A corrida pela inteligência artificial dentro das empresas avançou mais rápido do que a capacidade de governar seu uso.
Enquanto lideranças discutem agentes, automações, copilotos e integrações com modelos generativos, muitas organizações ainda não conseguem responder perguntas básicas: quem usa IA, quais dados entram nos prompts, quais ferramentas foram aprovadas, quais fornecedores usam modelos generativos e o que acontece se uma automação gerar exposição, vazamento ou decisão incorreta.
O alerta aparece no Global Cybersecurity Outlook 2026, do World Economic Forum: 87% dos respondentes identificaram vulnerabilidades relacionadas à IA como o risco cibernético que mais cresceu ao longo de 2025. O mesmo relatório aponta que 94% dos líderes veem a IA como a força mais relevante na transformação da cibersegurança em 2026.
Na prática, a discussão sobre IA deixou de ocupar apenas a agenda de inovação. Agora, ela também pressiona as áreas de risco, governança, privacidade, identidade, continuidade e resposta a incidentes.
Esse é o tipo de discussão que a Zeragon tem levado para empresas que já perceberam que IA não pode ser tratada apenas como pauta de produtividade. A adoção pode até começar no negócio, mas a sustentação exige segurança, dados, acessos, fornecedores, políticas e resposta a incidentes trabalhando juntos.
Por isso, segurança em IA começa antes da ferramenta. Ela começa na política, na classificação dos dados, na visibilidade de uso, na governança de acessos e na capacidade da empresa de tratar incidentes envolvendo IA com a mesma seriedade aplicada a qualquer outro risco crítico do negócio.
A adoção de IA avançou mais rápido do que a governança em muitos ambientes corporativos. O Cost of a Data Breach Report 2025, da IBM, ajuda a dimensionar essa lacuna. Segundo o relatório, 97% das organizações que sofreram incidentes de segurança relacionados à IA não tinham controles adequados de acesso para esses sistemas.
Além disso, 63% das organizações avaliadas não tinham políticas de governança de IA para gerenciar o uso da tecnologia ou prevenir shadow AI.
Esses dados deslocam a conversa. O problema não está apenas no modelo, na aplicação ou na ferramenta contratada. Ele também aparece na forma como a IA entra na rotina da empresa: sem inventário, sem critério de aprovação, sem classificação de dados, sem controle de permissões e sem clareza sobre responsabilidades.
Quando isso acontece, a organização passa a operar com uma nova superfície de risco sem saber exatamente onde ela começa e onde termina.
Um colaborador usa uma ferramenta pública para resumir uma ata de reunião. Um time testa uma automação conectada a dados internos. Uma área contrata uma solução SaaS com IA embarcada. Um fornecedor aplica modelos generativos dentro de um processo crítico. Um agente recebe permissões acima do necessário para executar tarefas em sistemas corporativos.
Cada situação pode parecer pequena isoladamente. No entanto, quando somadas, elas criam um ambiente difícil de enxergar, medir e proteger.
A visibilidade representa uma das primeiras camadas de maturidade em segurança de IA.
O Cisco Cybersecurity Readiness Index 2025 aponta que 60% das empresas não sabem quais solicitações específicas os colaboradores fazem em ferramentas de GenAI. Além disso, o mesmo levantamento mostra que 60% das organizações não têm confiança para identificar o uso de ferramentas de IA não aprovadas.
Esse cenário cria uma pergunta incômoda para a liderança: como controlar o risco de uma tecnologia que a empresa já usa, mas ainda não mapeia por completo?
A resposta não está em bloquear tudo por padrão. Essa abordagem costuma gerar desvio, uso informal e ainda menos visibilidade. Ao mesmo tempo, liberar tudo com base apenas na promessa de produtividade também amplia a exposição.
Portanto, o caminho mais consistente passa por critério de uso. A empresa precisa definir quais ferramentas aprova, quais usos permite, quais dados podem entrar em prompts, quais áreas precisam de validação prévia, quais integrações exigem análise de segurança e quais atividades devem gerar logs.
Sem isso, a IA entra pela porta da eficiência e cria risco pela janela da improvisação.