IA intensifica desafios de segurança e governança nas redes corporativas
O avanço acelerado da inteligência artificial dentro das empresas está redesenhando o mapa de riscos de segurança e de governança nas redes corporativas. A popularização de ferramentas de IA generativa, a adoção de agentes autônomos e a integração de modelos em aplicações de negócio criam uma nova superfície de ataque – muitas vezes invisível às soluções tradicionais de cibersegurança.
Para responder a esse cenário, a Check Point anunciou o AI Network Firewall, um conjunto de funcionalidades que permite monitorar e controlar o uso de IA diretamente na infraestrutura de rede já existente. O recurso é disponibilizado como parte da versão R82.20 do software de firewall da companhia, dispensando a necessidade de novos appliances ou grandes mudanças na arquitetura atual.
A novidade chega em um momento em que a IA deixa de ser um experimento pontual para se tornar parte do fluxo diário de trabalho. Funcionários, aplicações internas e agentes de IA passam a trocar dados sensíveis por meio da rede corporativa – muitas vezes sem que a área de segurança tenha plena visibilidade sobre quais ferramentas são usadas, quais dados estão sendo compartilhados e quais riscos estão sendo introduzidos no ambiente.
Dados do Relatório de Segurança em IA, da Check Point Research, mostram a dimensão do problema: entre 87% e 93% das organizações registram pelo menos uma interação mensal de alto risco com ferramentas de IA generativa. Em paralelo, o número de prompts contendo informações corporativas, pessoais ou sujeitas a regulamentação dobrou em apenas um ano. Hoje, uma em cada 25 interações com modelos de IA já carrega algum tipo de dado sensível.
A expansão do ecossistema de IA também abre novas portas para atacantes. Em uma análise envolvendo 10 mil servidores que utilizam o Model Context Protocol (MCP) – tecnologia usada para conectar agentes de IA a aplicações corporativas -, a Check Point Research identificou vulnerabilidades de segurança em 40% desses ambientes. Em outro estudo, foram encontradas 15.300 cargas maliciosas de injeção de prompt indireto embutidas em páginas públicas, sendo cerca de 70% escondidas em trechos de código não visíveis para o usuário comum.
Nesse contexto, o AI Network Firewall passa a incorporar capacidades específicas para identificar, inspecionar e controlar o tráfego relacionado a IA na própria infraestrutura de rede que a empresa já possui. Em vez de adicionar mais uma solução paralela, as novas funções são embutidas no firewall existente, reduzindo complexidade operacional e evitando uma proliferação de ferramentas desconectadas.
Segundo Nataly Kremer, Chief Product Officer (CPO) da Check Point, a mudança de abordagem é inevitável: a IA já transformou a forma como a rede corporativa é utilizada, e o firewall precisa acompanhar essa transformação para continuar relevante. A executiva destaca que a rede é o ponto em que todos os prompts, chamadas de API para modelos de linguagem e interações de agentes convergem. No entanto, os firewalls tradicionais não foram desenhados para enxergar ou controlar esse tipo de atividade em profundidade.
Ao integrar segurança específica para IA diretamente no firewall que já faz parte da arquitetura das empresas, a proposta é oferecer às equipes de cibersegurança visibilidade em tempo real sobre o que está acontecendo e, ao mesmo tempo, mecanismos de controle finos o suficiente para permitir o uso produtivo da IA sem abrir mão da proteção de dados e do compliance. A ideia não é bloquear a tecnologia, mas viabilizar sua adoção de forma segura e governada.
Entre os recursos adicionados, destaca-se a capacidade de descoberta automática de aplicações e agentes de IA utilizados pelos colaboradores, mesmo quando foram adotados de maneira informal ou sem aprovação prévia da TI (shadow AI). O firewall passa a reconhecer esse tipo de tráfego, classificá-lo e permitir que políticas específicas sejam aplicadas – por exemplo, diferenciar o que pode ser feito em um modelo público e o que é permitido em um modelo corporativo privado.
Outra funcionalidade importante é o monitoramento de comunicações baseadas em Model Context Protocol (MCP). Como esse protocolo é essencial para conectar agentes de IA a sistemas internos, APIs e bases de dados sensíveis, rastrear e proteger esse fluxo de dados torna-se fundamental para evitar acessos indevidos, vazamentos não intencionais ou manipulação maliciosa do contexto fornecido aos modelos.
O AI Network Firewall também inclui controles para impedir que informações sensíveis sejam enviadas em prompts, seja de maneira acidental por parte dos usuários ou como resultado de exploração maliciosa. Políticas podem ser configuradas para identificar e bloquear termos, padrões de dados confidenciais (como informações financeiras, dados pessoais identificáveis ou propriedade intelectual) e até contextos regulados por legislações específicas.
Além disso, a solução traz mecanismos de defesa contra injeção de prompt – inclusive em sua variante indireta, em que instruções maliciosas são inseridas em conteúdos aparentemente inofensivos para influenciar o comportamento de modelos de linguagem. O firewall busca bloquear essas tentativas antes que cheguem aos modelos, reduzindo a chance de que agentes de IA sejam persuadidos a executar ações fora de política ou a exfiltrar informações.
De acordo com a Check Point, essas capacidades passam a integrar o AI Defense Plane, uma arquitetura pensada para centralizar governança e proteção de aplicações de IA em diferentes camadas do ambiente corporativo: rede, nuvem, endpoints, APIs e data centers. A visão é que a IA não é um silo isolado, mas algo que atravessa toda a infraestrutura, exigindo uma camada de defesa coesa e unificada.
Pete Finalle, gerente de pesquisa para Trusted Access and Network Security na IDC, aponta que muitas organizações encontram dificuldade em implementar soluções dedicadas exclusivamente à segurança de IA. Com frequência, esses componentes são adicionados como “ilhas” na arquitetura já existente, o que aumenta o número de consoles, agentes e integrações a serem gerenciados. A integração nativa de segurança para IA aos pontos onde as políticas de rede já são aplicadas tende a simplificar essa equação, aprimorando visibilidade, qualidade da telemetria e postura de segurança, sem inflar ainda mais o arsenal de ferramentas.
A atualização do Check Point AI Network Firewall também estende o gerenciamento centralizado de políticas em ambientes híbridos complexos, que combinam SASE, SD-WAN, firewalls em nuvem e soluções de múltiplos fornecedores. Com isso, as equipes de segurança podem definir e manter políticas consistentes de uso de IA em diferentes locais, filiais, data centers e ambientes em nuvem, reduzindo brechas geradas por configurações divergentes.
Governança de IA na prática: além da tecnologia
Embora novas funções de firewall sejam um passo importante, o desafio de segurança e governança de IA nas redes corporativas vai além da ferramenta. As empresas precisam estabelecer políticas claras sobre quais modelos podem ser utilizados, para quais finalidades, que tipos de dados podem ser enviados e como as respostas dos modelos serão consumidas e auditadas.
Uma governança eficaz de IA passa por inventariar todas as aplicações que utilizam modelos, sejam eles públicos, privados, hospedados em nuvem ou on-premises. É necessário mapear integrações com sistemas críticos, definir responsáveis de negócio e de tecnologia para cada caso de uso e estabelecer critérios de avaliação de risco. Apenas com essa visão consolidada é possível aproveitar plenamente recursos como o AI Network Firewall, traduzindo diretrizes de governança em regras técnicas de rede e segurança.
Outro aspecto essencial é a capacitação dos usuários. Muitos vazamentos de dados para ferramentas de IA ocorrem por desconhecimento – colaboradores colam trechos de contratos, códigos-fonte, dados de clientes ou documentos internos em chats de IA para “facilitar o trabalho”, sem perceber as implicações legais e de confidencialidade. Programas de conscientização devem deixar claro o que é permitido, o que é proibido e quais alternativas seguras a empresa oferece, como o uso de modelos internos ou ambientes controlados.
Do ponto de vista regulatório, países e setores regulados começam a exigir maior transparência, rastreabilidade e controle no uso de IA. Isso inclui saber onde os dados são processados, que tipos de informações podem ser usados para treino de modelos, como decisões automatizadas são explicadas e contestadas, e de que forma logs e evidências são preservados para auditoria. Uma arquitetura de rede capaz de inspecionar e registrar o tráfego de IA torna-se peça-chave para cumprir esses requisitos.
Riscos específicos da IA nas redes corporativas
Ao contrário de ameaças tradicionais, os riscos ligados à IA muitas vezes não se manifestam como malware clássico ou exploits conhecidos, mas como comportamentos indevidos de modelos, uso não autorizado de dados ou cadeias de automação pouco transparentes. Alguns exemplos:
– Exfiltração silenciosa de informações sensíveis por meio de prompts e respostas.
– Tomada de decisão automatizada baseada em dados manipulados por injeção de prompt.
– Integrações entre agentes de IA e APIs internas que permitem movimentação lateral não planejada.
– Uso massivo e não controlado de serviços de IA em nuvem, com custos imprevisíveis e exposição de dados.
Esses riscos exigem novos tipos de telemetria e análise. Ver apenas portas, IPs e protocolos não basta. É necessário entender que parte do tráfego representa prompts, chamadas a modelos, respostas de agentes e interações entre IA e sistemas internos. O movimento de fornecedores de segurança para “ensinar” o firewall a reconhecer e tratar esse tráfego é uma resposta direta a essa necessidade.
Boas práticas para empresas que adotam IA em larga escala
Além da adoção de soluções como o AI Network Firewall, algumas boas práticas podem ajudar a reduzir a exposição:
1. Classificar dados: definir claramente o que é público, interno, confidencial e restrito, e mapear quais categorias podem ou não ser usadas em interações com IA.
2. Definir modelos autorizados: criar uma lista de ferramentas e serviços de IA aprovados, com base em critérios de segurança, privacidade e compliance.
3. Segmentar a rede: isolar ambientes de testes de IA, laboratórios e integrações experimentais da infraestrutura crítica de produção.
4. Monitorar uso em tempo real: utilizar soluções que mostrem quais usuários, departamentos e aplicações estão consumindo IA, bem como volume, contexto e tipo de dados.
5. Aplicar políticas dinâmicas: ajustar permissões de uso conforme o perfil de risco do usuário, do dispositivo e da localização, integrando identidade, contexto e tráfego de rede.
O futuro da segurança de IA nas redes
À medida que a IA se torna parte estrutural de processos de negócios – e deixa de ser apenas um recurso de produtividade pontual -, a fronteira entre “segurança de rede” e “segurança de IA” tende a desaparecer. Firewalls, gateways, plataformas de observabilidade e soluções de proteção de dados precisarão entender a linguagem dos modelos, dos agentes e dos prompts, atuando de forma coordenada.
Para as empresas, o desafio é equilibrar inovação e proteção. Bloquear totalmente o uso de IA tende a ser inviável e contraproducente. O caminho mais sustentável é adotar uma abordagem de “permita com controle”: oferecer formas seguras de utilizar a tecnologia, com monitoramento contínuo, políticas claras e ferramentas capazes de aplicar essas políticas onde o tráfego realmente acontece – na rede.
Nesse cenário, soluções integradas como o AI Network Firewall apontam uma direção: em vez de acrescentar mais camadas desconectadas à pilha de segurança, aproveitar pontos já consolidados de inspeção e controle para trazer a IA para dentro da estratégia de proteção corporativa, com governança mais madura e riscos sob medida para cada organização.