Casos de uso IA em empresa: 5 padrões que funcionam em Portugal em 2026
Quick Answer: por onde começar com casos de uso IA numa empresa portuguesa?
Para além da conversa tipo ChatGPT, cinco casos de uso IA provaram o seu valor em empresas portuguesas em 2026 — ou seja, aguentam em produção e trazem ganhos mensuráveis:
- Extração documental — passar de um PDF, uma fatura ou um contrato a dados estruturados prontos a integrar em SAP, Primavera BSS ou PHC (ganho típico: fator dez sobre o tempo de introdução).
- Classificação e triagem — categorizar emails recebidos, tickets, processos, e dirigi-los para o tratamento correto.
- Automação de relatórios e sínteses — transformar um conjunto de documentos (transcrições de reuniões, processos, notas) em entregáveis estruturados.
- Agentes autónomos enquadrados sobre tarefas de nível 3-4 (vigilância, planeamento, acompanhamento), sempre sob supervisão humana nas etapas críticas.
- Anonimização e reconhecimento de entidades nomeadas (NER) — preparar dados para conformidade RGPD ou para os partilhar.
Cada caso de uso tem um limiar de complexidade muito diferente. Começar pela extração documental ou pela classificação oferece geralmente o melhor rácio impacto / risco. Os agentes autónomos continuam a manejar-se com prudência em 2026.
Porquê este tema, agora — estado do mercado português
Três coisas mudaram entre 2024 e 2026 no terreno dos casos de uso IA em empresas portuguesas.
Primeiro, a fronteira moveu-se sobre o que a IA faz fiavelmente. A extração documental, a classificação, a síntese de reunião passaram do POC demonstrativo ao produto em produção com métricas sólidas. O caso típico extração de faturas heterogéneas no retalho (Sonae MC, Pingo Doce, Continente, Auchan Portugal) apresenta em 2026 taxas de erro inferiores à introdução humana sobre volume — o que não era verdade em 2023.
Segundo, o custo de inferência baixou uma ordem de grandeza. Um caso de uso que custava 0,80 € por tratamento em 2023 custa 0,05 a 0,15 € em 2026, com qualidade equivalente ou superior. Crítico para o tecido empresarial português dominado por PME (99,9 % das empresas, segundo dados Pordata) onde a margem por processo é estreita.
Terceiro, o quadro regulamentar precisou-se. A CNPD (Comissão Nacional de Proteção de Dados) publicou em 2024-2025 orientações sobre IA generativa, scoring algorítmico e tratamentos de elevado risco. As sanções CNPD recentes (Banco CTT em 2024 sobre tratamento RH, Cofidis em 2025 sobre scoring opaco) clarificaram as linhas vermelhas. O AI Act entrou em aplicação progressiva. A Lei n.º 58/2019 (que executa o RGPD em Portugal) e o Decreto-Lei n.º 65/2021 (cibersegurança em entidades essenciais) marcam exigências adicionais para infraestruturas críticas e setor público (administração pública, SNS, autarquias).
O mercado também se sanou. As promessas “a IA vai transformar tudo” deram lugar a promessas calibradas: extração documental fiável, triagem de emails fiável, suporte de primeiro nível aumentado. Este guia está calibrado sobre esta segunda vaga.
A grelha dos 4 níveis de uso IA, aplicada a casos concretos do mercado português
Antes de avaliar um caso de uso, é preciso situar o nível de autonomia esperado. A grelha de quatro níveis (apresentada no nosso guia da formação IA em empresa) serve de bússola.
| Nível | Descrição | Exemplo caso de uso | Risco operativo |
|---|---|---|---|
| N1 Chat pontual | Pergunta / resposta manual, sem continuidade | Reformular um email | Baixo |
| N2 Assistente persistente | Assistente configurado, contexto estável | Síntese semanal de reuniões | Baixo a moderado |
| N3 Workflow automatizado | Cadeia de ações desencadeada por evento, supervisão humana | Triagem emails recebidos → categoria → resposta tipo | Moderado |
| N4 Agente autónomo | Missão de alto nível, o agente decide as etapas | Vigilância concorrencial semanal | Elevado, enquadramento necessário |
A regra prática: iniciar um novo caso de uso a N2 máximo, validar a qualidade na duração, depois automatizar progressivamente para N3. N4 só se legitima após experiência operativa sólida.
Caso de uso 1 — Extração documental no turismo, retalho e banca
É o caso de uso IA mais replicado em empresa B2B portuguesa em 2026. O princípio: transformar um documento não estruturado (PDF, fatura digitalizada, contrato, formulário) em dados exploráveis (CSV, JSON, entrada CRM/SAP).
Porque funciona: o valor é imediatamente quantificável. Uma introdução manual de fatura demora tipicamente 3 a 5 minutos em SAP, Primavera BSS ou PHC; uma extração IA bem calibrada faz o mesmo trabalho em menos de 30 segundos, com taxa de erro frequentemente inferior à introdução humana sobre volume.
Casos de aplicação no mercado português:
- Turismo e hotelaria (Pestana Hotel Group, Vila Galé, Tivoli Hotels, Vidamar, Sana Hotels): extração de documentos hóspedes (boletins de alojamento INE), contratos B2B com operadores turísticos, faturação grupos e MICE
- Aviação (TAP Air Portugal, SATA): extração de documentos de coordenação operacional, faturas handling, contratos com fornecedores aeroportuários ANA
- Retalho e distribuição (Sonae MC, Jerónimo Martins/Pingo Doce, Auchan Portugal, Continente): extração de faturas fornecedores para SAP S/4HANA com milhares de fornecedores ibéricos e europeus
- Banca PSI20 (Millennium BCP, Caixa Geral de Depósitos, Novo Banco, Santander Totta, BPI): extração de documentos KYC/AML sob supervisão Banco de Portugal, balanços PME para análise de crédito
- Saúde SNS e privada (Luz Saúde, Lusíadas Saúde, CUF, José de Mello Saúde): pré-introdução de reembolsos a partir de faturas médicas não normalizadas, integração com Plataforma de Dados da Saúde (PDS) e SI dos hospitais EPE
- Sociedades de advogados (PLMJ, Morais Leitão, VdA — Vieira de Almeida, Cuatrecasas Portugal): extração de informações chave de contratos (partes, montantes, prazos, foro)
- Contabilistas certificados: extração de faturas fornecedores para software contabilístico (Primavera BSS, PHC, Sage Portugal, Olisoft, Cegid)
- RH PME e grande conta: extração de informações CV para pré-qualificação (com vigilância AIPD CNPD)
Volumetria típica no mercado português: 800 a 80.000 documentos por mês em PME e média empresa. PSI20 (Galp Energia, EDP, Jerónimo Martins, Sonae): 200.000 a 2 milhões de documentos por mês repartidos entre filiais internacionais (Brasil, Angola, Moçambique para grupos lusófonos).
Arquitetura típica: um grande modelo de linguagem capaz de analisar também imagens (“multimodal” — Mistral, GPT-4 Vision para dados não sensíveis) + uma instrução estruturada que exige uma saída em formato JSON + uma camada de validação (regras de negócio, coerência de montantes, controlo de duplicados conforme Decreto-Lei n.º 28/2019 sobre faturação eletrónica) + journalização das chamadas conforme exigências CNPD e regulamento eIDAS.
O que pode falhar:
- A IA “alucina” às vezes — inventa com firmeza campos que crê ler (típico em códigos contabilísticos SNC, referências internas).
- Sem camada de validação, os erros passam despercebidos.
- Os PDF digitalizados de má qualidade (típicos no setor turístico com cópias de cópias de fax desde anos 90) degradam fortemente a precisão.
Garantias: revisão humana sobre 5 a 10 % das saídas nas primeiras semanas, OCR clássico (Tesseract, ABBYY) a montante do LLM para digitalizações degradadas, limiar de confiança por campo com bypass humano abaixo, audit trail sistemático conforme orientações CNPD sobre IA e RGPD.
Soberania: um modelo instalado localmente (Mistral, Qwen, ou modelo de visão dedicado em servidores próprios ou em cloud soberano OVHcloud Lisboa, Claranet Portugal, Equinix Lisboa) está amplamente ao alcance — crítico para a saúde SNS e administração pública sob a Estratégia Nacional para a Cibersegurança 2024-2028. Ver o nosso guia automação de faturas por IA.
Caso de uso 2 — Classificação e triagem em serviço cliente e administração
Receber um fluxo recebido (emails, tickets, pedidos) e encaminhá-lo automaticamente para o tratamento correto, o serviço correto, ou a categoria correta.
Porque funciona: todo fluxo recebido não estruturado cria tempo administrativo inútil. A classificação IA absorve este atrito sem degradar a qualidade, desde que esteja bem calibrada.
Casos de aplicação no mercado português:
- Serviço cliente turismo (Pestana, TAP Air Portugal, Vila Galé, Tivoli): triagem multilíngue (português, inglês, espanhol, francês, alemão) de mensagens hóspedes/passageiros — crítico para um setor turístico que representa cerca de 17 % do PIB português
- Serviço cliente retalho (Sonae MC, Continente, Worten): triagem de emails recebidos por tipologia (orçamento, reclamação, suporte, pedido comercial)
- Departamentos jurídicos PSI20: triagem de cartas recebidas por natureza (notificação extrajudicial, pedido de direitos RGPD perante CNPD, contratualização, simples correspondência)
- Mútuas e seguradoras (Fidelidade, Tranquilidade/Generali Portugal, Médis, Multicare): triagem de envios de segurados (justificativos, pedidos de reembolso, cartas de cessação)
- Helpdesk informático: categorização de tickets por criticidade, tipo de incidente, equipa responsável — crítico para entidades essenciais sob Decreto-Lei n.º 65/2021 (NIS2)
- RH PSI20 e PME: pré-triagem de CV por perfil e adequação à descrição de função (com vigilância AIPD obrigatória — ver IA conforme RGPD)
Volumetria típica: 3.000 a 300.000 mensagens por mês em empresa média portuguesa; até 2 milhões por mês em bancos PSI20 (Caixa Geral, Millennium BCP) ou Galp Energia.
Arquitetura típica: um LLM + uma taxonomia de negócio explícita (10 a 50 categorias consoante o domínio, multilíngue português europeu/inglês/espanhol/francês para empresas com clientela ibérica e mercados lusófonos) + um score de confiança produzido pelo modelo + um limiar abaixo do qual um humano retoma a mão + audit trail conforme exigências CNPD.
O que pode falhar:
- Classificar sem score de confiança produz erros invisíveis.
- Uma taxonomia demasiado fina (mais de 50 categorias) degrada o desempenho.
- A classificação de emails contém tipicamente dados pessoais — AIPD obrigatória se decisões automatizadas segundo artigo 22.º RGPD e orientações CNPD 2024 sobre algorítmicas.
Garantias: taxonomia bloqueada e versionada, dois andares (grande categoria primeiro, subcategoria depois), limiar de confiança com bypass humano, AIPD se decisões automatizadas daí decorrerem. As sanções CNPD recentes a entidades como Banco CTT (2024) e Cofidis (2025) sobre tratamentos algorítmicos opacos clarificaram as exigências de transparência e supervisão humana.
Caso de uso 3 — Automação de relatórios e sínteses
Transformar um corpus bruto (transcript de reunião, conjunto de documentos, dataset de incidentes) em entregável estruturado e legível.
Porque funciona: a redação estruturada é trabalho repetitivo de forte valor residual. A IA destaca-se nele, desde que o formato de saída esteja fortemente enquadrado.
Casos de aplicação no mercado português:
- Atas de reunião em grandes grupos (Galp Energia, EDP, Jerónimo Martins, Sonae, Mota-Engil): áudio → transcript → ata estruturada (decisões, ações, pontos pendentes) — multilíngue português/inglês para boards internacionais
- Sínteses de vigilância concorrencial: conjunto de artigos → resumo temático com fontes hiperligadas (crítico para departamentos de estratégia PSI20)
- Reporting de projeto em consultoras e IT (Critical Software, Glintt, Novabase): conjunto de tickets / commits / emails → síntese semanal
- Relatórios técnicos / engenharia (Mota-Engil, Teixeira Duarte, Casais, Soares da Costa, Edifer): dados brutos de obra → relatório estruturado conforme normas técnicas portuguesas e europeias
- Sínteses jurídicas (PLMJ, Morais Leitão, VdA, Cuatrecasas Portugal): corpus de jurisprudência STJ, Supremo Tribunal Administrativo → nota de síntese com citações
Volumetria típica: variável, tipicamente 100 a 10.000 entregáveis por mês consoante o tamanho da organização.
Arquitetura típica: ingestão multimodal (Whisper para áudio, LLM visão para PDFs, parser estruturado para fontes tabulares) + system prompt com template estrito de saída + releitura por um segundo LLM ou regras determinísticas para verificar completude e ausência de alucinações sobre números.
Garantias: todo dado numérico cruzado com fonte primária, exemplos few-shot para calibrar o tom esperado, validação humana sobre entregáveis com exposição (jurídico, financeiro, comunicação externa — particularmente crítico sob CMVM para entregáveis financeiros públicos).
Caso de uso 4 — Agentes autónomos enquadrados
Dar a um sistema IA uma missão de alto nível e deixá-lo executar sem supervisão contínua. É o caso de uso mais promissor e menos maduro em 2026.
Porque é delicado: a promessa é intuitiva (“faz a minha vigilância semanal”), mas a execução real implica coordenar pesquisa, leitura, hierarquização, ação.
Casos de aplicação que funcionam em produção no mercado português:
- Vigilância concorrencial estruturada sobre um perímetro definido (5-10 fontes, frequência semanal, formato de saída estrito) — típico para departamentos de estratégia PSI20 (EDP, Galp, Jerónimo Martins)
- Planeamento de agenda: análise de uma semana, propostas de slots, bloqueio de faixas, sob supervisão final
- Preparação de reunião: recolha automática de informações sobre participantes, histórico do processo, ações em curso
- Monitorização de incidentes: vigilância de um canal de alertas, primeira qualificação, escalada para o humano correto — crítico para Centros de Operações de Segurança (SOC) sob CNCS (Centro Nacional de Cibersegurança) e Decreto-Lei n.º 65/2021
Casos de uso a evitar em pura autonomia:
- Decisões de efeito jurídico sobre pessoas (RH, scoring de crédito Banco de Portugal, atribuição de prestações Segurança Social) — em virtude do artigo 22.º RGPD e classificação alto risco AI Act, e orientações explícitas CNPD
- Comunicações externas não supervisionadas (emails cliente, posts públicos)
- Ações técnicas irreversíveis (deployment, supressão, transações financeiras)
Arquitetura típica: framework de orquestração (LangGraph, n8n + LLM, Dify) + ciclos de validação em cada etapa chave + journalização detalhada + orçamento de ações (limite explícito do número de chamadas e do impacto possível) + procedimento de paragem de emergência.
Garantias: orçamento máximo de iterações, supervisão humana em etapas críticas, kill switch testado regularmente.
Ver o nosso guia agente IA em empresa para o quadro completo.
Caso de uso 5 — Anonimização e reconhecimento de entidades nomeadas (NER)
Identificar e mascarar (ou substituir) os dados pessoais num texto. É um caso de uso IA muitas vezes subestimado, enquanto desbloqueia muitos outros usos — tornando dados utilizáveis sem risco RGPD.
Porque funciona: o reconhecimento de entidades nomeadas é uma das tarefas que os modelos IA modernos dominam melhor. Combinada com um dicionário de substituição, obtém-se uma cadeia de pseudonimização eficaz.
Casos de aplicação no mercado português:
- Preparação de dados para treino IA: pseudonimizar um corpus cliente antes do fine-tuning — crítico para banca PSI20 (Caixa Geral, Millennium BCP) e seguradoras (Fidelidade, Tranquilidade) sob supervisão Banco de Portugal e ASF
- Disponibilização para análise: permitir a um consultor ou parceiro explorar dados de negócio sem acesso aos identificadores
- Conformidade: preparar extrações para responder a pedidos de direitos RGPD perante a CNPD (artigo 15.º RGPD), ou para responder a auditorias sem expor mais do que o necessário
- Inteligência económica: analisar corpus internos (notas, emails) para fins de gestão, sem vigilância individual ilegal — relevante sob Código do Trabalho (Lei n.º 7/2009) e jurisprudência STJ sobre controlo laboral
- Investigação: abrir um dataset interno a parceiro académico (Universidade de Lisboa, Universidade do Porto, INESC TEC, Champalimaud) sob condição de pseudonimização — típico em farmacêutico (BIAL, Hovione) para investigação clínica em parceria com SNS e Plataforma de Dados da Saúde
Volumetria típica: 10.000 a 1 milhão de documentos consoante o projeto.
Arquitetura típica: LLM NER multilíngue (Mistral, modelos dedicados tipo spaCy ou GLiNER ajustados para português europeu) + dicionário de substituição (Maria Silva → Pessoa_001) + journalização reversível (chave de re-identificação armazenada separadamente, sob acesso estritamente controlado) + auditoria da taxa de recall sobre um corpus de validação.
O que pode falhar:
- A pseudonimização não suprime a qualidade de dado pessoal no sentido do RGPD se a chave de re-identificação existir (considerando 26 RGPD).
- O NER falha frequentemente dados indiretamente identificáveis (combinações raras, referências internas, contextos singulares).
- O multilinguismo é um desafio: um NER calibrado em português europeu padrão falha nomes brasileiros, africanos lusófonos ou de origem estrangeira — essencial para empresas portuguesas com clientela e força de trabalho no espaço lusófono (PALOP, Brasil, diáspora).
Garantias: revisão humana sobre amostra, testes de re-identificação, modelo multilíngue testado na língua alvo, acesso muito restrito à chave.
Ver o nosso guia anonimização e NER por IA para o detalhe técnico e jurídico.
Quadro de síntese — qual caso começar primeiro?
| Caso de uso | Maturidade 2026 | Volumetria útil | Risco RGPD | Bom primeiro caso? |
|---|---|---|---|---|
| Extração documental | Elevada | Elevada | Baixo a moderado | Sim (se PDFs estáveis) |
| Classificação / triagem | Elevada | Elevada | Moderado | Sim (se taxonomia clara) |
| Sínteses / relatórios | Elevada | Variável | Baixo | Sim (se formato estrito) |
| Agentes autónomos | Média | Baixa a média | Moderado a elevado | Não — não como primeiro caso |
| Anonimização / NER | Elevada | Elevada | Elevado (paradoxal) | Sim se projeto a jusante claro |
Critérios de seleção de um caso de uso IA em empresa portuguesa
Nem todos os casos de uso se equivalem. Para um arranque sólido, cinco critérios discriminantes.
1. Volume e repetibilidade. Quanto mais a tarefa é repetida, mais fácil materializar o ROI IA. Limiar prático: se a tarefa é executada menos de 10 vezes por mês, a industrialização IA raramente se justifica.
2. Tolerância ao erro. Quanto maior o custo de um erro, mais a IA deve ser enquadrada. Crítico em setores regulados (banca Banco de Portugal, saúde SNS, energia ERSE): os erros catastróficos podem implicar sanções da CNPD, CMVM ou ASF.
3. Disponibilidade de dados de avaliação. Sem corpus de avaliação (casos validados humanamente), impossível medir a qualidade da IA. Se não se podem constituir 50 a 200 exemplos anotados, não é o bom ponto de partida.
4. Sensibilidade dos dados. Quanto mais sensíveis os dados (saúde sob Lei n.º 12/2005, finanças sob Banco de Portugal, RH sob Código do Trabalho), mais sólida deve ser a infraestrutura (on-premise ou cloud soberano OVHcloud Lisboa, Claranet, IPTelecom), e mais documentada a conformidade.
5. Apoio organizativo. Um caso de uso IA sem sponsor de negócio envolvido falha, qualquer que seja a qualidade técnica.
Erros típicos no arranque IA no mercado português
Cinco armadilhas que transformam um projeto IA promissor em iniciativa que estagna.
Erro 1 — Começar sem baseline humana. Não se pode medir um ganho IA sem conhecer o custo humano da tarefa atual.
Erro 2 — Escolher a tecnologia antes do caso de uso. “Queremos fazer RAG”, “Queremos um agente autónomo”. Não são casos de uso.
Erro 3 — Saltar a avaliação. Sem corpus de teste anotado, impossível comparar duas abordagens.
Erro 4 — Industrializar um POC sem o retestar. Um POC que funciona sobre 20 casos quebra-se frequentemente em 200.
Erro 5 — Subestimar o custo da conformidade. Uma boa implementação IA prevê desde o design: registo de tratamento (artigo 30.º RGPD), AIPD se necessário (artigo 35.º), supervisão humana sobre decisões automatizadas (artigo 22.º), journalização, carta de uso, formação das equipas. Estes blocos não são opcionais sob orientações CNPD 2024-2025. Ver o nosso guia IA conforme RGPD.
Roadmap de industrialização de um caso de uso IA
Quatro fases a respeitar.
Fase 1 — Enquadramento (1 a 3 semanas): descrição precisa do caso de uso, baseline humana medida, critérios de sucesso quantificados, identificação de dados disponíveis, AIPD preliminar se dados pessoais em risco.
Fase 2 — Piloto (4 a 8 semanas): protótipo técnico, corpus de avaliação anotado (50 a 200 exemplos), iterações sobre o prompt e a arquitetura, medição de qualidade contra baseline.
Fase 3 — Implementação supervisionada (1 a 3 meses): colocação em produção com supervisão humana sistemática, monitoring de qualidade contínuo, ajustes, formação de utilizadores, documentação operativa.
Fase 4 — Industrialização (contínuo): automação progressiva, descida da taxa de supervisão humana segundo indicadores, integração nos processos existentes, plano de manutenção.
O que recusamos prometer
Três antipadrões recorrentes que evitamos na DPLIANCE quando concebemos uma solução IA à medida.
“Vamos fazer tudo em 6 semanas, do enquadramento à produção.” Sobre um POC, talvez. Em produção com supervisão, monitoring, conformidade, integração SAP: não. Seis meses é prazo realista para caso simples bem enquadrado; nove a doze meses para caso complexo.
“A IA vai substituir esta equipa.” A IA absorve volume repetitivo, liberta tempo humano, mas não substitui a função relacional, a qualidade de escuta, o juízo contextual. O alvo é a augmentação, não a substituição.
“O LLM SaaS americano basta, é mais barato.” Depende. Para dados business não sensíveis, sim. Para dados pessoais a grande escala, sensíveis ou estratégicos, não — RGPD aplicável, contrato de tratamento necessário, avaliação de transferência pós Schrems II, risco residual não nulo do Cloud Act. Ver o nosso guia IA soberana e guia LLM local em empresa.
FAQ
Quanto tempo é preciso para colocar um caso de uso IA em produção em Portugal?
Um caso de uso simples pode atingir produção em 2 a 4 meses seguindo a roadmap. Um caso de uso mais complexo (agente autónomo, NER multilíngue, integração SAP avançada) demora geralmente 4 a 9 meses.
Que orçamento prever para um primeiro caso de uso IA numa empresa PSI20 ou PME portuguesa?
Para as fases 1-2 (enquadramento + piloto) de um POC industrializável em empresa B2B portuguesa: entre 25.000 e 70.000 euros — calibrado sobre o tecido empresarial nacional. A fase de industrialização (3-4) é proporcional à complexidade de integração (SAP, Primavera BSS, PHC, Sage) e ao volume tratado.
Modelo fine-tuned ou modelo genérico é suficiente para o português europeu?
Para a maioria dos casos de uso de negócio em 2026, um modelo genérico bem promptado (Mistral, Llama 3, Claude) basta. Para empresas portuguesas que servem o mercado lusófono (Brasil, Angola, Moçambique), uma camada de ajuste prompt por variante linguística é frequentemente suficiente.
Pode-se iniciar um projeto IA sem data scientist numa empresa portuguesa?
Sim, desde que se tenha uma equipa de desenvolvimento à vontade com APIs LLM e um sponsor de negócio envolvido.
Como escolher entre Mistral, Llama, Claude, GPT-4 para um caso de uso?
Três critérios. Primeiro, conformidade — Mistral e modelos open-weight implementados internamente oferecem o melhor enquadramento de soberania sob RGPD. Segundo, desempenho. Terceiro, custo de inferência.
Como medir o ROI de um caso de uso IA numa empresa portuguesa?
Três métricas: poupança de tempo, taxa de erro, prazo de entrega. O ROI acumulado deve integrar também custos ocultos: supervisão humana residual, manutenção de prompts, conformidade RGPD (sanções CNPD).
Qual é o pior caso de uso IA para começar em Portugal?
Três maus arranques: caso com volumetria muito baixa, caso com decisão automatizada de efeito jurídico sem enquadramento RGPD/AI Act montado, caso sem baseline humana medida.
Fontes: Regulamento (UE) 2024/1689 (AI Act); CNPD — orientações sobre IA e RGPD 2024-2025; Lei n.º 58/2019 (execução do RGPD em Portugal); Decreto-Lei n.º 65/2021 (cibersegurança em entidades essenciais); EDPB, opinião 28/2024 sobre modelos IA e RGPD; documentação oficial Mistral AI, LangGraph, n8n; sanções CNPD recentes sobre tratamentos algorítmicos opacos; Banco de Portugal cartas-circulares sobre IA em scoring de crédito; Estratégia Nacional para a Cibersegurança 2024-2028.
Para enquadrar um projeto IA na vossa organização — diagnóstico, escolha de arquitetura, conformidade — ver o nosso guia IA soberana, o nosso guia IA conforme RGPD, o nosso guia agente IA em empresa, ou contactai-nos via as nossas soluções IA à medida.