As versões para o público geral das IAs generativas absorvem os dados que lhes são submetidos para treinar os modelos seguintes. É isso que separa um vazamento de propriedade intelectual de um ganho de produtividade de 30% nas tarefas diárias. A nuance vale alguns milhões de euros.
A resposta clássica consiste em dizer "optem pela versão empresarial". Ela é necessária, mas não é suficiente. Proteger a IA generativa não é marcar uma caixa em um contrato: é uma decisão em vários níveis, calibrada conforme a sensibilidade dos dados que suas equipes manipulam. Uma nota de reunião banal não se trata como um dossiê de M&A. A cada nível sua resposta técnica: a API empresarial para dados sensíveis correntes, o proxy de anonimização para sair do perímetro sem expor o conteúdo, o modelo aberto em cloud soberano para o que nenhuma multa compensa. É esse espectro que detalhamos aqui, do menos exigente ao mais blindado.
A paranoia dos dirigentes se tornou racional
Em 10 de junho de 2025, diante da comissão de inquérito do Senado francês, o diretor jurídico da Microsoft França confirmou sob juramento que não podia garantir que os dados franceses confiados à Microsoft nunca seriam transmitidos às autoridades americanas sem a autorização da França. Seis palavras que mudaram a conversa nos comitês de direção do CAC 40.
Enquanto isso, as direções de negócio veem suas equipes usando ChatGPT, Claude ou Gemini a um ritmo que torna qualquer proibição ilusória. Um comercial cola um arquivo de cliente para fazer um resumo. Um desenvolvedor deposita um trecho de código-fonte para corrigir um bug. Uma assistente coloca a ata de uma reunião executiva em uma caixa de diálogo para reformulá-la. Esses dados saem fisicamente da empresa.
Bloquear esses usos é sacrificar os ganhos de produtividade que os concorrentes já estão capturando. Deixá-los sem enquadramento é arriscar multas que, desde a aplicação integral do EU AI Act em 2 de agosto de 2026, podem chegar a 35 milhões de euros ou 7% do faturamento mundial. O RGPD mantém seu teto em 20 milhões de euros ou 4% do faturamento para transferências ilegais. A mesma lógica de níveis vale do lado da conformidade: a rastreabilidade exigida não é a mesma para um uso interno inofensivo e para um sistema de alto impacto, como detalhamos em nossa análise do AI Act e a rastreabilidade.
A versão empresarial: necessária, nunca suficiente
Eis algo que ainda surpreende muitos CIOs: pagar uma assinatura ChatGPT Plus não oferece nenhuma garantia de confidencialidade. As conversas são, por padrão, usadas para treinar as versões seguintes do modelo. Para excluí-las, é necessária uma ação manual nas configurações, usuário por usuário. Idem do lado do Gemini público, onde as conversas são regularmente objeto de revisão manual por operadores humanos para anotar as respostas.
O cenário que tira o sono dos juristas: um colaborador submete um briefing comercial confidencial ao ChatGPT Plus, o conteúdo entra na memória de treinamento, e seis meses depois, um concorrente que faz a pergunta certa recebe uma resposta estranhamente bem informada. Probabilístico, não certo. Mas tecnicamente possível, portanto inegociável.
As versões empresariais das mesmas ferramentas invertem esse contrato. No ChatGPT Enterprise, Claude Enterprise ou Vertex AI, nenhum dado do cliente é usado para treinamento por padrão. É contratual, documentado, auditável. Mas é o primeiro degrau da escada, não o topo. A versão empresarial resolve a questão do treinamento, não a da localização dos dados, do acesso de um governo estrangeiro, ou do destino dos dados realmente estratégicos. Para esses assuntos, é preciso empilhar camadas. É isso que cobrem os três pilares a seguir: cada um responde a um nível de sensibilidade, e é sua combinação, não um produto único, que faz uma arquitetura segura.
Os três pilares técnicos para proteger a IA na empresa
Essas três camadas se complementam, cada uma calibrada para um grau de sensibilidade. Nenhuma é suficiente sozinha. Todas juntas permitem abrir as comportas sem risco.
Pilar 1 - O proxy LLM, seu aduaneiro de dados
O proxy LLM é um gateway de software que se interpõe entre seus colaboradores e os modelos externos. Toda requisição passa por ele. Antes que ela saia da rede, ele escaneia o texto para identificar informações sensíveis: nomes, e-mails, números de telefone, identificadores bancários, mas também nomes de clientes, nomes de projetos internos, códigos de produtos confidenciais.
Os elementos detectados são substituídos por tokens neutros. "O contrato com a EDF no valor de 2,3 M de euros assinado por Sophie Martin" vira "O contrato com [CLIENTE_A] no valor de [VALOR_1] assinado por [PESSOA_1]". O LLM raciocina sobre a requisição anonimizada, produz sua resposta, e o proxy reinjeta os valores originais na recepção, antes de entregar o resultado ao colaborador.
Os filtros recentes fazem isso em algumas dezenas de milissegundos, com uma taxa de detecção de 97 a 99% sobre entidades sensíveis. O colaborador não percebe nada. Os dados críticos nunca saíram do seu perímetro de confiança.
Pilar 2 - As APIs empresariais, e o que os hyperscalers fazem para se desvencilhar do CLOUD Act
Para usos correntes onde os dados são sensíveis sem serem estratégicos, as APIs empresariais dos grandes fornecedores (Azure OpenAI Service, AWS Bedrock, Vertex AI) são a via de referência. O contrato (DPA) proíbe o uso dos dados para treinamento. A retenção é limitada a 30 dias por padrão, com opção Zero Data Retention disponível por solicitação para casos sensíveis. A criptografia é de ponta a ponta.
Resta o assunto do CLOUD Act. A lei americana de 2018 permite que agências federais exijam de um fornecedor americano que entregue dados, independentemente de sua localização física. Um mandado emitido em Washington pode, em teoria, alcançar um dado hospedado em Frankfurt.
O que observamos em 2026 é que os hyperscalers entenderam o desafio e investem massivamente para se desvencilhar dessa restrição em suas ofertas europeias:
- O AWS European Sovereign Cloud abriu no início de 2026 em Brandemburgo, após 7,8 bilhões de euros de investimento. Separação lógica e física completa, pessoal exclusivamente europeu, autoridade de certificação própria e DNS independente, processadores Nitro que impedem tecnicamente o acesso aos dados por funcionários.
- A Microsoft estruturou sua oferta EU Data Boundary para confinar os dados e seu processamento dentro da União Europeia, com um enquadramento contratual reforçado sobre a cadeia de acesso.
- A S3NS, joint venture de controle majoritário da Thales em parceria com o Google Cloud, oferece uma infraestrutura que utiliza as tecnologias do Google (incluindo Vertex AI) mas operada de ponta a ponta pela entidade francesa, com chaves de criptografia sob controle exclusivo da S3NS. Qualificada SecNumCloud 3.2 pela ANSSI.
A análise honesta: essas arquiteturas reduzem consideravelmente a superfície de exposição ao CLOUD Act, sem eliminá-la totalmente para as filiais de origem americana. As joint ventures do tipo S3NS cortam juridicamente a cadeia de controle exigida pela lei americana. A escolha entre essas opções depende do nível de sensibilidade dos dados, do setor (saúde, defesa, OIV) e da tolerância ao risco residual. Esse assunto se cruza diretamente com o da soberania digital, que vai além da questão das APIs de IA.
Pilar 3 - Os modelos abertos em cloud privado, para os dados que não se pode perder
Para os dados que nenhuma multa compensa (algoritmos proprietários, dossiês de M&A, segredos industriais, dados de defesa), existe uma terceira via. Rodar um modelo de ponta diretamente na sua infraestrutura, ou em um cloud soberano europeu.
Mistral, Llama, Qwen e suas versões 2026 alcançaram um nível de desempenho que rivaliza com os modelos proprietários fechados na maioria dos casos de uso empresarial (resumo, classificação, extração, geração de código, busca aumentada). Implantá-los na OVHcloud, Scaleway, STACKIT ou de forma privada no seu Azure ou AWS oferece uma garantia simples: nada sai. A escolha entre conectar o modelo aos seus dados via RAG ou especializá-lo por fine-tuning estrutura todo o projeto (aliás, se você quiser aprofundar essa arbitragem, nós a detalhamos de ponta a ponta em nosso comparativo RAG vs fine-tuning).
A contrapartida: custo de infraestrutura e competências de operação. Rodar um Llama 3 em produção com os SLAs de uma empresa exige uma equipe MLOps real. Isso geralmente é reservado para casos de uso onde o valor justifica: um fundo de investimento, um industrial em suas bases de conhecimento de P&D, um banco em seus modelos de análise de risco.
O que separa uma experimentação de uma verdadeira colocação em produção
No papel, os três pilares cabem em uma página. Na prática, a colocação em produção revela fricções que poucas empresas antecipam:
- A latência do proxy pode fazer o tempo de resposta passar de 800 ms para 2,3 s se for mal arquitetada. Em um agente conversacional usado por 500 colaboradores simultaneamente, isso mata a adoção.
- A calibração da anonimização nunca é binária. Agressiva demais, ela priva o LLM do contexto e derruba a qualidade. Permissiva demais, deixa passar informações sensíveis.
- A governança de acessos deve se aplicar não mais aos usuários, mas aos sistemas de IA que agem em seu nome. O RBAC clássico não basta mais, é preciso migrar para ABAC contextual e Just-in-Time access.
- O acompanhamento de logs e da conformidade deve ser pensado desde o primeiro dia. Sem isso, o CISO bloqueará a implantação em produção.
Esses assuntos não se resolvem com um produto comprado pronto. Eles exigem uma arquitetura pensada de ponta a ponta e uma equipe que saiba operar esses sistemas no longo prazo.
A segurança não é inimiga da inovação
A experiência das implantações realizadas em 2024 e 2025 mostra claramente: as empresas que estabeleceram um enquadramento claro são também aquelas onde os colaboradores mais inovaram com IA. Quando as regras são explícitas e as ferramentas aprovadas, as equipes ousam. Quando tudo é confuso ou proibido, elas usam seu ChatGPT pessoal escondido, e é aí que os vazamentos acontecem.
O enquadramento de confiança não é um freio. É a condição para que a IA passe da experimentação ao uso cotidiano na escala da empresa. 88% das empresas usam IA, mas apenas 33% conseguem implantá-la em escala. A diferença se joga nesse enquadramento.
Vamos conversar?
Implantar uma arquitetura de proxy LLM, selecionar as APIs empresariais certas conforme o nível de sensibilidade, implantar um modelo aberto em cloud soberano: são os projetos que conduzimos em nossos clientes em 6 a 8 semanas, com um primeiro caso de uso em produção. Se é um tema na sua empresa, escreva para contact@bomzai.fr.
