Shadow AI: você sabe quais IAs e agentes estão operando dentro da sua empresa?

Talvez sua empresa saiba exatamente quais plataformas corporativas de inteligência artificial foram contratadas, quais licenças foram adquiridas, quais projetos foram aprovados e quais ferramentas estão sendo disponibilizadas oficialmente aos funcionários.

Mas isso não significa necessariamente que saiba quais inteligências artificiais estão realmente sendo utilizadas dentro da organização.

Um funcionário pode utilizar uma conta pessoal de IA generativa para analisar um documento. Outro pode instalar uma extensão no navegador. Uma equipe pode contratar uma ferramenta por conta própria. Um desenvolvedor pode incorporar um modelo ou um agente a um workflow. E uma área de negócio pode começar a automatizar atividades antes mesmo que TI, segurança ou governança saibam que aquela solução existe.

Esse fenômeno já ganhou um nome: Shadow AI, ou IA utilizada, contratada ou implementada fora dos mecanismos formais de conhecimento, aprovação e governança da organização.

O problema não é inteiramente novo, mas a IA está mudando sua escala e, principalmente, suas consequências.

Shadow IT não começou com a inteligência artificial

Durante décadas, empresas convivem com Shadow IT, expressão utilizada para descrever tecnologias adotadas por funcionários ou áreas de negócio sem conhecimento ou aprovação formal da área responsável por tecnologia.

Primeiro vieram aplicações instaladas localmente. Depois, serviços em nuvem e plataformas de Software as a Service (SaaS), modelo no qual aplicações são oferecidas como serviço pela internet. Com um cartão de crédito e alguns minutos, uma área passou a conseguir contratar uma solução sem depender de um projeto corporativo de tecnologia.

A inteligência artificial leva esse comportamento a outro patamar.

A facilidade de acesso é enorme. Muitas ferramentas possuem versões gratuitas, outras custam poucas dezenas de dólares por mês e algumas já estão incorporadas a aplicações que as empresas utilizam diariamente.

Além disso, diferentemente de muitos softwares tradicionais, a percepção de valor pode surgir imediatamente. Um profissional experimenta uma ferramenta para resumir um documento, preparar uma apresentação, analisar uma planilha ou escrever um código. Se funcionar, ela rapidamente entra em sua rotina.

A adoção pode, portanto, começar antes que a empresa tenha tempo de decidir como pretende governá-la.

O problema já está dentro das empresas

Uma pesquisa recente da Deloitte ajuda a dimensionar essa diferença entre adoção formal e adoção real.

O GenAI Workforce Survey 2026, realizado com 25 mil trabalhadores no Reino Unido, identificou que 63% dos trabalhadores pesquisados disseram já ter utilizado inteligência artificial generativa no trabalho. Entre aqueles que utilizavam a tecnologia, 31% disseram fazê-lo sem o conhecimento do empregador. A própria Deloitte caracteriza esse comportamento como Shadow AI [1].

Outro dado ajuda a entender a dinâmica: 17% dos usuários pagavam do próprio bolso por pelo menos uma ferramenta de IA utilizada profissionalmente. A Deloitte estima que os trabalhadores britânicos gastavam, juntos, aproximadamente £958 milhões por ano nessas ferramentas [1].

Ou seja, parte da infraestrutura de IA utilizada pelas empresas pode não aparecer no orçamento de tecnologia simplesmente porque está sendo financiada pelos próprios funcionários.

Isso também mostra por que olhar apenas para contratos, licenças corporativas ou projetos formalmente aprovados oferece uma visão incompleta da adoção.

Muitas vezes, a adoção começa na própria atividade

Há uma dimensão desse fenômeno que considero especialmente interessante.

Em minha pesquisa de mestrado, ao desenvolver o Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial (IBEOP-IA) para analisar a exposição das ocupações brasileiras à inteligência artificial, uma das perspectivas adotadas foi olhar para as atividades que compõem cada ocupação e sua relação com as capacidades tecnológicas da IA [6].

Essa mesma perspectiva ajuda a compreender o Shadow AI. Muitas vezes, a adoção não começa por uma decisão corporativa centralizada. Ela começa quando alguém percebe, no próprio trabalho cotidiano, que determinada atividade pode ser realizada ou ampliada com o uso da tecnologia.

Um profissional encontra uma maneira melhor de pesquisar, outro descobre como automatizar uma análise e outro começa a utilizar IA para produzir documentos ou código. A tecnologia entra pela atividade antes de entrar pela arquitetura corporativa.

Essa é uma reflexão posterior a partir da perspectiva utilizada na pesquisa, e não um resultado da dissertação sobre Shadow AI. Ainda assim, ajuda a explicar por que esse fenômeno é tão difícil de controlar apenas por decisões centralizadas.

Por que os funcionários recorrem a ferramentas próprias?

A resposta mais simples seria atribuir o problema à falta de disciplina ou ao descumprimento das políticas corporativas. Os dados mostram uma realidade mais complexa.

Entre os participantes da pesquisa da Deloitte que pagavam por suas próprias ferramentas de inteligência artificial generativa ou utilizavam soluções potencialmente não aprovadas, 21% afirmaram que essas ferramentas eram melhores que as disponibilizadas pela empresa, enquanto 14% disseram que elas eram essenciais para o trabalho, mas não eram financiadas pelo empregador [1].

Há também uma lacuna de orientação. Apenas 28% dos usuários de IA generativa pesquisados pela Deloitte afirmaram que sua organização possuía uma política sobre o tema que eles conheciam, compreendiam e consideravam clara e atualizada. E 50% não haviam recebido treinamento formal [2].

Esses números ajudam a mostrar que Shadow AI não pode ser tratado apenas como um problema disciplinar. Existe uma tensão real entre produtividade e controle.

As pessoas estão encontrando utilidade na tecnologia mais rapidamente do que muitas organizações conseguem incorporá-la aos seus processos de avaliação, contratação, segurança e governança.

Bloquear tudo provavelmente não resolve

A reação inicial de algumas organizações pode ser simplesmente restringir o acesso às ferramentas não aprovadas. Há situações em que isso será necessário, mas transformar o bloqueio na estratégia principal pode produzir justamente o efeito contrário.

Ao discutir a proliferação de agentes de IA, o Gartner alerta que, quando funcionários não conseguem trabalhar com as ferramentas autorizadas, podem procurar alternativas fora dos controles corporativos, ampliando o Shadow AI [3].

O desafio, portanto, não é escolher entre liberdade total e proibição. É criar uma alternativa corporativa suficientemente útil para que as pessoas tenham menos incentivo para contornar os mecanismos de governança, ao mesmo tempo em que a organização mantém capacidade de definir políticas e limites.

Esse equilíbrio ficará ainda mais difícil com a próxima etapa dessa evolução.

De Shadow AI para Shadow Agents

Até aqui, grande parte da discussão sobre Shadow AI envolve pessoas utilizando ferramentas de inteligência artificial sem conhecimento da empresa. Com agentes, o problema muda de natureza.

Um chatbot normalmente recebe uma solicitação e produz uma resposta. Um agente pode receber um objetivo, acessar dados, utilizar ferramentas, chamar Application Programming Interfaces (APIs), interfaces que permitem a comunicação programática entre sistemas, interagir com aplicações e executar uma sequência de ações para concluir uma tarefa.

Isso significa que a IA deixa de apenas produzir informação e começa também a participar da execução.

O Gartner já utiliza a expressão shadow AI agents, ou agentes de IA não governados, para descrever agentes que podem estar incorporados a softwares corporativos, ser consumidos diretamente pela internet ou ser criados pelos próprios funcionários [4].

Segundo o Gartner, 75% das organizações reportaram uso não autorizado de assistentes de programação baseados em IA, enquanto 50% reportaram funcionários acessando plataformas públicas de agentes de IA generativa oferecidas como SaaS [4].

A questão, portanto, deixa de ser apenas qual ferramenta o funcionário está utilizando. Passa a incluir também qual agente está atuando, quais dados consegue acessar, quais ferramentas pode utilizar e quais ações pode executar.

O primeiro problema é descobrir o que existe

É difícil governar aquilo que a organização não consegue enxergar.

Por isso, antes mesmo de discutir políticas sofisticadas de governança, existe um problema mais elementar: visibilidade.

A organização precisa conseguir identificar quais ferramentas, modelos e agentes estão sendo utilizados, quem criou e responde por cada agente, quais aplicações e dados estão ao seu alcance, quais ferramentas podem ser acionadas e quais ações podem ser executadas.

Essa necessidade tende a crescer rapidamente.

O Gartner projeta que uma empresa média da lista Global Fortune 500 poderá passar de menos de 15 agentes de IA em 2025 para mais de 150 mil em 2028 [3].

É uma projeção, e não uma contagem atual. Ainda assim, a ordem de grandeza ajuda a mostrar a dimensão potencial do problema.

Na mesma pesquisa, apenas 13% das organizações disseram acreditar possuir a governança adequada para administrar agentes de IA [3].

Se essa expansão ocorrer, depender de controles manuais ou de inventários mantidos isoladamente pelas diferentes áreas simplesmente não será uma estratégia sustentável.

O risco não é apenas vazamento de dados

Vazamento de informações é provavelmente o risco mais intuitivo de Shadow AI. Um funcionário pode inserir em uma ferramenta externa informações de clientes, documentos internos, código-fonte ou dados comerciais sem compreender como essas informações serão armazenadas ou processadas.

Mas o problema é mais amplo.

Há riscos relacionados a segurança, compliance, propriedade intelectual, custos duplicados, ausência de auditoria, utilização de modelos inadequados e dificuldade para saber onde informações corporativas estão sendo processadas.

Quando agentes entram nessa equação, surge uma dimensão adicional: ações não governadas. Um agente com acesso inadequado pode consultar um dado que não deveria, utilizar uma credencial, acionar outro sistema ou executar uma ação fora dos limites pretendidos.

A pesquisa de 2026 da Boston Consulting Group (BCG) com líderes de cybersecurity mostra como os controles ainda estão em estágio inicial: menos de 20% dos pesquisados haviam adotado medidas como monitoramento de Shadow AI, detecção de ataques de prompt injection ou governança de identidades não humanas [5].

A BCG encontrou também associação entre maior adoção desses controles e menor incidência reportada de impactos significativos relacionados a vulnerabilidades de IA, vazamento de dados para ferramentas de IA e Shadow AI [5].

Isso não significa que um único controle resolva o problema. Mostra, porém, que visibilidade e governança começam a se tornar parte da infraestrutura necessária para usar IA com segurança.

Da política para a capacidade de controle

Uma política corporativa de IA continua sendo necessária. Ela pode estabelecer quais ferramentas são permitidas, quais dados podem ser utilizados, quais práticas são proibidas e quem é responsável por aprovar novos casos de uso.

Mas uma política, sozinha, não mostra necessariamente o que está acontecendo.

À medida que o número de modelos, ferramentas, integrações e agentes aumenta, a organização precisará combinar política com capacidade operacional para descobrir e inventariar o que existe, identificar responsáveis, autorizar acessos, monitorar atividades, registrar ações, manter trilhas de auditoria e, quando necessário, aplicar bloqueios.

Essa transição é importante porque Shadow AI revela uma diferença fundamental entre definir governança e ter capacidade de exercê-la. E esse problema ficará ainda mais importante quando agentes deixarem de ser experimentos isolados e começarem a participar de processos corporativos em escala.

Da visão à prática: ARGUS

Esse cenário se conecta diretamente à proposta do ARGUS como uma plataforma de Inteligência Operacional e Agêntica, voltada a ambientes nos quais pessoas, agentes de IA, automações, sistemas e infraestrutura passam a compartilhar a operação.

Com capacidades de AgentOps (Agent Operations) e AI Gateway, o ARGUS amplia a visibilidade e a governança sobre o ambiente agêntico, permitindo aplicar políticas, controlar como agentes acessam modelos, ferramentas e recursos de IA e acompanhar suas execuções, ações, custos e resultados.

Um dos desafios dessa nova realidade é justamente evitar que a expansão da IA crie novos silos de inteligência dentro da organização. À medida que o número de agentes cresce, torna-se cada vez mais importante saber quais agentes existem, quem é responsável por eles, o que podem acessar, quais ferramentas utilizam e o que estão fazendo.

É aqui que essa dimensão agêntica se conecta à inteligência operacional. O ARGUS também correlaciona eventos de múltiplas fontes, reduz ruído e constrói contexto operacional compartilhado, permitindo relacionar aquilo que os agentes fazem ao que está acontecendo na infraestrutura, nas aplicações e nos serviços quando suas decisões e ações ocorrem.

Dessa forma, não observamos agentes isoladamente de um lado e a operação de outro. Pessoas, agentes, automações e sistemas podem compartilhar uma visão sistêmica, com políticas, rastreabilidade e supervisão compatíveis com o nível de autonomia concedido.

O objetivo do ARGUS é criar condições para que a adoção de IA possa crescer de maneira controlada, observável e escalável, sem que a empresa perca progressivamente a capacidade de compreender e governar o ambiente.

Conheça o ARGUS e veja como funciona na prática.

Sobre a Target Solutions

A Target Solutions é uma empresa brasileira de tecnologia especializada em soluções para ambientes críticos de TI e Telecom.

Ao longo de mais de 15 anos, participamos de projetos envolvendo infraestrutura, monitoramento, observabilidade, automação, integração de plataformas e operações de redes e serviços, trabalhando com grandes organizações e ambientes de alta complexidade.

Essa experiência nos permitiu acompanhar de perto a evolução das operações, do monitoramento tradicional à observabilidade, da automação à inteligência artificial e, agora, a ambientes nos quais agentes de IA começam a participar de processos, decisões e operações corporativas.

É nesse contexto que desenvolvemos o ARGUS, nossa plataforma de Inteligência Operacional e Agêntica, que combina capacidades de AgentOps, AI Gateway e AIOps para integrar o contexto da operação à atuação dos agentes de IA, ampliando visibilidade, governança, rastreabilidade e controle à medida que pessoas, automações, sistemas e agentes passam a compartilhar o ambiente operacional.

Sobre o autor

Paulo Florêncio de Menezes é sócio e CoFounder da Target Solutions e atua há mais de 15 anos em projetos relacionados a infraestrutura, monitoramento, observabilidade, automação e operações de TI e Telecom.

É graduado em Processamento de Dados pela Universidade Federal do Amazonas (UFAM), possui MBA em Gestão Empresarial pela Fundação Dom Cabral (FDC) e Mestrado Profissional em Economia pela Fundação Getulio Vargas (FGV).

Em sua pesquisa de Mestrado, desenvolveu o IBEOP-IA (Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial), investigando a exposição potencial das ocupações brasileiras às capacidades da IA por meio da combinação de dados ocupacionais, patentes de inteligência artificial e técnicas de processamento de linguagem natural.

Referências

[1] Deloitte UK. GenAI Workforce Survey 2026 — What we do in the AI shadows. Pesquisa com 25.000 trabalhadores do Reino Unido, realizada em maio e junho de 2026.

[2] Deloitte UK. GenAI Workforce Survey 2026 — Transform your workforce and your organisation will follow.

[3] Gartner. Gartner Identifies Six Steps to Manage AI Agent Sprawl. 28 abr. 2026.

[4] Gartner. The AI Agents You Can’t See Can Still Create Risk. 30 set. 2026.

[5] Boston Consulting Group. Cybersecurity Budgets Are Growing Fast. AI Threats Are Growing Faster. 27 ago. 2026.

[6] Menezes, Paulo Florêncio de. IBEOP-IA — Índice Brasileiro de Exposição Ocupacional Potencial à Inteligência Artificial. Dissertação de Mestrado Profissional em Economia, Fundação Getulio Vargas, 2026.