D-GAF: Uma Estrutura Sócio-Técnica Baseada em Implantação para Analisar e Governar Sistemas de IA Generativa no Mundo Real

Os sistemas de inteligência artificial (IA) generativa demonstraram capacidades notáveis em condições controladas de laboratório e avaliações de referência. No entanto, a implantação no mundo real revela consistentemente uma lacuna substancial entre o sucesso experimental e a confiabilidade operacional sustentada. Desafios como mudança na distribuição de dados, comportamento adversarial do usuário, restrições computacionais, requisitos de governança e adaptação contínua pós-implantação muitas vezes surgem apenas após a implantação e permanecem insuficientemente abordados pela avaliação centrada em referências. Para abordar essa lacuna, este artigo introduz uma metodologia de síntese qualitativa orientada pela experiência para analisar sistematicamente a implantação no mundo real a partir de uma perspectiva sócio-técnica. Com base em evidências sintetizadas de múltiplos cenários de implantação representativos, o estudo identifica desafios recorrentes de implantação, modos de falha e estratégias de adaptação por meio de codificação temática estruturada, rastreabilidade de evidências e triangulação qualitativa. A principal contribuição é o D-GAF (Framework de Análise Baseado em Implantação), uma estrutura analítica centrada na implantação que conceitualiza sistemas de IA generativa como sistemas sócio-técnicos em evolução, em vez de modelos preditivos isolados. O D-GAF é operacionalizado por meio de uma Matriz de Implantação, uma Lista de Verificação de Prontidão para Implantação e um procedimento estruturado de análise de implantação que apoia o diagnóstico de implantação, monitoramento operacional, planejamento de mitigação e governança. A estrutura é ainda ilustrada através de um cenário de implantação representativo e apoiada por rastreabilidade de evidências e uma revisão leve por especialistas. A estrutura proposta complementa a avaliação orientada por referências, fornecendo uma base analítica reutilizável para avaliar a prontidão para a implantação, diagnosticar riscos operacionais e apoiar a implantação confiável e sustentável de sistemas de IA generativa em ambientes do mundo real. Este trabalho foi realizado na Universidade Internacional Árabe (AIU), Damasco, Síria. Website oficial: https://www.aiu.edu.sy