Controles em linguagem natural ajudam a proteger informações e aplicar políticas de segurança sem inviabilizar o uso da inteligência artificial
Quantas organizações já aprovaram uma política de uso de IA generativa? Nos últimos dois anos, muitas. E quantas conseguem garantir que essa política é respeitada no exato momento em que um colaborador cola um contrato, uma planilha de remuneração ou um trecho de código proprietário em um chat? Bem menos. É nessa lacuna que atuam os guardrails: controles que se interpõem entre o usuário e o modelo de linguagem, avaliando o conteúdo de cada interação contra regras definidas pela organização antes que ele seja processado.
A lacuna aparece nos números. Estudo da IDC (International Data Corporation) feito a pedido da ABES (Associação Brasileira das Empresas de Software), divulgado em agosto de 2026, mostra que 86% das empresas brasileiras já usam IA generativa em suas operações. Em pesquisa com 302 líderes de cibersegurança, o Gartner identificou que 69% das organizações suspeitam ou têm evidências de que funcionários recorrem a ferramentas públicas de IA generativa proibidas. A consultoria projeta que, até 2030, mais de 40% das empresas no mundo vão enfrentar incidentes de segurança ou de conformidade ligados a esse uso não autorizado.
No contexto brasileiro, o tema deixa de ser apenas boa prática. A LGPD (Lei Geral de Proteção de Dados) exige medidas de segurança técnicas e administrativas aptas a proteger dados pessoais, estabelece o princípio da responsabilização e prestação de contas, que pede a demonstração de medidas eficazes, e impõe regras específicas para dados sensíveis. Somam-se a isso normas setoriais, como a Resolução CMN 4.893/2021 no sistema financeiro e a Resolução CVM 44/2021 no tratamento de informações relevantes ainda não divulgadas, e deveres de sigilo contratual e profissional. Em caso de descumprimento, a ANPD (Agência Nacional de Proteção de Dados) pode aplicar multa de até 2% do faturamento da empresa, limitada a R$ 50 milhões por infração.
A necessidade é clara. A implementação nem tanto. E na prática, política sem mecanismo de aplicação demonstra intenção, não conformidade.
O mesmo estudo da ABES com a IDC indica ainda que apenas 48% das empresas afirmam ter dados bem estruturados e governados, enquanto 49% admitem trabalhar com dados parcialmente estruturados e com lacunas. O Gartner projeta que, até 2027, processos manuais de conformidade de IA vão expor 75% das organizações regulamentadas a multas superiores a 5% de sua receita global.
A política escrita como regra executável
Comumente guardrails são configurados em linguagem técnica: expressões regulares, dicionários de termos, listas de bloqueio e classificadores treinados para categorias predefinidas. Essa abordagem funciona bem para dados estruturados, como CPF ou número de cartão, mas tem dificuldade com o que de fato preocupa o jurídico e o compliance, como os termos de uma aquisição em negociação ou o diagnóstico de um colaborador afastado. Há ainda um problema de tradução: a política é escrita pelo DPO, pelo jurídico ou pelo compliance em linguagem natural, e alguém da TI precisa convertê-la em regras técnicas, com perdas inevitáveis no caminho.
No White Conductor, da White Cube, essa tradução deixa de ser necessária. O administrador da organização descreve o guardrail da mesma forma como redigiria a regra em uma política interna, por exemplo:
“Não permitir o envio de informações sobre operações de fusão, aquisição ou captação que ainda não tenham sido divulgadas ao mercado.”
“Não permitir o envio de dados de saúde de colaboradores, como atestados, diagnósticos ou códigos CID.”
“Sinalizar pedidos de avaliação de desempenho ou de comparação salarial envolvendo colaboradores identificados pelo nome.”
A avaliação é semântica: a plataforma interpreta a intenção e o conteúdo da mensagem, não apenas a presença de palavras-chave, o que fecha brechas óbvias (basta trocar um termo para escapar de uma lista) e tende a reduzir bloqueios sem sentido no contexto. A regra é aplicada na entrada, antes de a mensagem chegar ao modelo que responderá ao prompt, e a redação do controle fica mais próxima de quem é dono da política, e não de quem domina a sintaxe da ferramenta.
O movimento ganha escala. Segundo o Gartner, até 2028 mais de 50% das empresas usarão plataformas de segurança de IA para proteger tanto serviços de terceiros quanto aplicações próprias, centralizando a aplicação de políticas de uso e o monitoramento das atividades da tecnologia.
Dois modos de atuação: block e shadow
Cada guardrail é configurado em um de dois modos, e essa escolha é tão relevante quanto a redação da regra.
Block: a mensagem que viola a política é interceptada antes de chegar ao modelo de linguagem, e o usuário recebe o aviso de que ela não pode ser processada em razão da política de segurança da organização. É o modo adequado para o que não admite exceção, como dados pessoais sensíveis, informação privilegiada, código-fonte proprietário ou dados de clientes protegidos por acordos de confidencialidade.
Shadow: a mensagem é processada normalmente, mas gera um alerta para o administrador, que passa a enxergar onde a política está sendo tensionada e pode direcionar treinamentos e ações de conscientização para as áreas e os temas que de fato precisam deles.
Em termos práticos, o block atua sobre o incidente, e o shadow atua sobre o comportamento que, mais cedo ou mais tarde, produziria o próximo incidente.
A frequência desses eventos deve crescer. O Gartner estima que, até 2028, 25% das aplicações corporativas de IA generativa vão registrar pelo menos cinco incidentes de segurança menores por ano, ante 9% em 2025.
Por que não bloquear tudo
A tentação natural é colocar todas as regras em block. Parece a escolha mais segura, mas costuma produzir atrito, frustração e uma migração silenciosa para ferramentas pessoais, ou seja, de volta à Shadow AI que se pretendia combater. O caso da Samsung, que em 2023 restringiu o uso de IA generativa em dispositivos e redes corporativos após engenheiros submeterem código-fonte a um chatbot público, ilustra como a proibição é a resposta mais rápida, embora nem sempre a mais eficaz.
O modo shadow cumpre três papéis:
Calibração: como a avaliação em linguagem natural é probabilística, faz sentido observar o comportamento de uma regra nova, e sua taxa de falsos positivos, antes de torná-la bloqueante, prática análoga ao modo de auditoria que as ferramentas de DLP adotam há anos.
Educação: o alerta transforma um desvio em insumo para capacitação direcionada, com programas de aprendizagem em segurança cibernética e privacidade.
Cultura: em vez de punir o colaborador que tentou usar IA para trabalhar melhor, a organização identifica onde a política e a rotina não conversam, e pode ajustar uma ou outra.
Apesar do nome, o modo shadow é o oposto da Shadow AI: em vez de deixar o uso acontecer fora do radar, traz esse uso para dentro de um ambiente governado. Há, porém, um cuidado necessário: o alerta ao administrador também é tratamento de dados pessoais dos colaboradores, e por isso precisa ser transparente, proporcional e previsto na política interna. Usado para educar, constrói confiança. Usado para vigiar, compromete a adoção que justificou a plataforma.
A Justiça do Trabalho já sinaliza esse limite. Em julho de 2026, o TST (Tribunal Superior do Trabalho) anulou a justa causa de uma supervisora porque a acusação se apoiava apenas em conversas pessoais acessadas pelo empregador sem autorização, prova considerada ilícita.
Governança de IA que só bloqueia tende a produzir conformidade aparente e Shadow AI real, e governança que só monitora produz relatórios. O equilíbrio entre os dois modos é uma decisão de gestão, não de tecnologia, e passa a estar nas mãos de quem escreve a política, na mesma língua em que ela foi escrita.
Mas a pergunta que fica é: a política de IA da sua organização é aplicada ou apenas publicada?
