Shadow AI corporativa: como descobrir o que sua empresa já usa (e por que isso é problema de governança, não de tecnologia)

Guilherme Matos • July 8, 2026

 Metade da sua empresa provavelmente já usa IA sem a TI saber. Veja como descobrir shadow AI, o que a Microsoft recomenda como modelo oficial e por que bloquear não é a resposta certa.

A cena que a TI enterprise já vive (mas ainda não mediu)


Uma pesquisa informal com qualquer time de dez pessoas em empresa de porte revela o mesmo padrão: pelo menos metade já usou uma ferramenta de IA generativa no trabalho na semana passada. Menos de um terço avisou alguém da TI. Nenhum considerou que isso pudesse ser um problema. Do ponto de vista do funcionário, faz sentido, ele resolve mais rápido. Do ponto de vista do CIO, o problema é duplo: você não sabe qual ferramenta está sendo usada, e não sabe qual dado está saindo pela porta.


A tentação inicial é bloquear. Bloquear ChatGPT, bloquear Gemini, bloquear Claude no firewall corporativo. É rápido e satisfatório na apresentação para a diretoria. Também é a resposta menos eficaz: o funcionário passa a usar o celular pessoal, a IA continua rodando, e você perdeu a única visibilidade que tinha. A Microsoft é explícita sobre isso na documentação do Purview: o objetivo não é bloquear tudo, é ganhar visibilidade primeiro, avaliar risco depois, e aplicar controle proporcional.


A tese deste guia: shadow AI é sintoma de duas coisas que existiam antes dela. Primeiro, oversharing de dado dentro da empresa (informação sensível acessível para quem não precisaria). Segundo, ausência de alternativa oficial que o funcionário confiaria. Bloquear ferramenta ataca o sintoma. Governar dado e oferecer IA oficial atacam a causa.


O modelo oficial da Microsoft: quatro passos, não uma proibição


O Microsoft Learn documenta um modelo de deployment específico para lidar com shadow AI, com quatro etapas em sequência. Não é diagnóstico interno da CSP, é a arquitetura oficial recomendada pela Microsoft para clientes Purview.


Passo 1 · Descobrir os apps de IA que a empresa já usa

A Microsoft combina três fontes de descoberta: o Defender for Cloud Apps identifica quais aplicações de IA aparecem no tráfego da rede corporativa; o Purview DSPM for AI mostra a atividade dos usuários e detecta quando dado sensível é enviado para essas apps; e a Insider Risk Management alerta sobre padrões de uso arriscado. Segundo a documentação, o Purview cobre mais de 100 aplicações de IA generativa de terceiros, incluindo ChatGPT, Gemini e Claude, via extensões de navegador e Endpoint DLP.

Traduzido para o gestor: você para de adivinhar. O painel mostra os apps, quem usa, com qual frequência, e se dado sensível está sendo enviado.


Passo 2 · Avaliar risco por aplicação e por uso

A Microsoft alerta que não se deve tratar todos os apps de IA como iguais. Um mesmo funcionário pode estar rodando resumo de reunião no Copilot licenciado (baixo risco) e simultaneamente colando cláusula contratual no ChatGPT pessoal (alto risco). O modelo recomenda avaliar quatro dimensões: quem usa e com que frequência, qual o valor de negócio do uso versus alternativas oficiais, o risco do fornecedor (segurança, compliance, retenção de dado) e a exposição real de dado sensível.


Passo 3 · Aplicar controle proporcional, não bloqueio universal

O Microsoft Learn descreve controles em camadas, aplicáveis segundo o risco avaliado. Defender for Cloud Apps permite sancionar ou dessancionar aplicações; Microsoft Entra aplica Conditional Access para restringir usuários ou grupos; Microsoft Intune controla instalação em dispositivos gerenciados; e o Purview DLP tem controles específicos para Copilot e para IA de terceiros, incluindo bloquear prompts sensíveis, restringir web grounding e proteger arquivos com rótulo de sensibilidade.


Passo 4 · Monitorar continuamente e ajustar

A recomendação da Microsoft é começar em modo descoberta antes de bloquear, para evitar o que a documentação chama de label fatigue: excesso de alertas que treina o usuário a ignorar avisos. Governança de IA é operação viva, com política de retenção, auditoria de prompts e resposta a compliance (a Purview integra tudo isso com eDiscovery e Data Lifecycle Management).


O que cada camada de controle resolve

O lado Atlassian: shadow AI também mora no Jira


O foco costuma ficar em ChatGPT no navegador, mas a mesma lógica vale para o ecossistema Atlassian. O Rovo e o Atlassian Intelligence leem workflows, comentários e a base de conhecimento no Confluence para gerar respostas, resumos e conversões de linguagem natural para JQL. Se o dado no Jira está desgovernado (workflows sujos, campos preenchidos por obrigação, permissões amplas demais), a IA nativa herda a bagunça e gera respostas ruins com aparência de certeza.


A governança de IA no Atlassian começa pelo mesmo lugar da governança do próprio Jira: workflows enxutos, campos com dado real, permissões proporcionais e base de conhecimento atualizada. Não é problema novo, é o velho problema de configuração aparecendo com nome novo.


O padrão que amarra as duas plataformas: a IA (nativa ou externa) só é tão boa quanto o dado governado que ela lê. No Microsoft 365, o problema aparece como shadow AI usando dado do SharePoint com permissão ampla demais. No Jira, aparece como Rovo resumindo issues com campos sujos. A causa é a mesma, e a resposta é governança de dado antes de política de bloqueio.


Quando bloquear ainda faz sentido (e quando é o pior movimento)


Bloquear faz sentido quando

•     Existe requisito regulatório específico (LGPD, setor financeiro, saúde) que proíbe o dado de sair para app não sancionado.

•     A empresa já ofereceu alternativa oficial (Copilot licenciado, Rovo) e mesmo assim há uso residual de app pessoal com dado sensível.

•     O risco de vazamento em um caso concreto supera o custo de perda de produtividade temporária.


Bloquear é o pior movimento quando

•     A TI ainda não descobriu o que está em uso. Bloquear às cegas empurra o uso para dispositivo pessoal, e a visibilidade desaparece.

•     Não há alternativa oficial disponível. Funcionário sem IA sancionada e com meta a bater vai encontrar o caminho, com ou sem firewall.

•     A política é reação de manchete, não decisão informada por dado. Reagir ao noticiário é bom para relatório, ruim para governança.


Perguntas frequentes


O que é shadow AI, na prática?

Uso de ferramentas de IA generativa dentro da empresa sem conhecimento ou aprovação da TI ou da segurança da informação. Inclui ChatGPT, Gemini, Claude e mais de 100 outros apps que o Microsoft Purview DSPM for AI é capaz de descobrir automaticamente via extensões de navegador e Endpoint DLP, segundo a Microsoft.


Bloquear ChatGPT no firewall resolve o problema?

Raramente, e em muitos casos piora. O funcionário passa a usar o celular pessoal, o uso sai do radar da TI e o risco continua exatamente onde estava. A Microsoft recomenda começar em modo descoberta antes de bloquear, justamente para ganhar visibilidade e avaliar risco por app e por uso, em vez de aplicar bloqueio universal.


Por que shadow AI é problema de governança e não de tecnologia?

Porque o risco real não é a ferramenta, é o dado. IA generativa não cria vulnerabilidade nova, ela expõe o oversharing que já existia (arquivo com permissão ampla demais, campo do Jira acessível a quem não deveria, planilha compartilhada com o time inteiro). Governança de dado é o pré-requisito. A ferramenta de IA é onde o problema fica visível, não onde ele nasce.


A CSP Tech trabalha esse tema?

Sim. Como Microsoft Gold Partner e Atlassian Gold Partner, a CSP atua nas duas camadas de governança: no Microsoft 365 via Purview (DSPM for AI, DLP para Copilot, Insider Risk Management, Defender for Cloud Apps) e no Atlassian via configuração de workflow, permissões e base de conhecimento que alimenta o Rovo. É a mesma metodologia de governança de dado, aplicada aos dois lados do ecossistema.


Próximo passo


Se a sua empresa ainda não sabe quais ferramentas de IA estão em uso, o passo seguinte não é comprar solução de bloqueio. É um diagnóstico que combine descoberta (Purview DSPM for AI), avaliação de risco por app e revisão de governança de dado nas duas plataformas onde ele mora, Microsoft 365 para uso individual: assinatura de aplicativos de produtividade e Atlassian. Solicite um diagnóstico de governança de IA com a CSP Tech e organize a resposta a shadow AI com o modelo oficial da Microsoft aplicado ao seu ambiente.



Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google e Anthropic. Revisão técnica por especialista Microsoft/Purview da CSP Tech (Microsoft Gold + Atlassian Gold Partner, 34 anos de mercado).

Fontes (oficiais, acesso jul/2026): Microsoft Learn, “Prevent data leak to shadow AI” deployment model (learn.microsoft.com/purview/deploymentmodels); Microsoft Learn, “Learn about Microsoft Purview Data Security Posture Management (DSPM)” e “DSPM for AI” (learn.microsoft.com/purview); Microsoft Learn, “Considerations for deploying DSPM for AI”; Microsoft Security, “What is DSPM?” (microsoft.com/security). Atlassian, documentação oficial de Rovo/Atlassian Intelligence e governança de acesso no Jira (support.atlassian.com).

Fale com a CSP Tech

.

Por Guilherme Matos • 19 de novembro de 2026
Para usar agentes de IA sobre dados de sinistro sem expor dado pessoal do segurado, o agente precisa herdar a mesma regra de acesso do analista que faz a pergunta, aplicada no momento da consulta. No Databricks, isso depende de duas escolhas. A primeira é o modo de autorização do agente: na autorização por usuário , o agente consulta os dados com a identidade de quem pergunta, e o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna; na autorização do app, todos os usuários compartilham as permissões de uma conta técnica. A segunda é não contornar as máscaras com cópias de dados feitas para alimentar a busca vetorial. Em sinistros de vida, saúde e acidentes pessoais, parte desses dados é dado de saúde, que a LGPD trata como dado pessoal sensível. Por que o dado de sinistro pede um cuidado diferente Um processo de sinistro reúne dados de identificação do segurado e dos beneficiários, dados bancários para indenização, relatos do evento e, em vários ramos, laudos e informações médicas. A Lei Geral de Proteção de Dados define, no artigo 5º, inciso II, o dado referente à saúde como dado pessoal sensível, e o artigo 11 limita as hipóteses em que ele pode ser tratado. Entre elas estão o exercício regular de direitos, inclusive em contrato, e a garantia da prevenção à fraude. O artigo 6º, inciso III, acrescenta o princípio da necessidade: o tratamento deve se limitar ao mínimo necessário para a sua finalidade. Na operação, esse princípio já costuma estar refletido em perfis de acesso. O regulador de sinistro vê o processo que conduz, o time antifraude vê os sinais de que precisa, e o atendimento vê o status do pedido sem acessar o laudo. O risco do agente de IA é desfazer essa separação sem que ninguém perceba, porque ele responde em linguagem natural e não mostra de qual tabela, com qual permissão, tirou cada informação. Tese da CSP Tech: na seguradora, o agente de IA deve ver exatamente o que o analista que fez a pergunta veria, nem mais nem menos, e essa regra precisa ser aplicada no momento da consulta, pela plataforma de dados, e não por instruções no prompt. No Databricks, os dois pontos em que o dado do segurado costuma escapar são a escolha da autorização do agente e as cópias feitas para busca vetorial, e ambos se resolvem no desenho, antes do piloto. Os dois modos de autorização do agente Autorização do app Segundo a documentação da Databricks, atualizada em 23 de outubro de 2026, na autorização do app o agente se autentica com uma conta técnica criada automaticamente, e todos os usuários compartilham as mesmas permissões. É o modo mais simples de colocar um piloto no ar, e por isso é o mais comum. O efeito em um ambiente de sinistros é direto: se a conta técnica tem acesso ao laudo médico, qualquer pessoa que converse com o agente pode receber uma resposta baseada nele, ainda que o perfil dessa pessoa não permita abrir o laudo. Autorização por usuário Na autorização por usuário, antes chamada de on-behalf-of-user, o agente acessa os recursos com a identidade de quem faz a pergunta. A documentação lista como benefícios o acesso por usuário a dados sensíveis, os controles granulares do Unity Catalog, a trilha de auditoria por usuário e a aplicação automática de filtros de linha e máscaras de coluna. O recurso funciona com SQL Warehouse, Genie, Model Serving, índices de AI Search e tabelas do Unity Catalog, entre outros. Os dois modos podem ser combinados no mesmo agente, o que permite usar a conta técnica para recursos sem dado pessoal e a identidade do usuário para os que têm. Há três cuidados registrados pela própria Databricks. A autorização por usuário está em prévia pública e precisa ser habilitada por um administrador do workspace. As mudanças de escopo podem levar até cinco minutos para valer, por causa de caches. E, se o token do usuário não chegar ao agente, a função que deveria usar a identidade dele recorre à conta técnica sem gerar erro. Por isso a documentação recomenda testar o agente com uma ferramenta que devolva a identidade em uso antes de liberar o acesso. Filtros de linha e máscaras de coluna: a regra aplicada na consulta No Unity Catalog, filtros de linha e máscaras de coluna restringem, no momento da consulta, quais linhas e quais valores cada usuário consegue ver, segundo a documentação de filtros e máscaras , atualizada em 6 de novembro de 2026. O filtro de linha é uma função que exclui as linhas para as quais retorna falso, o que permite, por exemplo, que o regulador veja só os processos da sua carteira. A máscara de coluna é uma função que devolve o valor original ou uma versão mascarada, o que permite mostrar o diagnóstico ao time médico e um valor oculto ao atendimento. Para aplicar a mesma regra a muitas tabelas, a Databricks recomenda políticas baseadas em atributos, ligadas a tags no catálogo ou no esquema, que os donos das tabelas não conseguem remover. Combinadas com a autorização por usuário, essas regras fazem o agente herdar o perfil do analista sem nenhuma instrução no prompt. Uma instrução do tipo “não revele dados de saúde” pode ser contornada por uma pergunta bem formulada, enquanto a máscara aplicada pela plataforma impede que o dado chegue ao modelo. Onde o dado do segurado escapa A cópia para busca vetorial. A documentação informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. Quando o time de dados quer que o agente pesquise documentos de sinistro, a saída mais rápida é criar uma cópia sem as proteções para indexar, e com isso o índice passa a conter o que as máscaras escondiam. O desenho seguro prepara uma tabela própria para o índice, já sem os campos sensíveis ou com eles transformados, e aplica a autorização por usuário ao índice. Os clones e as versões antigas. Clones de tabelas com filtros ou máscaras não são suportados, e a consulta a versões anteriores da tabela, o time travel, não funciona com filtros e máscaras em nível de tabela. Ambientes de teste montados com cópias de produção são um caminho conhecido para o dado sensível sair do perímetro. As views. Filtros e máscaras não podem ser aplicados diretamente a uma view. Se o agente consulta uma view construída sobre a tabela original, a proteção precisa estar na tabela de origem. O fallback silencioso. Quando o token do usuário não chega ao agente, a consulta passa a usar a conta técnica sem erro. O teste de identidade em uso precisa fazer parte da homologação e do monitoramento, e não só do primeiro deploy. O que a seguradora precisa decidir antes do piloto A plataforma aplica as regras, mas não as define. Antes de liberar o agente, a seguradora precisa classificar quais colunas de sinistro são dado pessoal e quais são dado de saúde, decidir quais perfis podem ver cada classe, registrar essas decisões como tags governadas no catálogo e escolher, recurso por recurso, se o agente usa a identidade do usuário ou a conta técnica. Essa classificação é o mesmo trabalho de governança de dados que a seguradora já precisaria fazer para a LGPD, agora aplicado a um consumidor novo, que responde a perguntas em vez de abrir telas. O caso de dados de conversa, com mascaramento de gravações e transcrições, está tratado no artigo “Governança de dados de conversa no Databricks” , publicado no blog. Aqui o foco é o agente que consulta o processo de sinistro. A camada regulatória, com a ressalva devida A LGPD exige, no artigo 46, medidas de segurança técnicas e administrativas aptas a proteger os dados pessoais de acessos não autorizados, e não prescreve ferramenta. No mercado de seguros, a Circular Susep 638/2021 trata de segurança cibernética e determina a comunicação de incidentes relevantes à autarquia. A leitura de que o agente de IA deve herdar a regra de acesso do analista é uma interpretação editorial da CSP Tech sobre como aplicar o princípio da necessidade a um novo tipo de consumidor de dados. A base legal de cada tratamento, a classificação dos dados e a avaliação de impacto cabem ao encarregado de dados e às áreas de compliance e jurídico da seguradora. Quando esse desenho é desproporcional Um agente que trabalha só com dados agregados ou anonimizados, como volume de sinistros por ramo e região, não precisa de autorização por usuário: a conta técnica com acesso apenas a essas tabelas resolve. O mesmo vale para um agente interno que responde sobre normas e procedimentos, sem acesso a processos de segurados. O cuidado descrito aqui é para o agente que consulta processos individuais. Perguntas frequentes Dado de sinistro é dado pessoal sensível? Parte dele é. A LGPD, no artigo 5º, inciso II, classifica o dado referente à saúde como dado pessoal sensível, e processos de sinistro de vida, saúde e acidentes pessoais costumam conter laudos e informações médicas. Dados de identificação e bancários do segurado são dados pessoais, ainda que não sensíveis. O que é autorização por usuário em agentes do Databricks? É o modo em que o agente acessa os dados com a identidade de quem faz a pergunta, antes chamado de on-behalf-of-user. Com ele, o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna. Segundo a documentação da Databricks de outubro de 2026, o recurso está em prévia pública e precisa ser habilitado por um administrador do workspace. Posso indexar no AI Search uma tabela com máscaras de coluna? Não. A documentação da Databricks informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. O caminho seguro é preparar uma tabela própria para o índice, sem os campos sensíveis ou com eles transformados, em vez de copiar a tabela original sem proteção. Uma instrução no prompt basta para o agente não revelar dados de saúde? Não é uma proteção confiável, porque pode ser contornada por perguntas bem formuladas. A forma mais segura é impedir que o dado chegue ao modelo, aplicando máscaras de coluna e filtros de linha na plataforma de dados e fazendo o agente consultar com a identidade do usuário. Próximo passo Faça um teste de dez minutos: no agente que sua equipe está testando sobre dados de sinistro, faça a mesma pergunta com dois usuários de perfis diferentes, um do atendimento e outro da regulação, e compare as respostas. Depois, verifique se o índice de busca do agente foi criado a partir de uma cópia da tabela original. Se as respostas forem iguais, ou se o índice veio de uma cópia sem máscaras, o agente está vendo mais do que o analista. Solicite um diagnóstico de dados da CSP Tech para desenhar a autorização e as máscaras antes de ampliar o piloto. Leituras relacionadas Governança de dados e IA Segurança de agentes de IA: por que permissão virou o novo perímetro (e como limitar o agente sem inutilizá-lo) Data lake ou pântano de dados: por que a IA não fracassa por falta de dado, e sim por não achar o dado certo MDM no Databricks: como construir gestão de dados mestres no Lakehouse (sem comprar mais uma plataforma) Por que 40% dos projetos de agentes de IA serão cancelados até 2027 (e o que a fundação de dados tem a ver com isso) Setor financeiro e seguros Agentes de IA não autorizados chegaram às contas bancárias dos EUA. Seus sistemas sabem quem está do outro lado? Empresa de intranet para banco, cooperativa ou seguradora: como comparar plataforma pronta, SharePoint e desenvolvimento sob medida “De onde veio esse número”? Rastreabilidade de dados para decisões mais confiáveis Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 38 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace). Fontes (acesso em 19/11/2026): Databricks Documentation, “Authentication for AI agents” (autorização do app e por usuário; prévia pública; fallback sem erro; recursos suportados), atualizada em 23/10/2026. Databricks Documentation, “Row filters and column masks” (avaliação em tempo de consulta, políticas ABAC, limitações com AI Search, clones, time travel e views), atualizada em 06/11/2026. Lei nº 13.709/2018 (LGPD) , arts. 5º (II), 6º (III), 11 e 46, texto compilado no Planalto. Circular Susep nº 638/2021 . A tese e as práticas de desenho são formulação editorial da CSP Tech. Este conteúdo não constitui aconselhamento jurídico ou regulatório.
Por Guilherme Matos • 18 de novembro de 2026
Scripts envenenados em quatro serviços web, DDoS contra a rede Tor: como cada ataque de novembro de 2026 funcionou e o que revisar em cada camada.
Por Guilherme Matos • 17 de novembro de 2026
Com o Pix funcionando 24 horas, a mudança segura em pagamentos é a que chega à janela com o caminho de volta testado e registrado. Veja como estruturar janela, aprovação e rollback.
Por Guilherme Matos • 16 de novembro de 2026
A linhagem do Unity Catalog mostra de onde veio cada coluna, mas tem limites documentados. Veja o que ela não cobre e o que a instituição financeira precisa somar para defender um número reportado.
Por Guilherme Matos • 13 de novembro de 2026
Em banco, seguradora ou cooperativa, um normativo interno vencido que continua acessível na intranet deixa de ser só conteúdo desatualizado e passa a ser instrução operacional errada. Com o Microsoft 365 Copilot, o risco cresce, porque o assistente usa todo o conteúdo que o colaborador tem permissão de ver, inclusive a
Por Guilherme Matos • 12 de novembro de 2026
Uma instância Jira por cooperativa ou uma para o sistema inteiro? Veja os três desenhos possíveis, os critérios de decisão e o que a Resolução 4.893 permite ao sistema cooperativo.
Por Guilherme Matos • 10 de novembro de 2026
Com IA, o gestor de banco pergunta ao dado em linguagem natural em vez de esperar o relatório. Veja o que muda no time de dados com o Genie do Databricks: curadoria, testes de precisão, revisão de respostas e o histórico de perguntas como fila de demanda.
Por Guilherme Matos • 9 de novembro de 2026
Banco, cooperativa e seguradora já usam mais IA do que a TI registrou. Veja o que um inventário de IA precisa conter para servir de evidência à auditoria e ao Banco Central, de onde vêm os itens e onde manter o registro vivo no Jira Service.
Por Guilherme Matos • 5 de novembro de 2026
A Resolução 4.893 pede que o Banco Central saiba onde os dados podem ser processados. No Databricks, os recursos de IA seguem a área geográfica do workspace, que pode ir além do Brasil. Veja o que mapear antes de contratar e como configurar.