Framework: o que é, importância e como se aplica em IA

• 46,6% mais rápido foi o treinamento de CNNs em JAX comparado ao Keras no dataset PathMNIST, em estudo de julho de 2025 publicado no arXiv
• 17% das empresas brasileiras usavam IA em 2025, contra 13% em 2024, segundo a pesquisa TIC Empresas 2025 do Cetic.br
• 76% das empresas usuárias de IA no Brasil compraram software pronto em 2025, e só 25% desenvolveram internamente, conforme o Cetic.br
• Quatro versões do PyTorch (2.6 a 2.9) saíram em 2025, segundo a retrospectiva anual da PyTorch Foundation
• Zero leis de IA em vigor no Brasil até 1 de outubro de 2026: o PL 2338/2023, aprovado no Senado em dezembro de 2024, ainda tramita na Câmara dos Deputados

O que é um framework e qual o significado do termo

Framework é uma estrutura de software reutilizável que já traz pronto o desenho de um sistema, ou de parte dele, e que você completa com o código específico do seu problema. O significado literal em inglês é “armação”, “estrutura de sustentação”. Em português, o termo técnico equivalente é arcabouço: o esqueleto que sustenta a construção antes de qualquer parede subir.

A engenharia de software trabalha com essa ideia desde os anos 1990. O artigo de 1997 da Communications of the ACM que fixou o vocabulário da área define framework em duas frases que continuam valendo:

“a reusable design of all or part of a system that is represented by a set of abstract classes and the way their instances interact”

E, logo em seguida, como “the skeleton of an application that can be customized by an application developer”. Um projeto reutilizável, representado por classes abstratas e pela forma como elas conversam entre si. Um esqueleto que o desenvolvedor veste.

Três ingredientes sustentam essa definição, e vale separar cada um:

• Reuso de desenho, e não só de código. O que o framework entrega primeiro é uma arquitetura: quem chama quem, em que ordem, com que responsabilidades. O código vem junto, mas é consequência.
• Classes abstratas com lacunas deliberadas. O framework deixa pontos em aberto, e você preenche esses pontos com as regras do seu negócio. Tudo o que é comum a qualquer sistema daquele tipo já está resolvido.
• Controle invertido. Em vez de o seu programa decidir o fluxo e chamar peças prontas, o framework é quem comanda o fluxo e aciona o seu código quando chega a hora.

A mesma literatura descreve o framework como uma aplicação “semicompleta”: funciona quase sozinha, mas só vira produto quando alguém a especializa para um domínio. Esse “quase” é o que separa um framework de um simples amontoado de funções úteis. O framework tem opinião sobre como o sistema inteiro deve ser montado.

Em inteligência artificial (IA), a palavra opera em duas camadas que convém distinguir desde já. A primeira é técnica: bibliotecas de software que encapsulam a matemática e a infraestrutura de treinar e rodar modelos, deixando para você a lógica do problema. A segunda é normativa: estruturas de governança e gestão de risco publicadas por órgãos reguladores e organismos internacionais, que organizam como uma empresa ou um país deve lidar com os efeitos de um sistema de IA.

Parece abuso de linguagem usar a mesma palavra para um pacote Python e para um documento de política pública. Não é. Nos dois casos existe uma estrutura pronta que padroniza a resposta a um problema recorrente, com lacunas deliberadas para quem a adota preencher. Um time de dados preenche com camadas de rede neural. Um comitê de risco preenche com controles e responsáveis. A lógica de origem é idêntica.

Framework e biblioteca não são a mesma coisa

Framework e biblioteca se diferenciam por quem está no comando do fluxo do programa. Com uma biblioteca, o seu código chama as funções dela quando quer. Com um framework, é ele que chama o seu código, nos pontos que ele próprio definiu. Esse detalhe de direção, conhecido como inversão de controle, muda tudo na prática.

Pense num programa que precisa ler um arquivo, processar os dados e gravar o resultado. Se você usa uma biblioteca de leitura de arquivos, o programa é seu: você decide quando abrir, quando processar, quando gravar, e a biblioteca só responde ao que você pede. Num framework, você escreve a função de processamento e a registra. O framework decide quando o arquivo chegou, chama a sua função, cuida de erros, de paralelismo e de gravação. Você preenche uma lacuna. Ele conduz o resto.

Material de referência de pós-graduação em Ciência da Computação da UFSC sobre frameworks, padrões e componentes resume a distinção assim: a biblioteca oferece implementações pontuais sem impor uma arquitetura de reuso, enquanto o framework une código comum a vários projetos sob uma estrutura-guia. A biblioteca é um conjunto de ferramentas. O framework é a oficina com as ferramentas já dispostas em ordem de uso.

Dois outros termos costumam se misturar nessa conversa, e a tabela abaixo coloca cada um no lugar:

A relação entre esses quatro é de camadas, e isso quase todo texto introdutório deixa passar. Um padrão de projeto é conhecimento em prosa. Um framework pega vários desses padrões e os transforma em código executável e reutilizável, com uma arquitetura fechada em torno de uma família de aplicações. Toda biblioteca e todo framework expõem uma API, que é apenas a superfície de contato. Confundir API com framework é confundir o cardápio com a cozinha.

Para que serve um framework e por que ele importa

Um framework serve para você não resolver de novo o que já foi resolvido mil vezes: ele entrega a arquitetura, as convenções e as otimizações de baixo nível de um domínio, e sobra para o seu time só a parte que é de fato sua. A literatura de engenharia de software repete três motivos para isso importar, e os três aparecem com força especial em IA.

Reuso de desenho e de código ao mesmo tempo. Copiar uma função entre projetos é reuso de código. Reusar um framework é reusar a decisão de como as peças se encaixam, quem chama quem e onde ficam as responsabilidades. É um reuso de nível mais alto, e é por isso que times que adotam o mesmo framework em projetos diferentes conseguem mover gente entre eles sem semanas de adaptação.

Padronização e menos código escrito do zero. Quem já abriu um projeto feito num framework que nunca tinha usado conhece a sensação: em poucos minutos você sabe onde fica a configuração, onde entram as rotas, onde mora o modelo de dados. A convenção faz esse trabalho. Menos código próprio também significa menos superfície para bug e menos manutenção na fatura dos meses seguintes.

Aceleração de pesquisa em domínios onde errar custa caro. Aqui está o motivo que mais pesa em IA. Treinar uma rede neural exige diferenciação automática, paralelismo em GPU e gerenciamento de memória que, implementados à mão, consomem meses e produzem erros silenciosos. Um framework encapsula tudo isso. O pesquisador escreve a função de perda e a arquitetura do modelo, e o resto já existe.

Esse terceiro ponto tem um exemplo histórico claro. O artigo de 2011 que apresentou o scikit-learn declarava como objetivo levar aprendizado de máquina a não especialistas, apostando em três coisas: facilidade de uso, desempenho e uma API consistente entre algoritmos. A consistência da API é o detalhe que mais importa na prática. Quando todo classificador se treina e se avalia com as mesmas chamadas, trocar de algoritmo vira uma linha alterada em vez de uma reescrita.

Vale uma ressalva que o entusiasmo costuma esconder. Framework também é compromisso. Você aceita as opiniões dele sobre arquitetura, herda os bugs dele, depende do ritmo de atualização de quem o mantém. Quem monta um pipeline de RAG para produção descobre cedo que a abstração confortável do framework às vezes esconde exatamente o parâmetro que precisa ser ajustado. O ganho de velocidade é real e, na maioria dos casos, compensa. Só que ele não vem de graça.

Principais frameworks de IA: PyTorch, TensorFlow e JAX

Os três frameworks que dominam o deep learning em 2026 são PyTorch, TensorFlow e JAX, e a escolha entre eles depende menos de qual é “o melhor” e mais de onde o modelo vai viver: num notebook de pesquisa, num servidor de produção ou num cluster de aceleradores. Os três resolvem o mesmo problema de base, que é calcular gradientes e distribuir operações de tensor em GPU. O que muda é o estilo de programação e o ecossistema em volta.

PyTorch ganhou a pesquisa pelo estilo dinâmico e pythônico: o grafo de computação se monta enquanto o código roda, então você depura com print e breakpoint como em qualquer script Python. Uma pesquisa comparativa publicada no arXiv em agosto de 2025 resume a troca em uma linha. PyTorch leva em simplicidade e flexibilidade; TensorFlow mantém o ecossistema de produção mais maduro, com TensorFlow Lite para dispositivos móveis e TensorFlow Serving para servir modelos. Quem já tentou levar um modelo treinado no notebook até um celular sabe que essa diferença é bem concreta.

O peso institucional do PyTorch cresceu junto. A retrospectiva oficial da PyTorch Foundation para 2025 registra quatro versões lançadas no ano (da 2.6 à 2.9), a expansão da fundação para um modelo multiprojeto que desde abril de 2025 abriga vLLM, DeepSpeed, Ray, Helion e Safetensors, e uma conferência com mais de 3.400 participantes. Para quem decide, isso importa: um framework com fundação própria, ciclo de versões a cada poucos meses e projetos satélites de inferência tem pouca chance de ser abandonado no meio do seu projeto.

JAX, mantido pelo Google Research e aberto em dezembro de 2018, segue outra filosofia. Ele é um sistema de transformações de funções componíveis sobre Python e NumPy: diferenciação automática, jit para compilar, vmap para vetorizar. Você escreve funções puras e aplica transformações sobre elas. O ganho aparece no desempenho.

Dois estudos de julho de 2025 mediram esse ganho em classificação de imagens médicas. No dataset BloodMNIST, PyTorch e JAX chegaram a acurácia comparável. No PathMNIST, com redes convolucionais, o JAX completou o treinamento 46,6% mais rápido que o Keras, graças à compilação just-in-time via XLA. Acurácia igual, tempo bem menor. É esse o argumento do JAX.

Uma ressalva sobre números de mercado. Não existe dado público verificável de participação por framework: o relatório AI Index 2026 de Stanford mede a adoção organizacional de IA, que chegou a 88% das organizações pesquisadas, e não desce ao nível de biblioteca. Qualquer “market share do PyTorch” que você encontrar em blog é chute.

Frameworks de ML clássico, modelos pré-treinados e agentes de IA

Sobre os frameworks de tensor se empilham camadas mais especializadas: o scikit-learn para aprendizado de máquina clássico, o Hugging Face Transformers para modelos pré-treinados e os frameworks de orquestração de agentes, como o LangChain, para aplicações com modelos de linguagem de grande porte (LLMs). Cada camada esconde a de baixo e expõe uma abstração mais perto do problema de negócio.

A arquitetura, lida de baixo para cima, fica assim:

1. Base de tensor: PyTorch, TensorFlow e JAX fazem a conta, calculam gradientes e falam com a GPU.
2. Bibliotecas de domínio: o Transformers, apresentado em 2019, reúne modelos pré-treinados sob uma API unificada e roda tanto sobre PyTorch quanto sobre TensorFlow. Você carrega um modelo com uma chamada; o framework resolve tokenização, pesos e arquitetura, e o backend de tensor trabalha embaixo sem você tocar nele.
3. Orquestração de agentes: frameworks como o LangChain compõem modelos, prompts e ferramentas em pipelines reutilizáveis que chamam LLMs em vez de treiná-los.

O scikit-learn ocupa uma posição à parte nessa pilha. Ele não depende de nenhum framework de tensor e integra algoritmos clássicos de aprendizado supervisionado e não supervisionado em escala média, conforme o artigo original de 2011 no Journal of Machine Learning Research. Regressão, árvores, clustering, validação cruzada. Se o seu problema cabe numa tabela e não pede GPU, é por aqui que vale começar, e é por isso que ele continua sendo referência em ensino e prototipagem quinze anos depois.

A camada de agentes é a mais nova e a menos estável. O LangChain organiza sua arquitetura em quatro módulos, Modelo, Template de Prompt, Memória e Chains (cadeias), e permite estender as cadeias com agentes que decidem sozinhos qual ferramenta invocar a cada passo. Uma survey publicada no arXiv em agosto de 2025 mapeia o estado dessas arquiteturas de fluxo de trabalho de agentes, e um artigo de 2026 sobre decisões arquiteturais em harnesses de agentes discute os trade-offs envolvidos: quanto de autonomia dar ao modelo, onde colocar o controle, como registrar o que ele fez.

O que ninguém descobre até tentar é que a abstração de agentes esconde justamente o prompt que o modelo recebe. Quando uma cadeia devolve lixo, você acaba lendo o código-fonte do framework para descobrir qual template foi montado por baixo. Para um protótipo, a abstração acelera. Para agentes de IA que precisam funcionar em produção, ela vira o primeiro lugar onde se procura o problema.

Frameworks regulatórios e éticos de IA no mundo

Framework, no sentido regulatório, é uma estrutura de governança que organiza como uma organização ou um país identifica, mede e gerencia os riscos de um sistema de IA, e os quatro mais influentes em 2026 são o NIST AI RMF dos Estados Unidos, os Princípios de IA da OCDE, a Recomendação de Ética da UNESCO e o AI Act da União Europeia. Nenhum deles contém código. Todos contêm lacunas deliberadas para quem adota preencher com controles, responsáveis e evidências, exatamente como um framework de software deixa lacunas para o desenvolvedor.

O NIST AI RMF é o mais operacional dos quatro. As quatro funções do framework de gestão de risco de IA do NIST formam um ciclo: GOVERN cria a cultura e as responsabilidades, MAP contextualiza o sistema e seus riscos, MEASURE os quantifica e MANAGE os trata. Em julho de 2024, o NIST publicou um perfil complementar específico para IA generativa, o NIST-AI-600-1, para riscos que não existiam quando a versão 1.0 saiu. É voluntário, mas funciona como lista de verificação para qualquer comitê de risco que precise provar que fez a lição de casa.

Os Princípios da OCDE foram os primeiros desse tipo subscritos por governos, em 2019, e a atualização de 2024 incorporou os desafios da IA generativa e de propósito geral: privacidade, propriedade intelectual, segurança e integridade da informação. A OCDE publicou ainda, em fevereiro de 2022, um framework de classificação de sistemas de IA que liga características técnicas do sistema às suas implicações de política pública. A Recomendação da UNESCO, por sua vez, é descrita como o primeiro padrão ético global sobre o tema e tomou uma decisão esperta: evitou de propósito uma definição técnica fechada de “IA”, para continuar aplicável à medida que a tecnologia muda.

O AI Act europeu é o único dos quatro com força de lei. A Comissão Europeia o apresenta como o primeiro framework legal abrangente sobre IA do mundo, e sua estrutura em quatro níveis é o que mais influencia as discussões em outros países:

• Risco inaceitável: o sistema é proibido
• Alto risco: sujeito a requisitos legais específicos antes e depois de entrar em operação
• Risco limitado: obrigações de transparência, como avisar que o usuário fala com uma máquina
• Risco mínimo: nenhuma obrigação

Na minha leitura, a ordem certa de estudo para um time técnico é a inversa da cronológica. Comece pelo AI Act, porque a lógica de níveis de risco é a que os legisladores de outros países estão copiando. Depois leia o NIST AI RMF, porque é ele que diz o que medir. OCDE e UNESCO explicam o porquê, e são mais úteis para quem escreve política do que para quem escreve código.

O framework de IA brasileiro: PL 2338/2023, ANPD e SBC

O framework regulatório de IA no Brasil é o PL 2338/2023, que até 1 de outubro de 2026 ainda tramita na Câmara dos Deputados, somado ao trabalho da Agência Nacional de Proteção de Dados (ANPD) sob a LGPD e ao Plano Nacional de IA da Sociedade Brasileira de Computação (SBC). Em outras palavras: o país ainda não tem lei de IA em vigor. Tem um projeto avançado, uma agência que já regula a fronteira entre IA e dados pessoais e uma proposta da comunidade acadêmica.

O projeto é de autoria do senador Rodrigo Pacheco. O título oficial diz muito sobre a abordagem: “Dispõe sobre o desenvolvimento, o fomento e o uso ético e responsável da inteligência artificial com base na centralidade da pessoa humana”. O plenário do Senado o aprovou por unanimidade em dezembro de 2024, e desde então o texto anda pela Câmara, onde a ficha de tramitação do PL 2338/2023 registra cada movimento. Em dezembro de 2025, o Ministério da Gestão e da Inovação em Serviços Públicos detalhou o sistema de governança previsto no projeto: abordagem baseada em risco, classificação dos sistemas, direitos das pessoas afetadas e regras sobre quem responde quando algo dá errado.

Se a arquitetura soa familiar, é porque é. A lógica de níveis de risco vem do AI Act europeu, e o projeto brasileiro a tomou como ponto de partida.

A ANPD é a peça que mais interessa a quem já tem modelo em produção. Na Nota Técnica nº 16/2023, a agência tratou de decisões automatizadas e IA à luz da Lei 13.709/2018 (LGPD), o que significa que um sistema que aprova crédito ou prioriza atendimento já responde a ela hoje, sem esperar o PL. Seu papel de futura coordenadora do Sistema Nacional de Inteligência Artificial (SIA) e a prioridade dada à IA na agenda regulatória de 2026 a 2027 são tema de debate público. Quem trata dado pessoal com modelo no meio do fluxo já está dentro do perímetro dela.

O Plano Nacional de IA da SBC não obriga ninguém. Ele vale como diagnóstico: uma comissão de especialistas levantou o cenário atual e propôs um plano estratégico para desenvolver e usar a tecnologia no país. É a contribuição de quem ensina e pesquisa computação no Brasil, e serve de contraponto técnico a um debate que, no Congresso, corre em ritmo próprio.

Como as empresas brasileiras estão adotando frameworks de IA

As empresas brasileiras adotam frameworks de IA sobretudo de forma indireta, comprando software pronto: em 2025, 17% das empresas do país usavam IA, e entre essas, 76% adquiriram sistemas de terceiros, enquanto apenas 25% desenvolveram internamente. Os números vêm da pesquisa TIC Empresas 2025, do Cetic.br, e desenham um mercado que consome frameworks muito mais do que os escolhe.

O salto de 2024 para 2025 foi o maior desde que o indicador começou a ser medido, em 2021:

• De 13% para 17% no total de empresas que usam IA, entre 2024 e 2025
• De 38% para 50% entre as grandes empresas, no mesmo período
• De 10% para 15% entre as pequenas, de 10 a 49 empregados, que são 87% da população pesquisada
• De 20% para 30% no uso de ferramentas de geração de linguagem natural, entre as empresas que já usam IA

Metade das grandes empresas brasileiras já usa IA. Esse é o dado que mais muda a conversa em 2026, porque a pergunta no conselho deixou de ser se e passou a ser como. As pequenas, que são a esmagadora maioria do universo pesquisado, ficaram em 15%. A distância entre os dois grupos chegou a 35 pontos percentuais, e ela cresceu: era de 28 pontos em 2024.

O dado dos 76% é o que mais diz sobre frameworks, mesmo sem medir frameworks. Quando uma empresa compra um sistema pronto, a decisão entre PyTorch, TensorFlow ou LangChain já foi tomada pelo fornecedor, e ela herda essa escolha sem saber. O framework existe, só que três camadas abaixo do contrato. Apenas o quarto das empresas que desenvolvem internamente escolhe de fato a ferramenta, e é nesse grupo que a comparação entre frameworks pesa no dia a dia.

O avanço de 20% para 30% das ferramentas de geração de linguagem natural fecha o quadro. É a camada de LLMs, a mais nova da pilha, que puxa a adoção no Brasil.

Como escolher um framework de IA para o seu projeto

Para escolher um framework de IA, responda cinco perguntas nesta ordem: em que fase o projeto está, quem vai manter o código, onde o modelo vai rodar, se ele precisa de LLMs e agentes, e em que nível de risco regulatório ele cai. O benchmark entra por último, e só desempata.

1. Fase do projeto. Protótipo e pesquisa pedem o framework em que o seu time depura mais rápido, e isso favorece o estilo dinâmico. Produção pergunta outra coisa: como servir o modelo, em que dispositivo, com que latência. Um framework que vence na primeira fase pode perder na segunda, e migrar no meio custa caro.
2. Quem mantém. Se o problema cabe numa tabela e o time domina estatística clássica, um framework de ML clássico resolve sem GPU e sem curva de aprendizado nova. Deep learning para regressão em planilha é excesso de ferramenta.
3. Ecossistema e deploy. Verifique quem mantém o projeto, com que frequência sai versão e se existem projetos satélites para inferência e serving. Framework sem fundação por trás e sem ciclo previsível de versões é um problema de manutenção que aparece dois anos depois.
4. LLMs e agentes. Se a aplicação chama modelos em vez de treiná-los, a decisão migra para a camada de orquestração. Aí a pergunta vira: a abstração deixa você ver o prompt que o modelo recebe? Se a resposta for negativa, você vai ler código-fonte na primeira falha em produção.
5. Nível de risco regulatório. Classifique o sistema antes de escolher ferramenta. Quanto mais a decisão automatizada afeta pessoas, mais alto o nível no desenho do AI Act e do PL 2338, e mais o projeto vai precisar de logs de decisão, revisão humana e rastreabilidade. Nem todo framework facilita isso.

O erro mais comum é inverter essa ordem. Começar pelo framework mais citado no GitHub responde a uma pergunta que você ainda nem fez, e costuma terminar em reescrita quando o modelo precisa sair do notebook. Para a maioria das empresas brasileiras, que compram software pronto, a escolha de verdade é outra: exigir do fornecedor que diga qual framework está embaixo, em que versão e quem o mantém. É uma pergunta simples. Quase ninguém faz.

Perguntas frequentes sobre frameworks

As dúvidas mais buscadas sobre frameworks se repetem em qualquer fórum de programação, e as respostas curtas abaixo servem tanto para quem está começando quanto para quem precisa explicar o termo numa reunião.

O que é framework em programação?

Framework em programação é uma estrutura de software reutilizável que traz pronta a arquitetura de uma aplicação e deixa pontos definidos para você encaixar o código do seu problema. O framework comanda o fluxo de execução e chama o seu código nos momentos que ele próprio estabeleceu. Em português técnico, o termo equivalente é arcabouço.

Qual a diferença entre framework e biblioteca?

A diferença está em quem controla o fluxo do programa. Com uma biblioteca, o seu código chama as funções dela quando quiser, e o programa continua sendo seu. Com um framework, é ele que conduz a execução e aciona o seu código nos pontos de extensão que definiu. A engenharia de software chama esse mecanismo de inversão de controle.

Framework é uma linguagem de programação?

Não. Framework é código escrito em uma linguagem que já existe, e pressupõe que você programe nela. PyTorch, JAX e scikit-learn, por exemplo, são usados a partir de Python. A linguagem define sintaxe e semântica. O framework define arquitetura e fluxo por cima dela.

Qual o melhor framework para IA?

Não existe um melhor em termos absolutos. Os estudos comparativos de 2025 mostram o PyTorch com vantagem em simplicidade e flexibilidade para pesquisa, o TensorFlow com o ecossistema de produção mais maduro (TensorFlow Lite e TensorFlow Serving) e o JAX com treinamento de CNNs 46,6% mais rápido que o Keras no dataset PathMNIST, por causa da compilação JIT via XLA. Para dados tabulares sem GPU, o scikit-learn resolve. Para aplicações que chamam LLMs em vez de treiná-los, a decisão migra para frameworks de orquestração como o LangChain.

Para que serve um framework de agentes de IA?

Um framework de agentes serve para compor modelos de linguagem, prompts, memória e ferramentas externas em pipelines reutilizáveis, em que o modelo decide a cada passo qual ferramenta invocar. O LangChain, o mais conhecido da categoria, organiza isso em quatro módulos: Modelo, Template de Prompt, Memória e Chains. O preço da abstração é que o prompt final montado por baixo fica escondido, e é o primeiro lugar a investigar quando o agente responde errado.

O que é framework de governança de IA?

É uma estrutura normativa que organiza como uma empresa ou um país identifica, mede e trata os riscos de sistemas de IA. Não contém código, contém funções e obrigações. Os quatro mais influentes em 2026 são o NIST AI RMF de janeiro de 2023, com as funções GOVERN, MAP, MEASURE e MANAGE, o AI Act europeu em vigor desde 1º de agosto de 2024 com quatro níveis de risco, os Princípios de IA da OCDE de 2019 (atualizados em 2024) e a Recomendação de Ética da UNESCO de novembro de 2021.

O Brasil já tem lei de IA?

Até 1 de outubro de 2026, não. O texto integral do PL 2338/2023 no Senado Federal foi aprovado por unanimidade no plenário em dezembro de 2024 e desde então tramita na Câmara dos Deputados. O que já vale hoje é a LGPD: a ANPD aplica a Lei 13.709/2018 a decisões automatizadas com IA desde a Nota Técnica nº 16/2023, então um modelo que decide sobre crédito, atendimento ou contratação já responde à agência sem esperar a nova lei.

Por onde começar com frameworks de IA

Começar com frameworks de IA exige três movimentos, e nenhum deles leva mais de um mês.

1. Escolha um framework técnico e termine um projeto pequeno. Um classificador em scikit-learn sobre uma planilha da sua empresa, ou uma rede simples em PyTorch, ensina mais sobre inversão de controle do que qualquer leitura. O projeto precisa chegar ao fim, com modelo salvo e uma predição rodando fora do notebook.
2. Leia o framework normativo do seu papel. Se você escreve código, leia as quatro funções do NIST AI RMF e anote o que o seu sistema registra e o que ele deixa passar. Se você decide sobre risco ou produto, leia o PL 2338/2023 inteiro. É menor do que parece.
3. Acompanhe a tramitação brasileira. A ficha do PL na Câmara, a agenda regulatória da ANPD de 2026 a 2027 e as tomadas de subsídios da agência são públicas. Quem lê o texto antes da aprovação chega à vigência com o sistema já classificado.

O framework, técnico ou regulatório, continua sendo um esqueleto. O que vai sustentar o seu projeto é o que você coloca nas lacunas dele.

Se você quer classificar o risco de um sistema e escolher a pilha de frameworks com quem vai construir e manter o código, a consultoria de IA da AlphaCorp AI faz esse desenho junto com o seu time.