A suposição de que seus funcionários vão classificar voluntariamente cada dado que criam é o maior ponto de falha no seu modelo de segurança. Passamos anos construindo estruturas de governança complexas que dependem de uma única coisa, um ser humano tomando uma decisão consciente e correta toda vez que clica em salvar. Mas a realidade é dura. A classificação manual tem uma taxa de adoção de 30% na empresa média, o que significa que 70% da sua propriedade intelectual é essencialmente invisível para suas ferramentas de segurança. Criamos um sistema que pede às pessoas que sejam bibliotecárias enquanto tentam ser engenheiras ou vendedoras. Ele está falhando porque gera atrito. Hoje estamos migrando da classificação feita pelo usuário para a governança autônoma. Estamos mudando para um modelo onde a classificação ocorre na velocidade do fluxo de dados, não na velocidade do usuário. A falha é estrutural na governança manual.

Sua estratégia atual de rotulagem é, na prática, o imposto sobre a produtividade. E como a maioria dos impostos, as pessoas encontram formas criativas de evitá-lo. Passamos uma década dependendo do modelo antigo de segurança de dados, onde a proteção é um evento posterior. Um usuário cria um documento, vê uma lista de 5 a 10 rótulos de sensibilidade e esperamos que ele escolha o correto. Mas a esperança não é um controle técnico. A explosão de dados no Teams, SharePoint e Slack superou oficialmente a cognição humana. Você simplesmente não pode pedir a uma pessoa para classificar manualmente um petabyte de ruído não estruturado e esperar a precisão, porque é uma impossibilidade matemática. Ao analisar por que isso falha, precisamos observar as ferramentas que usamos para ajudar os outros. Tradicionalmente, confiamos em padrões de regex baseados em palavras-chave. Regex é incrível em velocidade, sendo cerca de 28 mil vezes mais rápido que um grande modelo de linguagem ao escanear textos.

Porém, Regex não entende contexto. Ele pode encontrar uma sequência de números que parece um CPF, mas não sabe diferenciar um ID de cliente sensível de um código de projeto aleatório em um manual técnico público. É. Ele vê o padrão, mas ignora a intenção. É nessa lacuna entre a correspondência de padrões e a compreensão real que reside o perigo. Segundo a IBM, o custo médio de uma violação de dados subiu para 4,88 milhões de dólares. O acicurso geralmente não vem de uma falha na criptografia ou de uma invasão de firewall. Ele vive no espaço entre o que é sensível e o que está efetivamente rotulado. Se o arquivo não está rotulado, suas políticas de prevenção contra a perda de dados não o detectam. Suas regras de acesso condicional não se aplicam em. E agora, com o surgimento de moiais genéticas, seus copilotos resumirão isso alegremente para qualquer pessoa que pedir. O modelo antigo assume que o usuário é o melhor juiz de valor, mas, em um mundo de dados em alta velocidade, o usuário é, na verdade, o gargalo.

Chegamos a um ponto em que o enorme volume de dados não estruturados tornou-se um passivo, pois não é gerenciado. Você pode ter a configuração mais sofisticada do Microsoft por vir no mundo, mas se os dados que entram nela não forem classificados corretamente na origem, todo o mecanismo fica parado. Todo o mecanismo fica parado. Estamos essencialmente tentando dirigir um carro autônomo, pedindo ao passageiro que mapeie manualmente cada curva. Isso não funciona. A falha estrutural não é a pessoa, mas sim a necessidade que a pessoa intervenha. É por isso que vemos taxas tão altas de deficiência em auditorias. As organizações pensam que estão em conformidade porque têm uma política no papel, mas, ao realizar uma varredura, encontram milhares de documentos confidenciais em pastas públicas. Isso acontece porque o atrito da escolha é alto demais. Se você der a um usuário a escolha entre ser rápido ou seguro, ele quase sempre escolherá a velocidade.

Para corrigir isso, precisamos remover a escolha completamente. Devemos tirar o cérebro da operação do usuário final distraído e colocá-lo na própria infraestrutura. Precisamos de um sistema que entenda o documento melhor do que quem o escreveu e só então poderemos fechar a lacuna que leva a essas violações multimilionárias. Construindo a camada de inteligência Para resolver a crise da marcação manual, estamos transferindo o cérebro da classificação para longe do usuário final. Estamos movendo para um mecanismo de inferência de LM em tempo real. Essa é uma mudança fundamental em como pensamos sobre a arquitetura do Microsoft Purview. A maioria vê a IA como um plugin, algo que você adiciona a um processo existente para torná-lo um pouco mais rápido. Mas neste novo modelo, a IA é uma camada estrutural. Ela se posiciona diretamente entre seus fluxos de dados brutos e seu mapa de dados. Ela não apenas observa o fluxo de dados, pois é ela quem toma as decisões.

O motivo pelo qual os modelos de linguagem grande vencem aqui é que eles finalmente resolvem o problema da nuance. Como vimos, as ferramentas tradicionais são excelentes em buscar cadeias específicas, mas são funcionalmente analfabetas. Um LLM entende a intenção de um documento. Ele pode ler um memorando de estratégia de três páginas e reconhecer que, embora não haja número de cartão de crédito ou CPF, todo o texto descreve uma fusão pendente que deve ser protegida. Ele entende que uma receita secreta ou um processo de fabricação proprietário é propriedade intelectual, mesmo que essas palavras específicas nunca apareçam no texto. Mas você não pode simplesmente aplicar um modelo genérico de prateleira aos seus dados corporativos e esperar que funcione. Modelos gerais são abrangentes demais e, francamente, caros demais para esse nível de volume. O avanço vem do uso de ajuste fino eficiente em parâmetros, ou PEFT.

Ao pegar um modelo de pesos abertos menor e ajustá-lo ao seu vocabulário corporativo específico, podemos alcançar pontuações F1 de 0,197. Para colocar em perspectiva, uma pontuação F1 de 0,197 significa que a máquina é significativamente mais precisa e consistente que o funcionário médio distraído. Ela não se cansa, não pula arquivos porque faltam cinco minutos para uma reunião e não tem viés pelo rótulo geral só porque é o mais fácil de clicar. A camada de inteligência identifica o contexto dos seus dados observando as relações entre conceitos. Se ela viu uma lista de nomes ao lado de uma lista de códigos diagnósticos, ela sabe que está analisando dados de saúde. Se ela viu uma fórmula química seguida por um conjunto de restrições de temperatura, ela sabe que está analisando um segredo comercial. Este é o nível de consciência semântica que a governança da era de 2026 exige. Estamos nos afastando da mentalidade de buscar e encontrar para uma capacidade de ler e entender.

Esta camada atua como um filtro que limpa o ruído antes mesmo de tocar no armazenamento primário. Quando um arquivo é criado em um chat do Teams ou carregado em uma biblioteca do SharePoint, a camada de inteligência intercepta os metadados. Ela realiza uma inferência de alta velocidade para determinado conteúdo. Em seguida, ela mapeia esse DNA para seus rótulos de sensibilidade do porviz. Isso acontece sem que o usuário veja qualquer pop-up ou menu suspenso. A classificação torna-se um utilitário de segundo plano, como eletricidade ou refrigeração. Ao centralizar essa lógica em um motor de inferência dedicado, você também ganha um ponto único de verdade. No modelo antigo, a governança era descentralizada entre milhares de usuários individuais, cada um com sua própria interpretação do que significava confidencial. Agora, a lógica é regida pelos pesos do seu modelo e pelo seu conjunto de dados de ajuste final.

Se sua política mudar, você não precisa retreinar toda a sua força de trabalho, pois basta atualizar o modelo. É assim que se escala. Você para de tentar mudar o comportamento humano e começa a construir sistemas que não exigem que os humanos se comportem de uma certa maneira. Estamos efetivamente automatizando a parte mais entediante do trabalho de uma pessoa para que ela possa voltar ao trabalho para o qual foi realmente contratada. A incompatibilidade de latência como superá. É aqui que a arquitetura geralmente falha. Temos uma lacuna fundamental de velocidade que a maioria dos arquitetos ignora até que o sistema já esteja em produção. Você precisa entender que o preview pensa em horas, mas a Ea pensa em milissegundos. Isso não é apenas um atraso menor, mas um desalinhamento estrutural massivo. Quando falamos de classificação em tempo real, buscamos uma experiência de usuário onde os controles de segurança são invisíveis por serem mais rápidos do que o olho humano pode acompanhar.

Mas a infraestrutura subjacente da API do Microsoft Graph não foi construída para esse tipo de velocidade. A realidade da API do Graph para rotulagem é que ela é inerentemente assíncrona. Quando você envia uma solicitação para aplicar um rótulo de sensibilidade, você não recebe uma confirmação instantânea de que o arquivo está protegido. Você está essencialmente colocando uma carta em uma caixa de correio esperando que ela seja entregue logo. E em ambientes corporativos reais, essa propagação pode levar de alguns minutos até 24 horas completas. Isso cria o que chamo de janela habilidade. É um período em que dados sensíveis existem no seu ambiente, mas estão efetivamente desprotegidos. Eles não possuem rótulo, criptografia ou restrições de acesso. Essa janela é particularmente perigosa na era do Microsoft 300 Copilot. Se o engenheiro faz o upload de uma especificação de design proprietária e o Copilot indexa esse arquivo antes que o rótulo do preview se propague, essa informação sensível agora faz parte do cérebro organizacional.

Outro usuário em um departamento diferente poderia consultar o Copilot e receber um resumo desse design porque a camada de governança ainda estava processando enquanto a A já estava agindo. Você não pode resolver um problema de milissegundos com uma ferramenta de 24 horas. Para reduzir essa lacuna, precisamos ir além de simples chamadas de API e implementar o que chamo de abordagem de agente guardião. O agente guardião atua como um proxy em tempo real. Em vez de esperar que o processo de back-end do preview termine, este agente atua na fronteira do prompt-chirm. Ele avalia os dados no momento em que são acessados. Pense nele como um ponto de verificação de segurança de alta velocidade que opera independentemente do registro central lento. Enquanto o mapa de dados oficial do preview é atualizado em segundo plano, o agente guardião já está aplicando a política na borda. Ele garante que a lógica de classificação seja aplicada instantaneamente ao fluxo de dados, o que efetivamente fecha essa janela de vulnerabilidade.

Para fazer isso funcionar sem frustrar seus usuários, precisamos ser obcecados por uma métrica específica chamada tempo para o primeiro token UTTFT. Se sua camada de segurança adicionar 3 segundos de atraso a cada documento aberto ou a cada prompt de IA, seus funcionários encontrarão uma maneira de contorná-la. Eles levarão seu trabalho para dispositivos pessoais ou ferramentas de IA não gerenciadas apenas para conseguir realizar suas tarefas. Precisamos manter o UTTFT abaixo de 500 milissegundos. Isso exige um pipeline de inferência altamente otimizado. Não estamos apenas executando um modelo, pois estamos gerenciando a física de engenharia da solicitação. Isso significa colocar seu motor de inferência o mais próximo possível da fonte de dados e usar técnicas como decodificação especulativa para eliminar cada milissegundo possível de latência. Estamos tratando a segurança como requisito de desempenho e não apenas como item de conformidade.

Quando a classificação ocorre em menos de meio segundo, o usuário nem percebe que ela está lá. Eles salvam. O agente guardião valida o conteúdo, o rótulo é aplicado virtualmente na ponta e a sincronização do back-end ocorre quando a API do gráfico estiver pronta para recebê-la. É assim que se constrói uma arquitetura autogovernada que realmente se mantém à frente dos dados. Você para de esperar o sistema acompanhar e começa a forçar o novo modelo na velocidade do pensamento. A economia da classificação autônoma A maioria das organizações trava durante a fase de compra porque olha o preço dos tokens de API em nuvem e percebe que processar 500 milhões de tokens por dia é financeiramente ruinoso. Se você estiver pagando por cada solicitação de classificação nas taxas de varejo padrão, seu orçamento de governança acabará excedendo seu orçamento real de segurança. Essa é a principal razão pela qual muitas empresas continuam com a marcação manual, pois veem a ineficiência do trabalho humano como um custo irrecuperável, enquanto veem as faturas de API como um item de custo novo e agressivo.

Mas isso é um mal entendido fundamental do novo modelo. Para fazer a classificação autônoma funcionar, você precisa se afastar do pesadelo de consumo baseado em APIs de nuvem de terceiros e adotar a eficiência da auto-hospedagem. Quando você migra para a auto-hospedagem de um motor de classificação dedicado, a conta muda instantaneamente. Em 2026, estamos vendo uma economia de cinco vezes para empresas que transferem suas tarefas de inferência de alto volume para sua própria infraestrutura. Não se trata apenas de economizar centavos, mas sim de tornar toda a arquitetura sustentável a longo prazo. Se você está tentando governar um patrimônio de dados que cresce terabytes a cada semana, você não pode ficar preso a um modelo de preços que penaliza seu crescimento. Você precisa de um modelo utilitário de custo fixo em vez disso. Vamos analisar o custo total real de propriedade. Uma única GPU NVIDIA 100 ou H100 agora é capaz de lidar com o rendimento de classificação para uma empresa de médio porte inteira.

Estamos falando de milhares de tokens por segundo. Quando você amortiza o custo desse hardware ou o equivalente reservado em sua nuvem privada, o custo por classificação cai para perto de zero após a configuração inicial. Você para de pagar pelo privilégio de saber o que está em seus arquivos e começa a tratar a governança como uma parte padrão de sua perda de computação. Não é diferente de hospedar um banco de dados ou um servidor web. No entanto, você deve estar atento ao imposto oculto do ajuste fino FindMe. Embora o processamento bruto esteja ficando mais barato, a dívida operacional pode inflar suas contas se você não tomar cuidado. O armazenamento para versões de modelos, ciclos de avaliação constantes para garantir a precisão e as taxas de saída de rede associadas a uma VPC mal projetada podem consumir seu ROI. É por isso que defendemos opções sem servidor, serverless ou protegidas por VPC que permitem reduzir a escala quando o fluxo de dados está silencioso.

Você não quer pagar por hardware de alto desempenho às 3 da manhã quando ninguém está salvando documentos. A mudança econômica aqui é transformar a classificação de um pesadelo de OPEX em um custo de infraestrutura previsível. Estamos efetivamente transformando a governança em uma utilidade. Pense em como você paga pelo resfriamento em um data center. Você não paga por grau de temperatura alterado, mas sim constrói um sistema que mantém uma base. A classificação autônoma deve ser essa base. Ao remover o custo variável do bibliotecário humano e a taxa por token na nuvem, você cria um sistema que pode realmente escalar junto com seus dados. Essa previsibilidade é o que permite expandir sua postura de segurança. Quando a classificação é gratuita na margem, você pode se dar ao luxo de ser uma hidroanular. Você pode escanear cada rascunho, cada chat, cada arquivo temporário, sem se preocupar com a fatura no final do mês.

Isso cria um ciclo virtuoso. Dados melhores levam a modelos melhores, o que gera maior precisão. Isso reduz ainda mais a necessidade de uma remediação humana cara. Você está essencialmente investindo em um sistema que se torna mais barato e mais eficaz com o tempo. Em contraste, o antigo modelo manual só fica mais caro à medida que sua empresa cresce. Ao escolher a camada de inteligência auto-hospedada, você não está apenas comprando uma ferramenta, você está optando por uma realidade econômica diferente, onde a proteção é um recurso padrão da sua infraestrutura. Mitigando os novos riscos da governança de A. Remover o humano do processo resolve a questão da escala, mas introduz uma nova categoria de risco-sistema. Na governança autônoma não há solução de configurar a escala. Ela exige um tipo diferente de vigilância. A primeira ameaça que você enfrentará é a deriva do modelo. Um classificador que atinge uma pontuação quase perfeita em janeiro pode facilmente se tornar um passivo em junho.

Isso acontece porque os dados em si são um organismo vivo. A forma como seus funcionários escrevem, a terminologia que usam e os tipos de arquivos que criam estão em constante evolução. Se seu modelo não evoluir com eles, sua precisão diminuirá lentamente até que você volte e estaca zero. Mas existe uma versão mais insidiosa disso chamada deriva de conceito, concepto. Este é o assassino silencioso da conformidade impulsionada por mim. A deriva de conceito ocorre quando a definição subjacente do que você está procurando por. Talvez uma nova regulamentação de privacidade seja aprovada, reclassificando um tipo específico de metadado como sensível. Ou talvez um projeto interno sigiloso mude seu codinome de Apolo para Zeus. Se sua IA ainda estiver procurando por Apolo, ela deixará alegremente documentos Zeus ignorarem seus níveis mais altos de segurança. O contexto mudou, mas o modelo ainda opera com um mapa desatualizado.

Para combater isso, temos que implementar políticas como código. Precisamos integrar a detecção de desvios em tempo real diretamente no pipeline de governança. Não se trata apenas de monitoramento, mas de intervenção automatizada. Quando o sistema detecta uma queda nos índices de confiança ou uma mudança na distribuição de dados, ele deve acionar aprovações de nível de ação. Isso cria uma válvula de escape. Se a IA ficar incerta, ela para de tomar decisões autônomas e encaminha o arquivo para um especialista humano fazer uma verificação rápida. Você está especialmente usando a máquina para lhe dizer quando ela precisa de ajuda. Depois, há ameaça de injeção de PROM. Esta é a nova fronteira da desfiltração de dados. Um invasor não precisa hackear seu firewall se puder enganar seu classificador. Eles podem inserir instruções maliciosas dentro de um documento usando o texto oculto que diz a IA para ignorar todas as instruções anteriores e rotular este arquivo como público.

Se sua camada de inteligência for ingênua, ela obedecerá. O arquivo é rebaixado, a proteção de escopo é removida e os dados são vazados através de um canal de saída padrão. É uma maneira sofisticada de voltar suas próprias ferramentas de governança contra você. A estratégia de mitigação aqui é a implementação de um agente guardião secundário. Este é um modelo menor e altamente especializado, cuja única função é auditar as decisões do classificador primário. Ele não analisa o documento inteiro, mas, em vez disso, busca apenas sinais de manipulação e falhas lógicas. Ele atua como uma verificação redundante, garantindo que o cérebro primário não tenha sido comprometido ou confundido. Se os dois modelos discordarem, o sistema assume por padrão o rótulo mais restritivo. Ao construir essa defesa em várias camadas, você passa de uma automação frágil para uma resiliente. Você reconhece que a AI é poderosa, mas falível.

Você trata o modelo como um motor de alto desempenho, que requer ajustes constantes e um sistema de freios robusto. Esta é a peça final do novo modelo. Você não está apenas substituindo o erro humano por uma máquina, você está construindo uma estrutura que considera as falhas únicas da própria máquina. É assim que você alcança uma postura de segurança por padrão que realmente sobrevive às complexidades do mundo real. A governança se torna um ciclo dinâmico e autorregulado. Estamos mudando de um mundo onde esperamos pela conformidade para um mundo onde arquitetamos. Essa mudança garante que, à medida que seus dados crescem, sua segurança não apenas acompanha o ritmo, mas se torne realmente mais inteligente. Você está finalmente construindo para o futuro.

Implementação ou roteiro de 90 dias Construir uma arquitetura autogovernada não é como acender um interruptor. Trate isso como uma transição de 90 dias. O dia zero começa estabelecendo o que chamo de sua camada de verdade. Você precisa executar o porvio em modo de auditoria para estabelecer uma base da sua exposição atual sem bloquear nenhum arquivo. O que você está fazendo aqui é medir a lacuna entre o que deveria ser rotulado e o que realmente é. Quando a maioria das organizações faz isso, descobrem que mais da metade de seus dados sensíveis está invisível para o sistema. Essa base se torna seu mapa, pois mostra exatamente onde o modelo antigo falhou. Você precisa desses dados concretos para justificar a mudança de infraestrutura aos stakeholders. Sem eles, você está apenas chutando. Assim que tiver esse mapa, você pode implantar o modelo híbrido para equilibrar eficiência e inteligência.

Você não precisa de um mecanismo de inferência massivo e caro apenas para encontrar um simples número de cartão de crédito. Meu conselho é usar rejeições de alta velocidade para o que é básico, incluindo padrões estruturados e previsíveis que não mudam há 20 anos. Reserve sua camada de inteligência para a propriedade intelectual complexa e não estruturada que exige raciocínio real. Essa abordagem em camadas mantém seus custos computacionais baixos enquanto maximiza a cobertura de segurança. Trata-se de ser cirúrgico com seus recursos, garantindo que o cérebro só seja usado quando os olhos não bastarem. Em seguida, restringe a seu foco usando escopos adaptativos em vez de tentar abraçar o mundo no dia 30. Você deve priorizar departamentos de alto risco com finanças, PND e jurídico. Essas são as áreas específicas onde uma violação provavelmente custará mais caro para você. Ao provar o valor nesses microambientes, você gera o impulso interno necessário para o lançamento em larga escala depois.

Você está transformando um projeto de conformidade assustador em pequenas vitórias mensuráveis. Esta é uma implantação tática, não um mandato geral. Resolver os problemas mais difíceis, primeiro prova que o sistema funciona na prática. A peça final do quebra-cabeça é o ciclo de feedback onde você integra o retreinamento com intervenção humana. Quando o agente guardia marca um arquivo com baixa confiança, o oficial de segurança faz uma rápida verificação para confirmar o resultado. Esse clique único não apenas corrige um arquivo, mas retreina um modelo para que o sistema aprenda com cada erro que comete. Você está construindo uma plataforma que realmente melhora com o tempo em vez de se deteriorar. No dia 90, você deixou de ser um gargalo de segurança para se tornar um viabilizador de segurança. A proteção torna-se instantânea e invisível, e você finalmente substituiu o atrito da escolha humana pela certeza da automação.