12 de agosto de 2026 | Tempo estimado de leitura: 5 minutos
Imagine uma segunda feira comum. Um funcionário precisa revisar rapidamente um contrato de fornecedor. Abre uma ferramenta de inteligência artificial, cola o documento inteiro e pede um resumo.
No meio do texto estão preços negociados, margens, nomes de clientes e uma senha que ninguém percebeu. A IA entrega um resumo excelente. O funcionário fecha a janela e volta ao trabalho, feliz com o resultado.
Mas para onde foi toda aquela informação?
Essa pergunta ficou mais interessante depois de uma pesquisa realizada por cientistas da Universidade de Tübingen, do Instituto Max Planck, da MATS Research e da empresa de segurança Snyk.
Os pesquisadores descobriram uma forma de recuperar partes do raciocínio produzido por modelos de IA antes que eles apresentem uma resposta.
Funciona assim: quando você faz uma pergunta, modelos de raciocínio não necessariamente vão direto para a resposta final. Eles exploram caminhos, organizam informações, fazem inferências e constroem uma solução. Boa parte desse processo não aparece para o usuário.
Os pesquisadores encontraram uma brecha nessa proteção. Em testes envolvendo modelos avançados da OpenAI, Anthropic e Google, eles conseguiram explorar a forma como essas informações são transmitidas pelas APIs, as conexões utilizadas por aplicativos para conversar com os modelos.
O resultado foi desconfortavelmente concreto. Em alguns casos, foi possível recuperar fragmentos dos chamados reasoning traces. E, quando informações sensíveis estavam presentes nesses registros, apareceram também senhas e chaves de acesso.
As empresas foram avisadas e corrigiram a vulnerabilidade. Segundo os pesquisadores, porém, ainda é possível recuperar determinados fragmentos de raciocínio. O problema, portanto, não terminou com uma simples atualização.
E então a pesquisa ficou ainda mais interessante.
Os pesquisadores usaram a mesma técnica para comparar como diferentes modelos constroem suas respostas. Em determinados testes, o Kimi K3, desenvolvido pela chinesa Moonshot AI, apresentou padrões de raciocínio muito semelhantes aos observados no Claude Opus 4.8 e no GPT 5.6 Sol.
Pense numa prova de matemática: dois alunos podem chegar à mesma resposta por caminhos completamente diferentes. A suspeita aumenta quando eles usam as mesmas contas, na mesma ordem e fazem escolhas parecidas ao longo do caminho. Foi algo parecido com isso que os pesquisadores observaram.
Isso levanta uma possibilidade: o Kimi K3 pode ter aprendido, direta ou indiretamente, com raciocínios produzidos por modelos americanos.
Mas há uma diferença importante entre possibilidade e prova.
A pesquisa encontrou uma semelhança relevante, mas não demonstrou causalmente que o Kimi K3 foi treinado com raciocínios extraídos desses modelos.
A técnica em questão é conhecida como destilação. É um método legítimo e amplamente utilizado no desenvolvimento de modelos de IA, no qual um modelo pode aprender comportamentos ou capacidades observando outro modelo.
O próprio desenvolvimento do Kimi K3 utiliza técnicas de multi teacher on policy distillation. Portanto, a existência de destilação não é, por si só, evidência de cópia. Mas o que chamou a atenção dos pesquisadores foi a semelhança específica dos caminhos de raciocínio observados. Outros modelos, como DeepSeek e Inkling, não apresentaram o mesmo padrão nos testes citados.
Para um CEO de uma empresa industrial, de varejo ou de serviços, tudo isso pode parecer uma discussão distante entre laboratórios de IA. Até o momento em que um funcionário cola na ferramenta uma tabela de preços, uma proposta comercial, a fórmula de um produto ou dados de clientes.
Toda empresa tem informações protegidas por NDA, senha e advogado. Mas muitas delas já estão sendo colocadas em conversas com IA pelos próprios funcionários.
E é fácil entender por quê.
Copiar um documento e pedir uma análise leva segundos. Não parece uma transferência de dados para uma infraestrutura externa. Parece apenas mais uma janela aberta no computador.
É assim que segredos importantes começam a viajar sem cerimônia.
A boa notícia é que reduzir esse risco não exige transformar todos os funcionários em especialistas em segurança digital. A empresa pode definir quais ferramentas estão aprovadas, impedir o envio de senhas, separar documentos confidenciais, limitar acessos e estabelecer regras simples para o uso de informações sensíveis. Também pode registrar quais modelos recebem dados, quem utiliza cada sistema e o que acontece quando alguma coisa sai do esperado.
Na TheNeil, essa camada faz parte do desenho de um projeto de inteligência artificial. Antes de escolher o modelo mais famoso ou conectar uma nova ferramenta, é preciso entender quais dados vão circular, quem poderá acessá los e até onde o sistema poderá agir.
Esse cuidado não atrasa a inovação. Ele evita que uma boa ideia vire um problema jurídico, financeiro ou comercial alguns meses depois. Uma empresa da industria de reciclagem, por exemplo, pode usar IA para prever demanda, organizar rotas, analisar contratos, responder clientes e reduzir desperdícios. Nenhuma dessas oportunidades exige entregar junto suas margens, suas senhas e suas negociações.
A corrida da IA começou com uma disputa por respostas melhores. Agora estamos descobrindo que o caminho até a resposta também possui valor.
Para os laboratórios, esse caminho contém conhecimento. Para os concorrentes, pode oferecer um atalho. Para sua empresa, pode ser exatamente por onde um segredo deixa de ser segredo.
A IA vai (e deve) continuar trabalhando. A questão é: quem está decidindo o que ela pode saber e até onde ela pode ir?
Fontes de Pesquisa:
WIRED — A New Trick Reveals AI Models' Inner Thoughts