Antes de tudo, o contexto honesto: os termos de uso dos principais serviços de IA proíbem o envio de dados pessoais sensíveis e variam sobre retenção e uso para treinamento. As configurações mudam por plano (gratuito vs pago) e por região — então a primeira regra é ler a política do serviço que você usa, não assumir que "todo mundo cola, deve ser ok". Este guia dá as regras práticas que valem independentemente da política específica.
O que nunca colar em um chat de IA
- Credenciais e chaves: senhas, tokens, API keys, segredos de banco. Mesmo "só para testar". Se está no prompt, está num log de algum lugar — e modelos já demonstraram capacidade de repetir o que viram em contexto.
- Dados de clientes identificados: nome + CPF, nome + e-mail corporativo, histórico de compra por pessoa. É dado pessoal sensível no sentido da LGPD (art. 5º) e o risco não é teórico: vazamentos via chat de IA já foram reportados em empresas.
- Contratos e documentos com dados de terceiros: colar um contrato inteiro para "resumir" envia os dados das partes contratuais a um terceiro (o provedor da IA) sem base legal clara.
- Código com segredos embutidos: o caso clássico é o commit com a chave no arquivo de configuração. Antes de colar código, passe por um filtro — e se achar segredo, rotacione a chave, não só remova do prompt.
Anonimização: o método prático
A maioria das tarefas que pedem dado real funciona com dado sintético equivalente. O método:
- Identifique os campos identificáveis no material (nomes, e-mails, CPFs, endereços, IDs de cliente).
- Substitua por placeholders consistentes: "Cliente A", "cliente_a@exemplo.com", "CPF 000.000.000-00". Consistência importa: se o mesmo cliente aparece em três linhas, as três viram "Cliente A" — senão a análise perde a relação.
- Mantenha a estrutura estatística: se a tarefa depende de distribuição (valores, datas, volumes), preserve ordens de grandeza. Dado sintético com a mesma forma e escala resolve 90% dos casos técnicos.
Prompt que ajuda: "Abaixo está um extrato com dados reais. Reescreva substituindo todos os identificadores por placeholders consistentes (Cliente A, B...), mantendo valores numéricos e datas. Não adicione nem remova linhas." — a anonimização vira uma etapa do seu fluxo, não um esforço manual.
Onde a LGPD entra no seu fluxo
Se você usa IA em trabalho com dados de pessoas (e na maioria dos empregos isso é verdade), três pontos da Lei Geral de Proteção de Dados (Lei 13.709/2018) aparecem na prática:
- Base legal (art. 7º): enviar dado pessoal a um provedor de IA é uma operação de tratamento. A base mais comum em contexto laboral é o legítimo interesse do controlador — mas isso precisa estar documentado na política interna, não presumido.
- Encarregado e subcontroladores: o provedor da IA atua como operador/subcontrolador quando processa dado por sua conta. Empresas com fluxo de dados relevante devem ter esse vínculo mapeado (art. 12º).
- Direitos do titular (art. 18º): se um dado pessoal foi enviado a uma IA e o titular pede exclusão, você precisa saber onde ele está — incluindo em logs de conversa. É mais fácil garantir isso antes (não enviando) do que depois.
Não somos advogados e isto não é aconselhamento jurídico: para o caso concreto da sua empresa, a palavra final é do DPO/encarregado. O que este guia garante é que você chega à conversa com as perguntas certas — e com o hábito de não enviar o que não precisa.
Segurança no código gerado: o outro lado
Há um segundo vetor de risco que quase ninguém considera: código gerado por IA pode conter vulnerabilidade. Injeção de SQL, dependências com CVE conhecido, validação ausente — modelos reproduzem padrões estatísticos, e padrões inseguros são abundantes no corpus de treinamento. As defesas:
- Pedir segurança explicitamente no prompt: "valide todo input do usuário; use prepared statements; não interpole dados em SQL ou HTML". Restrição explícita reduz (não elimina) o padrão inseguro.
- Revisão com foco em segurança: é exatamente para isso que existe o nosso Code Reviewer Sênior com Foco em Segurança no catálogo — formato de finding com severidade, pensado para auditar código gerado.
- Verificar dependências: todo pacote sugerido pelo modelo passa por checagem (existe? versão estável? CVE aberto?). A cláusula anti-invenção do nosso guia de erros comuns ("marque // VERIFICAR em vez de supor") é a primeira linha aqui.
Checklist antes de colar qualquer coisa
- Há credencial ou segredo no material? → rotacione e remova.
- Há dado pessoal identificável? → anonimize com placeholders consistentes.
- O serviço que estou usando permite este tipo de uso (termos + configuração de retenção)?
- A saída vai para produção? → revisão de segurança obrigatória, sem exceção.
Quatro perguntas, trinta segundos. É a diferença entre usar IA como ferramenta e usá-la como canal de vazamento.
Prompts do catálogo relacionados
- System Prompt: Code Reviewer Sênior com Foco em Segurança
- Boilerplate Fastify + Prisma + TypeScript — exemplo de prompt que já embute validação e tratamento de erro como requisito.
Perguntas frequentes
O que nunca devo colar em um chat de IA?
Senhas, chaves de API, tokens, documentos de identidade, dados de saúde e bases de clientes com nome e contato. O que é enviado não volta.
Como anonimizar dados antes de usar IA?
Substitua identificadores por marcadores estáveis (CLIENTE_1, CIDADE_A), remova campos que permitem reidentificação e mantenha o mapa de correspondência fora do chat.
Usar IA com dados de clientes quebra a LGPD?
Depende da base legal e do que é enviado. Mandar dado pessoal a um processador sem garantia é o risco; anonimizar antes de enviar reduz o problema.