A corrida global pela inteligência artificial generativa expõe uma contradição cada vez mais evidente. Empresas reconhecem o potencial da tecnologia para gerar eficiência, inovação e novos modelos de negócio, mas ainda hesitam quando os dados envolvidos são altamente sensíveis. No setor financeiro, por exemplo, algoritmos de crédito, informações bancárias e históricos transacionais representam ativos estratégicos que não podem ser expostos a riscos de vazamento ou acesso indevido.

É nesse cenário que a computação confidencial ganha relevância. Ao proteger os dados durante o processamento, a tecnologia elimina uma das principais barreiras técnicas e também culturais que ainda limitam a adoção mais ampla da inteligência artificial em ambientes altamente regulados.

Nas últimas décadas, a indústria de segurança da informação consolidou duas camadas de proteção consideradas padrão. A criptografia de dados em repouso e a criptografia de dados em trânsito tornaram-se práticas amplamente adotadas em sistemas corporativos. O ponto mais vulnerável, porém, sempre esteve em uma etapa crítica do ciclo de vida da informação. Durante o processamento, os dados precisam ser carregados na memória para que possam ser analisados por aplicações e algoritmos, ficando temporariamente expostos nesse processo.

Foi justamente nesse intervalo que historicamente surgiram alguns dos maiores riscos de segurança. Segundo o relatório Cost of a Data Breach 2023, da IBM, o custo médio de uma violação de dados chegou a US$ 4,45 milhões no mundo, o maior valor já registrado pela pesquisa. Grande parte desses incidentes ocorre quando informações são manipuladas por sistemas ou usuários com privilégios elevados, o que demonstra que proteger apenas o armazenamento e a transmissão não é suficiente.

A computação confidencial enfrenta diretamente esse ponto cego da segurança digital. A tecnologia cria ambientes de execução confiáveis, conhecidos como enclaves protegidos por hardware, nos quais os dados permanecem criptografados mesmo durante o processamento. Soluções como Intel SGX e AMD SEV isolam cargas de trabalho sensíveis, impedindo que administradores do sistema ou até mesmo o próprio provedor de nuvem tenham acesso ao conteúdo que está sendo processado.

Segundo o Gartner, a computação confidencial está entre as tecnologias estratégicas para o gerenciamento de confiança, risco e segurança em inteligência artificial dentro da abordagem TRiSM, com expectativa de crescimento acelerado até 2026 em setores que dependem do compartilhamento seguro de dados, como finanças, saúde e governo.

No Brasil, a Lei Geral de Proteção de Dados representou um avanço importante ao estabelecer responsabilidades claras sobre coleta, armazenamento e tratamento de dados pessoais. Ainda assim, a conformidade regulatória estabelece apenas um patamar mínimo de proteção, não um limite máximo de segurança. Em mercados altamente competitivos e regulados, empresas que lidam com dados sensíveis precisam ir além do cumprimento da norma.

A verdadeira soberania digital passa pela capacidade de garantir que informações críticas não sejam expostas nem mesmo a quem administra a infraestrutura onde elas são processadas. Essa mudança de perspectiva abre caminho para aplicações de inteligência artificial que antes eram consideradas inviáveis.

Modelos de crédito capazes de analisar históricos financeiros detalhados, algoritmos de detecção de fraude baseados em múltiplas fontes de dados e plataformas de análise preditiva que cruzam informações de diferentes instituições tornam-se mais viáveis quando a privacidade permanece preservada durante todo o processamento.

De acordo com a consultoria McKinsey, a inteligência artificial generativa pode adicionar entre US$ 2,6 trilhões e US$ 4,4 trilhões por ano à economia global, especialmente em setores intensivos em dados, como finanças, tecnologia e saúde. Nesse contexto, a computação confidencial surge como uma infraestrutura essencial para acessar esse potencial sem comprometer requisitos de segurança e compliance.

O debate sobre proteção de dados tende a evoluir rapidamente nos próximos anos. A questão central deixa de ser apenas se os dados estão protegidos no banco de dados ou na rede. O ponto crítico passa a ser o momento em que a inteligência artificial os utiliza para gerar conhecimento.

Empresas que compreenderem essa mudança estrutural sairão na frente, pois terão condições de inovar com bases de dados que antes permaneciam subutilizadas por limitações regulatórias ou receio de exposição. Mais do que uma nova camada de proteção, a computação confidencial redefine as bases de confiança da economia digital e aponta um caminho em que inovação e privacidade podem avançar juntas.

*Sidolfo Gomes é Practice Lead da HVAR, com atuação voltada a dados e inteligência artificial, liderando iniciativas ligadas à transformação analítica e ao desenvolvimento de soluções baseadas em IA. Com experiência em tecnologia, pesquisa aplicada e inovação, construiu trajetória em projetos técnicos e estratégicos voltados ao uso de dados para gerar eficiência e valor de negócio.