Shadow AI não vai desaparecer. A governança é que precisa evoluir.

Muitas vezes me perguntam como lidar com Shadow AI↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →. Minha visão é simples: não considero realista esperar que o uso não autorizado de IA chegue a zero.

É possível reduzi-lo, monitorá-lo, controlar seus riscos e transformar parte dele em uso corporativo aprovado. Mas, enquanto ferramentas de IA estiverem amplamente disponíveis e forem capazes de aumentar a produtividade em poucos minutos, algum nível de experimentação fora dos canais formais continuará existindo.

Shadow AI é o uso de ferramentas, modelos, APIs, copilots, agentes ou aplicações de IA sem que esse uso esteja formalmente aprovado, registrado ou submetido aos controles definidos pela organização. É uma evolução do Shadow IT, mas com uma diferença importante: a IA reduz ainda mais o custo e o tempo necessários para criar ou utilizar uma nova capacidade.

Um profissional precisa resumir centenas de páginas, comparar contratos, analisar código, preparar uma proposta ou interpretar informações. A empresa ainda não oferece uma solução adequada. Ele conhece uma ferramenta que resolve o problema em minutos. A tendência é utilizá-la.

Na maioria das vezes, não existe má intenção. Existe uma assimetria entre uma necessidade imediata de produtividade e processos corporativos de aprovação que podem ser muito mais lentos.

Shadow AI também não significa apenas utilizar uma ferramenta pública de conversação. Pode envolver dados internos enviados para serviços externos, código-fonte analisado por modelos públicos, APIs contratadas diretamente por funcionários ou pequenas aplicações construídas sem passar pelos processos corporativos.

E existe uma evolução ainda mais importante: os agentes. Um funcionário pode criar ou utilizar um agente capaz de consultar documentos, acessar APIs, abrir tickets, atualizar registros ou executar determinadas tarefas.

Nesse momento, deixamos de ter apenas pessoa → IA e passamos a ter pessoa → agente → ferramentas → dados → APIs → sistemas → outros agentes. A superfície de risco muda completamente.

O risco não é apenas vazamento de dados. Esse continua sendo importante. Existe também o risco de a organização estar sendo influenciada por IA sem saber onde, como e com quais controles essa influência ocorreu.

Um analista pode utilizar IA não autorizada para avaliar um fornecedor. Um recrutador pode usá-la para apoiar uma triagem. Um executivo pode solicitar uma análise de mercado. Um desenvolvedor pode aceitar código gerado por um modelo que só ele utiliza.

O resultado pode ser útil, mas também pode conter erros, vieses, informações inventadas, código vulnerável ou conclusões inadequadas. O problema não é simplesmente utilizar IA. É tratar sua saída como suficientemente confiável sem compreender suas limitações e sem estabelecer mecanismos proporcionais de verificação e responsabilização.

Por isso, proibir não resolve sozinho. Uma política pode declarar determinada ferramenta proibida, mas a necessidade continua existindo. O funcionário pode recorrer a outra ferramenta, extensão, aplicação, recurso de IA incorporado a um software aprovado ou API.

Há ainda uma complicação adicional: a IA está sendo incorporada aos próprios produtos que as empresas já utilizam. CRM, ERP, suítes de produtividade, navegadores, IDEs, ferramentas de marketing, atendimento e RH estão incorporando recursos de IA.

Assim, não basta monitorar quem usa determinada ferramenta. É preciso conhecer onde existe capacidade de IA no ecossistema tecnológico, quem pode utilizá-la, com quais dados e para executar quais ações.

A melhor estratégia, portanto, é reduzir a necessidade de Shadow AI. A empresa precisa oferecer ferramentas corporativas úteis, rápidas e suficientemente seguras. Se a solução oficial for burocrática e pouco eficiente enquanto uma alternativa externa resolver o problema em três minutos, a organização estará criando as condições para o Shadow AI.

Isso exige política clara, acesso simples, treinamento, arquitetura adequada e controles proporcionais ao risco.

O AI Gateway pode fazer parte dessa arquitetura. Ele pode centralizar autenticação, autorização, logging, controle de custos, roteamento de modelos, políticas de uso, auditoria e observabilidade↳Observabilidade11 conteúdosObservabilidade para APIs: os desafios e benefícios dessa abordagemDev (Back & Front) · jan 2025Falhas em Observabilidade afetam os Apps e a Segurança das OrganizaçõesDev (Back & Front) · nov 2023ADK Java 1.0: O Google quer que você pare de gambiarra Python no seu backendMarketing Tech · abr 2026Ver tudo em DevSecOps →. Dependendo da implementação, também pode apoiar controles sobre os dados enviados aos modelos.

Mas é importante não transformá-lo em uma solução mágica. Um AI Gateway não controla automaticamente uma ferramenta externa utilizada diretamente pelo navegador, um SaaS de terceiros ou um agente criado fora do ambiente corporativo. Ele é apenas uma camada da arquitetura de controle.

O mesmo vale para DLP (Data Loss Prevention). O DLP tradicional continua importante para identificar documentos, informações financeiras, identificadores pessoais e outros dados sensíveis. Mas, com IA, o risco muitas vezes está no contexto e não em uma palavra específica.

“Analise nosso plano de aquisição da empresa X” pode não conter CPF ou número de cartão, mas pode representar informação estratégica altamente sensível. Por isso, os controles precisam combinar classificação de dados, contexto, identidade, finalidade, destino e autorização. Não se trata de substituir o DLP tradicional, mas de complementá-lo com controles contextuais e semânticos.

Também não faz sentido tratar toda IA da mesma maneira. Traduzir um texto público é muito diferente de permitir que um agente acesse sistemas financeiros.

Prefiro uma abordagem baseada em risco: baixo risco para tradução, brainstorming e resumo de informação pública; risco intermediário para documentos internos, código corporativo e análises internas; alto risco para dados pessoais, informações financeiras, propriedade intelectual e decisões relevantes; e risco crítico para sistemas regulados, operações críticas ou agentes capazes de executar ações de alto impacto.

Quanto maior o impacto potencial, maior deve ser o nível de controle, supervisão, registro e autorização.

Existe ainda uma dimensão que considero interessante. Shadow AI pode funcionar como sensor de inovação. Se muitos funcionários utilizam espontaneamente uma ferramenta para resolver o mesmo problema, isso pode revelar uma lacuna na oferta tecnológica ou uma oportunidade de redesenho de processo.

Isso não significa que todo Shadow AI seja inovação. Pode ser simplesmente uso inadequado ou violação de política. Mas vale investigar por que as pessoas estão fazendo aquilo por conta própria. A resposta pode revelar um processo ineficiente, uma demanda reprimida ou uma oportunidade legítima de automação.

Com agentes, o desafio aumenta. Um agente precisa ter identidade, proprietário, escopo, autorização, credenciais, limites de ação, registros, monitoramento e mecanismos de revogação.

O princípio de least privilege deve ser aplicado também às identidades utilizadas por sistemas agênticos. Um agente que precisa consultar o CRM não deveria automaticamente poder apagar registros. Um agente que prepara uma ordem de compra não deveria necessariamente poder aprová-la. Um agente que prepara um e-mail não precisa necessariamente ter autorização para enviá-lo.

A governança deixa de tratar apenas do acesso à IA e passa a controlar também as ações que cada sistema está autorizado a executar.

Outro cuidado importante é não confundir aprovação formal com supervisão humana efetiva. Se uma pessoa precisa aprovar centenas de decisões geradas por IA diariamente, existe o risco de a supervisão se transformar em mera formalidade.

Supervisão efetiva exige contexto, competência, tempo e autoridade para contestar, modificar ou interromper a decisão. O humano não pode ser apenas o carimbo final. Precisa continuar exercendo julgamento.

Eu sugiro estruturar a governança em cinco etapas: Discover → Classify → Control → Monitor → Learn.

Descobrir onde a IA está sendo utilizada. Classificar usuários, aplicações, modelos, dados, agentes e casos de uso. Controlar acessos, permissões e fluxos de dados. Monitorar utilização, custos, incidentes, comportamento e resultados. E aprender com essas informações para melhorar políticas, arquitetura, treinamento e ferramentas.

Shadow AI nunca será zero. E talvez essa não seja a métrica certa. Considero mais útil pensar em como “shadow AI risk = conhecido, observável e controlado”.

A organização madura não tenta impedir toda experimentação. Ela cria um ambiente em que experimentar seja fácil, mas fazer algo perigoso seja difícil.

Para mim, uma das mudanças mais importantes na governança de IA é não tentar eliminar o Shadow AI, mas reduzir sua superfície de risco, aumentar sua observabilidade e transformar, quando fizer sentido, experimentação espontânea em uso corporativo seguro e governado.