{"id":1719,"date":"2026-07-22T13:52:12","date_gmt":"2026-07-22T16:52:12","guid":{"rendered":"https:\/\/jrtx.com.br\/blog\/2026\/07\/22\/ibm-red-hat-inteligencia-artificial-agentes-governanca-e-mod\/"},"modified":"2026-07-22T13:52:12","modified_gmt":"2026-07-22T16:52:12","slug":"ibm-red-hat-inteligencia-artificial-agentes-governanca-e-mod","status":"publish","type":"post","link":"https:\/\/jrtx.com.br\/blog\/2026\/07\/22\/ibm-red-hat-inteligencia-artificial-agentes-governanca-e-mod\/","title":{"rendered":"IBM Red Hat intelig\u00eancia artificial: agentes, governan\u00e7a e modelos abertos em 2026"},"content":{"rendered":"

\nO mercado de intelig\u00eancia artificial empresarial em 2026 n\u00e3o \u00e9 mais sobre experimentos isolados ou provas de conceito que nunca chegam \u00e0 produ\u00e7\u00e3o. \u00c9 sobre escala, seguran\u00e7a jur\u00eddica, governan\u00e7a e infraestrutura capaz de sustentar cargas de trabalho de miss\u00e3o cr\u00edtica em ambientes regulados. Enquanto hyperscalers competem por tamanho de modelo e consumo de GPU, a IBM Red Hat intelig\u00eancia artificial<\/strong> tra\u00e7a um caminho diferente \u2014 focado em modelos abertos e audit\u00e1veis, plataformas de nuvem h\u00edbrida que rodam do data center privado \u00e0 borda, e camadas de seguran\u00e7a que protegem cada chamada de API feita por um agente aut\u00f4nomo. Este post t\u00e9cnico disseca a estrat\u00e9gia conjunta IBM\u2013Red Hat para IA, os an\u00fancios mais relevantes do primeiro semestre de 2026 e o que tudo isso significa para profissionais de infraestrutura, seguran\u00e7a e arquitetura de solu\u00e7\u00f5es no Brasil.\n<\/p>\n

\nO contexto importa: a IBM fechou 2025 com resultados s\u00f3lidos impulsionados por software e consultoria, mas enfrenta em meados de 2026 um cen\u00e1rio de budget shift \u2014 or\u00e7amentos corporativos migrando para hardware de IA e comprimindo margens em software e servi\u00e7os. Ao mesmo tempo, a Red Hat continua expandindo seu portf\u00f3lio de intelig\u00eancia artificial sobre OpenShift<\/strong> e RHEL<\/strong>, agora com recursos de governan\u00e7a para Models-as-a-Service, templates de conformidade para sistemas legados e blueprints abertos para agentes de IA que operam por horas ou dias com estado persistente. A pergunta que todo CTO deveria fazer n\u00e3o \u00e9 “qual modelo \u00e9 maior”, mas “como coloco isso em produ\u00e7\u00e3o sem explodir meu or\u00e7amento de nuvem, sem violar a LGPD e sem que um agente cobre US$ 4.000 na conta errada de um cliente?”\n<\/p>\n

\nNas pr\u00f3ximas se\u00e7\u00f5es, vamos detalhar a arquitetura de agentes de IA segundo o blueprint aberto da Red Hat, as camadas de seguran\u00e7a que v\u00e3o muito al\u00e9m de guardrails de prompt, o papel dos modelos Granite<\/strong> (open source, Apache 2.0) como alternativa corporativa aos modelos propriet\u00e1rios, e a integra\u00e7\u00e3o com watsonx.governance<\/strong> para conformidade com o EU AI Act e a LGPD. Tudo com densidade t\u00e9cnica, tabelas comparativas e recomenda\u00e7\u00f5es pr\u00e1ticas para times de infraestrutura e seguran\u00e7a. Na JRT Technology Solutions<\/strong>, implementamos e gerenciamos solu\u00e7\u00f5es IBM e Red Hat para clientes corporativos \u2014 e este artigo reflete exatamente o tipo de decis\u00e3o arquitetural que discutimos com nossos clientes toda semana.\n<\/p>\n

O blueprint aberto da Red Hat para agentes de IA corporativos<\/h3>\n

\nEm julho de 2026, a Red Hat publicou um documento t\u00e9cnico que merece aten\u00e7\u00e3o de qualquer arquiteto de solu\u00e7\u00f5es: “Architect an open blueprint for cloud-native AI agents”. O blueprint define um agente de IA como uma entidade que persegue um objetivo ao longo de minutos, horas ou dias<\/strong>, invocando ferramentas, escrevendo arquivos, mantendo estado entre etapas e tomando decis\u00f5es aut\u00f4nomas dentro dos guardrails estabelecidos. N\u00e3o \u00e9 um simples chatbot com function calling \u2014 \u00e9 um sistema distribu\u00eddo que exige orquestra\u00e7\u00e3o de cont\u00eaineres, gerenciamento de identidade, segredos, observabilidade e pol\u00edticas de retry.\n<\/p>\n

\nA arquitetura proposta roda nativamente sobre Red Hat OpenShift<\/strong> e utiliza operadores Kubernetes para gerenciar o ciclo de vida do agente. Cada agente \u00e9 empacotado como um conjunto de microsservi\u00e7os: um runtime de infer\u00eancia (podendo ser vLLM<\/strong> ou Caikit<\/strong>), um barramento de eventos (Kafka ou AMQ Streams), um banco de estado (Redis ou PostgreSQL) e um gateway de ferramentas que faz interface com APIs corporativas \u2014 sistemas ERP, CRMs, bancos de dados legacy e at\u00e9 mainframes IBM Z. O ponto central do blueprint \u00e9 que o agente n\u00e3o recebe credenciais amplas<\/strong>: cada ferramenta invocada passa por um proxy de autoriza\u00e7\u00e3o que valida escopo, identidade e cota antes de executar a chamada.\n<\/p>\n

\nIsso resolve diretamente o tipo de falha que times de engenharia j\u00e1 est\u00e3o encontrando em campo. Um caso real citado pela Red Hat: um agente de billing cobrou US$ 4.000 na conta errada<\/strong> porque o modelo escolheu um identificador de cliente plaus\u00edvel, mas incorreto. Nenhum bloqueio de infraestrutura impediu a chamada. A credencial da API era ampla demais, o escopo n\u00e3o estava limitado e n\u00e3o havia trilha de auditoria. O blueprint da Red Hat endere\u00e7a isso com tr\u00eas camadas: identity boundary<\/strong> (cada agente tem uma service account com escopo m\u00ednimo), scope limit<\/strong> (pol\u00edticas OPA\/Gatekeeper que validam inten\u00e7\u00e3o antes da execu\u00e7\u00e3o) e audit trail<\/strong> (cada decis\u00e3o do agente \u00e9 registrada em um ledger imut\u00e1vel).\n<\/p>\n

IBM Red Hat intelig\u00eancia artificial: por que guardrails de prompt n\u00e3o bastam<\/h3>\n

\nO artigo “Why prompt-level guardrails aren’t enough”, tamb\u00e9m publicado pela Red Hat em julho de 2026, \u00e9 uma leitura obrigat\u00f3ria para times de seguran\u00e7a. A tese \u00e9 clara: guardrails de prompt s\u00e3o necess\u00e1rios, mas infinitamente insuficientes<\/strong>. Eles operam na camada de linguagem \u2014 filtram toxicidade, previnem inje\u00e7\u00e3o de prompt, bloqueiam t\u00f3picos proibidos. Mas n\u00e3o fazem nada quando o modelo, agindo dentro do comportamento esperado, decide chamar uma API com um payload sintaticamente correto e semanticamente errado.\n<\/p>\n

\nA Red Hat defende uma abordagem de defesa em profundidade para agentes de IA<\/strong>. A primeira camada \u00e9 o pr\u00f3prio modelo, com alinhamento e fine-tuning para o dom\u00ednio corporativo (\u00e9 aqui que entram os modelos Granite<\/strong> da IBM, treinados especificamente para casos de uso empresariais). A segunda camada s\u00e3o os guardrails de prompt e de sa\u00edda \u2014 valida\u00e7\u00e3o de schema, filtros de conte\u00fado, detectores de alucina\u00e7\u00e3o. A terceira camada s\u00e3o as pol\u00edticas de plataforma<\/strong>: RBAC, limites de taxa, cotas de token, escopo de ferramentas. A quarta camada \u00e9 a infraestrutura<\/strong>: rede segmentada, secrets gerenciados pelo HashiCorp Vault<\/strong>, certificados ef\u00eameros, imagens assinadas e verificadas.\n<\/p>\n

\nEssa arquitetura \u00e9 particularmente relevante para institui\u00e7\u00f5es financeiras brasileiras, que operam sob regula\u00e7\u00e3o do Banco Central e da LGPD. Um agente de IA que acessa dados de conta corrente n\u00e3o pode depender apenas de um “por favor, n\u00e3o alucine” no system prompt. Precisa de identidade verificada<\/strong>, escopo limitado por pol\u00edtica<\/strong>, trilha de auditoria imut\u00e1vel<\/strong> e supervis\u00e3o humana para transa\u00e7\u00f5es acima de um threshold<\/strong>. A stack IBM Red Hat entrega exatamente isso, com o watsonx.governance<\/strong> rastreando cada decis\u00e3o do modelo e o OpenShift<\/strong> impondo pol\u00edticas de admiss\u00e3o em tempo real.\n<\/p>\n

O ecossistema watsonx + Red Hat para IA empresarial<\/h3>\n

\nA estrat\u00e9gia de IBM Red Hat intelig\u00eancia artificial<\/strong> se materializa em uma stack integrada que cobre todo o ciclo de vida da IA: da ingest\u00e3o de dados ao deploy em produ\u00e7\u00e3o, passando por treinamento, ajuste fino, governan\u00e7a e observabilidade. Abaixo, uma tabela detalhada com os componentes principais e seu posicionamento:\n<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Componente<\/th>\nCategoria<\/th>\nFun\u00e7\u00e3o na stack de IA<\/th>\n<\/tr>\n<\/thead>\n
watsonx.ai<\/td>\nEst\u00fadio de IA generativa<\/td>\nTreino, ajuste fino e deploy de foundation models; suporte a Granite, Llama, Mistral e modelos customizados<\/td>\n<\/tr>\n
watsonx.data<\/td>\nLakehouse aberto<\/td>\nCat\u00e1logo e processamento de dados com Iceberg, Presto e Spark; integra\u00e7\u00e3o nativa com dados on-premises e multicloud<\/td>\n<\/tr>\n
watsonx.governance<\/td>\nGovernan\u00e7a de IA<\/td>\nMonitoramento de drift, explicabilidade, cat\u00e1logo de modelos, relat\u00f3rios para compliance (EU AI Act, LGPD)<\/td>\n<\/tr>\n
watsonx Orchestrate<\/td>\nAgentes de IA \/ automa\u00e7\u00e3o<\/td>\nOrquestra\u00e7\u00e3o de processos de neg\u00f3cio com agentes de IA; integra\u00e7\u00e3o com Salesforce, SAP, ServiceNow<\/td>\n<\/tr>\n
Granite (fam\u00edlia de modelos)<\/td>\nModelos open source (Apache 2.0)<\/td>\nModelos compactos e eficientes para tarefas empresariais; indeniza\u00e7\u00e3o de IP; dispon\u00edveis no Hugging Face<\/td>\n<\/tr>\n
OpenShift AI<\/td>\nPlataforma Kubernetes para IA<\/td>\nTreino distribu\u00eddo, serving de modelos, pipelines Kubeflow, integra\u00e7\u00e3o com GPUs NVIDIA e Intel Gaudi<\/td>\n<\/tr>\n
RHEL AI<\/td>\nLinux otimizado para IA<\/td>\nImagem bootc do RHEL com drivers NVIDIA, PyTorch, vLLM e tooling de infer\u00eancia; deploy em qualquer hardware<\/td>\n<\/tr>\n
Ansible Automation Platform<\/td>\nAutoma\u00e7\u00e3o de infraestrutura<\/td>\nProvisionamento de ambientes de IA, gest\u00e3o de configura\u00e7\u00e3o de GPUs, compliance as code<\/td>\n<\/tr>\n
HashiCorp Vault + Terraform<\/td>\nSegredos e infraestrutura como c\u00f3digo<\/td>\nGerenciamento de credenciais ef\u00eameras para agentes; provisionamento declarativo de stacks de IA<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\nA integra\u00e7\u00e3o entre esses componentes \u00e9 o que diferencia a proposta IBM Red Hat de solu\u00e7\u00f5es pontuais. Um banco brasileiro pode treinar um modelo Granite<\/strong> no watsonx.ai<\/strong> com dados armazenados em um lakehouse watsonx.data<\/strong> on-premises (respeitando a soberania de dados exigida pelo Banco Central), governar cada vers\u00e3o do modelo com watsonx.governance<\/strong>, fazer o deploy no OpenShift AI<\/strong> rodando sobre IBM LinuxONE 5<\/strong> (com criptografia pervasive e acelera\u00e7\u00e3o de infer\u00eancia em hardware) e expor o modelo como um servi\u00e7o gerenciado por pol\u00edticas de cota e acesso do MaaS<\/strong> (Models-as-a-Service) do OpenShift AI. Tudo isso com uma \u00fanica licen\u00e7a corporativa e suporte de ponta a ponta.\n<\/p>\n

Models-as-a-Service (MaaS) no OpenShift AI: governan\u00e7a que faltava<\/h3>\n

\nEm junho de 2026, a Red Hat detalhou a governan\u00e7a de Models-as-a-Service no OpenShift AI. O MaaS \u00e9 um componente integrado que permite expor modelos de linguagem como servi\u00e7os internos, com pol\u00edticas declarativas de acesso e consumo \u2014 algo essencial para empresas que precisam controlar custos e evitar abusos. Dois recursos centrais foram detalhados: MaaSSubscription<\/strong> e MaaSAuthPolicy<\/strong>.\n<\/p>\n

\nMaaSSubscription<\/strong> define quotas de token por usu\u00e1rio ou aplica\u00e7\u00e3o em uma janela de tempo configur\u00e1vel. Se um agente de IA ou um desenvolvedor excede a cota, o gateway de API retorna HTTP 429 (Too Many Requests)<\/strong> antes mesmo de chegar ao runtime de infer\u00eancia. Isso protege o or\u00e7amento de GPU e evita que um agente em loop infinito consuma milhares de d\u00f3lares em infer\u00eancia antes que algu\u00e9m perceba. A MaaSAuthPolicy<\/strong>, por sua vez, define quais modelos um usu\u00e1rio ou grupo pode acessar \u2014 permitindo, por exemplo, que o time de marketing use apenas modelos leves como Granite-3B<\/strong>, enquanto o time de engenharia de dados acessa vers\u00f5es maiores como Granite-20B<\/strong> ou Llama 3.1 70B<\/strong>.\n<\/p>\n

\nAmbas as pol\u00edticas s\u00e3o gerenciadas via GitOps \u2014 os arquivos YAML que definem cotas e permiss\u00f5es ficam em um reposit\u00f3rio Git, e um operador no OpenShift reconcilia o estado desejado. Isso significa que o time de plataforma pode auditar cada mudan\u00e7a, reverter pol\u00edticas com um git revert<\/strong> e integrar aprova\u00e7\u00f5es via pull request. Para organiza\u00e7\u00f5es que precisam de compliance, como bancos sob regula\u00e7\u00e3o do BACEN, essa abordagem \u00e9 infinitamente superior a consoles administrativos clic\u00e1veis sem trilha de auditoria.\n<\/p>\n

IBM Red Hat intelig\u00eancia artificial na borda e no mundo f\u00edsico<\/h3>\n

\nA Intelig\u00eancia Artificial F\u00edsica (Physical AI) \u00e9 uma das fronteiras mais quentes de 2026. Diferente da IA generativa tradicional que opera no mundo digital, a Physical AI integra percep\u00e7\u00e3o, racioc\u00ednio e a\u00e7\u00e3o em sistemas rob\u00f3ticos, c\u00e2meras inteligentes, drones e equipamentos industriais. Red Hat publicou uma s\u00e9rie de dois artigos detalhando como a stack IBM Red Hat suporta esse paradigma, e a conclus\u00e3o \u00e9 inequ\u00edvoca: edge computing n\u00e3o \u00e9 opcional, \u00e9 requisito<\/strong>.\n<\/p>\n

\nO loop fundamental da Physical AI \u2014 perceive, reason, act<\/strong> \u2014 exige lat\u00eancia de milissegundos. Um rob\u00f4 de soldagem em uma linha de produ\u00e7\u00e3o n\u00e3o pode esperar 200 ms por uma resposta da nuvem p\u00fablica. Precisa processar frames de c\u00e2mera, executar infer\u00eancia e acionar atuadores localmente. \u00c9 aqui que entram RHEL AI<\/strong> e MicroShift<\/strong> (a vers\u00e3o lightweight do OpenShift para edge): rodando em hardware x86 ou ARM com NPU integrada, entregam infer\u00eancia de modelos Granite<\/strong> com lat\u00eancia inferior a 10 ms no pr\u00f3prio dispositivo.\n<\/p>\n

\nNo data center ou na nuvem regional, o OpenShift AI<\/strong> gerencia o ciclo de vida completo: treinamento distribu\u00eddo com GPUs NVIDIA L40S ou H100, versionamento de modelos no registro de cont\u00eaineres, deploy can\u00e1rio para dispositivos de borda e coleta de m\u00e9tricas de drift via Instana<\/strong>. O Ansible Automation Platform<\/strong> automatiza o provisionamento de dispositivos edge com playbooks que instalam o sistema operacional, configuram parti\u00e7\u00f5es criptografadas, injetam certificados e registram o n\u00f3 no cluster OpenShift. Tudo audit\u00e1vel, repet\u00edvel e versionado em Git.\n<\/p>\n

\nPara o setor industrial brasileiro \u2014 f\u00e1bricas, minera\u00e7\u00e3o, \u00f3leo e g\u00e1s \u2014 essa arquitetura resolve um problema real: como colocar IA em campo sem depender de conectividade de internet, sem expor dados de produ\u00e7\u00e3o a nuvens p\u00fablicas e com garantia de que o modelo est\u00e1 rodando a vers\u00e3o correta. Na JRT Technology Solutions<\/strong>, nossos especialistas em infraestrutura corporativa recomendam essa stack exatamente para clientes que precisam de previsibilidade em ambientes hostis.\n<\/p>\n

Modelos Granite: a aposta da IBM em IA open source e audit\u00e1vel<\/h3>\n

\nEnquanto OpenAI, Google e Anthropic competem com modelos propriet\u00e1rios cada vez maiores e mais caros, a IBM aposta em uma dire\u00e7\u00e3o contr\u00e1ria: modelos Granite<\/strong> compactos, eficientes e completamente abertos sob licen\u00e7a Apache 2.0<\/strong>. A fam\u00edlia Granite cobre tarefas como gera\u00e7\u00e3o de c\u00f3digo, sumariza\u00e7\u00e3o, classifica\u00e7\u00e3o, extra\u00e7\u00e3o de entidades e RAG (Retrieval-Augmented Generation). Os modelos est\u00e3o dispon\u00edveis publicamente no Hugging Face<\/strong> e podem ser baixados, inspecionados, fine-tunados e redistribu\u00eddos sem restri\u00e7\u00f5es.\n<\/p>\n

\nO diferencial corporativo \u00e9 triplo. Primeiro, indeniza\u00e7\u00e3o de IP<\/strong>: a IBM oferece prote\u00e7\u00e3o legal para clientes que usam modelos Granite em produ\u00e7\u00e3o \u2014 algo que nenhum outro grande fornecedor de modelos abertos oferece com a mesma clareza contratual. Segundo, efici\u00eancia<\/strong>: um Granite-8B frequentemente entrega performance compar\u00e1vel a modelos 3x maiores em tarefas especializadas, rodando em uma \u00fanica GPU L4 \u2014 isso se traduz em custo de infer\u00eancia at\u00e9 10x menor. Terceiro, auditabilidade<\/strong>: como os pesos e o dataset de treinamento s\u00e3o p\u00fablicos, times de compliance podem verificar exatamente em quais dados o modelo foi treinado \u2014 essencial para conformidade com a LGPD e o EU AI Act.\n<\/p>\n

\nO watsonx Code Assistant<\/strong> utiliza Granite para moderniza\u00e7\u00e3o de c\u00f3digo \u2014 incluindo a transforma\u00e7\u00e3o de COBOL para Java no IBM Z, um caso de uso cr\u00edtico para bancos brasileiros que ainda operam mainframes com d\u00e9cadas de c\u00f3digo legado. O modelo entende a sem\u00e2ntica de neg\u00f3cio embutida em programas COBOL e gera c\u00f3digo Java equivalente com testes unit\u00e1rios, coment\u00e1rios e documenta\u00e7\u00e3o. N\u00e3o \u00e9 tradu\u00e7\u00e3o sint\u00e1tica cega \u2014 \u00e9 reengenharia assistida por IA com preserva\u00e7\u00e3o de regras de neg\u00f3cio.\n<\/p>\n

IBM Red Hat intelig\u00eancia artificial vs. hyperscalers: comparativo t\u00e9cnico<\/h3>\n

\nPara arquitetos de solu\u00e7\u00f5es e tomadores de decis\u00e3o, a escolha da plataforma de IA n\u00e3o \u00e9 trivial. Abaixo, uma tabela comparativa que posiciona a stack IBM Red Hat frente \u00e0s principais alternativas do mercado:\n<\/p>\n\n\n\n\n\n\n\n\n
Dimens\u00e3o<\/th>\nIBM + Red Hat<\/th>\nMicrosoft (Azure + OpenAI)<\/th>\nAWS (Bedrock + SageMaker)<\/th>\nGoogle (Vertex AI + Gemini)<\/th>\n<\/tr>\n<\/thead>\n
Modelos<\/td>\nGranite (Apache 2.0) + Llama, Mistral. Modelos abertos e audit\u00e1veis.<\/td>\nOpenAI (propriet\u00e1rio) + Phi (aberto). Depend\u00eancia do ecossistema OpenAI.<\/td>\nClaude, Llama, Titan. Cat\u00e1logo amplo, mas governan\u00e7a fragmentada por modelo.<\/td>\nGemini (propriet\u00e1rio) + Gemma (aberto). Forte integra\u00e7\u00e3o com ecossistema Google.<\/td>\n<\/tr>\n
Deploy on-premises<\/td>\nNativo<\/strong> \u2014 OpenShift + RHEL AI em qualquer hardware, incluindo mainframe e edge<\/td>\nAzure Stack (limitado). Maior foco em nuvem p\u00fablica.<\/td>\nOutposts + ECS Anywhere. On-premises com taxa adicional significativa.<\/td>\nAnthos + Distributed Cloud. Complexo, licenciamento caro.<\/td>\n<\/tr>\n
Governan\u00e7a de IA<\/td>\nwatsonx.governance<\/strong> \u2014 completo, integr\u00e1vel com EU AI Act, LGPD. Trilha de auditoria nativa.<\/td>\nAzure AI Content Safety + Purview. Em evolu\u00e7\u00e3o, mas fragmentado.<\/td>\nBedrock Guardrails + SageMaker Model Monitor. Bom, mas restrito ao ecossistema AWS.<\/td>\nVertex AI Safety. Em desenvolvimento, gaps de rastreabilidade.<\/td>\n<\/tr>\n
Custo de infer\u00eancia<\/td>\nModelos Granite compactos \u2014 at\u00e9 10x mais baratos que GPT-4o em tarefas especializadas<\/td>\nGPT-4o \/ o3 \u2014 caros, token pricing premium<\/td>\nVari\u00e1vel por modelo. Claude 3.5 Sonnet \/ Haiku \u2014 intermedi\u00e1rio<\/td>\n\n<\/table>\n
\n

Sua empresa quer aproveitar o ecossistema IBM e Red Hat?<\/p>\n

A JRT Technology Solutions implementa e gerencia solu\u00e7\u00f5es IBM \u2014 Linux, OpenShift, automa\u00e7\u00e3o, IA e infraestrutura para empresas que exigem miss\u00e3o cr\u00edtica.<\/p>\n


\n <\/svg>
\n Falar com especialista
\n <\/a>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Descubra como a IBM Red Hat est\u00e1 moldando a intelig\u00eancia artificial em 2026 com agentes, governan\u00e7a e modelos abertos. Clique e saiba mais!<\/p>\n","protected":false},"author":1,"featured_media":1718,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"iawp_total_views":1,"footnotes":""},"categories":[2525],"tags":[1850,2798,2524,295,2799,2800],"class_list":["post-1719","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ibm","tag-agentes-de-ia","tag-governanca-de-ia","tag-ibm-red-hat-ai","tag-inteligencia-artificial","tag-modelos-abertos","tag-tecnologia-da-informacao"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t