Os modelos de IA serão iguais para todos. O que cada empresa sabe, não.

Poucas tecnologias chegaram às empresas com a amplitude da inteligência artificial generativa. Seu efeito vai muito além de automatizar tarefas: muda a forma como um contrato é avaliado, como uma proposta é estruturada, como uma due diligence é conduzida e, no limite, como as decisões são tomadas. Na maioria das organizações a adoção já está em curso, planejada ou não, e a pergunta que importa agora é em que termos ela acontece.

Um aspecto dessa mudança ainda recebe pouca atenção. Os modelos de linguagem avançam rápido, mas tendem a convergir: o que diferencia um fornecedor hoje costuma estar disponível nos demais em poucos meses, para qualquer concorrente disposto a pagar. O que não converge é o conhecimento que cada empresa acumulou ao longo dos anos: suas condições comerciais, seu histórico de clientes, seus contratos, a lógica com que precifica e decide. A IA só gera valor distintivo quando trabalha sobre esse conhecimento, e é exatamente aí que está o risco.

Muitas empresas reagiram restringindo o uso, com um resultado previsível: a IA continuou sendo usada, agora por contas pessoais e sem qualquer registro. O acesso irrestrito também não resolve, porque entrega a terceiros decisões sobre ativos que deveriam permanecer sob controle da empresa. Entre os dois extremos existe um caminho mais maduro: aplicar à inteligência artificial a mesma disciplina de governança reservada ao capital e à informação financeira, decidindo de forma explícita que conhecimento pode chegar a cada ambiente de IA, de que forma e sob quais regras.

Soberania deixou de ser assunto só dos Estados

A capacidade de construir modelos de fronteira está concentrada em poucas empresas, sediadas em um número ainda menor de países, e cada jurisdição está respondendo a essa concentração à sua maneira. A União Europeia optou por uma regulação abrangente, com um AI Act cujo alcance se estende a fornecedores estabelecidos fora do bloco. Os Estados Unidos mantêm instrumentos legais que alcançam dados mantidos por seus fornecedores mesmo fora do território americano. A China construiu um ecossistema próprio, em que os serviços de IA generativa oferecidos dentro de suas fronteiras estão sujeitos a exigências estatais de conteúdo e, em muitos casos, a registro prévio junto às autoridades. Para uma empresa brasileira, ou para um grupo que opera em vários desses mercados, a escolha de um fornecedor de IA tem implicações jurídicas e, em alguma medida, geopolíticas.

Nesse contexto, soberania significa a capacidade de manter o controle sobre o próprio conhecimento: onde ele é armazenado e processado, a que jurisdição responde, quem tem acesso, quem detém as chaves de criptografia, por quanto tempo é guardado e quem decide sobre tudo isso. A associação automática com servidores próprios é enganosa. Esse controle pode ser exercido numa nuvem pública com residência regional, em nuvens soberanas ou em infraestrutura dedicada, e pode estar totalmente ausente de um ambiente on-premise mal governado.

Duas distinções costumam escapar do debate. Região não é jurisdição: dados processados no Brasil por um fornecedor estrangeiro podem continuar sujeitos à lei do país de origem desse fornecedor. E chaves de criptografia em poder do cliente protegem os dados armazenados, mas não no momento em que o modelo os processa. No fim, soberania é autonomia estratégica: a capacidade de escolher e de substituir fornecedores de IA sem ficar refém de nenhum deles.

Uma arquitetura conhecida para um problema novo

A resposta técnica a esse desafio não exige invenção. As empresas usam há muito tempo proxies, gateways de API e plataformas de acesso seguro para governar o tráfego de redes e aplicações. A proposta é simplesmente estender esse princípio à inteligência artificial. Em vez de deixar cada usuário, sistema ou agente se conectar diretamente a um fornecedor, a empresa coloca no meio uma camada de controle comum, que reúne a identificação de quem está pedindo, a classificação da informação, a inspeção do que sai e do que volta, e um registro de auditoria.

Nessa camada, cada solicitação é testada contra a política da empresa antes de chegar ao modelo, e pode ser liberada, ter trechos sensíveis mascarados ou substituídos por códigos, ser bloqueada ou ser redirecionada para um ambiente privado. O critério de decisão é a sensibilidade da informação. Material público pode ser processado por ferramentas externas; informação interna, por ambientes contratados e aprovados; informação confidencial, como preços, contratos e dados de clientes, apenas sob a inspeção da camada de controle; e informação restrita, como fusões e aquisições, folha de pagamento e planos estratégicos, somente em modelos privados ou ambientes soberanos.

O modelo se apoia em duas premissas que convém deixar explícitas. A informação precisa estar classificada, o que raramente acontece na medida desejada, e a regra prudente é tratar como confidencial tudo o que ainda não foi classificado. Além disso, a detecção automática de dados sensíveis é probabilística: precisa para identificadores estruturados, como CPF e CNPJ, e bem menos confiável em texto livre, sobretudo em idiomas que não o inglês.

A mesma camada tem um efeito que vai além da segurança. Com o roteamento centralizado, o modelo deixa de ocupar o centro da arquitetura e se torna um recurso substituível, escolhido por custo, desempenho, exigências regulatórias ou continuidade operacional. É a liberdade de trocar de fornecedor que dá à soberania uma dimensão concreta.

Como montar a camada de controle

A pergunta prática que vem em seguida é se essa camada precisa ser construída. Raramente do zero. Seus componentes já existem no mercado, em quatro grandes famílias: gateways de IA, que centralizam o acesso a vários fornecedores de modelos e cuidam de roteamento, cotas e registro; ferramentas de prevenção de vazamento e de classificação de dados, muitas das quais já estendem a inspeção a prompts e respostas; as plataformas de acesso seguro que a maioria das empresas já usa para o tráfego web, capazes de identificar e governar o uso de serviços públicos de IA; e os serviços de proteção oferecidos pelos próprios provedores de nuvem. Há alternativas de código aberto em cada família para empresas com capacidade de engenharia para operá-las.

O que não vem pronto é a integração e, sobretudo, a política: o esquema de classificação, as regras para cada classe, a ligação com a identidade corporativa, o tratamento das exceções. Esse trabalho é da empresa, e é nele que a maioria dos programas emperra.

Uma sequência pragmática tem três etapas:

1. Enxergar. Descobrir quais serviços de IA já estão em uso, por quem e com que tipo de dado. As ferramentas de acesso seguro que a maioria das empresas já possui costumam mostrar isso em poucas semanas, e o retrato tende a ser maior do que se imagina.

2. Canalizar. Oferecer uma rota aprovada pelo menos tão conveniente quanto as informais, como um assistente corporativo para os funcionários e um ponto de acesso único para os desenvolvedores, ambos passando pela camada de controle, com registro e mascaramento básico desde o primeiro dia. As pessoas abandonam as ferramentas paralelas quando o caminho oficial é mais fácil, não quando ele é obrigatório.

3. Refinar. Apertar as políticas classe por classe, estender o controle aos agentes e trazer os sistemas contratados com IA embarcada para a segunda frente de governança, descrita mais adiante.

Uma escolha merece cuidado especial. A camada de controle é o componente que torna os fornecedores substituíveis, então ela própria não deve depender de nenhum deles. Deve rodar num ambiente e numa jurisdição escolhidos pela empresa, e ser substituível por sua vez.

Dados mestres: o que a camada de controle precisa saber

Uma política só é tão boa quanto o conhecimento que a empresa tem dos próprios dados. É aqui que a gestão de dados mestres (Master Data Management) deixa de ser uma disciplina de bastidor e passa a ser uma condição para governar a IA.

Ela diz à camada o que é sensível. Os dados mestres guardam os registros oficiais de clientes, fornecedores, produtos, contratos e funcionários. Fornecidos à camada de controle como referência, transformam a detecção em texto livre de inferência em correspondência: o sistema não precisa mais adivinhar que um nome num prompt pertence a um cliente, porque ele sabe. Isso ataca diretamente a fragilidade da detecção probabilística mencionada acima, sobretudo em português e espanhol.

Ela mantém a pseudonimização consistente. A mesma entidade recebe o mesmo código em todos os sistemas e ao longo do tempo, de modo que as análises continuam coerentes e a reversão fica sob controle.

Ela dá um dono à classificação. Cada domínio de dados mestres tem um responsável, e essa pessoa é a indicada para definir a classe de sensibilidade e aprovar exceções. Sem esse dono, a classificação vira uma tarefa técnica que ninguém no negócio consegue validar.

Ela define a qualidade do que a IA produz. Boa parte do conhecimento que diferencia uma empresa, sua lógica de preços, seu histórico de clientes, suas condições contratuais, é dado mestre e de referência. Quando a IA trabalha sobre clientes duplicados ou tabelas de preço desatualizadas, ela não falha de forma visível; produz erros com confiança, em escala.

Empresas com gestão de dados mestres madura começam essa jornada na frente. As que não têm não devem esperar por um programa completo: basta começar pelos domínios que concentram ao mesmo tempo risco e valor, normalmente clientes, contratos e preços.

Os limites que convém conhecer antes

A credibilidade de um programa de governança depende de seus limites serem compreendidos antes da implantação, e não descobertos depois de um incidente. A camada de controle é eficaz para tudo o que passa por ela. Quatro situações, porém, pedem tratamento próprio.

IA embarcada em sistemas contratados

Assistentes embutidos em suítes de produtividade, CRMs, plataformas de atendimento e ferramentas de reunião enviam a informação direto do fornecedor para o modelo, sem nunca atravessar a camada de controle da empresa. É aí que a adoção tende a crescer mais rápido, muitas vezes ativada por uma atualização do fornecedor e não por uma decisão da empresa. A resposta está em reconhecer uma segunda frente de governança, exercida pela configuração dos ambientes contratados, por rótulos de sensibilidade respeitados pela IA do fornecedor e por cláusulas sobre retenção e uso de dados. É uma frente mais contratual do que tecnológica, e por isso mesmo frequentemente negligenciada.

O alcance real da tokenização

Substituir nomes por códigos é um recurso valioso, cujo alcance costuma ser superestimado. Quando "a aquisição da ACME por US$ 48 milhões" vira "a aquisição de TARGET_001 por US$ 48 milhões", o modelo não sabe mais o nome da empresa, mas o valor exato, combinado com o setor e a data, pode bastar para identificá-la. Isso é pseudonimização, não anonimização, e dados tratados assim continuam sujeitos às obrigações de proteção de dados pessoais.

Há também o custo oposto: quanto mais se omite, menos o modelo consegue contribuir. O equilíbrio entre confidencialidade e utilidade é uma decisão a ser tomada caso a caso. Quando a análise depende da identidade real, o caminho certo é um modelo privado, não a tokenização.

Agentes agindo em nome da empresa

Agentes de IA com acesso a e-mail, sistemas internos ou à internet também expõem informação pelo que fazem: enviam mensagens, chamam endereços externos, gravam dados em outros sistemas. Podem até ser induzidos a isso por instruções escondidas em documentos que eles mesmos leram. Inspecionar o conteúdo não basta. As ações precisam ser autorizadas, com limites claros de ferramentas e destinos, credenciais com o mínimo de privilégio e aprovação humana para operações irreversíveis, o mesmo princípio que rege qualquer procuração.

A própria camada de controle

Para funcionar, a arquitetura cria dois ativos sensíveis: os registros de auditoria, que podem conter pedidos e respostas na íntegra, e a tabela que liga cada código ao nome real. Juntos, eles concentram exatamente o que o programa se propõe a proteger e exigem o nível máximo de proteção: registros minimizados por padrão, segregação de funções na gestão das chaves e um comportamento definido em caso de falha, em que uma queda da camada interrompe o tráfego em vez de deixá-lo passar.

Por fim, há um limite de natureza humana. Se o conhecimento mais sensível só puder ser tratado em modelos claramente inferiores, as pessoas vão encontrar formas de contorná-los para entregar o que se espera delas. A opção mais segura também precisa estar à altura da tarefa.

Medir o quanto vale

Programas de governança costumam ser avaliados pelo que foi implantado: políticas emitidas, ferramentas compradas, modelos integrados. São medidas de esforço. A liderança precisa de medidas de resultado, e a camada de controle as torna possíveis: por ser o ponto único por onde passa o uso governado, é também o ponto onde esse uso pode ser medido por área, caso de uso, modelo e custo.

Três níveis de indicador bastam para começar.

Cobertura. A parcela do uso de IA da empresa que acontece sob alguma forma de governança, seja pela camada de controle, seja pela gestão dos sistemas contratados. Ela expõe o perímetro de controle e, sobretudo, o que ficou de fora.

Custo unitário. O custo de uma unidade de trabalho feita com IA, como um contrato revisado, uma proposta redigida ou um chamado de cliente resolvido, incluindo o consumo do modelo, uma parcela da plataforma e a revisão humana que a tarefa ainda exige. Expresso por unidade, e não como uma fatura mensal, ele pode ser comparado ao custo da mesma tarefa sem IA e acompanhado ao longo do tempo.

Valor realizado. Tempo economizado, ciclos encurtados, erros evitados ou receita viabilizada, medidos contra uma linha de base anterior à implantação, um caso de uso por vez. Casos de uso que não demonstrarem valor num prazo combinado devem ser redesenhados ou encerrados.

É no roteamento que o técnico e o econômico se encontram. Nem toda solicitação precisa do modelo mais capaz e mais caro. Uma camada que já decide por sensibilidade pode decidir também por complexidade, enviando tarefas rotineiras para modelos mais baratos e reservando os mais caros para onde fazem diferença. Guardar respostas a pedidos repetidos e definir cotas por área completam o quadro, e alocar os custos nas unidades de negócio que os geram faz cada área pesar o que gasta contra o que ganha.

O custo da própria governança deve ser lido da mesma forma. Expresso como parcela do gasto com IA, ele é o prêmio pago pelo direito de usar IA sobre o conhecimento que mais importa. Restringir também tem custo: o valor que nunca foi capturado, mais o uso sem registro que acontece de qualquer forma.

O que a liderança precisa decidir

São escolhas que a tecnologia torna possíveis, mas que dizem respeito ao negócio como um todo e, por isso, pertencem à liderança executiva como um todo.

A liderança precisa, primeiro, definir que conhecimento nunca sai do controle da empresa, seja qual for o ganho de produtividade oferecido em troca. Disso decorre o apetite de risco para cada classe de informação, que é simplesmente uma decisão sobre quanta exposição é aceitável em troca de quanta capacidade. Os agentes de IA pedem atenção especial: alguém precisa responder pelo que eles fazem em nome da empresa, e essa questão tem de estar resolvida antes que o primeiro entre em produção. A cobertura merece uma meta e um prazo, acompanhados com a mesma regularidade de qualquer outro indicador de risco. Por fim, cada caso de uso de IA deve ter um dono no negócio e uma meta econômica, com o custo esperado por unidade de trabalho e o valor que deve gerar, revisados com a mesma regularidade.

Essas decisões não freiam a adoção da inteligência artificial. São elas que permitem levá-la à escala com a segurança de saber o que está exposto, para quem e em que termos.

Nenhuma liderança aceitaria que o caixa da empresa fosse movimentado sem limites de aprovação e sem registro. O conhecimento da empresa, que vale mais do que o caixa, ainda circula assim.