Pular para o conteúdo principal

Seguro por Padrão

IA que mostra seu raciocínio.

O ShowOps.AI é feito para profissionais que não podem se dar ao luxo de uma surpresa com dados. Ético, responsável, seguro, privado — concebido desde a origem, não acrescentado depois.

A Afirmação Central

Seus dados são seus.
Nunca usados para treinar o sistema de outra pessoa.

Seus dados nunca são misturados com os de outro cliente. Sem treinamento conjunto. Sem agregação entre tenants. Nenhum LLM de fornecedor é treinado com seus dados, jamais.

Quatro Pilares

Como pensamos sobre IA.

Toda decisão de IA no ShowOps.AI passa por essas quatro lentes. Na dúvida, os pilares prevalecem sobre conveniência e velocidade.

Ético

Não construímos recursos cujo valor principal seja monitorar pessoas. Expomos vieses na priorização — cada nota de fornecedor, sugestão de equipe e resolução de conflito vem com os fatores que a originaram. Não automatizamos decisões que afetam pessoas de forma significativa sem um humano no processo.

Responsável

Os agentes propõem; humanos decidem. Toda ação consequente cria uma sugestão (revisável em /api/vip/agents/proposals), e não uma alteração direta. Autonomia é conquistada por capacidade através de revisão explícita — não concedida por padrão.

Seguro

Row-Level Security em todas as tabelas. RBAC em 3 camadas para agentes: papel → acesso do agente → escopo de local → filtro de dados. Defesa contra prompt injection em toda entrada não confiável (lib/agent-input-guard.ts). Logs de auditoria com snapshots antes/depois e retenção de 24 meses.

Privado

Aprendizado por tenant, sem treinamento conjunto. Seus dados treinam seu sistema, nunca os de outra pessoa. As chamadas à API da Anthropic operam sob Zero Data Retention (ZDR) — certificado pela Anthropic, ativado em junho de 2026. Nenhum prompt enviado desta plataforma é retido pela Anthropic ou usado para treinar qualquer modelo. Minimização de dados: coletamos apenas o que o recurso precisa. Subprocessadores (Supabase, Anthropic, Vercel, Resend, Sentry, mais integrações opcionais como Microsoft Graph) listados no DPA; cada papel no fluxo de dados está documentado. Sem analytics de terceiros que façam fingerprint de usuários.

Adaptação por Tenant

O que seu sistema aprende — e o que não aprende.

A adaptação está ativa por padrão, é informada no onboarding e pode ser desativada com uma única ação. Veja o escopo exato.

✓ O que a adaptação usa

  • Padrões estruturais — layouts recorrentes de locais, papéis típicos da equipe, sequências de trabalho específicas da sua organização
  • Corrections and overrides: when your team rejects a recommendation, the rejection is recorded as a signal
  • Sinais de preferência — quais especialistas você aceita primeiro, quais alertas você costuma ignorar
  • Padrões de uso — sequenciamento, tempos, caminhos comuns de correção

✗ O que a adaptação NÃO usa

  • Roteiros brutos, LLDs, contratos, transcrições de chat ou dados pessoais identificáveis da equipe como sinal de treinamento (consultados apenas em tempo de inferência — não usados para ajustar pesos)
  • Dados de qualquer outro tenant, jamais, sob nenhuma circunstância
  • Dados que tenham sido excluídos a pedido do tenant
  • Dados de tenants que desativaram o aprendizado

O compromisso de revogabilidade: todo tenant tem uma ação de primeira classe "Excluir meus padrões aprendidos" que devolve o ShowOps.AI ao estado inicial para sua organização em até 24 horas. Sem chamado de suporte. Sem conversa de retenção com vendas. Um botão.

O Meta-Loop

How your system is built to get sharper, in four steps.

O ritmo de um evento são seis fases. O que acontece ao longo de events is designed as a loop of four. Each event can add to your tenant's context, and the loop is built so that context carries into the next one.

  1. 01

    Capturar

    Each event can add to your tenant's context: venue layouts, crew patterns, vendor networks, schedule rhythms. It is stored under your organization with row-level isolation and is never pooled with another customer's.

  2. 02

    Aprender

    Any adaptation stays inside your boundary. Approvals, rejections and the outcomes behind them are recorded per tenant. No cross-tenant pooling, ever.

  3. 03

    Entregar

    Agents that support it can draw on your recorded context when they run. Less time spent re-explaining what your team already knows.

  4. 04

    Medir

    Outcomes are compared with what was predicted, per tenant. That comparison is what the next cycle learns from.

loops · built so each event informs the next

It's strictly per-tenant. No cross-customer pooling. No industry-wide corpus. Your loop stays inside your boundary, and you can stop it or reset it from Settings.

Dez Compromissos

Sustentado por código. Não por marketing.

Cada compromisso abaixo é rastreável até uma migração, uma biblioteca ou um teste. Se precisar do arquivo e linha exatos, peça ao seu revisor de segurança que envie um e-mail para security@showops.ai — nós enviamos.

01

Aprendizado por tenant; sem treinamento agrupado

Seus dados treinam o seu ShowOps.AI — adaptando-se aos seus locais, padrões de equipe e preferências. Nunca treina um modelo entre tenants, nunca agrupa com dados de outro tenant, nunca alimenta um corpus para todo o setor.

PROVA →A API da Anthropic roda sob Zero Data Retention (ZDR) — certificado pela Anthropic, ativado em junho de 2026. O estado de adaptação por tenant é restrito à organização e isolado na camada de aprendizado. Nenhum pipeline de fine-tuning cruza os limites do tenant.

02

Humano no circuito por padrão

Toda ação de agente com consequência cria uma sugestão, não uma mutação direta. Sugestões expiram em 7 dias. Aprovar/rejeitar é restrito por papel.

PROVA →tabela intelligence.agent_proposals, endpoint /api/vip/agents/proposals.

03

Contexto de menor privilégio

Os agentes recebem apenas os dados que seu papel e escopo permitem — não uma licença para vasculhar dados de todo o tenant.

PROVA →lib/intelligence/runtime/rbac.ts — RBAC em 3 camadas (papel → agente → local → filtro de dados). getChatContextDepth(role) limita a entrada do LLM por papel.

04

Defesa contra prompt injection

Entradas não confiáveis (texto do usuário, arquivos importados, dados de fornecedores) são tratadas como hostis. Sanitizadas e sinalizadas antes de chegar a qualquer modelo.

PROVA →lib/agent-input-guard.ts + tests/lib/agent-input-guard.test.ts.

05

Raciocínio rastreável

Toda invocação de agente é registrada com entradas, saídas, versão do prompt, contagem de tokens e modelo. As saídas remetem aos dados de origem que citaram.

PROVA →intelligence.agent_runs, gravado pelo wrapper de agent-run em lib/intelligence. Log de auditoria em lib/audit.ts com snapshots antes/depois (retenção de 24 meses).

06

Rotulagem explícita de IA

Tudo que é escrito por um agente é rotulado visivelmente na interface. Os usuários sempre sabem quando estão lendo saída de máquina ou de humano.

PROVA →components/lld/agents/agent-results.tsx renderiza o selo "Gerado por IA, aguardando revisão". As sugestões carregam pílulas de status pelo fluxo de revisão.

07

Sem decisões financeiras autônomas

Compromissos de orçamento, assinaturas de SOW, despacho de ordens de serviço e aprovações de ordens de mudança exigem aprovação humana. Agentes recomendam; humanos comprometem.

PROVA →O agente de orçamento (platform:margin_advisor) é apenas consultivo. Assinatura de SOW restrita por canSignSow (apenas executivos). Atualização disparada por conclusão de OS confirmada por humano.

08

Consciência de viés e transparência

Os recursos de ranqueamento expõem seus sinais e permitem substituição. Toda pontuação de fornecedor vem com os fatores que a determinaram.

PROVA →lib/supplier-scoring.ts retorna a média das avaliações, a quantidade de avaliações e a contagem de sinais recentes por trás de cada ranking. O otimizador de equipe mostra ao revisor o "porquê desta sugestão".

09

Sem vigilância de trabalhadores

Equipe rastreia certificações, disponibilidade e custos — não localização, digitação ou comportamento.

PROVA →O esquema de equipe não tem colunas de localização, captura de tela ou rastreamento de atividade. Checklist de PR-template em toda migração de equipe.

10

Reversibilidade

Toda mutação iniciada por agente tem um caminho de desfazer: uma ação de reverter, uma reversão manual respaldada por log de auditoria, ou um processo explícito fora de banda.

PROVA →lib/audit.ts captura snapshots antes/depois em toda mutação. Rejeitar uma sugestão tem custo zero (nada é alterado).

Subprocessadores

Cada fornecedor. Cada papel.

A lista completa de serviços terceiros que processam dados de clientes do ShowOps.AI, o que cada um faz e onde opera. Os termos completos estão em nosso DPA.

FornecedorPapelRegião
SupabaseBanco de dados, autenticação, armazenamento de arquivosEUA (Leste)
AnthropicAPI de LLM (Zero Data Retention — certificado, ativado junho 2026)EUA
VercelHospedagem da aplicação, edge networkCDN global, EUA primário
ResendEntrega de e-mails transacionaisEUA
SentryMonitoramento de erros, rastreamento de desempenhoEUA
Google CloudSincronização do Google Sheets via service account para dados de LLD de venuesEUA
Microsoft (Graph API)Opcional, por tenant — ingestão de conteúdo de palestrantes via OneDrive / SharePointEUA / UE (região do tenant)

Limites conhecidos

Aqui está o que não estamos afirmando hoje.

Avaliação honesta. Cada item abaixo é uma lacuna na qual estamos trabalhando ativamente — e uma promessa de avisar você antes de afirmar que foi fechada.

Cobertura de reset de estado aprendido

An owner, admin or executive producer can reset learned state from Settings, after a typed confirmation. The reset runs as soon as it is confirmed: adaptive thresholds return to their defaults; learned patterns, learning events, embeddings and recorded outcomes are deleted; past agent runs and proposals keep only their audit trail. New learned-state stores join the same reset as they ship.

Testes de penetração de terceiros

Trimestrais internos; anuais externos no roadmap.

Atestado SOC 2

Arquitetura alinhada ao SOC 2 com análise interna de gaps concluída. Atestado Type 1 no roadmap.

Residência de dados na UE

Hoje a plataforma de produção roda em Vercel e Supabase, ambos em us-east-2 — uma única região dos EUA. Não oferecemos hoje residência de dados na UE nem em outras regiões; entre em contato com security@showops.ai se hospedagem regional for um requisito obrigatório para sua avaliação.

SSO em autoatendimento e SCIM

O SAML 2.0 está implementado de ponta a ponta, com mapeamento de papel a partir dos claims de grupo do IdP e reconciliação a cada reautenticação. O redirecionamento SAML por domínio a partir do formulário de login ainda não está habilitado, então os tenants SAML entram conosco e não em autoatendimento, e o desprovisionamento automático via SCIM não foi publicado. Entre em contato com security@showops.ai para saber o cronograma atual.

Adaptation at pilot scale

The learning loops are built and running, but at pilot volume they have not yet changed any agent's behavior for a customer. Learning insights, in Settings, shows how many feedback signals your team has recorded and whether any prompt or threshold has adapted yet. We will say here when that changes.

Contato de Segurança

Dúvidas de segurança?
Pesquisador de segurança?
Mesmo endereço — nós lemos.

Respondemos a relatos de segurança em até um dia útil. Divulgação coordenada é bem-vinda. Se alguma afirmação desta página não corresponder ao que você encontrou no produto ou no DPA, queremos saber — e vamos corrigir a afirmação ou o produto.