O EBL-Core propõe revalidar ação, políticas, provas e contexto quando um agente de IA exerce autoridade de alto risco, e não apenas quando recebe aprovação.
O LLM-as-Judge da UiPath acrescenta verificações por modelo, consumo adicional e novos parâmetros que precisam de ser auditados na governação de agentes.
O OpenClaw 2026.9.2 alarga a visibilidade das sessões dentro de um Gateway e torna obrigatória a revisão da fronteira de confiança em sistemas multiagente.
O estudo HookPry mostra por que razão hooks executáveis exigem revisão de permissões, privilégio mínimo e proveniência de execução em plataformas de agentes.
O CordisBench mostra que o raciocínio sobre o ciclo de vida perde fiabilidade com a complexidade quando as consequências testadas podem ser calculadas exatamente.
O HarnessDev mostra porque estruturas de agentes evolutivas exigem validação oculta, testes de executor, evidência em execução e reversão.
Modelo de seis etapas baseado em evidência de runtime, enforcement, medição, proporcionalidade ao risco e verification probes.
Um modelo prático de governação de agentes com orçamentos de custo, tokens, capacidade e tempo e comportamento explícito quando o limite é atingido.
Paragem independente, raio de impacto, rollback, canários comportamentais e recuperação: as capacidades necessárias para conter agentes de IA.
Como contratos de agentes definem âmbito, ferramentas, budgets, recusa, escalada e evidência para tornar a governação aplicável em runtime.
