Governança de IA: como adotar com segurança e sem perder o controle

O e-mail que ninguém quer mandar 

Imagine a cena. Uma analista do financeiro precisa fechar a conciliação até o fim do dia. Ela abre uma ferramenta de IA gratuita no navegador, cola uma planilha com nomes de fornecedores, CNPJs, valores e condições de pagamento, e pede um resumo das divergências. Funciona. Em três minutos ela tem o que levaria uma tarde. Ela repete o gesto na semana seguinte. E na outra. Em pouco tempo, metade do time faz o mesmo. 

Seis meses depois, o jurídico recebe uma pergunta de um cliente multinacional: "quais dados nossos vocês processam em ferramentas de IA de terceiros, sob qual base legal e com que rastreabilidade?" Ninguém sabe responder. Não porque a empresa tenha sido descuidada, mas porque a adoção aconteceu antes da governança. E agora alguém precisa mandar o e-mail admitindo isso. 

Essa história se repete em empresas de todos os portes, e ela explica por que tantas organizações brasileiras estão presas num impasse falso: ou liberam a IA e aceitam o risco, ou proíbem e assistem ao uso migrar para o celular pessoal (o chamado shadow AI). Existe uma terceira via, e ela começa por uma mudança de pergunta. 

A pergunta errada: "podemos usar IA?" 

O Brasil já é um dos maiores mercados de IA generativa do mundo. Ao anunciar a abertura de sua operação comercial em São Paulo, em agosto de 2026, a OpenAI informou que o país está entre os três maiores mercados do ChatGPT em usuários ativos semanais, que os brasileiros enviam cerca de 215 milhões de mensagens por dia à ferramenta e que o Brasil ocupa o segundo lugar mundial em número de desenvolvedores usando sua API. São números da própria empresa, mas eles dizem algo que qualquer gestor já percebe no dia a dia: a adoção não é mais uma decisão. Ela já aconteceu, com ou sem a aprovação da área de tecnologia. 

O que esses números não dizem é o que a empresa faz com esse uso. E aqui vale separar três estágios que costumam ser confundidos: 

Acesso é quando as pessoas conseguem usar uma ferramenta de IA. É o estágio em que a maioria das empresas brasileiras está hoje, muitas vezes sem saber. Capacidade operacional é quando a organização integra a IA aos seus dados, processos e equipes de forma controlada, com critérios para avaliar se está funcionando. Capacidade estratégica é quando o conhecimento acumulado, as interfaces, os históricos e as alternativas continuam válidos mesmo que o fornecedor, o modelo, o preço ou o contrato mudem. 

A maioria das empresas está no primeiro estágio e acredita estar no terceiro. Comprou licenças, distribuiu acessos, viu produtividade subir. Mas se o fornecedor dobrar o preço, descontinuar um modelo ou mudar os termos de tratamento de dados, o que sobra? Prompts espalhados em documentos pessoais, dados que já saíram e não voltam, e nenhuma trilha do que foi feito. 

Governança de IA não é um documento. É um conjunto de propriedades do sistema 

Quando o assunto é governança e segurança em IA generativa, a reação mais comum é produzir uma política de uso: um PDF de doze páginas dizendo o que pode e o que não pode. Políticas são necessárias, mas sozinhas não protegem nada. Ninguém relê a política às 18h47 com o prazo estourando. 

O que protege é a arquitetura. Governança que funciona é aquela que está embutida no caminho que os dados percorrem, de modo que a opção segura seja também a opção mais fácil. Na nossa experiência conduzindo projetos de AI Enablement, cinco propriedades separam as empresas que adotam IA com tranquilidade das que acumulam passivo: 

1. Dados sensíveis não saem crus

Nomes, CPFs, CNPJs, e-mails, valores contratuais e demais dados pessoais ou confidenciais precisam ser tratados antes de chegar a qualquer modelo de mercado. Não depois. Não "se der tempo". Antes, sempre, e de forma que ninguém precise lembrar de fazer isso manualmente. 

2. Segredos técnicos nunca entram

Senhas, chaves de API, strings de conexão e certificados colados por descuido num prompt são um incidente de segurança em potencial. O sistema deve barrar isso na entrada e orientar a rotação da credencial, em vez de confiar que a pessoa vai perceber. 

3. Tudo deixa rastro, mas o rastro não contém o dado

Auditoria completa de quem usou, quando, com qual modelo, que tipos de informação foram detectados e tratados. Sem armazenar o conteúdo original, porque um log cheio de dados sensíveis é um segundo problema, não uma solução. 

4. A interface é portável

Aplicações, agentes e integrações falam com uma camada da própria empresa, não diretamente com cada fornecedor. Trocar o modelo ou o provedor passa a ser uma decisão de configuração, não um projeto de reescrita. 

5. Existe o direito de parar ou substituir

Este é o teste definitivo de capacidade estratégica. Se amanhã um fornecedor mudar os termos, a empresa consegue redirecionar o tráfego para outro modelo, manter o histórico e as avaliações, e seguir operando? Se a resposta for "não", a organização não tem capacidade, tem uma assinatura. 

Repare que nenhuma dessas propriedades é sobre proibir. Todas são sobre criar as condições para dizer sim com segurança. 

Governança é uma etapa da jornada, não a jornada inteira 

Aqui cabe um cuidado. Quem lê um artigo sobre segurança em IA pode sair com a impressão de que o trabalho de adotar IA numa empresa se resume a blindar dados. Não é isso. Na prática dos projetos de AI Enablement que conduzimos, a governança é a primeira etapa de uma jornada cujo objetivo real é outro: fazer a IA executar processos da empresa com a regra da empresa embarcada, de forma mensurável e com decisão humana preservada. 

O diagnóstico que mais encontramos é simples. As pessoas já usam IA para produtividade pessoal: pesquisar, redigir, resumir. O ganho é individual, disperso e não medido. A ferramenta não conhece o processo, a política interna nem o padrão do entregável. O gap não é de tecnologia, é de contexto operacional. E fechar esse gap exige mais do que uma camada de segurança. 

Por isso a jornada, como a estruturamos, costuma percorrer três movimentos. O primeiro é um workshop com os gestores das áreas, de onde saem os candidatos a IA priorizados por retorno e o roadmap de governança: o que pode, o que não pode, o que exige revisão humana. É aqui que as cinco propriedades da seção anterior deixam de ser princípio e viram regra do jogo para aquela organização específica. 

O segundo movimento é o mapeamento dos processos como eles realmente acontecem, com quem executa, usando técnicas de process mining. Antes de automatizar qualquer coisa, a regra de negócio, o critério técnico e o padrão do entregável precisam estar formalizados. Sem isso, a IA reproduz o improviso em escala. 

O terceiro é a análise de oportunidades: para cada processo priorizado, a rota de adoção adequada. E aqui está um ponto que merece honestidade. Existem várias rotas legítimas, e a maioria delas não exige plataforma própria. Muitas empresas podem e devem usar as versões corporativas de Claude, ChatGPT ou Gemini que já contrataram, amparadas nas políticas de segurança do provedor e em contratos com zero data retention, e consumir a partir dali agentes construídos sobre seus processos. Outras vão embarcar IA diretamente nos sistemas de gestão que já possuem. Outras vão precisar de agentes supervisionados operando sobre volume recorrente, com trilha de auditoria e aprovação humana. A escolha depende do apetite de risco, do tipo de dado envolvido, do parque tecnológico e do que a matriz ou o regulador exigem. 

Só em parte desses casos a resposta passa por uma camada própria de controle sobre os dados. É desse caso específico que trata a próxima seção. 

Quando o controle do provedor não basta: a arquitetura por trás do Apter AI Suite 

O resultado foi a arquitetura que hoje sustenta o Apter AI Suite, nossa plataforma interna de IA, que também oferecemos aos clientes cujo cenário exige esse nível de controle. Compartilho aqui os princípios porque acredito que eles servem como referência para qualquer empresa avaliar sua própria situação, independentemente de qual caminho escolha. 

Uma única porta de saída. Nenhuma aplicação, agente ou integração fala diretamente com provedores de modelos. Tudo passa por uma camada intermediária da própria Apter, uma fachada que centraliza segurança, roteamento e auditoria. Isso parece um detalhe de engenharia, mas é a decisão que torna todas as demais possíveis. Com uma única porta, a política deixa de ser um documento e vira código que roda em cada requisição. 

Pseudonimização reversível, transparente para quem usa. Antes de qualquer conteúdo chegar ao modelo, dados pessoais e sensíveis são detectados (com reconhecedores treinados para o contexto brasileiro: CPF, CNPJ, nomes, endereços, e-mails) e substituídos por marcadores. O modelo trabalha com os marcadores, produz a resposta, e a resposta volta com os valores reais restaurados para o usuário. A pessoa que está usando não precisa fazer nada diferente; para ela, a conversa é normal. Para o provedor externo, o dado original nunca existiu. O mapa de reversão fica cifrado, com tempo de vida curto e isolado por organização. 

Segredos bloqueiam. Se alguém cola uma credencial num prompt, a requisição é barrada antes de sair, com uma orientação para rotacionar a chave. Não é um aviso que a pessoa pode ignorar; é um bloqueio. 

Auditoria só de metadados. Cada chamada gera um evento com tipos de entidade detectados, contagens, modelo utilizado e latência. Nunca os valores originais. Isso permite responder àquela pergunta do cliente multinacional ("o que vocês processam e como?") com dados, não com suposições, e sem que o próprio registro de auditoria vire um repositório de informação sensível. Um monitor em tempo real dá visibilidade a quem governa. 

Agentes também passam pelo mesmo caminho. Este ponto é frequentemente esquecido. Quando a IA deixa de apenas responder e passa a executar ações (consultar sistemas, ler documentos, acionar ferramentas), os dados que trafegam nesse ciclo também precisam de proteção. Na nossa arquitetura, os agentes rodam do lado da Apter e cada ida e volta ao modelo passa pela mesma camada de tratamento. O dado real só existe onde a ferramenta precisa dele; para o modelo, continuam marcadores. 

O roteador de modelos é substituível por desenho. A camada que decide para qual modelo ou provedor cada requisição vai é deliberadamente "burra": não carrega política nem inteligência de segurança, só roteia. Isso permite trocar, adicionar ou remover fornecedores sem tocar nas aplicações. Foi uma escolha consciente para preservar exatamente aquela capacidade estratégica: o direito de mudar de ideia. 

Defesa em profundidade, com honestidade sobre os limites. Instruções de sistema orientam o modelo a não expor a mecânica interna nem obedecer a tentativas de manipulação embutidas em documentos ou resultados de ferramentas. Mas instruções são probabilísticas, então existe um segundo nível determinístico que verifica e corrige a saída independentemente de o modelo ter obedecido. Padrões de prompt injection são detectados e registrados na auditoria. E somos claros internamente sobre o que ainda é roadmap: nenhuma arquitetura elimina risco, ela o torna visível e gerenciável. 

O que isso muda para quem está decidindo agora 

Voltemos à analista do financeiro. Numa arquitetura assim, ela continua colando a planilha e recebendo o resumo em três minutos. A diferença é invisível para ela e enorme para a empresa: os CNPJs e valores nunca chegaram ao provedor externo, a credencial que alguém colou por engano foi barrada, e quando o cliente multinacional perguntar, o jurídico terá um relatório de auditoria para mostrar em vez de um e-mail para redigir. 

Mais importante: a empresa acumulou capacidade. Sabe quais casos de uso funcionam, tem histórico do que foi processado, tem uma interface que não depende de um fornecedor específico. Se o mercado mudar, ela muda junto, sem recomeçar. 

Essa é a lógica do que chamamos de AI Enablement: não é distribuir licenças nem proibir ferramentas, e tampouco é instalar uma plataforma. É construir as condições organizacionais e técnicas para que a IA deixe de ser assistente pessoal e passe a executar processos da empresa com resultado auditável. Governança como ponto de partida, processos mapeados como fundação, a rota de adoção certa para cada caso, e agentes que carregam a regra do negócio. A arquitetura de controle de dados entra quando o cenário pede; nos demais casos, o próprio provedor de IA, com os contratos adequados, resolve essa parte. 

Se a governança é o que está travando sua adoção de IA 

Muitas empresas com as quais conversamos estão paradas não por falta de vontade, mas porque a área de segurança, o jurídico ou a matriz no exterior disseram "não até resolvermos isso". É um "não" legítimo. E é resolvível. 

A Apter passou por esse caminho internamente e hoje apoia clientes em projetos de AI Enablement que começam exatamente por aí: entender o cenário, desenhar a governança, mapear os processos e escolher a rota de adoção adequada ao apetite de risco de cada organização. Para a maior parte das empresas, a resposta vai estar nas ferramentas que já usam, com as regras certas. Para as que precisam de mais controle sobre os dados, existe caminho estruturado também. Em nenhum dos casos é preciso escolher entre inovar e proteger.