Pesquisa da KPMG sobre Cibersegurança com IA Conclui que a Maturidade Torna as Empresas Mais Cautelosas, Não Menos

A KPMG identificou uma diferença de 50 pontos na defesa cibernética ativa entre os primeiros experimentadores de IA e as organizações que já relatam retornos. A pesquisa da KPMG sobre cibersegurança com IA mostra que a confiança não elimina a preocupação. Ela dá às empresas experiência operacional suficiente para identificar mais riscos, financiar controles mais robustos e permitir que a IA execute atividades de segurança mais relevantes.

Apenas 8% das organizações na fase de experimentação relataram implantar defesa cibernética assistida por IA. Essa proporção chegou a 58% entre organizações com retornos estabelecidos. Os primeiros adotantes também tinham maior probabilidade de se limitar ao monitoramento, sem mudar as operações de segurança.

Esta não é uma história simples sobre empresas se sentindo confortáveis com a IA. É uma história sobre como esse conforto muda o que as empresas esperam que a IA faça. Adotantes maduros estão indo além da observação de ameaças, ao mesmo tempo em que aceitam que uma automação mais profunda cria maior exposição e responsabilização.

As conclusões vêm do estudo trimestral Global AI Pulse da KPMG, que entrevistou 2.131 líderes seniores em 20 países. A lacuna de maturidade resultante importa para fornecedores de segurança, compradores empresariais, conselhos administrativos e funcionários cujos fluxos de trabalho dependem cada vez mais de agentes de IA.

A pesquisa da KPMG sobre cibersegurança com IA revela uma divisão operacional

A lacuna decisiva não está em reconhecer o risco da IA, mas em saber se essa preocupação mudou as operações diárias de segurança.

A KPMG entrevistou executivos responsáveis pela estratégia e pelas operações organizacionais entre 23 de julho e 26 de agosto de 2026. As organizações elegíveis geralmente relataram ao menos US$ 50 milhões em receita anual. Limites mais altos foram aplicados em diversos grandes mercados.

Os pesquisadores compararam 268 organizações na fase de experimentação com 208 organizações que relataram retornos estabelecidos. Essa comparação produziu a conclusão mais clara sobre cibersegurança no Global AI Pulse.

Entre os experimentadores, 26% monitoravam ameaças relacionadas à IA sem fazer mudanças operacionais. Esse número caiu para 4% entre os adotantes estabelecidos. Enquanto isso, a defesa ativa assistida por IA subiu de 8% para 58%.

O contraste sugere que programas em estágio inicial frequentemente tratam a segurança como uma tarefa de observação. As equipes coletam alertas, atualizam políticas e estudam possíveis usos indevidos. Elas hesitam em deixar que a IA influencie diretamente a detecção, a investigação ou a resposta.

Os adotantes estabelecidos cruzaram essa fronteira. Seus programas de IA produziram evidências, infraestrutura e confiança interna suficientes para sustentar funções de segurança mais ativas. Isso não significa que um modelo autônomo controle todo o processo de resposta.

A defesa cibernética assistida por IA pode abranger várias funções mais delimitadas. Um sistema pode priorizar alertas, conectar eventos relacionados, resumir investigações, identificar atividades incomuns ou recomendar medidas de contenção. A aprovação humana pode continuar obrigatória para ações de alto impacto.

As porcentagens não identificam quais funções cada respondente automatizou. Ainda assim, elas mostram uma mudança substancial da observação para a intervenção. Essa mudança altera as consequências dos erros.

Um sistema de monitoramento pode sobrecarregar analistas com falsos positivos. Um sistema operacional pode bloquear uma conta, isolar um dispositivo, alterar acessos ou redirecionar uma investigação. Cada ação exige autorização, testes e revisão mais claros.

O estudo também constatou que 86% dos respondentes estavam adaptando seus modelos operacionais de cibersegurança para ameaças aceleradas por IA. Segundo o relatório, a maioria relatou mudanças na governança cibernética ou na detecção de ameaças.

Essa resposta ampla sustenta a análise de notícias original, mas a comparação de maturidade oferece o sinal mais importante. Quase todas as empresas podem dizer que estão respondendo. Bem menos conseguem demonstrar que a resposta chegou às operações.

Um modelo operacional define quem toma decisões, quais sistemas as executam e como a organização revisa os resultados. Mudar esse modelo exige mais do que comprar um recurso de IA de um fornecedor de segurança.

As equipes precisam de dados utilizáveis, caminhos de escalonamento definidos, critérios de avaliação e registros que expliquem decisões automatizadas. Elas também precisam de uma forma de reverter ações prejudiciais sem perder evidências.

Esses requisitos explicam por que a adoção operacional fica atrás do interesse geral. As empresas podem testar IA rapidamente. Elas não podem delegar decisões de segurança com segurança na mesma velocidade.

A maturidade em cibersegurança com IA eleva gastos e preocupação ao mesmo tempo

Usuários maduros de IA gastam mais com segurança porque a experiência expõe dependências que a experimentação pode manter ocultas.

Setenta e um por cento dos adotantes estabelecidos incluíram segurança cibernética e de dados entre as prioridades de seus orçamentos de IA. Apenas 36% dos experimentadores disseram o mesmo.

O grupo mais maduro também expressou maior preocupação. Metade descreveu a cibersegurança como uma barreira à sua estratégia de IA, em comparação com 34% dos experimentadores. Portanto, um uso maior se correlacionou tanto com mais investimento quanto com mais atrito percebido.

À primeira vista, esses resultados parecem contraditórios. As organizações implantam mais defesa assistida por IA, mas se tornam mais propensas a classificar a cibersegurança como um obstáculo.

A contradição diminui quando a IA entra em fluxos de trabalho reais. Um piloto pode operar com dados limitados e permissões restritas. Um sistema de produção frequentemente se conecta a plataformas de identidade, repositórios de documentos, serviços em nuvem, registros de clientes e aplicações internas.

Cada conexão adicional amplia o que um erro ou invasor pode alcançar. Um modelo não precisa de controle administrativo completo para causar danos. O acesso a contexto sensível, ferramentas executáveis ou comunicações confiáveis pode ser suficiente.

Isso cria uma troca entre capacidade e exposição. Uma IA útil precisa de informação e autoridade. As equipes de segurança devem restringir ambas sem tornar o sistema ineficaz.

Adotantes estabelecidos encontram essa tensão repetidamente. Eles aprendem quais permissões os modelos solicitam, como as saídas influenciam os funcionários e onde surgem dependências de fornecedores. Os experimentadores podem adiar muitas dessas questões porque suas implantações permanecem contidas.

A descoberta também desafia uma narrativa conhecida sobre adoção. O conforto organizacional não faz desaparecer as preocupações de segurança. Ele transfere essas preocupações de registros hipotéticos de risco para orçamentos, arquitetura e decisões executivas.

Essa distinção importa para compradores empresariais. Uma empresa que avalia produtos de segurança para IA não deve interpretar uma longa lista de controles como evidência de resistência organizacional. Os controles podem indicar que a empresa chegou a usos mais relevantes.

O inverso também é verdadeiro. Uma organização que relata poucos obstáculos pode ter uma implantação simples e isolada. Baixa preocupação não indica automaticamente uma segurança mais forte.

As categorias de maturidade da KPMG descrevem uma jornada de IA, não uma certificação de segurança. Retornos estabelecidos significam que os respondentes relataram resultados relevantes e oportunidades de crescimento. O rótulo não prova que suas defesas superem referências independentes.

Ainda assim, a associação é útil. Empresas que relataram retornos tinham muito mais probabilidade de financiar controles cibernéticos, diversificar fornecedores, formalizar a responsabilização e implantar defesas ativas.

O padrão também se encaixa no ambiente mais amplo de ameaças. O Fórum Econômico Mundial relatou que 87% dos líderes pesquisados viram aumentar as vulnerabilidades relacionadas à IA durante o ano anterior. Seu panorama cibernético de IA também identificou acesso desigual a conhecimento especializado e tecnologia defensiva.

Mais da metade desses respondentes citou habilidades e conhecimento limitados como um obstáculo à cibersegurança orientada por IA. Organizações menores tinham maior probabilidade de relatar resiliência insuficiente do que organizações maiores.

Esse contexto acrescenta uma qualificação importante. Os respondentes da KPMG vinham de organizações de grande porte, incluindo muitas com recursos para construir camadas formais de gestão. Seu caminho não pode ser presumido para todas as empresas.

Uma multinacional madura pode distribuir custos entre equipes de segurança, jurídico, dados e engenharia. Uma empresa menor pode receber capacidades de IA por meio de um fornecedor existente sem recursos de avaliação comparáveis.

A lacuna de adoção pode, portanto, se tornar uma lacuna de resiliência. Empresas bem financiadas podem usar IA para acelerar a defesa enquanto desenvolvem controles ao seu redor. Outras podem obter os mesmos recursos automatizados sem visibilidade equivalente sobre seu comportamento.

A defesa ativa transforma o risco da IA em uma troca de capacidades

A questão central já não é se a IA pertence à cibersegurança, mas quanta autoridade os defensores podem conceder sem criar outro caminho de ataque.

As equipes de segurança enfrentam uma assimetria difícil. Atacantes podem usar automação sem seguir regras de aquisição, requisitos de auditoria ou controles de mudança. Os defensores precisam agir rapidamente enquanto protegem sistemas de produção e evidências.

A IA pode ajudar analistas a processar grandes volumes de alertas e conectar sinais fracos entre sistemas. Ela também pode gerar conclusões inconsistentes, herdar contexto contaminado ou realizar uma ação insegura por meio de uma ferramenta integrada.

O risco cresce com a IA agêntica, isto é, sistemas que planejam e executam tarefas de várias etapas com autonomia parcial. Esses sistemas podem pesquisar, raciocinar, chamar ferramentas de software e ajustar sua abordagem com base nos resultados.

A KPMG constatou que 38% dos respondentes estavam desenvolvendo ou implementando sistemas multiagente. A adoção significativa de agentes de IA por funcionários chegou a 34%, ante 25% no primeiro trimestre.

Esse crescimento aumenta a pressão sobre a gestão de identidade e acesso. Um agente deve operar sob uma identidade definida, com permissões adequadas à sua tarefa. Credenciais compartilhadas e tokens amplos enfraquecem a responsabilização.

As equipes de segurança também precisam distinguir entre proteger a IA e usar IA para proteção. Esses objetivos se sobrepõem, mas não são idênticos.

Usar IA para cibersegurança significa aplicar modelos à detecção de ameaças, análise de vulnerabilidades, triagem de alertas ou resposta. Cibersegurança para IA significa proteger modelos, dados, aplicações, interfaces e ferramentas de agentes contra manipulação ou roubo.

Uma terceira categoria abrange o uso malicioso de IA. Atacantes podem aplicar modelos ao reconhecimento, à personificação, ao suporte à exploração ou à engenharia social. As organizações devem se preparar para as três categorias sem tratá-las como um único problema.

Esse enquadramento mais amplo aparece há vários anos em orientações públicas. O framework de risco de IA do NIST pede que organizações governem, mapeiem, meçam e gerenciem riscos de IA ao longo do ciclo de vida do sistema.

O NIST também desenvolveu um Cyber AI Profile preliminar que conecta resultados de cibersegurança a oportunidades e riscos específicos de IA. Esse trabalho reflete a mesma convergência visível na pesquisa da KPMG.

O desafio prático é a autorização. Um sistema de IA que resume um alerta apresenta um nível de risco. Um sistema que desativa um usuário ou modifica regras de firewall apresenta outro.

As empresas precisam de limites explícitos para cada etapa. Elas devem definir quais decisões permanecem consultivas, quais exigem aprovação e quais podem ser executadas automaticamente sob condições restritas.

Elas também precisam de dados de avaliação que reflitam as operações reais. Um modelo testado com exemplos históricos limpos pode falhar durante um incidente ruidoso. Atacantes podem elaborar intencionalmente entradas que explorem suas premissas.

A revisão humana continua importante, mas não pode se tornar uma mera formalidade. Os revisores precisam de contexto, tempo e autoridade suficientes para questionar a recomendação. Caso contrário, o viés de automação transforma a supervisão nominal em aprovação rotineira.

O padrão de adoção madura sugere que as empresas estão construindo essa confiança gradualmente. O monitoramento vem primeiro porque oferece informações sem intervenção direta. A defesa ativa segue quando as organizações confiam em seus dados, controles e processo de resposta.

No entanto, a familiaridade pode introduzir complacência. Um modelo que teve bom desempenho durante incidentes anteriores pode se comportar de forma diferente após uma atualização. Um fornecedor pode alterar o comportamento do sistema sem modificar o fluxo de trabalho do cliente.

É por isso que a IA operacional precisa de testes contínuos. As equipes devem acompanhar falsos positivos, ações revertidas, ameaças não detectadas, frequência de escalonamento e divergências entre analistas. O desempenho deve ser medido após a implantação, não apenas antes da aprovação.

As mesmas evidências devem orientar as decisões de compra. Os compradores precisam saber se a IA de um fornecedor produz recomendações, executa ações ou delega tarefas a outros agentes. Essas distinções moldam o risco mais do que um rótulo de “alimentado por IA”.

As camadas de harness aproximam a governança do modelo

Os adotantes mais avançados da KPMG estão construindo sistemas de controle em torno da IA, mas a pesquisa mostra que muitas organizações ainda não têm cobertura completa.

Cinquenta e cinco por cento dos respondentes operavam uma camada formal de harness de IA. A KPMG define isso como os controles e ferramentas entre os modelos de IA e os casos de uso empresarial.

A camada pode governar o que os modelos acessam, quais ações executam e como os resultados chegam aos funcionários ou sistemas. Ela também pode fornecer monitoramento, avaliação, trilhas de auditoria e acompanhamento de custos.

Entre as organizações que relataram retornos consolidados, 86% possuíam uma camada formal multifuncional ou de alcance corporativo. Entre os experimentadores, o número era de 31%.

Controles de segurança e identidade apareciam nas camadas de 43% dos respondentes. Os controles de acesso a dados também chegaram a 43%, enquanto 41% monitoravam os resultados da IA.

Esses números significam que a maioria dos respondentes não relatou cada capacidade individualmente. Uma empresa pode ter uma camada formal de gestão e, ainda assim, carecer de funções importantes dentro dela.

A revisão humana apareceu em 34% das camadas. Avaliação e testes chegaram a 33%, aplicação de políticas a 30%, e trilhas de auditoria apareceram em 28%.

O roteamento de modelos foi o menos comum, com 23%. O roteamento seleciona qual modelo lida com uma tarefa e pode ajudar as organizações a gerenciar sensibilidade, desempenho, disponibilidade e custo.

A KPMG resumiu o desequilíbrio como empresas construindo um portão antes de uma central de comutação. Muitas organizações conseguem restringir o acesso, mas menos conseguem direcionar dinamicamente o trabalho entre modelos e fornecedores.

Essa fragilidade importa para a resiliência. Uma empresa pode ter controles de acesso fortes em torno de um fornecedor, mas não dispor de uma alternativa testada. Se esse fornecedor alterar termos, disponibilidade, comportamento ou cobertura geográfica, as operações podem parar.

Os adotantes consolidados pareciam mais preparados para esse problema. Apenas 6% dependiam principalmente de um único fornecedor global de modelos, em comparação com 19% dos experimentadores.

Outros 8% dos adotantes consolidados dependiam de um pequeno número de fornecedores, em comparação com 29% dos experimentadores. O grupo mais maduro também tinha maior probabilidade de valorizar a alternância entre modelos.

A diversidade de fornecedores não reduz automaticamente o risco. Múltiplas integrações ampliam os sistemas que as equipes precisam avaliar e monitorar. Modelos diferentes podem produzir resultados inconsistentes ou exigir controles distintos.

O benefício vem da redução da dependência concentrada. Uma alternativa testada oferece às organizações opções durante uma interrupção, mudança de política, conflito regulatório ou falha grave do modelo.

É nesse ponto que cibersegurança, soberania e continuidade se encontram. A soberania de modelos diz respeito a quem controla modelos críticos, onde eles operam e se o acesso a eles pode ser considerado confiável.

Setenta e dois por cento dos respondentes aplicavam critérios formais de soberania a pelo menos algumas decisões ou mantinham uma estratégia corporativa. Apenas 8% disseram que preocupações de soberania retardavam a implantação.

Esse resultado sugere que a maioria das empresas vê a soberania como uma restrição de projeto, não como um motivo para deixar de usar IA. Elas tentam preservar opções de troca e controlar a localização dos dados enquanto avançam na adoção.

A responsabilização é a outra parte da camada de gestão. A KPMG constatou que 53% atribuíram a responsabilidade por decisões informadas por IA ao nível da alta administração ou acima.

Um executivo nomeado detinha a responsabilidade em 35% das organizações. Outros 18% a atribuíram ao CEO ou ao comitê executivo.

A responsabilidade executiva pode resolver conflitos entre velocidade, custo e risco. Também pode tornar falhas mais fáceis de investigar, pois alguém tem autoridade sobre todo o modelo operacional.

No entanto, um título executivo não garante controle eficaz. A responsabilização exige registros de decisão, telemetria confiável, direitos de escalonamento e equipe técnica capaz de explicar o comportamento do sistema.

A KPMG resumiu o ponto com clareza: “A responsabilização é o que transforma controles em decisões que alguém pode ser chamado a explicar.” Isso é especialmente relevante quando agentes atuam além das fronteiras departamentais.

Uma equipe de segurança não pode governar o que não consegue identificar. As organizações precisam de inventários de modelos, agentes, integrações, fontes de dados, responsáveis e permissões. Esses registros precisam permanecer atualizados à medida que os funcionários adicionam ferramentas.

A carga de documentação é substancial. As equipes frequentemente armazenam políticas, avaliações, notas de incidentes e decisões de arquitetura em sistemas separados. Uma base de conhecimento pesquisável pode ajudar os revisores a conectar esses materiais durante uma avaliação.

O objetivo não é documentação por si só. As equipes precisam de evidências que lhes permitam responder quem aprovou um sistema, o que mudou e por que uma ação automatizada ocorreu.

A pesquisa mostra correlação, não prova de uma IA mais segura

Adotantes maduros relatam mais controles e defesas ativas, mas a maturidade autorrelatada não pode estabelecer que essas organizações sofrem menos incidentes.

A pesquisa de cibersegurança de IA da KPMG oferece uma visão detalhada das práticas de gestão. Ela não fornece resultados de segurança testados de forma independente.

Os respondentes classificaram a jornada de IA de suas organizações e descreveram seus próprios controles, gastos e prioridades. O estudo não publicou taxas de violação para cada grupo de maturidade.

Também não comparou taxas de falsos positivos, velocidade de contenção, perdas financeiras ou tempo de recuperação. Essas medidas ajudariam a determinar se a defesa assistida por IA melhora a resiliência.

A relação com a maturidade pode sustentar várias explicações. A experiência pode levar empresas a construir controles melhores. Organizações mais fortes também podem adotar IA mais rapidamente porque já possuem orçamentos maiores e equipes de segurança melhores.

Um terceiro fator pode influenciar ambos os lados. Empresas com dados valiosos, operações reguladas ou infraestrutura complexa podem investir pesadamente em IA e cibersegurança ao mesmo tempo.

Isso significa que os leitores devem evitar tratar a taxa de adoção de 58% como prova de que a defesa ativa com IA produziu retornos consolidados. A pesquisa identifica uma associação, não um resultado causal.

Sua amostra também limita a generalização. As organizações participantes atendiam a limites significativos de receita, e a amostra de acompanhamento nos EUA se concentrou em empresas com pelo menos US$ 1 bilhão em receita.

Pequenas empresas muitas vezes dependem mais de software empacotado e fornecedores gerenciados. Elas podem ter menos influência sobre a seleção de modelos, os métodos de avaliação ou a telemetria de incidentes.

As categorias do relatório também são amplas. “Defesa cibernética assistida por IA” pode descrever sistemas com autonomia, precisão e impacto operacional muito diferentes.

Um respondente pode usar um modelo para resumir casos. Outro pode permitir contenção automatizada. Colocar ambos em uma única categoria pode ocultar diferenças relevantes.

O relatório também afirma que 89% das organizações observam valor mensurável na IA, enquanto apenas 12% comparam consistentemente esse valor com o custo em toda a empresa. Essa lacuna deve moderar afirmações confiantes sobre retornos.

O valor relatado pode incluir produtividade, economia de custos, crescimento de receita ou decisões melhores. Isso não significa necessariamente que um programa tenha produzido um retorno financeiro completo.

A mesma cautela se aplica aos resultados de cibersegurança. Uma análise de alertas mais rápida pode economizar tempo dos analistas sem reduzir o impacto de incidentes. Uma ação automatizada pode encurtar a contenção enquanto aumenta a interrupção em outros lugares.

Portanto, os conselhos devem pedir medidas de resultado ligadas a casos de uso específicos. Indicadores úteis incluem tempo de investigação, qualidade de detecção confirmada, reversões de ações, incidentes não detectados e recuperação de serviços.

Eles também devem examinar se o desempenho difere entre equipes e ambientes. Um modelo que tem sucesso em uma carga de trabalho em nuvem bem instrumentada pode ter dificuldades com infraestrutura legada.

O comportamento dos funcionários é outra incerteza. A KPMG constatou adoção significativa de agentes em 34% das organizações. A adoção não revela se os funcionários usaram agentes aprovados, seguiram regras de dados ou entenderam os resultados automatizados.

A IA paralela pode se expandir mesmo enquanto a governança formal melhora. Funcionários podem usar ferramentas externas porque os sistemas aprovados são lentos, limitados ou difíceis de acessar.

A cadência trimestral da pesquisa oferece direção, e não prova de uma mudança repentina. A KPMG alerta explicitamente que movimentos de um trimestre para outro devem ser lidos como tendências, não como mudanças drásticas.

Isso torna o relatório valioso como um sinal de gestão. Ele mostra onde organizações experientes estão concentrando atenção. Não deve ser apresentado como um referencial de eficácia em segurança.

Três sinais mostrarão se a defesa ativa com IA gera resultados

O próximo teste é saber se as empresas conseguem converter a confiança relatada em resultados de segurança mensuráveis sem esconder novas falhas atrás da automação.

O primeiro sinal é a evidência operacional. As empresas devem começar a relatar se a IA altera a qualidade da detecção, a velocidade de investigação, o tempo de contenção ou o impacto de incidentes.

Essas medidas fortalecerão o argumento de maturidade da KPMG se os usuários ativos mostrarem resultados melhores após considerar o porte da empresa e os gastos com segurança. Reversões frequentes ou incidentes não detectados o enfraqueceriam.

O segundo sinal é uma implementação mais ampla de camadas de gestão completas. Os controles de segurança e identidade lideram hoje, enquanto testes, auditabilidade, revisão humana e roteamento continuam menos comuns.

O progresso exige mais do que elevar a taxa geral de adoção de 55%. As organizações precisam de controles complementares que cubram seleção de modelos, permissões, resultados, ações e recuperação.

O terceiro sinal é a responsabilização sob pressão. Um executivo nomeado importa mais quando um modelo se comporta incorretamente, um fornecedor muda ou um agente expõe dados sensíveis.

Os relatórios de incidentes devem mostrar se as organizações conseguem reconstruir o caminho da decisão. Eles devem identificar o modelo, o contexto, as permissões, as aprovações e os controles envolvidos.

Orientações regulatórias e padrões do setor moldarão essas divulgações. Os fornecedores também enfrentarão pressão para explicar como seus agentes usam identidade, preservam registros e dão suporte aos testes dos clientes.

Para compradores corporativos, a tarefa imediata é separar alegações de capacidade de evidências operacionais. Pergunte onde a IA pode agir, quais decisões exigem aprovação e com que rapidez uma ação pode ser revertida.

Líderes de segurança também devem comparar implantações apenas de monitoramento com defesas ativas. O objetivo não é autonomia máxima. É a autoridade adequada para cada tarefa, apoiada por testes e responsabilidade clara.

Os trabalhadores do conhecimento têm um papel nesse processo. Eles devem entender quais agentes podem acessar seus documentos, mensagens e aplicações. Devem saber como contestar uma recomendação insegura.

A pesquisa da KPMG sobre cibersegurança em IA sugere que a experiência muda a conversa sobre segurança. Adotantes mais maduros não tratam o risco como um motivo para recuar. Eles o tratam como um motivo para construir sistemas operacionais mais robustos.

Essa conclusão continua provisória até que dados melhores sobre resultados estejam disponíveis. Nos próximos trimestres, observe ganhos de detecção medidos de forma independente, camadas de controle mais completas e análises transparentes de incidentes.

As organizações devem começar com uma pergunta concreta: qual sistema de IA pode tomar uma ação hoje e a empresa consegue explicar essa ação depois? Se a resposta não for clara, a confiança avançou mais rápido do que o controle.