O que são dados obsoletos? Riscos, exemplos e como solucionar o problema na era da IA.

Dados antigos não são necessariamente dados obsoletos.

Um contrato assinado há dez anos ainda pode servir como registro oficial de um acordo. Um feed de estoque de produtos com apenas dez minutos de idade pode já estar desatualizado se os clientes tomarem decisões de compra com base no estoque em tempo real.

Essa distinção tornou-se muito mais importante à medida que as organizações conectam informações corporativas a análises, automação, busca, geração aumentada por recuperação (RAG), copilotos e agentes de IA.

Dados obsoletos são informações que não refletem mais o estado atual, o contexto, a finalidade ou a autoridade exigida para a forma como uma organização pretende utilizá-las.

Às vezes, dados desatualizados criam um problema óbvio de qualidade, como um endereço de cliente desatualizado. Em outros casos, os dados permanecem tecnicamente corretos, mas não são mais adequados para o uso atual. Uma política obsoleta pode descrever com precisão o que a empresa exigia há dois anos, mas um assistente de IA não deve apresentá-la como a política atual.

Isso cria uma maneira mais útil de pensar sobre dados obsoletos:

Os dados tornam-se obsoletos quando sua utilidade expira antes que os próprios dados desapareçam.

Isso faz com que dados desatualizados sejam mais do que um problema de qualidade de dados. Eles podem aumentar a exposição à segurança, o risco à privacidade, o custo de armazenamento, a carga de conformidade, os erros de IA, os resultados de pesquisa conflitantes e as decisões de negócios ruins.

O que são dados obsoletos?

Dados obsoletos são informações que não refletem mais a realidade atual, a autoridade, o contexto ou o nível de atualização exigido para o uso pretendido.

A obsolescência costuma se desenvolver com o tempo. Os dados dos clientes mudam. Funcionários saem da empresa. Contratos expiram. Produtos mudam. Políticas são substituídas. Sistemas param de sincronizar. Processos de negócios migram para novas plataformas. Fluxos de dados falham. Equipes criam exportações que ninguém atualiza.

As informações subjacentes ainda podem parecer perfeitamente válidas.

Um registro desatualizado não necessariamente contém um erro ou corrupção óbvios. Isso torna os dados desatualizados difíceis de reconhecer. Um painel de controle pode carregar normalmente. Uma planilha pode parecer completa. Um documento pode usar formatação profissional. Uma resposta de IA pode citar com segurança uma política desatualizada.

O problema surge apenas quando alguém compara a informação com aquilo que a organização considera atualmente como verdadeiro, relevante, confiável ou apropriado para a tarefa.

Dados antigos versus dados desatualizados: qual a diferença?

A idade por si só não determina se algo está estragado.

As organizações frequentemente cometem esse erro porque a idade oferece uma métrica fácil. Um programa de limpeza pode classificar tudo o que permaneceu intocado por três anos como obsoleto. Isso pode ajudar a identificar candidatos para revisão, mas não prova que a informação perdeu valor.

Considere dois registros:

Registro A: Uma criança de sete anos assinou um contrato de trabalho que a organização deve guardar por razões legais ou comerciais.

Registro B: Um inventário de armazém exportado há um dia que já não corresponde ao estoque atual.

O registro A pode permanecer como referência e útil.

O registro B pode já estar desatualizado.

A idade é um sinal. A obsolescência é um julgamento sobre a adequação ao uso.

O que é a atualização dos dados?

A atualidade dos dados descreve o quão relevantes as informações atuais são em relação à fonte, ao evento ou à condição do mundo real que representam. Os requisitos de atualização variam de acordo com o caso de uso. Um sistema de detecção de fraudes pode exigir atualizações em segundos, enquanto outro processo de negócios pode funcionar de forma confiável com atualizações diárias ou mensais.

Dados obsoletos ocorrem quando as informações não possuem o nível de atualização necessário para o uso pretendido. Isso significa que as organizações não devem aplicar um limite de atualização universal a todos os conjuntos de dados.

A atualização mede o quão recentes são os dados. A obsolescência pergunta se eles ainda são recentes o suficiente para a tarefa.

Como os dados se tornam obsoletos?

Os dados geralmente se tornam obsoletos quando o mundo muda, mas a informação em si não.

Mudanças nas condições de mercado

Clientes mudam de endereço. Funcionários trocam de emprego. Fornecedores mudam de proprietário. Contratos expiram. Produtos são descontinuados. Estruturas organizacionais se transformam. Informações que antes refletiam a realidade perdem a coerência com as condições atuais.

Mudanças nos sistemas de origem

Uma organização pode substituir um CRM, plataforma de RH, data warehouse, ferramenta de colaboração ou aplicativo de negócios, mantendo cópias antigas. Os usuários podem continuar encontrando as informações antigas mesmo depois que a empresa migrar para uma nova fonte de dados confiável.

Os pipelines de dados param de atualizar.

Integrações interrompidas, credenciais expiradas, alterações de esquema, falhas em trabalhos de ETL, atrasos na replicação ou erros de sincronização podem deixar os dados subsequentes tecnicamente disponíveis, mas desatualizados.

As pessoas criam cópias estáticas.

Exportações, planilhas, relatórios em PDF, apresentações, arquivos locais e cópias em unidades compartilhadas separam os dados do sistema que originalmente os mantinha atualizados.

Um registro de CRM pode ser atualizado automaticamente. O arquivo CSV exportado por alguém no último trimestre, não.

A propriedade desaparece

As equipes se reorganizam, os projetos terminam e os funcionários saem. Dados sem um responsável definido podem permanecer armazenados sem que ninguém se encarregue de validá-los, atualizá-los, arquivá-los ou removê-los.

A retenção de clientes sobrevive ao propósito do negócio.

Às vezes, as organizações mantêm informações simplesmente porque o armazenamento continua disponível. A finalidade comercial desaparece, mas os dados sobrevivem em backups, armazenamento em nuvem, SaaS, bancos de dados, compartilhamentos de arquivos e ambientes de análise.

O Teste de Dados Desatualizados: Quatro Perguntas a Fazer

Em vez de definir dados obsoletos apenas pela sua idade, as organizações podem avaliar quatro condições práticas.

Exemplos de dados desatualizados

Dados obsoletos se apresentam de maneiras diferentes dependendo do processo de negócios e da velocidade com que as informações mudam.

Dados do cliente

Um sistema CRM contém um endereço antigo, informações sobre um empregador anterior, preferências de consentimento desatualizadas, status de conta encerrada ou informações de contato que a organização não validou desde a última interação do cliente com a empresa.

Risco: Comunicações incorretas, problemas de privacidade, personalização deficiente e análises imprecisas.

Dados de funcionários e identidade

Um funcionário muda para uma nova equipe, mas mantém a antiga associação ao grupo, o acesso a arquivos, as permissões de aplicativos ou os atributos de diretório.

Risco: Informações de identidade desatualizadas podem contribuir para acesso excessivo e exposição desnecessária a dados sensíveis.

Políticas e Procedimentos

Uma organização substitui uma política de segurança, mas mantém versões antigas no SharePoint, compartilhamentos de arquivos, unidades em nuvem e repositórios de conhecimento.

Risco: Funcionários ou assistentes de IA podem apresentar instruções desatualizadas como se fossem orientações atuais.

Dados financeiros

Um processo de geração de relatórios utiliza uma tabela de status de clientes antiga, um fluxo de transações atrasado ou suposições de previsão desatualizadas.

Risco: Previsões, decisões de risco, orçamentos e relatórios executivos podem refletir condições que já não existem.

Dados de estoque e cadeia de suprimentos

Um sistema mostra o estoque que outro canal já vendeu ou movimentou.

Risco: Vendas excessivas, decisões de compra incorretas, falhas no cumprimento de prazos e insatisfação do cliente.

Dados de segurança

Inventários de ativos antigos, listas de acesso de ex-funcionários, contexto de vulnerabilidades desatualizado ou registros de propriedade obsoletos permanecem nos fluxos de trabalho de segurança.

Risco: As equipes de segurança podem investigar o proprietário errado, avaliar mal a exposição ou deixar caminhos de acesso reais sem solução.

Fontes de conhecimento em IA

Um sistema RAG indexa preços antigos, documentação de produtos anterior, políticas de RH desatualizadas, procedimentos técnicos obsoletos ou informações de clientes expiradas.

Risco: A IA consegue recuperar com precisão informações que já não são válidas para a pergunta atual.

Por que dados desatualizados criam riscos de segurança

Dados obsoletos não deixam de gerar exposição simplesmente porque a empresa parou de usá-los.

Uma exportação antiga de um cliente ainda pode conter Informações de identificação pessoal. Uma pasta de projeto abandonada ainda pode conter código-fonte. O espaço de trabalho de um ex-funcionário ainda pode conter credenciais. Um backup esquecido ainda pode incluir informações confidenciais.

Qualquer conjunto de dados sensíveis desnecessário pode aumentar:

• Superfície de ataque
• Escopo da investigação de incidentes
• Exposição ao risco interno
• Complexidade da gestão de acessos
• Impacto da violação
• Requisitos de cobertura DLP
• Exposição a terceiros

Isso cria um princípio de segurança simples:

Os dados podem perder valor comercial sem comprometer a segurança.

Gestão de Postura de Segurança de Dados Torna-se mais útil quando as equipes de segurança conseguem identificar informações sensíveis cujo acesso, localização ou existência atual já não se justificam.

Por que dados desatualizados criam riscos de privacidade e conformidade?

Muitos programas de privacidade e gestão de registros exigem que as organizações relacionem a retenção de dados com uma finalidade legítima, obrigações regulatórias, requisitos legais e princípios de minimização.

Manter informações pessoais indefinidamente pode aumentar a exposição da privacidade, mesmo quando ninguém as utiliza ativamente.

As organizações precisam determinar:

• Por que eles ainda retêm as informações?
• Qual regra de retenção se aplica?
• Se uma retenção legal impede a exclusão
• A validade da finalidade comercial permanece inalterada.
• Se as equipes devem arquivar, minimizar ou excluir os dados.
• Se existem cópias em outros lugares

Retenção de dados Ajuda a conectar a política com as informações reais sujeitas a esses requisitos.

Como a IA resolve o problema dos dados obsoletos

A IA representa uma das maiores mudanças no risco de dados obsoletos, pois pode tornar informações esquecidas úteis novamente, independentemente de a organização ter tido essa intenção ou não.

Antes da IA empresarial, um documento desatualizado, enterrado em um grande repositório de colaboração, poderia ter um impacto operacional limitado, pois poucas pessoas sabiam de sua existência.

RAG (Real Appropriate Group), busca por IA, copilotos e agentes mudam essa dinâmica. Eles pesquisam conteúdo em vez de depender que os usuários saibam onde as informações estão armazenadas.

A IA pode transformar dados inativos e obsoletos em contexto ativo para tomada de decisões.

Dados desatualizados podem distorcer o RAG.

Os sistemas RAG frequentemente classificam o conteúdo por relevância. Relevância não comprova atualidade ou autoridade.

Um documento mais antigo pode corresponder de perto a uma pergunta e ter prioridade sobre uma fonte mais recente, especialmente quando os metadados, as informações de versão, a política de ciclo de vida ou o contexto da fonte autorizada ainda são fracos.

Dados desatualizados podem criar fontes de verdade conflitantes.

Múltiplas versões de um documento podem levar a IA a receber informações contraditórias. Sem uma definição clara de propriedade e contexto de ciclo de vida, o sistema pode ter dificuldades em distinguir a fonte atual de cópias obsoletas.

Agentes de IA podem agir com base em informações desatualizadas.

As consequências aumentam quando a IA passa de responder perguntas a tomar medidas.

Um agente que utiliza um endereço de cliente antigo pode atualizar o sistema errado. Uma política desatualizada pode levar a uma aprovação incorreta. Um cadastro de fornecedor desatualizado pode desencadear um fluxo de trabalho desnecessário.

dados prontos para IA Portanto, exige mais do que apenas controles de dados sensíveis. As informações também precisam permanecer adequadas à decisão, tarefa ou fluxo de trabalho que a IA executará.

Dados desatualizados vs. Dados incorretos

Os dois conceitos se sobrepõem, mas não são idênticos.

Dados incorretos Pode incluir informações incorretas, incompletas, duplicadas, malformadas, inconsistentes ou imprecisas.

Dados desatualizados Pode ter sido completamente preciso quando alguém o criou. O tempo ou mudanças nas circunstâncias posteriores reduziram sua utilidade.

Essa distinção é importante porque as equipes podem precisar de respostas diferentes.

Uma data de nascimento incorreta pode precisar de correção.

Uma exportação de dados de um cliente com três anos de idade pode precisar ser excluída.

Uma política desatualizada pode precisar ser arquivada e excluída das buscas de IA.

Um registro histórico de transações pode precisar ser mantido exatamente como está.

Como identificar dados desatualizados

Nenhum indicador isolado comprova que os dados se tornaram obsoletos. As organizações devem combinar o contexto técnico e o contexto de negócios.

Data da última modificação ou do último acesso

A idade e a atividade fornecem sinais úteis, especialmente quando os dados permanecem inalterados muito além dos ciclos de negócios esperados.

Deveriam gerar uma revisão em vez de exclusão automática.

Requisitos de frescor

Defina a frequência de atualização necessária para o processo de negócios que utiliza as informações. Um conjunto de dados financeiros mensais, um sinal de fraude em tempo real, um perfil de cliente, um evento de segurança e uma fonte de conhecimento de IA podem exigir intervalos de atualização muito diferentes.

As equipes podem estabelecer limites de atualização ou expectativas de nível de serviço com base no caso de uso e, em seguida, sinalizar os dados quando sua idade, frequência de atualização ou atraso de sincronização excederem esses requisitos.

Portanto, o grau de deterioração deve ser medido em relação ao frescor esperado, e não em relação a um limite de idade único para toda a empresa.

Comparação de fontes confiáveis

Compare as cópias com os sistemas de registro atuais. Uma planilha ou documento que entre em conflito com um aplicativo oficial pode não ser mais adequado para uso operacional.

Análise de versões e duplicados

Vários arquivos, conjuntos de dados ou registros semelhantes podem indicar que versões mais antigas continuam em circulação mesmo após terem sido substituídas por informações mais recentes.

Propriedade

Dados sem um proprietário atual merecem uma análise mais aprofundada. A falta de responsabilização muitas vezes permite que informações obsoletas persistam indefinidamente.

Status de retenção

Determine se os dados já ultrapassaram o período de retenção exigido, permanecem sob custódia legal ou ainda são relevantes para uma finalidade comercial aprovada.

Uso e atividade

Dados que ninguém acessa podem oferecer uma oportunidade de minimização, especialmente quando contêm informações sensíveis. A atividade por si só não determina o valor, mas adiciona um contexto útil ao ciclo de vida.

Uso de IA e análise de dados

Determine se os modelos, aplicações RAG, copilotos, sistemas de busca ou agentes estão utilizando as informações atualmente. A remoção de dados de uma aplicação primária pode não remover cópias de índices, repositórios de vetores, pipelines ou conjuntos de dados subsequentes.

O que você deve fazer com dados obsoletos?

Encontrar dados desatualizados não significa automaticamente excluí-los.

A ação correta depende do motivo pelo qual os dados existem e das obrigações aplicáveis.

Como reduzir dados obsoletos

1. Descubra dados continuamente

Mantenha a visibilidade de dados estruturados e não estruturados em ambientes de nuvem, SaaS, híbridos, locais, de colaboração, de análise, de desenvolvimento e conectados à IA.

As equipes não podem gerenciar dados obsoletos cuja existência desconhecem.

2. Classificar dados com base no contexto do ciclo de vida.

Compreender o conteúdo, a sensibilidade, o proprietário, a categoria do registro, a regulamentação, a localização, os requisitos de retenção e a finalidade comercial.

Descoberta e classificação de dados Fornecer o contexto necessário para distinguir um registro antigo que vale a pena preservar de uma cópia sensível desnecessária que deve ser descartada.

3. Identificar fontes confiáveis

Determine qual aplicativo, documento, conjunto de dados ou proprietário representa a fonte atual de informações comerciais importantes.

Em seguida, reduza a ambiguidade em torno das versões substituídas.

4. Atribuir Proprietários de Dados

A propriedade gera responsabilidade pelas decisões relativas à atualização, retenção, arquivamento, uso de IA e exclusão.

5. Aplicar Políticas de Retenção

Conectar regras de retenção Com dados reais, as equipes podem identificar informações que excederam o período de retenção obrigatório, preservando ao mesmo tempo os registros exigidos por obrigações legais ou regulamentares.

6. Minimize os dados desnecessários

Identifique dados desatualizados, bem como informações duplicadas, redundantes, obsoletas, triviais e retidas em excesso.

Priorize a limpeza quando dados desnecessários também contiverem informações pessoais, regulamentadas, confidenciais, de credenciais ou críticas para os negócios.

7. Inclua IA nas análises do ciclo de vida.

Determine se existem dados obsoletos ou substituídos em:

• Índices RAG
• Bancos de dados vetoriais
• Bases de conhecimento
• Conjuntos de dados de treinamento
• Busca por IA
• Repositórios Copiloto
• Dados acessíveis ao agente

A preparação para a IA deve incluir a remoção ou o controle de informações que os sistemas não devem mais considerar como atuais.

8. Validar exclusão

Apagar uma cópia não garante que todas as versões subsequentes tenham desaparecido.

As equipes precisam de evidências que demonstrem o que foi removido, por que foi removido e se a ação foi concluída conforme o planejado.

Casos de uso de dados obsoletos

Preparação para IA

Antes de conectar informações corporativas à IA, as equipes podem identificar dados obsoletos, duplicados, sensíveis e desnecessários que não devem se tornar contexto de modelo, RAG (Raiz, Verde, Gramática), pesquisa ou agente.

Redução de riscos de segurança

As equipes de segurança podem priorizar dados obsoletos que ainda contenham informações confidenciais ou que retenham acesso excessivo. A remoção de informações desnecessárias reduz a quantidade de dados que um invasor, uma identidade comprometida ou um sistema de IA com permissões excessivas pode acessar.

Privacidade e minimização de dados

As equipes de privacidade podem identificar informações pessoais que não atendem mais a uma finalidade comercial legítima ou regulatória e encaminhá-las por meio de processos de minimização e exclusão.

Migração para a nuvem

As organizações podem revisar informações desatualizadas, redundantes, sensíveis e obsoletas antes de migração em vez de replicar anos de riscos desnecessários em um novo ambiente.

Otimização de armazenamento

As equipes de TI podem reduzir o volume de armazenamento priorizando dados de baixo valor, ao mesmo tempo que preservam registros importantes e informações históricas confiáveis.

Governança de Dados

Os proprietários e gestores de dados podem distinguir informações oficiais de versões obsoletas, atribuir propriedade, aumentar a confiança e reduzir fontes conflitantes.

Como a BigID ajuda as organizações a gerenciar dados obsoletos

A BigID trata dados obsoletos como um problema de ciclo de vida, segurança, privacidade, governança e prontidão para IA, em vez de um simples cálculo de idade.

A questão fundamental não é apenas “Qual a idade desses dados?”

As organizações também precisam entender O que contém, quem é o proprietário, se alguém ainda o utiliza, qual política se aplica, se a IA pode acessá-lo, se existe alguma medida legal que o impeça de acessá-lo e qual ação faz sentido.

A BigID ajuda as organizações:

• Descubra e classifique dados empresariais: Encontre informações estruturadas e não estruturadas e classifique-as por sensibilidade, tipo, regulamentação, propriedade, localização, política e contexto de negócios.
• Identificar dados obsoletos e desnecessários: Identificar informações desatualizadas, duplicadas, semelhantes, redundantes, obsoletas, triviais, excessivamente armazenadas e desnecessárias em ambientes corporativos.
• Conecte os dados à retenção: Aplique políticas de retenção usando classificação, metadados, propriedade, localização, tipo de registro e regras de negócio, levando em consideração as retenções legais.
• Gerencie todo o ciclo de vida: Conecte a descoberta, a propriedade, a retenção, o bloqueio legal, a minimização, a exclusão e as evidências de auditoria em todos os dados corporativos.
• Priorize o risco de dados desatualizados: Adicione informações sobre sensibilidade, acesso, exposição, propriedade e contexto de negócios para que as equipes possam concentrar a limpeza nos dados que representam um risco de segurança significativo.
• Prepare dados mais seguros para IA: Identificar informações sensíveis, obsoletas, duplicadas, tóxicas e desnecessárias antes que elas cheguem ao RAG, ao treinamento, aos modelos, aos copilotos, aos agentes e aos fluxos de trabalho de IA.
• Transformar descobertas em ação: Atribuir responsáveis, revisar rotas, aplicar políticas, restringir o acesso, colocar informações em quarentena e coordenar a remediação do ciclo de vida.
• Apoie a exclusão defensável: Remova informações desatualizadas e desnecessárias por meio de fluxos de trabalho controlados, mantendo o registro das decisões e ações tomadas ao longo do ciclo de vida.

A abordagem da BigID conecta:

Descobrir → Compreender → Decidir → Reduzir → Comprovar

Isso é importante porque dados obsoletos não têm uma data de expiração universal.

A ação correta depende de a informação ainda ter uma finalidade válida, permanecer relevante, criar riscos, acarretar obrigações políticas ou continuar a influenciar pessoas e IA.

Lista de verificação para preparação de dados obsoletos

Perguntas frequentes sobre dados desatualizados

O que são dados obsoletos?

Dados obsoletos são informações que não refletem mais a realidade atual, a autoridade, o contexto ou o nível de atualização exigido para o uso pretendido. Os dados podem se tornar obsoletos porque as condições mudam, os sistemas de origem param de ser atualizados, versões mais recentes os substituem ou sua finalidade comercial original desaparece.

Qual é um exemplo de dados desatualizados?

Exemplos incluem um endereço de cliente desatualizado, uma lista de acesso de funcionários antiga, documentação de produto obsoleta, uma tabela de preços desatualizada, uma política antiga retornada por meio de pesquisa corporativa ou um sistema RAG recuperando um documento que não representa mais as diretrizes atuais.

Dados desatualizados são o mesmo que dados antigos?

Não. Dados antigos simplesmente descrevem a idade da informação. Dados obsoletos descrevem se a informação ainda é adequada para o uso atual. Um registro histórico de décadas pode permanecer válido, enquanto dados operacionais que mudam rapidamente podem se tornar obsoletos em minutos.

O que causa dados obsoletos?

As causas comuns incluem mudanças nas condições de negócios, falhas nos fluxos de dados, cópias desatualizadas, migrações de sistemas, falta de identificação de proprietários, integrações quebradas, exportações manuais, aplicativos desatualizados, práticas inadequadas de retenção e dados que permanecem após o término de sua finalidade comercial original.

Por que dados desatualizados são um problema?

Dados desatualizados podem levar a decisões incorretas, relatórios conflitantes, exposição da privacidade, superfície de ataque desnecessária, sobrecarga de conformidade, custos de armazenamento mais altos, análises imprecisas e resultados de IA não confiáveis.

Como dados desatualizados afetam a IA?

RAG (Representação, Ação e Gratificação), copilotos, busca corporativa, modelos e agentes podem recuperar informações desatualizadas e tratá-las como contexto atual. Isso pode gerar respostas ou ações obsoletas, mesmo quando o modelo reflete com precisão o material de origem recebido.

Dados obsoletos são o mesmo que dados ROT?

Não. Dados obsoletos descrevem informações que não atendem mais aos requisitos atuais de atualização ou contexto. ROT significa dados redundantes, obsoletos ou triviais. Dados obsoletos podem se tornar parte de uma categoria ROT, mas as categorias não se sobrepõem completamente.

Como identificar dados desatualizados?

As organizações podem usar informações como idade, último acesso, frequência de atualização, propriedade, comparação com fontes confiáveis, análise de duplicatas, status de retenção, finalidade comercial, sensibilidade, atividade e uso subsequente de IA para identificar dados que precisam ser revisados.

As organizações devem excluir todos os dados obsoletos?

Não. Alguns dados desatualizados podem exigir atualização, arquivamento, acesso restrito, preservação histórica ou retenção contínua devido a requisitos legais, regulatórios, contratuais ou comerciais. As equipes devem avaliar o contexto antes de tomar qualquer medida.

Como as organizações podem reduzir a obsolescência de dados?

As organizações podem descobrir dados continuamente, classificar o contexto do ciclo de vida, estabelecer fontes autorizadas, atribuir proprietários, impor retenção, identificar cópias desnecessárias, minimizar dados de baixo valor, governar fontes de dados de IA e validar a exclusão.

Como o BigID ajuda a gerenciar dados obsoletos?

A BigID ajuda as organizações a descobrir dados obsoletos e desnecessários, classificar a sensibilidade e o contexto de negócios, identificar duplicados e dados inválidos, aplicar políticas de retenção, gerenciar requisitos de ciclo de vida, preparar dados mais limpos para IA, priorizar riscos de segurança, coordenar a remediação e dar suporte à exclusão defensável.