O mascaramento de dados está se tornando cada vez mais relevante à medida que os sistemas de inteligência artificial obtêm acesso mais amplo às informações corporativas. A técnica não apaga os dados sensíveis; em vez disso, oculta sua identidade original, preservando dados suficientes de sua utilidade para tarefas empresariais legítimas.

Os desenvolvedores podem precisar de dados representativos de clientes para testar aplicações, enquanto os analistas precisam preservar relações e padrões para identificar tendências. Em ambos os casos, o acesso a identidades reais, números de contas ou outros valores sensíveis pode não ser necessário. O mascaramento substitui esses valores por alternativas realistas, mas inutilizáveis, permitindo que as organizações trabalhem com os dados sem expor seu conteúdo original.

As organizações também podem usar tokenização e criptografia, dependendo de como as informações precisam ser utilizadas. O princípio subjacente é aplicar proteção com base na tarefa, em vez de disponibilizar automaticamente dados sensíveis brutos.

No entanto, as empresas precisam primeiro saber onde suas informações sensíveis estão armazenadas. O 2026 Thales Data Threat Report constatou que 34% das organizações pesquisadas tinham conhecimento completo da localização de seus dados, enquanto 39% afirmaram que conseguiam classificar todos eles. Os entrevistados também relataram usar, em média, sete ferramentas para proteção e monitoramento de dados.

Os ambientes de nuvem aumentam o desafio porque as informações podem ser duplicadas em data lakes, plataformas de software como serviço, ambientes de desenvolvimento e backups. Detalhes sensíveis também podem permanecer ocultos em documentos não estruturados ou se tornar acessíveis a aplicações criadas muito tempo depois de os dados terem sido coletados.

O gerenciamento da postura de segurança de dados aborda esse problema ao se concentrar nos próprios dados. Isso envolve descobrir e classificar informações sensíveis, identificar onde elas estão, entender quem ou o que pode acessá-las e avaliar se as salvaguardas atuais são adequadas. Uma vez identificada a exposição desnecessária, as organizações podem remover ou restringir o acesso ou aplicar medidas como mascaramento, tokenização e criptografia.

A questão está se tornando mais significativa à medida que as empresas passam de experimentar com IA generativa para utilizá-la nas operações diárias. As aplicações de IA precisam de informações para produzir resultados, enquanto os agentes podem exigir acesso mais amplo para recuperar dados, tomar decisões e agir em vários sistemas.

De acordo com a mesma pesquisa, 61% das organizações afirmaram que suas aplicações de IA estavam sendo alvos de invasores, com os dados sensíveis identificados como o principal alvo. A rápida mudança no ecossistema de IA foi o risco de segurança de IA citado com maior frequência.

A aplicação dos princípios de menor privilégio à IA pode limitar esses riscos. O acesso a um banco de dados não deve fornecer automaticamente a um sistema de IA todos os valores sensíveis brutos que ele contém. Dependendo das circunstâncias, as organizações podem mascarar informações pessoais antes que elas cheguem aos ambientes de desenvolvimento ou teste, tokenizar valores particularmente sensíveis, criptografar os dados e controlar rigorosamente a descriptografia, ou bloquear completamente o acesso de um sistema de IA a um conjunto de dados.

A abordagem depende em grande parte de práticas estabelecidas de segurança de dados: identificar onde as informações sensíveis estão, entender seu contexto, minimizar o acesso desnecessário e proteger os dados de acordo com a forma como são utilizados. À medida que as aplicações e os sistemas de IA evoluem, essas decisões também precisam ser reavaliadas.

Fontes: TechRadar.