O Risco de Shadow AI Está Concentrado Entre os Usuários Avançados nas Empresas

O Google News destacou um alerta contundente da Akamai: 5% dos usuários empresariais geram 12 vezes mais conversas com IA do que a metade inferior dos funcionários. Esses profissionais não estão apenas fazendo perguntas ocasionais. Eles incorporam a IA a fluxos de trabalho recorrentes, compartilham contexto profissional, enviam arquivos e, às vezes, implantam agentes com acesso a sistemas corporativos.

A descoberta desafia a resposta padrão à shadow AI, ou seja, ao uso de IA no trabalho que ocorre fora dos controles aprovados pelo empregador. Muitas empresas ainda publicam uma única política para todos, bloqueiam alguns sites facilmente reconhecíveis e contabilizam licenças de plataformas autorizadas. Essa abordagem trata a exposição como se estivesse distribuída de forma uniforme, quando a telemetria da Akamai indica que ela é altamente concentrada.

Isso não é um argumento para ignorar o uso casual. Quase metade das conversas empresariais de IA observadas utilizou identidades pessoais em vez de contas gerenciadas pela empresa. No entanto, a combinação de acesso pessoal, prompts intensivos e agentes conectados cria um risco muito mais relevante do que uma solicitação isolada.

O conflito principal, portanto, não é entre funcionários e equipes de segurança. É entre uma governança ampla no nível da aplicação e controles conscientes de identidade, focados no comportamento real. A primeira abordagem pergunta se um serviço de IA é permitido. A segunda pergunta quem o utiliza, sob qual identidade, com quais dados e com acesso a quais sistemas.

Essa distinção importa porque os funcionários que geram mais valor com IA também podem criar a maior exposição não gerenciada. Freá-los indiscriminadamente desperdiçaria conhecimento e incentivaria ainda mais soluções improvisadas. Deixar sua atividade invisível permitiria que fluxos de trabalho sensíveis crescessem além dos limites normais de segurança.

Google News Revela um Problema Mais Delimitado de Shadow AI

Os dados da Akamai deslocam o debate sobre shadow AI da adoção total para a concentração de atividade e acesso.

As conclusões subjacentes vêm do Enterprise AI Usage Risk Report 2026 da Akamai, divulgado em 5 de agosto. A Akamai baseou o relatório em dados de uso da LayerX, empresa de segurança para navegadores corporativos que adquiriu. A pesquisa examina contas pessoais, aplicações de IA, extensões de navegador, prompts sensíveis e agentes autônomos.

Segundo o relatório sobre IA empresarial, o usuário empresarial médio gerou mais de 36 conversas com IA. Essa média esconde uma distribuição acentuada. Metade dos usuários registrou 12 conversas ou menos, enquanto os 5% do topo geraram pelo menos 144.

A diferença não se limita à quantidade de conversas. Uma conversa típica com IA tem cerca de cinco prompts, segundo a Akamai. As conversas entre os usuários mais intensivos chegam a pelo menos 18 prompts, demonstrando uma colaboração contínua, e não uma única troca semelhante a uma busca.

Conversas mais longas criam mais oportunidades para que informações corporativas entrem em um sistema externo. Um usuário pode começar com um pedido inofensivo de esboço. Prompts posteriores podem acrescentar detalhes de clientes, restrições internas, trechos de documentos, código-fonte, premissas financeiras ou instruções copiadas de comunicações privadas.

Esse contexto acumulado importa mais do que qualquer frase isolada. O trabalho moderno com IA frequentemente se desenvolve por fragmentos. Um profissional acrescenta fatos em vários prompts, envia arquivos de apoio e pede repetidamente que o modelo revise sua resposta. Cada divulgação individual pode parecer modesta, enquanto a conversa completa reconstrói um processo empresarial sensível.

A Akamai também informa que 47,11% das conversas empresariais de IA ocorrem por meio de identidades pessoais. Essas sessões ficam fora dos controles corporativos de identidade, configurações de retenção, sistemas de auditoria e proteções de dados negociadas. As equipes de segurança podem ver que um navegador acessou um serviço de IA sem saber se o funcionário utilizou uma conta gerenciada.

A divisão por identidade varia bastante conforme a plataforma. A telemetria da Akamai constatou que o Gemini Enterprise manteve 98,15% das interações dentro de sistemas corporativos de identidade. O Microsoft Copilot for Microsoft 365 manteve 90,55% dentro desses sistemas.

O acesso voltado ao consumidor apresentou o padrão oposto. O relatório associou 61,36% das interações com ChatGPT, 61,09% das interações com Claude e 63,92% das interações com Microsoft Copilot Standard a identidades pessoais. DeepSeek chegou a 99,8%.

Esses números não comprovam que todas as sessões pessoais tenham vazado dados confidenciais. Eles estabelecem uma lacuna de visibilidade. Um empregador não consegue aplicar de forma consistente regras corporativas de retenção, acesso e tratamento de dados quando o trabalho passa por uma identidade que não administra.

O artigo exibido pelo Google News também enfatiza uma correlação crucial. Os mesmos usuários avançados que conduzem conversas mais profundas têm maior probabilidade de enviar arquivos, compartilhar informações corporativas e conectar a IA a tarefas operacionais. O risco acompanha a atividade porque cada interação adicional cria outra oportunidade de exposição inadequada.

Esse enquadramento é mais útil do que considerar cada funcionário uma fonte equivalente de perigo. Um profissional que faz uma pergunta geral sobre redação não cria o mesmo risco que um engenheiro que conecta um agente a um repositório de código. Ambos utilizam IA, mas seu acesso, seus dados e seu impacto potencial diferem drasticamente.

O número de destaque, 5%, não deve se tornar um limite permanente. Cada organização terá uma distribuição diferente. A mudança importante é metodológica: as equipes de segurança precisam medir a concentração antes de decidir onde controles mais rigorosos devem ser aplicados.

Os Usuários Mais Arriscados Frequentemente São os Mais Produtivos

Os funcionários com maior probabilidade de contornar uma política ampla de IA costumam ser as pessoas que já transformaram a IA em infraestrutura de trabalho.

Os usuários avançados normalmente surgem porque descobrem valor repetível antes que a aquisição formal os acompanhe. Eles podem usar IA para resumir pesquisas de clientes, depurar código, redigir contratos, comparar documentos técnicos, analisar chamadas de vendas ou preparar cenários financeiros. O sucesso repetido estimula uma integração mais profunda.

Essa progressão frequentemente começa de forma inocente. Um funcionário testa um chatbot público com material não confidencial. Em seguida, cria prompts reutilizáveis, adiciona arquivos de referência, instala uma extensão de navegador ou conecta o modelo a outra aplicação. Um experimento pessoal gradualmente se transforma em um fluxo de trabalho de produção não documentado.

A Microsoft observou essa pressão de adoção anos antes do relatório da Akamai. Seu estudo sobre IA no ambiente de trabalho de 2024 constatou que 75% dos trabalhadores do conhecimento pesquisados utilizavam IA no trabalho. Entre esses usuários, 78% trouxeram suas próprias ferramentas de IA em vez de esperar uma opção fornecida pelo empregador.

A pesquisa anterior mediu comportamentos autorrelatados, enquanto a Akamai apresenta telemetria de uso observada. As fontes usam métodos e períodos diferentes, portanto seus números não devem ser combinados em uma única afirmação estatística. Ainda assim, descrevem a mesma tensão organizacional: os profissionais adotam ferramentas convenientes mais rapidamente do que as empresas conseguem avaliá-las e governá-las.

Proibições amplas frequentemente deixam de captar essa motivação. Uma política pode dizer aos funcionários para não inserir informações sensíveis em um modelo não aprovado. Ela não pode tornar uma alternativa aprovada útil, reduzir uma solicitação de acesso demorada ou explicar quais informações são seguras em um fluxo de trabalho específico.

Quando a ferramenta autorizada não oferece as capacidades necessárias, um usuário intensivo enfrenta atrito imediato. Ele pode interromper um trabalho produtivo, enviar uma solicitação de aquisição ou continuar usando uma conta pessoal. Se a aprovação leva semanas, a conta pessoal se torna o caminho de menor resistência.

Isso não justifica o tratamento não autorizado de dados. Explica por que treinamentos genéricos produzem resultados desiguais. Uma apresentação anual de conformidade compete com prazos diários, interfaces de consumo familiares e o valor imediato de uma cadeia de prompts funcional.

As conclusões da Akamai sobre shadow AI sugerem que o treinamento deve acompanhar o comportamento observado. Usuários casuais precisam de limites claros e opções aprovadas. Usuários avançados precisam de orientações mais detalhadas sobre classificação de dados, identidade, extensões, conectores, permissões de agentes e comunicação de incidentes.

Eles também precisam de uma via mais segura para experimentar. Uma empresa pode criar ambientes controlados nos quais usuários avançados testem novos modelos sem expor dados de produção. As equipes de segurança podem então observar requisitos reais antes de decidir quais serviços, integrações e fluxos de trabalho aprovar.

Essa abordagem trata os usuários avançados de shadow AI como parceiros, sem presumir que experiência equivale a consciência de segurança. Alguém pode entender o comportamento dos modelos e ainda subestimar riscos de retenção, autorização ou processamento por terceiros. A confiança técnica às vezes faz um fluxo de trabalho não oficial parecer mais seguro do que realmente é.

O usuário produtivo também pode se tornar um proprietário oculto de sistema. Se uma equipe depende de prompts armazenados em uma conta pessoal, a empresa não tem um registro confiável dessas instruções. Se o funcionário sair, mudar de ferramenta ou perder o acesso, o fluxo de trabalho pode desaparecer com ele.

O mesmo problema se aplica ao conhecimento. Os profissionais frequentemente fornecem à IA notas, documentos, contexto de reuniões e decisões espalhadas por espaços pessoais. Um sistema pessoal de conhecimento com governança pode reduzir essa fragmentação, mas somente quando suas práticas de acesso e dados correspondem aos requisitos organizacionais.

As equipes de segurança, portanto, enfrentam uma tarefa delicada. Elas precisam preservar a experiência que torna a IA útil ao mesmo tempo em que transferem o fluxo de trabalho ao redor para identidades gerenciadas, caminhos de dados aprovados e sistemas passíveis de revisão.

Punir os usuários mais ativos pode levá-los ainda mais à clandestinidade. Ignorá-los pode transformar experimentação privada em infraestrutura não rastreada. A melhor resposta começa por encontrá-los, entender o que construíram e separar práticas valiosas de escolhas de implementação inseguras.

Uma Política Ampla Enxerga Aplicações, Não Exposição

Uma lista de aplicações não pode mostrar se um usuário fez uma pergunta geral ou deu a um agente autônomo acesso a um repositório crítico.

Programas tradicionais de shadow IT geralmente inventariam serviços, classificam fornecedores e bloqueiam domínios proibidos. Esse modelo pressupõe que cada aplicação representa uma unidade de risco relativamente estável. A IA generativa complica essa premissa porque a mesma interface pode sustentar comportamentos radicalmente diferentes.

Um funcionário pode usar ChatGPT para reescrever uma descrição pública de vaga. Outro pode colar especificações ainda não divulgadas de um produto no mesmo serviço. Um terceiro pode instalar uma extensão de programação com acesso a arquivos locais e credenciais de desenvolvimento.

O domínio é idêntico, mas a exposição muda conforme a identidade, o conteúdo, as permissões e a duração. Uma simples decisão de permitir ou bloquear não consegue expressar essas diferenças.

A análise de segurança da Akamai identifica cinco áreas conectadas: expansão do uso de IA, contas pessoais, exposição de dados, extensões de navegador ou desenvolvimento e agentes autônomos. A combinação importa mais do que qualquer categoria isolada.

As extensões de navegador merecem atenção especial porque operam próximas à atividade do usuário. Dependendo de suas permissões, as extensões podem ler o conteúdo das páginas, observar entradas, interagir com aplicações em nuvem ou enviar informações a serviços externos. Os funcionários podem instalá-las sem tratar essa ação como uma implantação de software.

As extensões de ambientes de desenvolvimento integrados apresentam um problema semelhante para engenheiros. Um assistente de programação com IA pode ver arquivos-fonte, materiais de configuração, logs de erro ou segredos próximos. Mesmo quando o serviço principal é aprovado, uma extensão, tipo de conta ou configuração específica pode ficar fora dos controles corporativos.

Os agentes elevam ainda mais as apostas. Um agente de IA é um software que usa um modelo para perseguir um objetivo por meio de ferramentas com intervenção humana limitada. Ele pode pesquisar arquivos, chamar APIs, modificar registros ou acionar outras aplicações, dependendo das permissões que recebe.

Um chatbot normalmente retorna texto para que uma pessoa avalie. Um agente pode agir. Essa mudança transforma resultados imprecisos, instruções manipuladas ou permissões excessivas em consequências operacionais.

Um funcionário que experimenta um agente pode conectar um token pessoal, conceder amplo acesso a repositórios ou executar o sistema a partir de um dispositivo não gerenciado. As equipes de segurança podem nem saber que o agente existe, porque ele aparece como atividade comum de navegador, API ou desenvolvimento local.

O risco também persiste além da conversa original. Um prompt pode deixar de receber atenção após o fechamento de uma aba do navegador. Um agente pode permanecer agendado, reter credenciais ou continuar operando por meio de integrações.

A Netskope identificou essa superfície em expansão em sua pesquisa sobre shadow AI de 2025. Ela constatou que 60% dos usuários corporativos observados ainda acessavam aplicações pessoais de IA generativa em maio de 2025. A empresa também acompanhou agentes personalizados, plataformas de IA em nuvem e ferramentas on-premises como formas emergentes de shadow AI.

A Netskope informou que a organização média em seu conjunto de dados usava sete aplicações de IA generativa de software como serviço, acima das 5,6 registradas três meses antes. Ela também acompanhava mais de 1.550 aplicações distintas de IA generativa. Esses números ilustram por que manter uma lista completa de bloqueio se torna difícil.

No entanto, substituir uma lista de bloqueio pela vigilância de cada prompt criaria seus próprios problemas. Privacidade dos funcionários, regras trabalhistas, minimização de dados e confiança continuam relevantes. Mais visibilidade não representa automaticamente uma governança melhor se a coleta não tiver um propósito claro ou salvaguardas adequadas.

O objetivo deve ser um controle proporcional. As organizações podem começar com metadados como tipo de identidade, categoria da aplicação, eventos de upload, permissões de extensões, conexões de ferramentas e níveis incomuns de atividade. Elas podem aplicar uma inspeção mais profunda apenas onde a legislação, a política e o risco a justificarem.

Esse modelo se assemelha aos princípios estabelecidos de confiança zero. O acesso depende da identidade, do dispositivo, do recurso e do contexto, e não apenas da localização. A governança de IA deve avaliar cada interação usando uma combinação semelhante de sinais.

Um serviço de IA gerenciado não torna todas as ações seguras. Um serviço não aprovado não torna todas as ações igualmente perigosas. A questão relevante é o que o usuário, o modelo e as ferramentas conectadas conseguem acessar em conjunto.

É por isso que uma política ampla deixa de abordar o problema central de concentração. Ela governa o nome da aplicação, enquanto a exposição real se acumula em torno de identidades e fluxos de trabalho específicos.

O Controle Concentrado Cria Seus Próprios Riscos

A governança direcionada é mais precisa do que uma restrição generalizada, mas as organizações não devem confundir volume de uso com prova de má conduta.

As conclusões da Akamai apoiam uma atenção maior aos usuários avançados. Elas não estabelecem que os 5% principais causaram a maioria dos incidentes confirmados, vazaram os registros mais sensíveis ou agiram de forma irresponsável. Alta atividade é um indicador de risco, não um veredito sobre incidentes.

Essa limitação importa. A telemetria descreve conversas, identidades e padrões de uso. Ela não consegue revelar o propósito comercial completo por trás de cada interação. Um analista de segurança que testa controles de IA pode se parecer com um usuário inseguro quando medido apenas pelo volume de conversas.

Portanto, as organizações devem evitar transformar o número de 5% em uma categoria automática de aplicação de medidas. Atividade intensa deve acionar uma análise contextual. Ela não deve justificar suspensão imediata de conta, monitoramento invasivo ou ação disciplinar sem evidências adicionais.

O conjunto de dados também reflete a visibilidade da Akamai e da LayerX. Ele não deve ser tratado como um censo universal de todos os setores, geografias, dispositivos e implantações de IA. As empresas precisam de sua própria linha de base antes de atribuir limites ou estimar a exposição.

Uma segunda preocupação envolve uma falsa sensação de confiança em contas corporativas. A identidade gerenciada melhora a auditoria, o controle de acesso e a proteção contratual. Ela não impede um funcionário de inserir informações restritas, aceitar uma resposta alucinada ou conceder permissões excessivas a uma aplicação conectada.

Versões corporativas de Gemini, Copilot, ChatGPT ou Claude podem reduzir determinados riscos por meio de controles administrativos. Elas não podem substituir classificação de dados, desenho de autorização, revisão de fluxos de trabalho ou julgamento humano.

Uma terceira preocupação é a confiança organizacional. Funcionários que acreditam que toda interação com IA será lida pela gerência podem ocultar o uso, migrar para dispositivos pessoais ou evitar ferramentas aprovadas. Essa reação reduz a visibilidade que um programa direcionado deveria criar.

As empresas precisam de regras de monitoramento transparentes. Os usuários devem entender quais sinais são coletados, por que eles importam, quem pode analisá-los e por quanto tempo permanecem disponíveis. As equipes de segurança devem separar a detecção de riscos do monitoramento de desempenho sempre que possível.

O perfil de IA do NIST oferece um contraponto útil à aplicação restrita de medidas. Ele organiza o trabalho de risco em governança, mapeamento, medição e gestão. Essa abordagem de ciclo de vida trata os controles como um sistema contínuo, e não como uma única política para funcionários.

A governança define propriedade, uso aceitável, canais de reporte e responsabilização. O mapeamento identifica o contexto comercial, as pessoas afetadas, os dados e as dependências. A medição testa se riscos e controles podem ser observados. A gestão prioriza respostas de acordo com impacto e tolerância.

Aplicada a usuários avançados de shadow AI, essa sequência evita um salto prematuro da detecção para a punição. Uma empresa primeiro identifica fluxos de trabalho intensivos, mapeia seu propósito comercial e acesso a dados, mede a exposição concreta e então escolhe um controle proporcional.

A resposta pode envolver a migração de uma conta pessoal para uma conta gerenciada. Pode remover uma permissão excessiva de extensão, substituir uma chave de API pessoal, limitar as ferramentas de um agente ou aprovar um serviço corporativo melhor.

Alguns fluxos de trabalho devem ser interrompidos por completo. Um agente não revisado que altera registros financeiros ou processa dados de saúde regulados apresenta um nível de exposição diferente de um assistente de redação que usa material público. A análise de concentração ajuda a encontrar essa diferença, mas a revisão humana ainda determina seu significado.

A governança direcionada também deve considerar usuários privilegiados. Engenheiros, administradores, pesquisadores, executivos, equipes jurídicas e profissionais financeiros frequentemente lidam com informações mais consequentes do que seus pares. O volume de conversas e a sensibilidade de acesso devem ser avaliados em conjunto.

Um usuário com 150 conversas de baixo risco sobre linguagem pública de marketing pode apresentar menos exposição do que alguém que enviou um único documento confidencial de aquisição. O volume é útil porque identifica comportamento incorporado ao trabalho. O contexto de conteúdo e permissões determina o impacto potencial.

A conclusão cética é direta: a telemetria de shadow AI da Akamai melhora a priorização, mas não fornece uma pontuação de risco completa. As organizações ainda precisam de evidências locais, regras transparentes e revisão cuidadosa.

O Que as Equipes de Segurança Devem Observar a Seguir

A próxima fase da governança de shadow AI será medida pela adoção de identidades gerenciadas, pelas permissões de agentes e por reduções validadas na exposição de dados sensíveis.

O primeiro sinal é a parcela da atividade de IA relacionada ao trabalho que migra de identidades pessoais para contas gerenciadas pela empresa. Isso é mais significativo do que contar licenças adquiridas. Uma empresa pode possuir milhares de licenças corporativas enquanto os funcionários continuam usando contas pessoais conhecidas.

Líderes de segurança devem medir a migração de contas por equipe e nível de atividade. O progresso entre usuários ocasionais é útil, mas o movimento entre os usuários mais intensivos importa mais. Uma queda na participação de contas pessoais dentro desse grupo sustentaria a tese de concentração da Akamai e mostraria que a intervenção direcionada funciona.

A métrica exige interpretação cuidadosa. Um login gerenciado não prova comportamento seguro. Ele fornece uma base mais forte para controle de acesso, configurações de retenção, auditabilidade e resposta a incidentes.

O segundo sinal é o crescimento de agentes e extensões com acesso a sistemas corporativos. As organizações devem inventariar o que essas ferramentas podem ler, alterar e transmitir. Elas também devem identificar quais identidades forneceram as credenciais.

As permissões importam mais do que o número de agentes. Dez agentes limitados a informações públicas podem criar menos exposição do que um sistema com acesso de escrita a dados de produção. As revisões devem priorizar recursos sensíveis, credenciais persistentes, transferência externa de dados e ações sem confirmação humana.

Qualquer redução em permissões excessivas fortaleceria o argumento em favor de uma governança focada. O crescimento rápido de agentes não descobertos enfraqueceria as alegações de que as atuais políticas de IA fornecem cobertura significativa.

O terceiro sinal é se as organizações conseguem demonstrar menos eventos envolvendo dados sensíveis sem suprimir uma adoção útil. Essa é a medida mais difícil porque exige que equipes de segurança e produtividade avaliem os resultados em conjunto.

Um programa bem-sucedido deve reduzir uploads restritos, credenciais não gerenciadas e integrações não aprovadas. Ele também deve manter o uso aprovado acessível o suficiente para que os funcionários não migrem para canais invisíveis.

Métricas baseadas apenas em solicitações bloqueadas incentivam as motivações erradas. Mais bloqueios podem indicar aplicação mais rigorosa, crescimento da demanda insegura ou alternativas aprovadas deficientes. As equipes precisam comparar eventos de prevenção com migração de contas, adoção de fluxos de trabalho aprovados, feedback dos usuários e incidentes confirmados.

O enquadramento do Google News continuará útil apenas se as organizações o testarem em seus próprios ambientes. O limite exato de 5% pode mudar, mas a concentração deve aparecer na telemetria interna se o padrão subjacente se mantiver.

As equipes de segurança podem começar com várias perguntas práticas. Quais funcionários usam IA com mais frequência? Quais deles dependem de identidades pessoais? Quem faz upload de arquivos, instala extensões ou conecta agentes a sistemas internos? Quais ferramentas aprovadas não atendem às suas necessidades?

Essas perguntas criam um ponto de partida melhor do que perguntar se toda IA deve ser permitida ou proibida. Elas conectam a governança ao trabalho real e revelam onde a conveniência está contornando o controle.

As empresas também devem estabelecer um caminho de escalonamento que não comece com disciplina. Quando a segurança encontra um fluxo de trabalho não oficial avançado, a primeira análise deve identificar seu valor comercial, entradas de dados, permissões e alternativas. Isso cria uma oportunidade para preservar práticas úteis enquanto remove exposição desnecessária.

Onde o risco é imediato, como no caso de um agente com amplo acesso à produção, a contenção deve vir primeiro. Onde a exposição é menor, migração e orientação podem oferecer melhor conformidade de longo prazo do que uma proibição generalizada.

Os líderes devem fazer uma última pergunta antes de declarar o problema sob controle: a organização consegue descrever seus fluxos de trabalho de IA de maior intensidade sem depender de uma pesquisa? Se a resposta for não, a política está operando à frente das evidências.

O Google News chamou atenção para uma inversão importante. A shadow AI é disseminada, mas sua exposição mais séria não está necessariamente distribuída de maneira uniforme. As pessoas que usam IA de forma mais profunda são onde produtividade, dados, identidade e acesso autônomo convergem.

Isso torna a próxima ação clara. Identifique os fluxos de trabalho concentrados, transfira-os para uma identidade gerenciada, revise suas permissões e meça se a exposição de dados sensíveis diminui. Regras amplas podem estabelecer limites, mas somente evidências do uso real mostram onde a proteção deve estar.