Todo pedido de piloto de agente de IA chega com a mesma pressa: conecta direto no banco de produção, a gente ajusta os detalhes depois. Essa é a primeira decisão técnica que a gente segura na Overflow, e é a que mais gera atrito com quem está pagando a conta.
O motivo está num número que saiu essa semana. Levantamento da Sinch com 2.527 executivos de dez países, com recorte específico para o Brasil, mostra que 80% das empresas brasileiras já interromperam ou reverteram alguma implementação de agente de IA. Até aí, nada muito surpreendente: a maioria erra a mão na primeira tentativa. O que chama atenção é o motivo do recuo. Em 39% desses casos, a causa foi vazamento de dado ou de informação pessoal. Não foi resposta errada, não foi alucinação, não foi latência.
Isso muda a pergunta que a gente faz antes de ligar um agente em qualquer sistema de cliente. A pergunta não é "ele responde certo?". É "o que ele consegue ver que não devia?".
A pressa que a gente segura
O pedido mais comum de quem contrata um piloto é pular a etapa de mascaramento e ligar o agente direto na base real, porque assim o time do cliente vê resultado em dois dias em vez de duas semanas. Do ponto de vista de quem está pagando, faz sentido: o piloto da Overflow já dura de 2 a 4 semanas, e cada dia gasto filtrando campo por campo é um dia a menos de piloto visível.
O problema é o que um agente de IA faz de diferente de um sistema tradicional. Um CRM comum mostra o campo que a tela pede. Um agente com acesso de leitura a um banco ou a uma base de documentos não sabe filtrar sozinho: ele lê o que está no alcance da query, monta contexto com aquilo, e responde com base no que viu, mesmo que o dado nunca devesse ter entrado no prompt. Não é um bug de modelo. É um problema de desenho de acesso, e desenho de acesso é decisão de arquitetura, não de prompt.
Por isso a gente trata a camada de mascaramento como parte do escopo do piloto, não como item de produção que dá pra empurrar para depois. Antes de qualquer agente tocar dado real de cliente, existe uma etapa que filtra o que entra no contexto:
def montar_contexto(registros, campos_permitidos):
return [
{k: v for k, v in r.items() if k in campos_permitidos}
for r in registros
]
Parece pouco. Na prática, é a diferença entre um agente que nunca viu um CPF e um agente que precisa ser auditado depois para provar que não vazou nada. A segunda opção custa muito mais tempo de engenharia do que a primeira, só que custa depois do incidente, quando ninguém está com paciência para pagar.
O trade-off que a gente aceita
A gente troca velocidade de largada por previsibilidade de saída. Isso tem custo, e o custo é real:
| Sem camada de mascaramento | Com camada de mascaramento | |
|---|---|---|
| Tempo até primeiro resultado visível | 2 a 3 dias | 6 a 8 dias |
| Superfície de dado exposta ao agente | Tudo que a query alcança | Só o que está na allowlist |
| Trabalho se algo vazar | Auditoria completa, mais retrabalho de acesso | Log já mostra o que o agente viu |
| Confiança do time do cliente no piloto | Alta no início, cai no primeiro susto | Estável, sem susto para explicar |
A linha que mais importa é a terceira. Quando o vazamento é a causa do recuo, o custo não é só técnico: é a reunião em que alguém do jurídico do cliente pergunta o que exatamente o agente leu, e a resposta certa é "aqui está o log", não "a gente vai levantar isso".
O agente não precisa ver o dado inteiro para responder bem. Precisa ver só o que a pergunta exige.
Isso vale sempre, mesmo quando o cliente insiste que é só um piloto e não tem problema. Piloto que vaza dado deixa de ser piloto e vira o motivo pelo qual a empresa aparece nos 80% que recuaram, não nos que seguiram para produção.
O que fazer na segunda de manhã
Se você já tem um agente rodando com acesso a dado de cliente, dá para verificar isso hoje, sem esperar o próximo incidente:
- Liste todo campo que o agente consegue puxar em cada fonte conectada, não só os que ele usa hoje.
- Compare com o que a resposta dele realmente precisa mostrar. A diferença entre os dois é a superfície que está exposta à toa.
- Coloque um log de auditoria entre a query e o prompt, mesmo que rudimentar, mostrando o que entrou no contexto em cada chamada.
- Se a resposta para "o que ele viu na última hora" exige investigação, o mascaramento chegou atrasado.
A gente trabalha com IA e automação partindo desse ponto: o piloto só é rápido de verdade quando o acesso já nasce filtrado, porque reconstruir isso depois de um vazamento custa mais caro do que os dias que se economizou no início.
Fontes
- Sinch research reveals 74% of enterprises have rolled back live AI customer communications agents (Sinch, 2026)
- Brasil supera EUA na adoção de agentes de IA pelas empresas (Olhar Digital, 2026)
- Sinch research reveals 74% of enterprises have rolled back live AI customer communications agents (PR Newswire, 2026)
