Shadow AI: a inovação que sua empresa já usa, mas não governa

Existe uma distância enorme entre uma empresa que usa inteligência artificial e uma empresa preparada para operar com inteligência artificial.

A primeira compra licenças, libera alguns acessos e comemora ganhos pontuais de produtividade. A segunda redesenha processos, define responsabilidades, protege dados, mede qualidade, controla riscos e transforma inteligência em resultado de negócio.

É justamente no espaço entre essas duas empresas que nasce a Shadow AI.

Enquanto conselhos e diretorias ainda discutem qual será a estratégia de IA, profissionais já estão resumindo contratos em chatbots públicos, analisando planilhas em contas pessoais, produzindo código com copilotos, conectando modelos a CRMs, criando automações e construindo agentes capazes de executar tarefas. Muitas dessas iniciativas geram valor. O problema é que parte delas opera sem inventário, sem responsável formal, sem avaliação jurídica, sem segurança, sem medição de qualidade e, em alguns casos, sem que a própria organização saiba que elas existem.

A inovação entrou. A governança ficou do lado de fora.

Shadow AI não é um tema do futuro. É o nome de uma realidade que já se instalou dentro das empresas.

O que é Shadow AI?

Shadow AI é o uso, a contratação, a integração ou o desenvolvimento de ferramentas, modelos, aplicações e agentes de inteligência artificial sem conhecimento, aprovação ou supervisão adequada da organização.

Ela é uma evolução da conhecida Shadow IT, mas possui uma diferença fundamental. Uma aplicação não autorizada já cria risco. Uma aplicação de IA, além de processar dados, produz inferências, gera conteúdo, influencia decisões e, quando conectada a outros sistemas, pode agir.

Por isso, Shadow AI não é uma categoria de produto. É uma condição de governança.

Ela existe quando um ou mais elementos relevantes permanecem invisíveis: a ferramenta utilizada, o modelo, os dados enviados, a finalidade, as integrações, as decisões influenciadas, as permissões concedidas ou a pessoa que responde pelo resultado.

No nível mais básico, Shadow AI é um colaborador copiando uma ata confidencial para um chatbot gratuito. No nível intermediário, é uma equipe criando uma automação não documentada que classifica leads ou responde clientes. No nível avançado, é uma aplicação com RAG consultando documentos internos, ou um agente conectado a e-mail, banco de dados, CRM, ERP, repositórios de código ou meios de pagamento, sem os controles que normalmente seriam exigidos de um sistema corporativo.

Uma experiência deixa de ser apenas uma experiência quando passa a tocar dados reais, influenciar uma decisão, atender um cliente, movimentar dinheiro ou executar uma ação em nome da empresa.

Do prompt ao agente: os cinco níveis da Shadow AI

O risco muda de natureza à medida que a autonomia aumenta. Um chatbot que apenas sugere uma resposta pode errar. Um agente com permissão para agir pode transformar o erro em incidente operacional.

Como lente de gestão, podemos pensar assim:

Risco operacional de IA = autonomia x privilégio x sensibilidade dos dados x escala x opacidade.

Não se trata de uma fórmula matemática, mas de uma forma objetiva de entender o raio de impacto. Quanto mais a IA pode decidir, acessar, repetir e agir sem supervisão, maior precisa ser a capacidade de controle.

Os números mostram que a IA chegou antes da estratégia

Em 2024, o Work Trend Index da Microsoft e do LinkedIn apontou que 75% dos profissionais do conhecimento pesquisados já usavam IA no trabalho. Entre os usuários, 78% levavam suas próprias ferramentas para o ambiente profissional, fenômeno chamado de BYOAI. BYOAI é uma categoria mais ampla e não significa, necessariamente, uso proibido, mas foi um dos primeiros sinais claros de que os funcionários não esperariam a estratégia corporativa ficar pronta. Microsoft e LinkedIn, Work Trend Index 2024.

Em 2026, o Future of Professionals Report, da Thomson Reuters, tornou essa distância ainda mais explícita. A pesquisa, realizada com 1.816 profissionais de 62 países, mostrou que 74% já utilizavam IA várias vezes por semana e 34% recorriam a ferramentas que suas organizações não haviam aprovado. Ao mesmo tempo, 41% afirmaram não ter acesso a soluções adequadas ao trabalho profissional. Onde existia uma estratégia de IA claramente definida, 66% diziam que a tecnologia atendia ou superava as expectativas de geração de valor; onde não havia estratégia ativa, esse número caía para 22%. Thomson Reuters, Future of Professionals Report 2026.

O recado é direto: Shadow AI cresce onde a ambição individual encontra um vazio institucional.

Outro estudo global, realizado pela Universidade de Melbourne em parceria com a KPMG e baseado em 48.340 pessoas de 47 países, mostrou o que acontece dentro desse vazio. Entre os profissionais que utilizavam IA, 48% disseram já ter enviado informações da empresa, como dados financeiros, comerciais ou de clientes, para ferramentas públicas; 57% admitiram usos não transparentes, como ocultar que recorreram à IA; 66% disseram ter confiado em resultados sem avaliá-los criticamente; e 56% relataram erros no trabalho causados pelo uso da tecnologia. Apenas dois em cada cinco profissionais afirmaram que sua organização possuía política ou orientação para o uso de IA generativa. Universidade de Melbourne e KPMG, Trust, attitudes and use of AI: A global study 2025.

No Brasil, o mesmo estudo registrou uma queda relevante da confiança na IA para o trabalho entre os países comparáveis: de 77% em 2022 para 56% em 2024. A adoção aumentou, mas a experiência prática com erros, alucinações e limitações tornou a percepção mais crítica. Isso não é rejeição à tecnologia. É o mercado começando a entender que capacidade sem governança não produz confiança sustentável.

O perigo não está apenas no dado que entra

Quando se fala em Shadow AI, a primeira preocupação costuma ser o vazamento de dados. Ela é correta, mas insuficiente.

O risco real está em todo o ciclo: no dado que entra, no contexto recuperado, na resposta produzida, na decisão tomada, na ação executada e na ausência de evidência sobre como tudo aconteceu.

1. Perda de controle sobre dados e confidencialidade

Ao inserir contratos, propostas, listas de clientes, códigos-fonte, indicadores financeiros, estratégias comerciais ou dados pessoais em uma ferramenta pública, o profissional pode transferir informação para um ambiente que não foi avaliado pela empresa.

As perguntas básicas deixam de ter resposta: onde o dado será processado? Por quanto tempo será retido? Ele será usado para treinamento? Quem pode acessá-lo? Em qual país ficará armazenado? Como será eliminado? O contrato do fornecedor oferece garantias compatíveis com a obrigação da empresa?

No Brasil, a LGPD aplica-se ao tratamento de dados pessoais, inclusive em meios digitais. O fato de uma ferramenta ter sido usada sem autorização interna não cria uma exceção automática às obrigações de finalidade, necessidade, transparência, segurança, prevenção e responsabilização. Em termos de governança, a empresa não pode presumir que deixou de ter responsabilidade apenas porque perdeu visibilidade sobre a operação. Lei Geral de Proteção de Dados Pessoais - texto compilado e Radar Tecnológico sobre Inteligência Artificial Generativa da ANPD.

2. Exposição de propriedade intelectual

Nem todo dado crítico é dado pessoal. Estratégias, metodologias, prompts proprietários, arquitetura de software, modelos de precificação, roadmaps, materiais criativos, segredos comerciais e documentos de clientes podem não estar no centro da LGPD, mas continuam sendo ativos de negócio.

Shadow AI cria uma cadeia de fornecimento invisível. A empresa passa a depender de modelos, plugins, conectores, bibliotecas, APIs e bases que não foram avaliados, contratados ou documentados. O ativo pode continuar dentro de uma aplicação, mas o controle sobre sua circulação desaparece.

3. Decisões erradas com aparência de autoridade

Modelos generativos não funcionam como bancos de dados determinísticos. Eles produzem respostas probabilísticas. Podem inventar referências, omitir exceções, reproduzir vieses, interpretar instruções de forma incorreta ou apresentar uma conclusão frágil com enorme segurança textual.

O perigo aumenta quando o resultado parece bom o suficiente para não ser verificado. O dado da KPMG e da Universidade de Melbourne é especialmente grave por isso: 66% dos profissionais relataram confiar em saídas de IA sem avaliação crítica, enquanto 56% já cometeram erros no trabalho por causa dela.

Uma alucinação em um rascunho pode ser corrigida. A mesma alucinação em uma análise financeira, parecer jurídico, comunicação pública, regra de crédito, recomendação médica ou alteração de sistema pode gerar dano real.

4. Segurança criada para software antigo diante de um risco novo

Aplicações de IA ampliam a superfície de ataque. Prompt injection pode alterar o comportamento do sistema; documentos maliciosos podem contaminar um RAG; a resposta do modelo pode ser tratada como comando por outra aplicação; uma dependência comprometida pode afetar a cadeia de IA; um agente pode abusar das ferramentas e permissões que recebeu.

A OWASP acompanha riscos específicos de aplicações com LLMs e sistemas agentivos, incluindo injeção de prompt, exposição de informação sensível, cadeia de fornecimento, tratamento inadequado de saídas, privilégios excessivos, sequestro de objetivos, abuso de ferramentas, identidade e permissões, além de envenenamento de memória e contexto. OWASP GenAI LLM Top 10 2026 e OWASP Top 10 for Agentic Applications 2026.

Controles tradicionais continuam necessários, mas não são suficientes. Uma organização pode ter firewall, antivírus, gestão de identidade e políticas de segurança e, ainda assim, não saber que um agente criado por uma área de negócio possui acesso amplo ao CRM e usa uma chave de API armazenada em texto aberto.

5. Fragmentação, retrabalho e dívida de IA

Nem todo dano aparece como incidente de segurança. Shadow AI também produz duplicidade de ferramentas, automações sem documentação, custos dispersos em cartões corporativos, dependência de contas pessoais, fluxos que ninguém sabe manter e decisões baseadas em versões diferentes do mesmo modelo.

É a nova dívida técnica: a dívida de IA.

Ela surge quando a empresa acumula prompts, agentes, integrações, bases vetoriais e regras de negócio sem arquitetura, sem gestão de versões, sem métricas e sem um plano de saída. A produtividade individual sobe no curto prazo, enquanto a complexidade organizacional cresce silenciosamente.

6. Responsabilidade sem rastreabilidade

Quando uma recomendação de IA causa prejuízo, quem responde? O usuário? O gestor? A área que criou o fluxo? TI? O fornecedor do modelo? A empresa que colocou o processo em operação?

Sem logs, versões, critérios de aprovação, proprietário do caso de uso e evidências de revisão humana, a organização não consegue explicar o que aconteceu. E sem explicabilidade operacional, não existe responsabilização real.

Quando o risco vira custo

O Cost of a Data Breach Report 2025, da IBM e do Ponemon Institute, analisou 600 organizações que sofreram violações de dados entre março de 2024 e fevereiro de 2025. Nesse universo, uma em cada cinco relatou uma violação associada à Shadow AI. Organizações com nível elevado de Shadow AI tiveram, em média, US$ 670 mil a mais em custos de violação do que aquelas com nível baixo ou inexistente. Apenas 37% possuíam políticas para gerenciar IA ou detectar usos não autorizados. Nos incidentes relacionados à Shadow AI, dados pessoais identificáveis de clientes foram comprometidos em 65% dos casos e propriedade intelectual, em 40%. IBM, Cost of a Data Breach Report 2025.

É importante ler esses números corretamente: a amostra da IBM é composta por organizações que já haviam sofrido violações, e não representa a taxa de incidentes de todas as empresas do mercado. Ainda assim, ela mostra que, quando Shadow AI encontra uma violação real, o impacto é mensurável e mais caro.

Em 2026, a Cisco ouviu mais de 5.200 profissionais de TI, tecnologia, segurança e privacidade em 12 mercados, incluindo o Brasil. Noventa por cento disseram que seus programas de privacidade cresceram por causa da IA e 93% planejavam ampliar investimentos em privacidade e governança de dados. Porém, embora três em cada quatro organizações relatassem possuir um órgão dedicado à governança de IA, apenas 12% classificavam essa estrutura como madura e proativa. Cisco 2026 Data and Privacy Benchmark Study.

O mercado já percebeu o risco. O que ainda falta é capacidade operacional para governá-lo.

Proibir tudo não devolve o controle

A reação mais fácil à Shadow AI é bloquear ferramentas. Em alguns contextos de alto risco, o bloqueio é necessário. Como estratégia isolada, porém, ele costuma apenas deslocar o uso para contas pessoais, dispositivos não gerenciados e processos ainda menos visíveis.

O próprio estudo da Universidade de Melbourne e da KPMG encontrou maior frequência de comportamentos contrários às regras entre profissionais de organizações que diziam ter banido IA generativa ou publicado políticas. Isso não significa que políticas sejam inúteis. Significa que documento sem ferramenta adequada, treinamento, fiscalização e exemplo da liderança não muda comportamento.

Pessoas usam Shadow AI porque existe uma tarefa real a ser resolvida. Elas enfrentam pressão por velocidade, excesso de trabalho, metas crescentes e ferramentas oficiais que, muitas vezes, chegam tarde ou não atendem ao contexto da função.

Uma empresa madura não começa perguntando apenas "como impedir?". Ela também pergunta:

• Qual necessidade de negócio levou essa pessoa a procurar uma solução fora do ambiente oficial?
• Por que o processo de aprovação foi mais lento do que a demanda?
• A ferramenta autorizada realmente atende à tarefa?
• O profissional sabe diferenciar dado público, interno, confidencial, pessoal e sensível?
• Existe um caminho seguro para experimentar?

Shadow AI é, ao mesmo tempo, risco e sinal. Ela revela onde a organização possui demanda reprimida por automação, inteligência e velocidade.

Como transformar Shadow AI em inovação governada

Governança madura não é criar um comitê que demora três meses para responder. É colocar regras, tecnologia e responsabilidade dentro do fluxo de trabalho.

O objetivo não deve ser eliminar toda experimentação. Deve ser transformar experimentação invisível em inovação observável, avaliável e escalável.

1. Descobrir antes de julgar

Crie um inventário vivo de ferramentas, contas, modelos, APIs, automações, bases vetoriais, agentes, integrações e casos de uso. Combine declaração das equipes com sinais técnicos, como autenticação, tráfego, despesas, extensões, conectores e uso de APIs.

Uma campanha inicial de regularização, sem punição automática, costuma gerar mais visibilidade do que uma caça às bruxas. O objetivo é conhecer o ambiente para classificar risco e valor.

2. Classificar o caso de uso, não apenas a ferramenta

A mesma ferramenta pode ser aceitável para gerar ideias com dados públicos e inaceitável para analisar prontuários ou decidir crédito. O risco depende da finalidade, dos dados, do público afetado, da reversibilidade da decisão, das integrações e do nível de autonomia.

Adote faixas simples:

• Baixo risco: conteúdo público, ideação, rascunhos e tarefas reversíveis.
• Risco moderado: dados internos, apoio a decisões e automações com revisão humana obrigatória.
• Alto risco: dados pessoais sensíveis, decisões com impacto relevante, atendimento externo, código em produção e processos regulados.
• Risco crítico: agentes com capacidade transacional, acesso privilegiado, decisões autônomas ou possibilidade de dano financeiro, jurídico, físico ou reputacional significativo.

3. Oferecer uma via oficial mais simples do que a clandestina

Catálogo de ferramentas aprovadas, contas corporativas, ambiente seguro de testes, modelos com proteção contratual, conectores validados e orientação por função reduzem o incentivo à Shadow AI.

Se o caminho seguro for impraticável, a organização estará treinando seus profissionais a contorná-lo.

4. Criar um passaporte para cada projeto de IA

Todo projeto relevante deveria ter um registro mínimo com:

• objetivo de negócio e indicador de valor;
• proprietário executivo e responsável operacional;
• ferramenta, fornecedor, modelo e versão;
• dados utilizados, origem, classificação e destino;
• finalidade, retenção, base jurídica quando aplicável e transferência internacional;
• integrações, permissões, credenciais e sistemas afetados;
• critérios de qualidade, testes, limites de aceitação e riscos conhecidos;
• ponto de revisão humana e decisões que não podem ser automatizadas;
• logs, monitoramento, resposta a incidentes e mecanismo de interrupção;
• plano de continuidade, portabilidade e saída do fornecedor.

Esse passaporte transforma uma ideia em um ativo governável.

5. Levar a política para a arquitetura

Política escrita é importante. Política executável é melhor.

Uma arquitetura empresarial de IA pode incluir gateway para modelos, autenticação centralizada, catálogo de provedores aprovados, classificação e prevenção de perda de dados, filtragem de conteúdo, gestão de segredos, controle de custos, registro de prompts e respostas com critérios de privacidade, roteamento por risco e bloqueio de modelos não autorizados.

Para RAG, é preciso controlar origem, atualização, permissão e integridade dos documentos recuperados. Para agentes, cada identidade não humana deve ter credencial própria, escopo mínimo, prazo de validade, lista de ferramentas permitidas, limites de volume e aprovação antes de ações sensíveis.

Um agente não deve herdar todas as permissões do usuário apenas porque está agindo em seu nome.

6. Avaliar antes de escalar e monitorar depois de publicar

Demo não é produção. Uma resposta impressionante em cinco exemplos não prova confiabilidade.

Crie conjuntos de avaliação representativos, incluindo casos normais, exceções, entradas adversariais e situações em que o sistema deve recusar. Meça precisão, completude, segurança, viés, taxa de alucinação, custo, latência e impacto no processo. Faça red teaming proporcional ao risco.

Depois da implantação, acompanhe mudança de modelo, deriva de qualidade, incidentes, custo por tarefa, comportamento de usuários e falhas de integração. IA é um sistema vivo; a aprovação inicial não substitui gestão de ciclo de vida.

7. Definir supervisão humana de verdade

Human in the loop não pode significar uma pessoa clicando em "aprovar" dezenas de vezes sem tempo ou contexto para revisar.

Defina quem revisa, o que precisa verificar, qual evidência recebe, quanto tempo possui, quando deve escalar e qual decisão permanece exclusivamente humana. Quanto maior o impacto e menor a reversibilidade, maior deve ser a autoridade humana.

8. Tratar cultura como controle de segurança

Treinamento genérico sobre "o que é IA" não resolve. As pessoas precisam de exemplos ligados à própria função: o que pode ser enviado, quais ferramentas usar, como validar uma resposta, quando declarar o uso, como registrar um projeto e a quem recorrer.

A liderança também precisa criar segurança psicológica para que os profissionais revelem o uso. Se admitir uma experiência for tratado como falha, a empresa preservará a clandestinidade.

Um programa prático de 90 dias

É possível começar sem paralisar a organização.

Dias 1 a 30: visibilidade

• Nomear um responsável executivo e um grupo multidisciplinar com negócio, tecnologia, segurança, jurídico, privacidade, dados e pessoas.
• Fazer inventário de ferramentas, casos de uso, integrações e fornecedores.
• Publicar uma regra provisória simples sobre dados e usos proibidos.
• Abrir um canal de declaração e regularização de projetos existentes.
• Priorizar os casos com dados sensíveis, acesso externo ou poder de ação.

Dias 31 a 60: habilitação

• Disponibilizar ferramentas corporativas e um ambiente controlado de experimentação.
• Criar matriz de risco e fluxo rápido de aprovação.
• Implantar o passaporte de projeto de IA.
• Treinar equipes por função e responsabilidade.
• Definir padrões mínimos para RAG, APIs, código gerado e agentes.

Dias 61 a 90: industrialização

• Centralizar acesso a modelos por meio de uma camada de governança.
• Implantar logs, métricas, avaliações e alertas proporcionais ao risco.
• Revisar permissões e identidades humanas e não humanas.
• Criar playbook de incidentes de IA e mecanismo de interrupção.
• Selecionar projetos de alto valor para migração do ambiente informal para uma plataforma oficial.

O NIST organiza a gestão de riscos de IA em quatro funções: governar, mapear, medir e gerenciar. A ISO/IEC 42001 estrutura um sistema de gestão de inteligência artificial, enquanto a ISO/IEC 42005 orienta avaliações de impacto ao longo do ciclo de vida. Esses referenciais não substituem o contexto da empresa, mas evitam que a governança seja inventada do zero. NIST AI RMF - Generative AI Profile, ISO/IEC 42001 e ISO/IEC 42005.

O que medir para saber se a governança funciona

Número de políticas publicadas não mede maturidade. O que importa é a capacidade de transformar comportamento e reduzir risco sem destruir valor.

Alguns indicadores úteis são:

• percentual de casos de uso inventariados e com responsável definido;
• participação de projetos migrados de ferramentas não aprovadas para ambientes oficiais;
• tempo médio de avaliação e aprovação por faixa de risco;
• percentual de projetos com avaliação de impacto, testes e critérios de aceitação;
• taxa de respostas críticas revisadas por humanos qualificados;
• incidentes, quase incidentes e bloqueios de dados sensíveis;
• precisão, taxa de falha e deriva de qualidade em produção;
• custo por processo e valor de negócio comprovado;
• quantidade de agentes com permissões excessivas ou credenciais compartilhadas;
• tempo necessário para interromper, isolar e investigar um sistema de IA.

Governança que só aumenta burocracia será contornada. Governança que reduz incerteza, acelera a experimentação segura e melhora a qualidade torna-se infraestrutura de crescimento.

Da Shadow AI à maturidade digital

Shadow AI não é prova de que os profissionais se tornaram irresponsáveis. É prova de que a capacidade tecnológica se distribuiu mais rápido do que a capacidade organizacional de coordená-la.

Produzir deixou de ser a parte difícil. Hoje, uma pessoa consegue criar textos, códigos, análises, interfaces, automações e agentes em uma velocidade antes reservada a equipes inteiras. O valor migrou para outro lugar: contexto, estratégia, arquitetura, confiança, decisão e resultado.

É por isso que o tema não pode ficar restrito ao CISO, ao jurídico ou à TI. Shadow AI é uma discussão de modelo operacional. Envolve liderança, cultura, dados, propriedade intelectual, pessoas, processos, tecnologia e responsabilidade.

A empresa imatura escolhe entre liberar tudo e proibir tudo. A empresa madura cria caminhos diferentes para riscos diferentes, dá visibilidade à inovação e aplica controles proporcionais ao impacto.

O objetivo não é ter menos IA. É ter menos IA invisível, menos improviso e mais valor mensurável.

Não estamos apenas diante de uma nova ferramenta. Estamos diante de uma nova força de trabalho digital. E, à medida que copilotos se transformam em agentes capazes de agir, a pergunta deixa de ser apenas "qual resposta a IA produziu?" e passa a ser "qual autoridade entregamos a ela?".

Sua empresa está usando IA para acelerar o modelo antigo ou está construindo, com governança, o próximo?

Maturidade não é usar mais IA. É criar mais valor com ela, sem perder controle, confiança e responsabilidade.

Fontes e referências

Thomson Reuters - Future of Professionals Report 2026

Microsoft e LinkedIn - Work Trend Index 2024

Universidade de Melbourne e KPMG - Trust, attitudes and use of AI: A global study 2025

IBM e Ponemon Institute - Cost of a Data Breach Report 2025

Cisco - 2026 Data and Privacy Benchmark Study

Planalto - Lei Geral de Proteção de Dados Pessoais, texto compilado

ANPD - Radar Tecnológico sobre Inteligência Artificial Generativa

NIST - AI Risk Management Framework: Generative AI Profile

OWASP - GenAI LLM Top 10 2026

OWASP - Top 10 for Agentic Applications 2026

ISO - ISO/IEC 42001:2023, AI Management Systems

ISO - ISO/IEC 42005:2025, AI System Impact Assessment