Shadow AI: como descobrir e governar a IA que os colaboradores já usam

O que é shadow AI e por que ela cresce

Shadow AI é a IA generativa que já circula na empresa por fora do radar da TI — em contas pessoais, extensões de navegador, copilotos embutidos e tradutores com IA. Ela cresce por três motivos que se somam: é acessível por qualquer navegador e conta pessoal, entrega ganho de produtividade imediato e, quando a empresa não oferece uma opção segura em tempo hábil, o colaborador resolve sozinho. O uso não nasce de má-fé; nasce de produtividade sem alternativa aprovada à mão.

Por que o colaborador cola dado corporativo no prompt

Porque, para ele, o prompt é só mais uma caixa de texto que economiza tempo. Ele cola o e-mail do cliente para gerar uma resposta, o trecho de contrato para resumir, o código para depurar, o número do trimestre para formatar uma tabela — sem perceber que, ao fazê-lo, envia dado da empresa para uma infraestrutura de terceiro. O comportamento é racional do ponto de vista de quem quer entregar mais rápido; o risco só é visível de dentro da TI.

Qual a diferença entre shadow IT e shadow AI

Shadow IT é o uso de qualquer software ou serviço não homologado — um app de troca de arquivos, um gerenciador de tarefas pessoal. Shadow AI é um recorte específico: a IA generativa que processa dado corporativo em modelos que a empresa não controla. A diferença que importa é o que acontece com o dado: um SaaS não homologado pode apenas armazenar informação; uma ferramenta de IA a processa, e em alguns casos pode usá-la para treinar o modelo. Por isso a shadow AI merece um tratamento próprio, ainda que se apoie nas mesmas técnicas de descoberta da shadow IT.

Quanto do uso escapa da TI

Uma parcela expressiva do uso de IA nas empresas ocorre sem qualquer política que o discipline. Segundo levantamento divulgado pela CloudEagle.ai, a maioria das organizações analisadas — cerca de 63% — não possui uma política formal de shadow AI, o que significa que o uso acontece sem uma regra que o oriente.^[1] O número exato importa menos do que o padrão que ele revela: o uso de IA corre à frente da governança, e a lacuna é a regra, não a exceção.

Os riscos concretos da shadow AI

Os riscos da shadow AI são concretos e recaem sobre a organização, não sobre o colaborador que colou o dado. O principal é o vazamento de dado corporativo processado em infraestrutura de terceiros — informação de cliente, contrato, código ou número financeiro que sai do controle da empresa no momento em que entra no prompt. A esse risco somam-se a perda de controle sobre propriedade intelectual, a exposição sob a ótica de proteção de dados e as decisões tomadas a partir de saída não verificada.

Vazamento de dado pelo canal do prompt

O prompt é um canal de saída de dados que a maioria das políticas de segurança ainda não cobre. Um colaborador que cola a base de clientes para "gerar um resumo" está exportando essa base para fora do perímetro da empresa — sem passar por e-mail, pen drive ou upload, os canais que a TI historicamente monitora. É um vazamento que não dispara os controles tradicionais justamente porque ocorre por um caminho novo.

Perda de controle sobre propriedade intelectual

Código-fonte, contratos, estratégia e material interno colados em ferramentas públicas de IA saem do domínio da empresa. Dependendo dos termos de uso da ferramenta, esse conteúdo pode ser retido ou usado para melhorar o modelo. Mesmo quando não é, a organização perde a garantia de que aquele ativo permaneceu confidencial — e essa incerteza, por si só, já é um problema de gestão de propriedade intelectual.

Responsabilidade que recai sobre a empresa

Do ponto de vista de proteção de dados, a responsabilidade pelo dado pessoal não se transfere para o colaborador nem para a ferramenta de IA. Se um dado de cliente vaza porque foi colado em um serviço público, é a organização que responde. Em tom operacional, isso significa que a TI não pode tratar a shadow AI como "problema do usuário": é um risco corporativo que precisa ser descoberto, registrado e contido — não um deslize individual.

Como descobrir a IA que já é usada

A descoberta da shadow AI se faz em camadas, porque nenhuma fonte isolada enxerga tudo. As quatro camadas que se complementam são: SaaS discovery e CASB para ver as aplicações acessadas; revisão de despesas e cartões corporativos para achar assinaturas de IA; logs de rede e proxy para o tráfego a domínios de IA; e conversa estruturada com as áreas, que revela o uso que nenhuma ferramenta captura. Descobrir é o primeiro dos três tempos da governança — sem ele, não há o que registrar nem governar.

SaaS discovery e CASB

Ferramentas de SaaS discovery e CASB (Cloud Access Security Broker) mostram quais aplicações de nuvem estão sendo acessadas a partir da rede e das identidades da empresa. São o caminho mais direto para enxergar o uso de ferramentas de IA baseadas em navegador em portes que já têm essas soluções. A limitação é que elas veem o que passa pela infraestrutura corporativa — o acesso feito de um dispositivo pessoal, fora da rede, escapa.

Revisão de despesas e logs de rede

Duas fontes baratas e frequentemente esquecidas: as despesas e o tráfego de rede. A revisão de cartões corporativos e reembolsos revela assinaturas de ferramentas de IA que passaram como despesa comum. Os logs de rede e do proxy mostram tráfego para domínios conhecidos de serviços de IA. Nenhuma das duas exige investimento novo — usa o que a empresa já tem —, e juntas cobrem boa parte do uso que uma ferramenta de discovery sozinha não mapeia.

A conversa com as áreas

A camada que nenhuma ferramenta substitui é perguntar. Uma conversa estruturada com cada área — o que vocês usam de IA, para quê, com qual dado — revela o uso que roda em conta pessoal, em dispositivo próprio ou por extensão de navegador, fora do alcance de qualquer log. Feita sem tom de auditoria punitiva, essa conversa costuma ser a fonte mais rica: as pessoas contam o que usam quando entendem que o objetivo é oferecer uma opção melhor, não puni-las.

Registrar o risco: o inventário de ferramentas de IA

Depois de descobrir, o segundo tempo da governança é registrar o risco em vez de fingir que ele não existe. Isso significa manter uma lista viva do que foi encontrado: ferramenta, quem usa, para quê, com qual dado, qual o risco e qual o status — aprovada, em avaliação ou bloqueada. Sem inventário, não há governança, só reação: a cada incidente, a empresa redescobre do zero o que já deveria saber.

O que registrar de cada ferramenta

Um registro útil de shadow AI costuma ter estes campos por ferramenta:

1. Nome da ferramenta e para que é usada.
2. Quem usa — áreas e, quando relevante, volume de uso.
3. Que dado processa — e qual a sensibilidade desse dado.
4. Risco — alto, médio ou baixo, conforme o dado e o tipo de tratamento.
5. Termos relevantes — se a versão em uso treina o modelo com o dado.
6. Status — aprovada, em avaliação, bloqueada.

O campo de status é o que transforma o inventário em decisão: cada ferramenta encontrada precisa de um desfecho — entra para a lista de aprovadas, fica em avaliação ou é bloqueada com uma alternativa oferecida no lugar.

Por que registrar o risco em vez de bloquear na hora

Porque bloquear sem registrar apaga a informação e não resolve a causa. Quando a TI mapeia que metade da equipe de marketing usa determinada ferramenta para uma tarefa específica, ela aprende qual necessidade não está sendo atendida internamente. Esse registro é o que orienta a próxima decisão — qual alternativa corporativa contratar — em vez de simplesmente empurrar o uso para mais fundo na sombra.

Governar aprovando, não proibindo

O mecanismo que mais reduz o uso não autorizado de IA não é o bloqueio — é oferecer uma alternativa corporativa segura. Uma versão que não treina com o dado da empresa, com SSO e controles de acesso, ataca a causa do problema (a falta de opção aprovada), enquanto o bloqueio ataca só o sintoma. Proibir sem oferecer caminho empurra o uso para o dispositivo pessoal, onde a TI perde qualquer visibilidade. Aprovar em vez de proibir é a postura que traz a IA-sombra para dentro da governança.

Por que proibir sozinho não funciona

Porque a proibição não elimina a necessidade que levou ao uso. O colaborador que usava uma ferramenta de IA para redigir mais rápido não deixa de precisar redigir rápido só porque a ferramenta foi bloqueada — ele migra para outra, para a conta pessoal, para o celular. O bloqueio isolado, sem uma opção aprovada no lugar, tende a tornar o uso menos visível, não menos frequente. É o pior dos dois mundos: o risco continua e a TI deixa de enxergá-lo.

Como é uma alternativa corporativa segura

Uma alternativa corporativa segura tem três características práticas: usa uma versão que não treina o modelo com o dado enviado, integra-se à identidade da empresa (SSO) e oferece controles de administração e registro de uso. Oferecer essa opção — e comunicá-la de forma que o colaborador saiba que ela existe e é melhor do que a conta pessoal — é o que efetivamente derruba o uso não autorizado, porque remove o motivo pelo qual ele existia.

A política de uso aceitável realista

A política de uso aceitável de IA precisa dizer três coisas em linguagem que o colaborador entende: o que pode, o que não pode e o que fazer para pedir uma nova ferramenta. Uma política que só proíbe e não oferece caminho vira letra morta. O foco é operacional: quais dados nunca vão para um prompt público, quais ferramentas estão aprovadas e por qual canal se solicita a avaliação de uma nova. É uma regra de conduta prática, não um texto jurídico.

Conter tecnicamente: DLP no prompt e educação

Para portes maiores, o passo que transforma "confiar no colaborador" em "conter tecnicamente" é o DLP (Data Loss Prevention) aplicado ao prompt. Combinado com educação contínua, ele fecha as duas frentes: a técnica, que bloqueia o dado sensível antes de sair, e a humana, que faz o colaborador entender o risco e ter uma alternativa fácil à mão. Nenhuma das duas resolve sozinha — a técnica sem cultura é contornável; a cultura sem técnica depende só de boa vontade.

Como o DLP atua no canal do prompt

Um gateway ou proxy de IA com DLP inspeciona e classifica o que está sendo enviado ao modelo e bloqueia dado sensível antes que ele saia da empresa. Na prática, quando um colaborador cola um número de cartão, um dado pessoal ou um trecho classificado como confidencial, o controle intercepta o envio. É o mecanismo que fecha o canal do prompt como via de vazamento — o mesmo papel que o DLP tradicional cumpre para e-mail e upload, agora aplicado à interação com a IA.

Educação e cultura como reforço contínuo

A regra pega quando o colaborador entende o porquê e tem uma alternativa fácil. Educar é explicar, com exemplos concretos, o que nunca se cola em um prompt público — dado de cliente, contrato, código proprietário, número financeiro não divulgado — e manter esse reforço vivo, não em um único treinamento esquecido. A educação não substitui o controle técnico, mas é o que faz a maioria dos casos nem chegar ao ponto em que o DLP precisa agir.