Quando sua IA fala com outra IA: você sabe realmente por onde circula seu saber organizacional?

A inteligência artificial instala-se rapidamente nas empresas e nas organizações governamentais. Colaboradores a utilizam para analisar documentos, resumir relatórios, escrever código, preparar apresentações, buscar informação, estruturar decisões e acelerar uma multiplicidade de tarefas cotidianas. À medida que os agentes de IA surgem, essa integração avança ainda mais: a inteligência artificial pode doravante acessar diretamente certos aplicativos, consultar documentos, interrogar bancos de dados, utilizar APIs e intervir em processos operacionais.

Essas capacidades podem produzir ganhos consideráveis. Elas criam igualmente uma nova realidade: uma parte do saber organizacional começa a circular através de infraestruturas de inteligência artificial cujos componentes os usuários não conhecem necessariamente por completo.

Um acontecimento recente envolvendo a Moonshot AI, a empresa por trás dos modelos Kimi, e a Anthropic permite medir a importância dessa questão. Em um primeiro momento, as autoridades americanas acusaram a Moonshot de ter utilizado as capacidades do Claude para acelerar o desenvolvimento do Kimi por meio de técnicas de destilação. Essas acusações alimentaram um debate, notadamente sobre a cronologia apresentada e sobre o que ela permitia realmente explicar.

Algumas semanas mais tarde, a Anthropic formulou alegações muito mais precisas. Segundo a empresa, a Moonshot teria repassado certas solicitações de seus próprios usuários ao Claude e recuperado elementos dessas trocas. A Anthropic afirma que essas operações teriam representado mais de 23 milhões de trocas entre maio e julho de 2026 e que certas solicitações continham informações sensíveis provenientes de usuários que acreditavam interagir unicamente com o Kimi.

Para além das dimensões comerciais, tecnológicas e geopolíticas desse caso, uma questão muito mais universal surge para as organizações: quando um colaborador transmite uma informação a uma inteligência artificial, sabemos realmente quem a recebe, por onde ela circula e o que pode em seguida ser feito com ela?

Para uma empresa ou uma organização governamental, o principal aprendizado dessa situação diz respeito à cadeia de confiança. Quando um usuário abre uma interface de inteligência artificial, ele vê geralmente uma marca, um produto e uma janela de conversa. Essa aparente simplicidade pode mascarar uma arquitetura muito mais complexa.

Por trás dessa interface podem intervir vários fornecedores. O serviço visível pode utilizar um modelo desenvolvido por outra empresa. Certas solicitações podem ser direcionadas a diferentes modelos conforme sua natureza. Uma função de busca pode utilizar um serviço externo. Um agente pode chamar várias APIs. Os dados podem atravessar uma plataforma de orquestração, uma infraestrutura em nuvem e diferentes sistemas especializados antes que a resposta seja finalmente apresentada ao usuário. A experiência permanece simples. A cadeia tecnológica, essa sim, pode ser longa.

Essa distinção assume toda a sua importância quando uma organização utiliza a inteligência artificial com suas próprias informações. Segundo a Anthropic, certas solicitações endereçadas ao Kimi teriam sido repassadas ao Claude sem que os usuários envolvidos soubessem necessariamente que seus dados eram transmitidos a outro fornecedor. A empresa afirma que certas trocas continham notadamente código interno, credenciais ativas e informações provenientes de organizações governamentais ou de empresas públicas.

Sem precisar arbitrar as acusações entre as empresas envolvidas, a situação permite ilustrar uma fragilidade muito mais geral. O usuário conhece a ferramenta que utiliza. Ele conhece muito menos a arquitetura que se encontra por trás dessa ferramenta. Para uma organização que manipula informações sensíveis, essa diferença pode tornar-se considerável.

Autorizar a utilização de um serviço de IA não deveria, portanto, repousar unicamente sobre o nome exibido no alto da tela. É preciso compreender o conjunto da cadeia de tratamento. Qual modelo executa realmente a solicitação? Onde se encontra a infraestrutura? O mesmo modelo é sempre utilizado? O fornecedor pode transmitir certas solicitações a um subcontratado? As conversas são conservadas? Podem elas ser utilizadas para o treinamento? Quais metadados são registrados? Serviços secundários ou APIs intervêm no tratamento?

Essas questões tornam-se particularmente importantes quando a informação diz respeito à propriedade intelectual, às operações, à defesa, à pesquisa, a infraestruturas críticas, a dados pessoais ou a decisões estratégicas. O problema ultrapassa então largamente a proteção de um arquivo individual. Ele atinge diretamente o saber da organização.

Durante muito tempo, um vazamento de informação evocava principalmente um documento roubado, um banco de dados copiado ou um e-mail enviado ao destinatário errado. A inteligência artificial modifica essa dinâmica. Um colaborador pode hoje copiar algumas páginas de um documento estratégico em uma interface e transmitir em alguns segundos um conhecimento que levou anos para ser desenvolvido.

Esse conhecimento pode assumir a forma de código-fonte, de uma arquitetura técnica, de um processo industrial, de uma análise de mercado, de uma estratégia comercial, de um procedimento operacional, de um modelo financeiro ou de uma sucessão de decisões que revelam em conjunto como a organização funciona. Cada fragmento pode parecer relativamente banal. Sua combinação pode representar uma parcela considerável de sua vantagem competitiva ou operacional.

Essa realidade obriga a ampliar a noção de propriedade intelectual. As patentes, marcas e softwares permanecem evidentemente importantes, mas grande parte do patrimônio estratégico de uma organização reside em seu know-how. Por que tal decisão foi tomada? Como esse processo funciona realmente? Quais problemas já foram encontrados? Qual solução revelou-se eficaz? Quais clientes apresentam certas restrições? Quais fornecedores são particularmente críticos? Qual arquitetura está prevista para o próximo produto?

É precisamente esse contexto que torna a inteligência artificial tão útil. Uma IA genérica pode possuir capacidades notáveis, mas ela torna-se muito mais pertinente quando compreende a organização, seus documentos, seus processos, seu vocabulário e suas restrições. Surge então um paradoxo: quanto mais a organização compartilha seus conhecimentos com a IA, mais esta pode criar valor; quanto mais ela compartilha seus conhecimentos, mais precisa dominar as condições em que estes são utilizados.

Uma regra que pede simplesmente aos colaboradores para jamais transmitir informação confidencial a uma ferramenta de IA continua útil, mas torna-se insuficiente. Um colaborador não sabe necessariamente que uma informação é sensível. Um documento pode conter principalmente informação pública e alguns elementos estratégicos. Um aplicativo corporativo pode utilizar um modelo de IA em segundo plano sem que o usuário interaja diretamente com ele. Um assistente de programação pode ter acesso ao código e ao contexto de um projeto inteiro.

A chegada dos agentes de IA amplifica ainda mais esse fenômeno. Um chatbot geralmente espera que um usuário lhe forneça a informação. Um agente pode ir buscá-la ele mesmo. Ele pode consultar uma caixa de e-mail, abrir documentos, interrogar um banco de dados, utilizar um CRM, chamar APIs e desencadear certas ações. A questão não é, portanto, mais apenas saber o que um colaborador decide voluntariamente transmitir à IA. É preciso também saber o que a própria IA possui autorização para consultar e transmitir.

A identidade digital do agente torna-se então fundamental. Como um colaborador, um agente deveria dispor de uma identidade distinta e de permissões correspondentes precisamente ao seu papel. Ele não precisa acessar o conjunto dos conhecimentos da organização simplesmente porque é tecnicamente capaz de processá-los. Os princípios de menor privilégio, de Zero Trust e de Continuous Trust tornam-se diretamente aplicáveis aos agentes de IA: verificar sua identidade, limitar seus acessos, monitorar seu comportamento e poder modificar ou revogar rapidamente suas permissões.

Essa transformação faz igualmente da aquisição de IA um verdadeiro desafio de segurança e de governança. A qualidade das respostas permanece evidentemente um critério importante quando uma organização escolhe um fornecedor, mas ela já não basta. É preciso igualmente compreender sua cadeia de suprimentos digital. Quem fornece realmente o modelo? Quem fornece a infraestrutura? Quais subcontratados intervêm? Quais APIs são utilizadas? Por onde circulam os dados? Quais dependências estrangeiras existem? O que acontece se o fornecedor mudar subitamente suas condições, sua arquitetura ou seus parceiros?

O fornecedor visível pode ser apenas a primeira camada de uma arquitetura muito mais ampla.

Essa realidade conduz naturalmente à soberania digital. Uma organização pode perfeitamente hospedar seus dados no Canadá utilizando ao mesmo tempo um serviço de inteligência artificial cujas solicitações são em parte tratadas sob outra jurisdição. Ela pode explorar um modelo local cujas funções repousam em parte sobre APIs externas. Ela pode igualmente desenvolver seu próprio aplicativo permanecendo ao mesmo tempo dependente de um fornecedor estrangeiro para a inferência, o treinamento ou certas capacidades especializadas.

A residência dos dados constitui, portanto, uma parte da soberania. O domínio de sua circulação constitui outra. Ser soberano significa igualmente saber por onde circula sua informação e conservar a capacidade de mudar quando essa circulação já não corresponde aos interesses da organização.

Essa abordagem não conduz necessariamente a hospedar todos os modelos localmente. Os serviços públicos de inteligência artificial oferecem uma potência, uma diversidade e uma velocidade de inovação extraordinárias. Para numerosos usos que não envolvem nenhuma informação sensível, eles podem constituir uma excelente solução. Certas categorias de conhecimentos podem, contudo, justificar uma arquitetura diferente.

Uma organização que trabalha com tecnologias sensíveis, arquiteturas de segurança, programas governamentais, dados regulados ou propriedade intelectual estratégica pode ter interesse em utilizar certos modelos em uma infraestrutura que controla mais de perto. Uma IA privada ou soberana pode permitir dominar mais estreitamente a residência dos dados, os registros, os acessos, os modelos utilizados e as conexões com outros sistemas.

Uma arquitetura madura pode, portanto, utilizar várias categorias de inteligência artificial simultaneamente. Modelos públicos podem servir às tarefas gerais. Ambientes corporativos que se beneficiam de garantias contratuais e técnicas mais importantes podem tratar certas informações internas. Infraestruturas privadas ou soberanas podem ser reservadas aos conhecimentos mais sensíveis. A classificação dos dados e do saber organizacional pode em seguida determinar quais ambientes são apropriados para quais usos.

A inteligência artificial torna-se então uma verdadeira arquitetura corporativa em vez de uma coleção de assinaturas SaaS.

Essa evolução confere igualmente uma importância particular à governança do conhecimento. Uma organização não pode determinar o que uma IA deveria poder consultar se ela mesma não sabe quais conhecimentos possui, onde eles se encontram, qual valor têm e quem deveria poder acessá-los. É precisamente um dos papéis que pode desempenhar o Qb Knowledge Standard — QKS. Estruturar e governar o conhecimento permite explorá-lo melhor com a IA, mas também determinar o que deve ser classificado, protegido ou reservado a certos ambientes.

A governança do conhecimento e a governança da IA tornam-se assim profundamente ligadas. Um agente encarregado de apoiar as vendas provavelmente não precisa acessar documentos de pesquisa confidenciais. Um assistente destinado aos recursos humanos não tem por que consultar as arquiteturas de cibersegurança. Um agente de engenharia pode precisar de documentação técnica sem, no entanto, dispor dos mesmos direitos que um administrador de sistemas. Antes de dar mais autonomia aos agentes, é preciso, portanto, compreender o saber que eles estarão autorizados a utilizar.

O caso Anthropic–Moonshot põe igualmente em evidência o outro lado do problema: os próprios modelos podem constituir uma propriedade intelectual extremamente valiosa. Uma organização que desenvolve ou treina seus próprios modelos deve refletir sobre a maneira de detectar os comportamentos suscetíveis de buscar extrair sistematicamente certas capacidades. Algumas solicitações feitas por um usuário são corriqueiras. Milhares de contas gerando milhões de solicitações metodicamente estruturadas apresentam um perfil muito diferente.

A análise comportamental, a detecção de anomalias, a gestão de cotas, a identidade forte e o monitoramento das APIs tornam-se então mecanismos de proteção da propriedade intelectual. A cibersegurança da IA funciona, portanto, nas duas direções: proteger a organização contra aquilo que seus usos da IA poderiam expor e proteger suas próprias capacidades de inteligência artificial contra aqueles que buscariam extrair delas o valor.

É preciso, contudo, evitar confundir esse problema com a destilação em si. A destilação é uma técnica legítima e largamente utilizada em inteligência artificial para transferir certas capacidades de um modelo para outro. O problema surge quando técnicas são empregadas em violação de direitos, de condições contratuais ou de mecanismos de controle. Essa distinção é importante: uma tecnologia não é intrinsecamente problemática simplesmente porque pode ser utilizada de uma maneira contestada.

Para os executivos, o aprendizado permanece, contudo, muito concreto. Toda capacidade tecnológica suficientemente valiosa acabará provavelmente por suscitar tentativas de observá-la, reproduzi-la ou extrair dela uma parte do valor. As organizações que desenvolvem seus próprios ativos de IA deverão, portanto, considerá-los progressivamente como ativos estratégicos que também necessitam de uma arquitetura de proteção.

Essa arquitetura não pode repousar unicamente sobre uma avaliação realizada no momento de escolher o fornecedor. Uma análise de segurança tem uma data. O fornecedor pode adicionar novos parceiros, modificar sua infraestrutura, mudar suas condições contratuais, ser adquirido por outra empresa ou introduzir novas funções. Um serviço também pode começar a utilizar vários modelos sem que sua interface mude visivelmente.

A confiança deve, portanto, poder ser continuamente verificada. As dependências devem ser reavaliadas, os fluxos documentados, os contratos adaptados e os comportamentos incomuns detectados. Essa lógica converge diretamente com o Continuous Trust: uma decisão de confiança tomada há dois anos não basta para determinar o nível de confiança apropriado hoje, quando o ambiente tecnológico mudou.

Para as organizações governamentais, essa vigilância pode tornar-se particularmente importante. Os dados manipulados podem dizer respeito a cidadãos, a infraestruturas críticas, a políticas públicas, à segurança nacional ou a relações internacionais. As consequências de uma transferência involuntária podem então ultrapassar largamente a confidencialidade comercial. Essa prudência não deveria, contudo, levar a frear sistematicamente a adoção da inteligência artificial.

Uma governança clara pode produzir o efeito inverso. Quando os colaboradores sabem quais ferramentas são autorizadas, quais dados podem ser utilizados e quais ambientes convêm às diferentes categorias de informação, eles precisam menos improvisar. Os desenvolvedores dispõem de APIs aprovadas, os usuários compreendem os limites, as equipes de segurança obtêm mais visibilidade e os executivos conhecem melhor sua exposição. Uma organização que compreende seus riscos pode frequentemente autorizar mais usos do que uma organização que simplesmente ignora o que circula.

É aqui que a segurança pode tornar-se um acelerador da adoção em vez de um freio. O papel da Hipersegurança também ganha todo o seu sentido. A cibersegurança permanece indispensável para proteger os dados, as identidades, as APIs, os aplicativos, os modelos e as infraestruturas. A Hipersegurança acrescenta uma visão transversal de suas interações, de suas dependências e de sua evolução. Ela busca compreender como o saber circula entre humanos, agentes, modelos, aplicativos, fornecedores e infraestruturas, e em seguida manter um nível de controle compatível com o risco.

Em um ambiente de IA distribuída, proteger um banco de dados já não basta, portanto. É preciso proteger os caminhos que permitem acessá-lo, as identidades que podem interrogá-lo, os agentes capazes de extrair dele informação, os modelos que podem tratá-lo, os fornecedores que participam do tratamento e as ações que podem em seguida ser realizadas. O controle torna-se dinâmico porque as interações também se tornam.

Para a Quantum Beyond, a primeira etapa consiste então em compreender antes de conectar. Quais ferramentas de IA já são utilizadas? Quais dados e quais conhecimentos circulam nelas? Quais fornecedores e subcontratados intervêm? Quais APIs estão conectadas? Quais agentes dispõem de acesso? Quais dependências existem? Quais conhecimentos são suficientemente sensíveis para exigir uma infraestrutura ou um nível de controle diferente?

Essa compreensão pode em seguida alimentar uma arquitetura adaptada ao risco. Governança da IA, QKS, IAM, Zero Trust e Continuous Trust, IA privada e soberana, arquitetura de Hipersegurança, ciber-resiliência e soberania digital podem funcionar juntas para permitir à organização explorar mais a inteligência artificial conservando ao mesmo tempo um domínio suficiente de seus conhecimentos e de suas operações.

A questão mais importante já não é, portanto, talvez, simplesmente saber quem possui os dados. As arquiteturas modernas exigem igualmente perguntar quem pode lê-los, quem pode tratá-los, onde eles podem ser copiados, quais modelos podem interagir com eles, quais outras organizações podem eventualmente acessá-los e quais ações podem decorrer de sua utilização.

O controle da informação torna-se progressivamente um problema de circulação.

Uma organização pode permanecer juridicamente proprietária de uma informação tendo ao mesmo tempo perdido uma parte de seu domínio operacional. À medida que a inteligência artificial se integrar aos processos de trabalho, essa distinção tornar-se-á essencial.

As acusações envolvendo o Kimi e a Anthropic inscrevem-se em um contexto complexo no qual se cruzam concorrência tecnológica, interesses comerciais, propriedade intelectual, cibersegurança e considerações geopolíticas. A Quantum Beyond não tem por vocação arbitrar esse debate. O aprendizado que uma empresa ou uma organização governamental pode tirar dele é muito mais diretamente aplicável às suas próprias operações.

Uma inteligência artificial nunca é unicamente uma janela na qual um colaborador escreve uma pergunta. Por trás dessa janela encontra-se uma arquitetura composta de modelos, de fornecedores, de APIs, de infraestruturas em nuvem, de sistemas de identidade, de serviços complementares e por vezes de outros modelos de inteligência artificial. Cada nova conexão pode tornar-se um novo caminho percorrido pelo conhecimento da organização.

As organizações que desejam se beneficiar plenamente da IA deverão, portanto, desenvolver uma capacidade fundamental: compreender e governar essa circulação. Isso significa conhecer os fornecedores e suas dependências, mapear os fluxos, classificar os dados e os conhecimentos, controlar as identidades humanas e não humanas, aplicar o menor privilégio, monitorar os usos, proteger a propriedade intelectual e determinar quais informações podem razoavelmente ser confiadas a quais ambientes.

A Quantum Beyond pode acompanhar as equipes internas nessa abordagem reunindo governança da IA, QKS, IAM, Zero Trust e Continuous Trust, IA privada e soberana, Hipersegurança e governança do conhecimento. O objetivo consiste em dar às organizações visibilidade e domínio suficientes para que elas possam integrar a inteligência artificial muito mais profundamente em suas atividades, preservando ao mesmo tempo seus ativos estratégicos e sua capacidade de decisão.

A IA produz seu maior valor quando compreende suficientemente o contexto da organização para lhe ser realmente útil. Esse conhecimento possui, ele próprio, um valor considerável. Aprender a compartilhá-lo de maneira controlada tornar-se-á, portanto, uma das competências fundamentais das organizações que terão sucesso em sua transformação pela inteligência artificial.

Na era da IA, proteger seu saber já não significa unicamente impedir que alguém o roube. Isso significa também saber a quem escolhemos confiá-lo, por quais caminhos ele circulará e até onde estamos dispostos a deixá-lo ir.