem permanecer fora das práticas institucionais.

Leitores que descobriram o anúncio pelo google news devem olhar além da manchete. A história não é que outra universidade adotou a inteligência artificial. É que a GW concluiu a documentação de uma transição complexa e aceitou a responsabilidade de administrá-la.

O próximo roteiro, o processo de governança e as evidências dos projetos-piloto mostrarão se essa responsabilidade se traduz em ação. Observe esses três sinais e, então, faça uma pergunta direta: a implementação da GW torna a prática de uma IA responsável mais fácil ou apenas torna mais fácil encontrar as intenções da instituição?