Lab 094: Governança e FinOps do Copilot: AI Controls, Políticas, Orçamentos e AI Credits¶
Desenho gratuito primeiro
Conclua o exercício com Copilot Free ou com a simulação incluída. Recursos pagos são opcionais e marcados claramente.
Impacto em AI Credits
Baixo no exercício guiado; médio/alto em execuções agênticas ou repetidas. Prefira seleção automática de modelo, planeje antes de agir, mantenha o contexto focado e evite sessões paralelas desnecessárias.
O que Você Aprenderá¶
- Mapear políticas do Copilot e AI Controls
- Projetar exclusão de conteúdo, auditoria e troubleshooting
- Estimar uso em AI Credits sem inventar cotas
- Criar orçamentos em camadas e playbooks de limiares
Alinhamento GH-300¶
Data and architecture (10–15%) · Privacy and safeguards (10–15%). Este mapeamento segue o recorte curricular GH-300 de 07/08/2026. O escopo oficial pode manter termos antigos como “Copilot Edits”; este lab ensina a experiência atual e sinaliza a diferença.
Mapa Conceitual¶
flowchart TD
E[Enterprise credit pool] --> O[Organization budgets]
O --> T[Team alerts]
T --> U[User guidance]
U --> M{Threshold}
M -->|50%| A[Observe]
M -->|75%| B[Optimize context/model]
M -->|90%| C[Investigate outliers]
M -->|100%| D[Apply approved limits]
Exercício Prático¶
Etapa 1: Simulação grátis: matriz de políticas¶
Para cada persona, decida se completions, chat, CLI, MCP, cloud agent, code review e agentes terceiros são permitidos. Observe que controles enterprise não governam agentes locais do VS Code da mesma forma.
Etapa 2: Simulação grátis: estimador de créditos¶
Classifique cargas como baixa, média ou alta. Estime tokens de entrada × preço + tokens de saída × preço e divida o valor em USD por 0,01 para obter AI Credits. Use preços atuais da documentação.
Etapa 3: Projete orçamentos em camadas¶
Aloque pool enterprise, limites por organização, alertas por equipe e orientação ao usuário. Defina ações em 50%, 75%, 90% e 100%, investigando antes de restringir.
Etapa 4: Caminho pago opcional¶
Em enterprise autorizado, reproduza a matriz em AI Controls, configure auditoria e allowlist MCP e compare uso real com a simulação.
Simulação Grátis Completa de Governança¶
Matriz de Políticas¶
| Persona | CLI | MCP | Cloud agent | Code review | Decisão |
|---|---|---|---|---|---|
| Estudante | Permitir | Servidores locais aprovados pelo usuário | Simular | Permitir se o repositório habilitar | Aprendizado gratuito |
| Desenvolvedor | Permitir | Allowlist do registry | Repositórios selecionados | Permitir | Engenharia padrão |
| Contratado | Condicional | Bloquear servidores desconhecidos | Bloquear | Permitir somente leitura | Limite de dados restrito |
| Admin de plataforma | Permitir | Gerenciar allowlist | Organizações selecionadas | Permitir | Administração auditada |
Estimador de AI Credits¶
Use este cenário transparente:
| Carga | Tokens entrada | Tokens saída | Preço entrada / 1M | Preço saída / 1M | USD estimado | AI Credits |
|---|---|---|---|---|---|---|
| Chat focado | 8.000 | 1.000 | $1,00 | $4,00 | $0,012 | 1,2 |
| Plano de repositório | 60.000 | 4.000 | $1,00 | $4,00 | $0,076 | 7,6 |
| Sessão de agente | 250.000 | 20.000 | $1,00 | $4,00 | $0,330 | 33,0 |
Fórmula: USD = tokens_entrada / 1.000.000 × preço_entrada + tokens_saída / 1.000.000 × preço_saída; AI Credits = USD / 0,01.
Os preços são entradas ilustrativas do exercício, não promessa de preço atual. Substitua pela tabela oficial antes de uma decisão real.
Kit de apoio¶
O build do site gera downloads estáveis em PDF e ZIP. O ZIP contém o guia do lab e todos os arquivos de apoio declarados para este lab.