Eight MídiaEight MídiaBlog
EN
Um colaborador colar dado sensível da empresa numa ferramenta de IA generativa pessoal, sem aprovação nem visibilidade do time de TI, achando que é só um atalho pontual, cria Shadow AI que a empresa só descobre depois que o dado já vazou

Foto: Vitaly Gariev / Unsplash

IA

Um colaborador colar dado sensível da empresa numa ferramenta de IA generativa pessoal, sem aprovação nem visibilidade do time de TI, achando que é só um atalho pontual, cria Shadow AI que a empresa só descobre depois que o dado já vazou

Pedro Toledo · 19 de agosto de 2026 · 4 min de leitura

Um colaborador colar dado sensível da empresa — informação de cliente, projeção financeira, processo proprietário — numa ferramenta de IA generativa pessoal, sem aprovação nem visibilidade real do time de TI ou de segurança, achando que aquilo é só um atalho pontual pra ganhar tempo, cria o que já se chama de Shadow AI: um uso de ferramenta de IA que a empresa desconhece por completo, e que ela só descobre depois que o dado sensível já foi processado, armazenado ou até usado pra treinar modelo de terceiro. Por que Shadow AI se espalhou tão rápido dentro das empresas mesmo com política formal proibindo, o que caracteriza uma governança de IA generativa que reduz esse risco sem travar a produtividade real do time, e por que o desconhecimento da empresa sobre esse uso não elimina a responsabilidade legal dela.

Adotar uma ferramenta de IA generativa dentro do trabalho diário costuma acontecer, num negócio real, antes mesmo de qualquer política formal sobre o assunto existir. Enquanto a empresa ainda discute internamente qual ferramenta aprovar, o colaborador individual já está usando alguma, muitas vezes sem que ninguém saiba.

Um colaborador colar dado sensível da empresa — informação de cliente, projeção financeira, processo proprietário — numa ferramenta de IA generativa pessoal, sem aprovação nem visibilidade real do time de TI ou de segurança, achando que aquilo é só um atalho pontual pra ganhar tempo, cria o que já se chama de Shadow AI. É um uso de ferramenta de IA que a empresa desconhece por completo, e que ela só descobre depois que o dado sensível já foi processado, armazenado ou até usado pra treinar modelo de terceiro.

Por que Shadow AI se espalhou tão rápido

O ganho real de produtividade percebido pelo colaborador é imediato e tangível — a resposta rápida, o texto pronto, a análise gerada em segundos —, enquanto o risco de segurança associado a esse uso é abstrato e distante da própria experiência direta dele naquele momento. Entre 40% e 65% dos colaboradores de grande empresa reportam usar ferramenta de IA não aprovada pelo TI, e mais da metade admite já ter inserido dado sensível real dentro dessas ferramentas não autorizadas em algum momento do próprio trabalho.

O que caracteriza uma governança que reduz o risco sem travar produtividade

Uma governança de IA generativa genuinamente eficaz oferece uma alternativa real e aprovada, com nível de segurança adequado, pro mesmo tipo de tarefa que o colaborador estava tentando resolver com a ferramenta não autorizada. Proibir o uso sem oferecer uma alternativa real que resolva a mesma necessidade só empurra o comportamento pra invisibilidade completa, sem reduzir de fato o risco real que a empresa estava tentando evitar com essa proibição. Isso tem relação direta com permitir que o time use qualquer ferramenta de IA generativa sem diretriz clara sobre que tipo de informação pode ser compartilhada expõe a empresa a vazamento de dado real — os dois casos apontam pro mesmo princípio de fundo: o risco real de vazamento de dado sensível através de IA generativa nasce tanto da ausência de diretriz clara sobre o que pode ser compartilhado quanto da ausência completa de visibilidade sobre qual ferramenta está sendo usada — governança real exige resolver as duas lacunas juntas, não só uma delas isoladamente.

Por que o desconhecimento não elimina a responsabilidade legal

A LGPD responsabiliza a organização pelo tratamento de dado pessoal independentemente de onde esse tratamento efetivamente ocorreu, mesmo que tenha sido dentro de uma ferramenta que a própria empresa nunca soube que estava sendo usada. O fato de a empresa desconhecer o uso de uma ferramenta específica por parte de um colaborador não elimina a responsabilidade legal real sobre o dado que foi exposto através dela, mesmo quando não existe nenhuma intenção maliciosa real por trás desse uso pontual.

O que torna Shadow AI mais perigoso que outros usos não autorizados

O fato real de que o dado inserido numa ferramenta de IA generativa não apenas circula por um sistema externo — ele é processado, armazenado, e potencialmente utilizado pra treinar modelo de terceiro, junto com dado de outras empresas que passaram pela mesma ferramenta. Isso significa que a informação sensível pode continuar existindo, de alguma forma real, muito depois de qualquer eventual correção do comportamento específico que expôs ela originalmente.

Um exemplo prático

Um analista financeiro cola uma planilha real com projeção de receita numa ferramenta de IA generativa pessoal pra gerar um resumo executivo mais rápido, sem considerar que aquela ferramenta específica não tinha nenhum contrato de proteção de dado com a própria empresa. Meses depois, uma auditoria de segurança identifica esse uso através de um levantamento amplo de ferramenta não autorizada circulando entre o time, revelando que dado financeiro sensível tinha sido exposto sem nenhum controle real por trás. Depois desse episódio, a empresa disponibiliza uma ferramenta de IA generativa corporativa aprovada, com contrato real de proteção de dado, e o mesmo tipo de tarefa passa a ser resolvido dentro de um ambiente que a própria empresa efetivamente controla.

O ponto central

Antes de considerar um uso pontual de IA generativa pessoal como inofensivo só porque parece um atalho pequeno e isolado, vale lembrar que a responsabilidade real sobre o dado sensível continua sendo da empresa, mesmo quando ela desconhece completamente esse uso específico. Shadow AI cresce justamente na lacuna entre a necessidade real de produtividade do colaborador e a ausência de uma alternativa aprovada que resolva essa mesma necessidade de forma segura.

Perguntas frequentes

Gostou do artigo?

Compartilhe com quem precisa ler isso.

CompartilharWhatsAppLinkedInXE-mail

Continue lendo

Artigos relacionados

Colocar a informação mais crítica no meio de um prompt longo, em vez de no início ou no fim, ignora que o modelo de linguagem recupera pior informação posicionada no meio do próprio contexto, mesmo com janela grande o suficiente pra caber tudo

IA

Colocar a informação mais crítica no meio de um prompt longo, em vez de no início ou no fim, ignora que o modelo de linguagem recupera pior informação posicionada no meio do próprio contexto, mesmo com janela grande o suficiente pra caber tudo

Colocar a informação mais crítica de um prompt longo em algum ponto no meio dele, entre instrução inicial e pergunta final, ignora que o modelo de linguagem recupera pior informação posicionada no meio do próprio contexto — o fenômeno conhecido como 'perdido no meio' — mesmo quando a janela de contexto disponível é grande o suficiente pra caber toda a informação sem nenhum problema técnico de limite. Por que a posição da informação parece irrelevante quando cabe tudo na janela, o que caracteriza uma estruturação de prompt que evita essa perda, e como identificar se o próprio prompt já sofre desse problema específico.

Pedro Toledo
Pedro Toledo · 3 de setembro de 2026
Avaliar um agente de IA só com um conjunto pequeno e fácil de exemplo — o golden set — sem caso extremo nem execução repetida pra medir variância, garante uma nota alta no teste que não se sustenta assim que o agente chega em produção

IA

Avaliar um agente de IA só com um conjunto pequeno e fácil de exemplo — o golden set — sem caso extremo nem execução repetida pra medir variância, garante uma nota alta no teste que não se sustenta assim que o agente chega em produção

Avaliar um agente de IA só com um conjunto pequeno e fácil de exemplo — o chamado golden set —, sem incluir caso extremo, entrada ambígua ou execução repetida pra medir a variância real do próprio comportamento, garante uma nota de avaliação alta que não se sustenta assim que o agente enfrenta o volume e a diversidade real de situação que só a produção apresenta. Por que o golden set pequeno parece uma avaliação suficiente, o que caracteriza uma avaliação real que resiste à produção, e como perceber se a avaliação atual do próprio agente já sofre desse problema.

Pedro Toledo
Pedro Toledo · 3 de setembro de 2026
Confiar num sistema de RAG (retrieval-augmented generation) sem revisar o gap semântico entre a pergunta real do usuário e o vocabulário usado no documento original faz o modelo responder com confiança baseado no trecho recuperado errado

IA

Confiar num sistema de RAG (retrieval-augmented generation) sem revisar o gap semântico entre a pergunta real do usuário e o vocabulário usado no documento original faz o modelo responder com confiança baseado no trecho recuperado errado

Confiar num sistema de RAG (retrieval-augmented generation) sem revisar o gap semântico entre a pergunta real que o usuário formula e o vocabulário específico usado no documento original — perguntar 'como cancelo minha assinatura' quando o documento se chama 'política de encerramento de conta' — faz o mecanismo de busca recuperar o trecho errado, e o modelo generativo responde com o mesmo tom confiante de sempre, baseado num trecho que nunca respondia à pergunta feita. Por que esse gap semântico passa despercebido na maioria das implementações, o que caracteriza uma etapa de recuperação que reduz esse tipo de falha, e como identificar se o próprio sistema já está errando por esse motivo específico.

Pedro Toledo
Pedro Toledo · 31 de agosto de 2026