Quando um sistema tradicional é restaurado, a checagem é objetiva: soma de verificação, transações de teste, aplicação no ar. Um assistente de inteligência artificial pode voltar respondendo com toda a fluência e, mesmo assim, continuar comprometido, seja nos dados de treinamento, no prompt de sistema ou no próprio modelo. Os planos de recuperação de desastres ainda não foram desenhados para esse cenário.
O relatório da Veeam de 2026, que ouviu mais de 900 executivos, mostra o descompasso: 90% afirmam confiar que se recuperam dentro do prazo, mas apenas 28% das vítimas de ransomware conseguiram restaurar todos os seus dados.
Restauração de um ativo de inteligência artificial deixou de ser binária
Em sistemas convencionais, a pergunta é simples: a aplicação está de pé ou não. A integridade se confere com métodos objetivos. Em IA, o comportamento depende de camadas que um backup comum não valida: dados de treinamento ou de ajuste, instruções de sistema, bases vetoriais e as credenciais e ferramentas que os agentes usam.
Cada camada é um vetor de ataque com efeito retardado. Envenenar dados de treinamento, alterar um prompt de forma sutil ou manipular uma base de conhecimento pode passar despercebido por muito tempo. Se o backup mais recente já guarda a versão comprometida, restaurá-lo com perfeição apenas reproduz o problema.
Os agentes ampliam o dano porque executam ações e consomem credenciais. O prejuízo tende a ser silencioso e cumulativo, fora do alcance de indicadores clássicos como o tempo de recuperação.
Adoção de inteligência artificial correu à frente da continuidade de negócios
O Global Cybersecurity Outlook 2026, do Fórum Econômico Mundial em parceria com a Accenture, ouviu 804 executivos de 92 países. Para 94% deles, a IA é o principal vetor de mudança na segurança cibernética, e 87% classificam as vulnerabilidades associadas a ela como o risco que mais cresce. Ainda assim, cerca de um terço das organizações não avalia a segurança das ferramentas de IA antes de colocá-las em produção, e só 40% fazem revisões periódicas depois da implantação.
Os planos de continuidade atuais partem do princípio de que o objeto restaurado é confiável por definição, o que não vale para IA. A Veeam aponta outro sinal: apenas 69% dos executivos dizem que seus objetivos de recuperação estão alinhados às metas de continuidade do negócio.
No Brasil, copilotos, assistentes de atendimento e agentes já operam em fluxos críticos de receita, sem as disciplinas que protegem os sistemas tradicionais.
Plano de contingência para IA exige inventário, versionamento e validação
O primeiro passo é o inventário. A empresa precisa mapear modelos próprios e de terceiros, prompts, bases vetoriais e de conhecimento, conectores e credenciais de agentes, com as dependências entre eles, e atribuir um responsável e um grau de criticidade a cada item.
O segundo é o versionamento. Manter versões datadas de prompts, modelos e bases, com a linhagem dos dados, permite voltar a um estado anterior ao comprometimento. A prática de linhagem, já comum na engenharia de dados, serve de base para definir pontos de restauração íntegros.
O terceiro é a validação comportamental. Restaurar é só o meio: o ativo precisa ser testado com conjuntos de perguntas e respostas de referência, e os desvios em relação ao comportamento anterior ao incidente devem ser detectados, com monitoramento reforçado. A recuperação só termina quando o ativo comprova que responde e age como deveria.
A pressão externa tende a chegar logo. Reguladores, seguradoras e clientes corporativos devem estender à IA a exigência que já fazem para backup testado e planos ensaiados. Quem não inventariou seus ativos de IA vai descobrir a lacuna durante um incidente ou uma auditoria, e a hora de construir essa capacidade é antes.
