Aaron Fulkerson, CEO da OPAQUE – Série de entrevistas

Aaron Fulkerson, CEO da OPAQUE, é um empreendedor experiente no setor de software corporativo e pioneiro do código aberto. Há mais de duas décadas, cria e amplia plataformas de tecnologia voltadas à confiança, aos dados e à transformação digital. Antes de ingressar na OPAQUE em 2023, fundou a MindTouch e ajudou a transformá-la em uma plataforma de gestão do conhecimento amplamente adotada por empresas, antes de sua aquisição pela NICE Systems. Depois, liderou o lançamento do ServiceNow Impact, uma das unidades de negócios que mais cresceram na história da ServiceNow. Ao longo da carreira, Fulkerson trabalhou na interseção entre tecnologias emergentes, software corporativo e ecossistemas abertos, além de aconselhar diversas startups e organizações de tecnologia. Mais recentemente, tornou-se um importante defensor da IA confidencial, argumentando que privacidade, governança e confiança verificável serão requisitos fundamentais à medida que os sistemas de IA se integrem a processos empresariais críticos.

OPAQUE é uma empresa de IA confidencial que surgiu do renomado RISELab da UC Berkeley, o mesmo ecossistema de pesquisa que ajudou a criar tecnologias como Apache Spark e Databricks. A empresa desenvolveu uma plataforma que permite executar modelos de IA, agentes e fluxos de trabalho com dados altamente sensíveis, mantendo garantias de privacidade e conformidade verificáveis por criptografia. Em vez de obrigar as organizações a escolher entre inovação em IA e segurança dos dados, a OPAQUE usa computação confidencial, ambientes de execução criptografados e execução com atestação de hardware para proteger informações sensíveis antes, durante e depois do processamento por IA. Sua tecnologia foi projetada para setores altamente regulamentados, como finanças, seguros, saúde e alta tecnologia. Clientes e parceiros incluem ServiceNow (NOW ), Anthropic, Accenture e outras empresas que buscam levar projetos de IA da fase-piloto à produção sem expor dados proprietários ou sujeitos a regulamentação.

Você criou e ampliou várias plataformas corporativas ao longo da carreira. O que o levou a assumir o cargo de CEO da OPAQUE e dedicar a próxima etapa à confiança, à privacidade e à governança de IA?

Passei quase duas décadas criando plataformas corporativas, primeiro na MindTouch, que ainda é usada por um bilhão de usuários por ano, e depois na ServiceNow, onde criei o produto de crescimento mais rápido da empresa. As duas experiências me ensinaram a mesma lição: até a tecnologia mais poderosa só vence quando as pessoas confiam nela.

Quando conheci os cofundadores da OPAQUE, Raluca Ada Popa, Ion Stoica e Rishabh Poddar, vi uma combinação rara de talento e visão. Raluca é uma das principais pesquisadoras do mundo em privacidade e segurança. Ion foi cofundador da Databricks. Rishabh construiu os sistemas criptográficos centrais que se tornaram a base da OPAQUE.

No RISELab da UC Berkeley, eles haviam criado algo que reconheci imediatamente como um avanço com impacto sobre toda uma geração: a prova criptográfica de que os dados permanecem privados durante cada fluxo de trabalho de IA. Não promessas. Não políticas. Prova.

Observei para onde a IA caminhava: agentes atuando de forma autônoma em sistemas corporativos, na velocidade das máquinas. E vi a mesma lacuna sobre a qual Vint Cerf alerta há 30 anos: a ausência de uma camada de confiança. A internet sobreviveu sem ela porque as pessoas funcionavam como barreira de proteção. A web movida por agentes não terá esse luxo. Foi isso que me atraiu.

O MCP (Model Context Protocol, um padrão que permite aos agentes de IA acessar ferramentas, aplicativos e dados com segurança) está se tornando uma base comum. Como você acha que ele mudará a forma como as empresas implantam e ampliam a IA baseada em agentes?

O MCP é um passo importante na forma como as empresas implantam e ampliam a IA baseada em agentes. Pense nele como um conector universal para fluxos de trabalho de IA. Ele padroniza a conexão dos agentes com ferramentas, aplicativos e dados, reduzindo obstáculos reais e acelerando a experimentação.

Mas padronizar o acesso, por si só, não torna a IA baseada em agentes segura ou escalável. À medida que as conexões se multiplicam, com mais agentes, ferramentas e fontes de dados, cada nova integração amplia a superfície por onde os dados podem vazar. Todo ponto de conexão sem imposição de regras durante a execução é um possível caminho de exposição. Quando agentes de IA interagem com sistemas sensíveis e lógica proprietária, a criptografia dos dados armazenados e os controles de rede não bastam. A fronteira de segurança passou para o momento da execução, e essa mudança se torna mais urgente conforme o ecossistema ganha escala.

A possibilidade de verificação nesses pontos de conexão essenciais será crítica para as empresas. Elas podem ampliar a IA baseada em agentes quando o acesso nos moldes do MCP se combina com provas criptográficas de qual código foi executado, onde e sob qual política, antes, durante e depois da execução. Acesso mais verificabilidade. É essa combinação que viabiliza o uso em produção.

À medida que o MCP padroniza o acesso dos agentes, onde você vê as maiores lacunas em segurança, imposição de políticas e confiança nos sistemas conduzidos por agentes?

Concluímos nossa pesquisa AI Leak Surface de 2026 e publicamos um resumo dos resultados, “Doze maneiras pelas quais seu ambiente de IA está vazando dados”, que aborda esse tema. Identificamos 46 caminhos de exposição em 8 categorias que abrangem toda a fronteira de confiança da IA: computação, controle, aplicações e as transferências entre elas. E isso sem considerar agentes mal-intencionados. São situações em que nada está quebrado, os registros parecem normais e o sistema continua vazando dados.

As maiores lacunas não estão na conectividade; o MCP está resolvendo isso. Estão no que acontece depois que um agente se conecta. A maioria das organizações não consegue responder a três perguntas básicas: Como nossa IA realmente se comporta? Quem a controla? E como provamos que as políticas foram impostas?

Nossa pesquisa mostrou que os limites são configurados, mas nunca impostos. Uma política existe em um documento, arquivo de configuração ou ajuste feito na implantação, mas não restringe o sistema em execução. Um assistente de IA para executivos coloca informações relevantes ainda não públicas em um convite de calendário. Um assistente RAG entrega a um analista júnior informações financeiras destinadas ao conselho de administração. O SDK de um fornecedor extrai silenciosamente 10 milhões de consultas para fora do sistema ao longo de 12 meses. Em todos os casos, os controles de acesso estavam implantados. Os dados vazaram mesmo assim.

Enquanto as empresas não eliminarem a lacuna entre a política configurada e a política efetivamente imposta, o MCP padroniza a porta da frente. Mas a casa continua sem vigilância.

Quando agentes de IA recebem acesso a sistemas sensíveis e dados proprietários, quais novos riscos de privacidade e conformidade surgem para os quais as empresas muitas vezes não estão preparadas?

A maioria das empresas pensa em privacidade em termos de dados armazenados ou em trânsito. Esse modelo falha nos fluxos de trabalho com agentes, porque o maior risco é a exposição dos dados durante o uso.

Veja o que quero dizer. Uma fabricante de carros de alto desempenho usa IA em toda a linha de montagem. Os dados brutos parecem inofensivos: leituras de sensores, sequências temporais e verificações de qualidade. Mas um grande modelo de linguagem agora pode reconstruir processos de fabricação proprietários a partir dos rastros de dados gerados como subproduto da operação. O que era ruído cinco anos atrás hoje é um projeto pronto para um concorrente.

Nossa pesquisa AI Leak Surface documenta esse padrão em dezenas de cenários. Ferramentas de telemetria operacional capturam por padrão todo o conteúdo dos dados de IA. Em um banco europeu, 2,1 milhões de prompts com informações de identificação pessoal estavam fluindo para uma instância SaaS nos EUA porque ninguém alterou as configurações padrão do monitoramento de desempenho de aplicações (APM). A memória dos agentes vaza contexto entre sessões. Rastros de cadeias de raciocínio expõem registros completos de investigação a plataformas de observabilidade acessíveis a prestadores externos. Os modelos tradicionais de conformidade não foram concebidos para detectar esse tipo de vazamento. Pressupunham que pessoas moviam os dados na velocidade humana.

Por que a IA confidencial está se tornando um complemento necessário ao MCP, e como enfrenta desafios que os padrões de acesso, sozinhos, não resolvem?

O MCP resolve quem pode acessar o quê e como, enquanto a IA confidencial resolve o que acontece depois que o acesso é concedido. São camadas complementares.

Os padrões de acesso, sozinhos, não podem impedir comprometimentos de segurança durante a execução, desvios graduais das políticas ou uso não autorizado de dados. Pense assim: o MCP oferece uma forma padronizada de conectar agentes aos sistemas. A IA confidencial oferece garantias criptográficas de que, depois de conectados, esses agentes só podem fazer o que estão autorizados a fazer, e você pode provar isso.

A IA confidencial fornece essas garantias durante a execução para dados, identidade, código e comunicação. Ela oferece provas verificáveis de execução e garante que a privacidade e a imposição de políticas não parem na fronteira de acesso, mas continuem enquanto a IA raciocina, gera e age ativamente. Sem isso, o MCP é um alicerce sólido. Mas um alicerce, sozinho, não torna um prédio seguro.

Na prática, como é a confiança verificável para uma empresa que utiliza agentes de IA autônomos em fluxos de trabalho críticos?

Confiança verificável significa poder provar qual código foi executado, onde, sob quais políticas, quais dados foram acessados e como o sistema se comportou ao longo do tempo.

Considere uma seguradora que usa agentes de IA para processar cartas com pedidos de indenização. Antes da execução, a atestação de hardware verifica a identidade do agente e a integridade do ambiente. Durante a execução, a vinculação criptográfica às políticas em um ambiente de execução confiável protegido por hardware (Trusted Execution Environment, TEE) garante que os dados permaneçam protegidos e as políticas sejam impostas. Depois da execução, um rastro de auditoria à prova de adulteração registra exatamente o que aconteceu.

O risco dos fluxos de trabalho com agentes não é que um agente saia do controle. O risco real é não conseguir demonstrar se uma política foi imposta ou se dados sensíveis foram protegidos enquanto os agentes estavam operacionais, antes, durante e depois. É isso que significa confiança verificável.

Quando sistemas baseados em agentes operam na velocidade das máquinas, por que a supervisão humana tradicional deixa de funcionar e como as organizações devem repensar a governança nesse ambiente?

Por décadas, a internet teve uma barreira de proteção invisível: nós. As pessoas leem o conteúdo, clicam de propósito e não agem silenciosamente em cem sistemas ao mesmo tempo.

A IA baseada em agentes elimina essas suposições da noite para o dia. Os agentes operam continuamente, decidem na velocidade das máquinas e podem ser manipulados por ambientes projetados para pessoas, mas exploráveis por máquinas. Uma página maliciosa não precisa enganar uma IA como engana uma pessoa: pode simplesmente dar instruções.

Com apenas 1% de risco por agente, uma rede de 100 agentes enfrenta 63% de probabilidade de violação de segurança. Amplie para mil agentes e a probabilidade chega a 99,99%. A governança que exige participação humana no processo não acompanha esses números. A supervisão precisa passar da revisão reativa às garantias durante a execução. Isso significa fluxos de trabalho de confiança zero, imposição de políticas por padrão e execução verificável que não dependa de alguém descobrir a falha depois do ocorrido.

Quais falhas de segurança você vê com mais frequência quando empresas experimentam a IA baseada em agentes sem uma camada de confiança integrada?

O padrão mais comum é que as empresas deixam agentes agir e se coordenar sem garantias criptográficas sobre seu comportamento. Processam propriedade intelectual sensível contando apenas com a esperança.

O resultado é previsível, e documentamos padrões específicos na pesquisa AI Leak Surface. Comprometimentos durante a execução contornam as defesas tradicionais de perímetro porque o agente já está dentro da rede. Cadeias de agentes autônomos criam falhas em cascata. Um agente explorado desencadeia um efeito dominó nos sistemas conectados. A lógica proprietária vaza por rastros de dados que ninguém pensou em monitorar. Os agentes perdem a capacidade de distinguir a intenção da empresa de entradas maliciosas porque, durante a execução, não há identidade verificável nem vinculação às políticas.

Essas situações não são hipotéticas. Mapeamos 46 caminhos pelos quais os dados escapam dos controles previstos, mesmo quando nada parece quebrado. Os agentes de IA geram e compartilham dados na velocidade das máquinas. Sem proteções verificáveis durante a execução, integradas ao fluxo de trabalho, as falhas se propagam mais rápido do que qualquer equipe de segurança consegue detectar ou responder.

Como as organizações líderes conciliam o uso de capacidades avançadas de IA com a proteção de seus dados mais sensíveis?

As organizações que fazem isso corretamente tratam privacidade e governança como aceleradores, não como freios. Essa é a percepção fundamental.

Na prática, vejo empresas líderes combinando capacidades avançadas de IA com plataformas de IA confidencial que oferecem garantias verificáveis, não apenas listas de verificação de conformidade. Elas disponibilizam dados sensíveis para a inovação em IA e, ao mesmo tempo, protegem as informações proprietárias, mesmo quando os fluxos de trabalho funcionam de forma autônoma.

Antes, a questão era apresentada como uma escolha entre capacidade e segurança. As organizações que avançam mais rápido rejeitaram completamente essa troca. Incorporam confiança verificável aos alicerces da estratégia de IA, o que lhes permite aproveitar os dados mais valiosos. Enquanto isso, os concorrentes continuam presos na fase-piloto, executando IA em conjuntos de dados depurados que não trazem resultados significativos.

Com base no que você vê hoje, como os modelos de governança de IA nas empresas devem evoluir nos próximos anos, à medida que sistemas baseados em agentes passam de projetos-piloto à plena utilização em produção?

A governança vai passar da papelada à prova. É a maneira mais simples de dizer. Os primeiros modelos foram criados para software que operava no ritmo humano: políticas no papel, aprovações antes da implantação e revisões depois de algo dar errado. Os sistemas baseados em agentes quebram todas essas suposições. Operam continuamente, agem de forma autônoma e geram efeitos em cascata na velocidade das máquinas.

Vemos a governança caminhar para a verificabilidade durante a execução como nova fronteira de segurança, sustentada por garantias criptográficas que comprovam o comportamento em cada etapa do ciclo de vida do agente, antes, durante e depois. O mesmo padrão que vimos com o HTTPS está se tornando o padrão para o tráfego da web. Ninguém mais discute se deve criptografar conexões da web. Em poucos anos, ninguém discutirá se deve verificar a execução da IA enquanto ela acontece. Será um requisito básico.

Obrigado pela excelente entrevista. Os leitores que desejam saber mais podem visitar OPAQUE.