Artigo publicado como integrante do CQC de GRC. A adoção de IA generativa em áreas de controle (compliance, jurídico, auditoria, investigação) tem sido vendida como ganho automático de produtividade. O que se observa, sem reestruturação de governança, é outra coisa: a entrega acelera, mas a capacidade de explicar como cada entrega foi formada diminui. Output (entrega) sobe, outcome (resultado auditável) não acompanha. A distinção não é semântica, é estrutural. Em 1987, Robert Solow formulou o paradoxo da produtividade: vemos computadores em todo lugar, exceto nas estatísticas. A explicação, consolidada por Erik Brynjolfsson em 2000 no Journal of Economic Perspectives, foi que tecnologia só converte em produtividade quando acompanhada de investimentos complementares e governança que traduzam ganho técnico em resultado organizacional. Quatro décadas depois, a IA generativa apresenta a mesma defasagem, pelo mesmo motivo. Em controle, output é o produto direto da atividade: o parecer redigido, a análise concluída, o relatório gerado. Outcome é a mudança de estado que esse produto gera: decisão sustentável sob auditoria, risco mitigado, fornecedor recusado com fundamentação rastreável. A IA otimiza output. Outcome depende do que ela não entrega sozinha: a trilha decisória que permite reconstruir como cada conclusão foi formada. Rastreabilidade decisória é a capacidade de reconstruir, depois, o conjunto de informações, critérios e responsabilidades que sustentaram uma decisão. Sem ela, não há auditoria possível nem defesa em questionamento regulatório ou judicial. A IA generativa opera de modo probabilístico: versão do modelo, prompt e fontes mudam silenciosamente entre execuções. Sem registro estruturado, o ganho em velocidade torna-se perda em capacidade de explicar a decisão. Considere a situação típica. Um analista pede a uma IA corporativa um resumo de pareceres sobre fornecedor, com sugestão de conduta. O modelo entrega texto plausível em fração do tempo. A recomend