O que é detecção de ameaças por IA?

Em 2025, os atacantes não estão visando apenas redes ou aplicativos tradicionais. Eles estão mirando nos sistemas de IA dos quais as empresas dependem. Desde a inserção de mensagens maliciosas em modelos generativos de IA até a adulteração de dados de treinamento, esses ataques criam riscos que as ferramentas de segurança mais antigas não conseguem lidar.

A detecção de ameaças por IA funciona de maneira diferente do monitoramento de ameaças padrão.

Em vez de apenas procurar atividades de rede suspeitas ou assinaturas de malware conhecidas, ele identifica os métodos de ataque específicos que exploram os modelos de IA e seus dados, detectando tentativas de alterar o comportamento dos modelos, roubar informações confidenciais ou produzir resultados enganosos que comprometam a confiança.

Líderes de segurança enfrentam questões difíceis:

• Que ameaças específicas de IA estão visando nossos modelos e dados?
• Como podemos detectar o uso malicioso de IA e a manipulação de modelos em tempo real?
• Que padrões de ataque indicam uma violação de segurança impulsionada por IA?

A detecção de ameaças por IA responde a essas questões analisando o comportamento do modelo em tempo real, atribuindo pontuações de risco com base no contexto e respondendo automaticamente para conter ataques. Isso a torna uma defesa vital para empresas que desenvolvem ou utilizam IA generativa em suas operações diárias.

Por que a detecção de ameaças por IA é fundamental para as missões em 2025

Essas são razões fundamentais pelas quais a detecção de ameaças por IA nunca foi tão importante.

A Nova Superfície de Ataque da IA

Os sistemas de IA criam pontos de entrada que não existiam nos ambientes de TI tradicionais.

Os endpoints dos modelos, os pipelines de treinamento e as APIs de inferência são todos alvos potenciais. Os atacantes exploram esses elementos para manipular resultados, roubar dados, interromper operações ou comprometer a confiabilidade.

Outra preocupação é a IA paralela. Os funcionários podem usar ferramentas de IA não autorizadas para tarefas como análise de dados ou geração de conteúdo, muitas vezes sem a supervisão da TI. Esses sistemas ocultos criam vetores de ataque invisíveis que contornam os controles existentes e deixam as organizações vulneráveis.

Gestão da Postura de Segurança de Dados (DSPM) Ajuda ao permitir que as equipes encontrem, classifiquem, monitorem e protejam dados confidenciais em sistemas de IA aprovados e não aprovados, eliminando as brechas que os invasores poderiam explorar.

Agentes de ameaças impulsionados por IA

Os adversários usam IA generativa para criar e-mails de phishing ou conteúdo malicioso mais difícil de detectar. Eles também usam ferramentas baseadas em IA para descoberta automatizada de vulnerabilidades, o que lhes permite identificar falhas mais rapidamente do que equipes humanas conseguem.

A engenharia social impulsionada por deepfakes é outra grande preocupação, pois engana funcionários para que compartilhem credenciais, imitando executivos ou parceiros de confiança. Além disso, malwares gerados por IA e ameaças polimórficas podem modificar rapidamente suas assinaturas para evitar a detecção, tornando as defesas tradicionais menos eficazes.

Vetores de ataque específicos do modelo

Os próprios modelos de IA introduzem novas formas de invasão para os atacantes.

Ataques de injeção imediata enganam sistemas de IA generativa, levando-os a produzir resultados não autorizados ou prejudiciais. O envenenamento de modelos permite que invasores manipulem dados de treinamento, enquanto backdoors possibilitam manipulação posterior.

Por meio de inferência e extração de modelos, os atacantes podem estudar o funcionamento de um modelo e replicá-lo, levando ao roubo de propriedade intelectual. A extração de dados de treinamento é igualmente perigosa, pois permite a recuperação e a exposição de informações privadas do conjunto de treinamento.

Implicações regulatórias e de conformidade

Governos e órgãos reguladores estão agindo rapidamente para abordar a segurança da IA.

O Lei de IA da UE Inclui requisitos para monitoramento e mitigação de riscos de segurança associados a sistemas de IA de alto risco. Nos Estados Unidos, o Estrutura de Gestão de Riscos de IA do NIST Fornece diretrizes para identificar, avaliar e gerenciar os riscos da IA.

Certos setores, como o financeiro, o da saúde e o da defesa, já estão implementando diretrizes específicas para a segurança da IA. Os requisitos para a notificação de incidentes também estão se tornando mais rigorosos, com a expectativa de que as organizações divulguem prontamente quaisquer violações relacionadas à IA.

Isso significa que a detecção de ameaças por IA agora é tanto uma prioridade de segurança quanto uma necessidade de conformidade.

Principais capacidades de detecção de ameaças por IA

Os atacantes que visam sistemas de IA exploram vulnerabilidades que não existem em nenhum outro lugar na pilha de tecnologia. Aqui estão três funcionalidades essenciais que ajudam as organizações a detectar ataques precocemente e a manter seus modelos seguros:

Detecção de anomalias comportamentais para sistemas de IA

O primeiro passo para proteger cargas de trabalho de IA é saber como é o comportamento normal. Ao estabelecer linhas de base para padrões de uso esperados, as organizações podem identificar atividades incomuns que indicam risco.

Isso inclui:

• Desvio nas consultas e respostasMonitorar avisos ou resultados que estejam fora dos intervalos esperados.
• Padrões incomuns de acesso a dadosDetectar quando os serviços de IA tentam recuperar informações que normalmente não processam.
• Uso anormal de recursos computacionaisIdentificação de picos de processamento ou memória que podem indicar atividade maliciosa ou abuso do modelo.

Análise e filtragem de solicitações em tempo real

Sistemas de IA generativa podem ser enganados e levados a comportamentos prejudiciais por meio de entradas cuidadosamente elaboradas. O monitoramento em tempo real dessas entradas ajuda a impedir esses ataques antes que sejam bem-sucedidos.

As principais competências incluem:

• Reconhecimento de padrões de prompts maliciosos que se assemelham a tentativas de exploração conhecidas.
• Detecção de tentativas de jailbreak onde os usuários tentam burlar as medidas de segurança integradas.
• Identificação de exfiltração de dados por meio de alertas, como tentativas de extrair dados de treinamento ou contexto sensível.
• Pontuação de risco sensível ao contexto que avalia a intenção de uma solicitação em relação aos casos de uso normais do sistema.

Monitoramento da Integridade do Modelo

Mesmo um modelo de IA bem protegido pode ser comprometido se seus arquivos principais forem alterados. O monitoramento de integridade mantém a estrutura interna do modelo segura, fornecendo:

• Verificação contínua de checksum Para confirmar que os arquivos não foram adulterados.
• Detecção de adulteração de parâmetros e pesos Isso poderia alterar o comportamento do modelo.
• Recursos de controle de versão e reversão Assim, as equipes de segurança podem restaurar um modelo confiável caso uma violação seja detectada.
• Prevenção de ataques à cadeia de suprimentos Validando componentes externos e dependências antes de sua integração.

Reconhecimento de padrões de ataque específicos para IA

Além de monitorar o comportamento e os avisos, a detecção de ameaças deve identificar padrões de ataque exclusivos da IA.

Isso requer:

• Correspondência de assinatura de exploração conhecida para detectar explorações de IA repetíveis e bem documentadas, como padrões de injeção de prompts que enganam modelos de bate-papo para que eles ignorem os filtros de segurança.
• Heurísticas para ataques de IA de dia zero que sinalizam atividades suspeitas, mesmo que sejam novas.
• Correlação de ameaças entre plataformas Conectar padrões suspeitos em diferentes ambientes e aplicações de IA, construindo um panorama completo de ataques coordenados.
• integração de inteligência de ameaças que reúne informações externas sobre métodos de ataque emergentes direcionados a sistemas de IA.

Detecção e prevenção de ataques de injeção imediata

Os ataques de injeção imediata estão entre as ameaças mais comuns e perigosas que os sistemas de IA enfrentam atualmente. Estudos demonstraram que certas técnicas de injeção imediata conseguiram atingir mais de Probabilidade de sucesso do ataque de 60%. (ASP) em 14 LLMs de código aberto.

Proteger os modelos exige compreender como esses ataques funcionam, detectá-los em tempo real e implementar medidas para responder e evitar que se repitam.

Entendendo as técnicas de injeção imediata

Os ataques de injeção imediata podem assumir diversas formas:

• Injeção diretaInstruções maliciosas incorporadas diretamente no prompt de entrada. Isso força a IA a executar comandos que ela não deveria seguir.
• Injeção indireta via dados de treinamentoIntroduzir exemplos prejudiciais em conjuntos de dados usados ​​para treinamento ou ajuste fino do modelo. Essas manipulações podem alterar o comportamento do modelo muito tempo depois da implantação.
• Cadeias de ataque em várias etapasUma série de entradas que manipulam gradualmente o comportamento do modelo. Isso ajuda os atacantes a contornar camadas de proteção.
• estratégias de manipulação de contextoOs atacantes se aproveitam da dependência da IA ​​em relação ao contexto, com a intenção de enganar o modelo para que ele exponha informações confidenciais ou execute ações que não deveria.

Mecanismos de detecção em tempo real

A detecção de injeção imediata requer monitoramento contínuo das entradas e saídas do modelo. Os principais métodos incluem:

• Correspondência de padrõesSinaliza prompts que se assemelham a técnicas de ataque conhecidas. Identifica entradas potencialmente maliciosas antes que elas possam afetar o modelo.
• Análise semânticaAvaliar a intenção por trás das entradas para identificar instruções maliciosas.
• Validação e higienização da saídaGarantir que as respostas não exponham dados sensíveis nem executem instruções prejudiciais. Qualquer resultado que não seja validado pode ser higienizado ou bloqueado.
• Análise comportamental e de limitação de taxaIdentificar padrões de uso anormais que indiquem tentativas de injeção.

Resposta e mitigação automatizadas

Assim que um ataque for detectado, a ação imediata é crucial. As medidas incluem:

• Encerramento imediato da sessãoA sessão ativa é encerrada para interromper o ataque antes que ocorram danos, como manipulação adicional do modelo de IA ou exposição de dados sensíveis.
• Procedimentos de quarentena do usuárioContas que apresentarem comportamento suspeito serão temporariamente restringidas enquanto as investigações estiverem em andamento.
• higienização automática imediataEntradas maliciosas são limpas ou removidas para impedir a execução de instruções prejudiciais.
• Fluxos de trabalho de escalonamento de alertasOs alertas são encaminhados às equipes de segurança apropriadas para uma resposta rápida. Isso garante que os problemas críticos sejam tratados por especialistas.

Construindo um Processamento de Mensagens Resiliente

Prevenir a injeção imediata também exige projetar o sistema para resistir a ataques desde o início. As principais estratégias incluem:

• estruturas de validação de entradaOs avisos são verificados para confirmar se atendem aos padrões de segurança predefinidos antes de chegarem ao modelo.
• Modelos de prompts segurosOs usuários são guiados por modelos estruturados que reduzem o risco de manipulação.
• Técnicas de isolamento de contextoInstruções sensíveis são separadas de entradas externas para evitar influências não intencionais, limitando a capacidade de invasores manipularem o modelo por meio do contexto circundante.
• Testes de segurança regularesUma abordagem proativa em que potenciais ataques são simulados para identificar fragilidades no sistema de resposta rápida e corrigi-las antes que possam ser exploradas.

Detecção de envenenamento de modelos e adulteração de dados

Os modelos de IA podem ser comprometidos por meio de dados de treinamento adulterados ou manipulações maliciosas, resultando em backdoors, vieses ou resultados imprecisos. A detecção desses ataques exige uma combinação de monitoramento, validação e análise forense.

Identificação de ataques a dados de treinamento

Os dados de treinamento são um alvo principal para atacantes, pois entradas comprometidas podem afetar silenciosamente o comportamento de um modelo. Os métodos de detecção incluem:

• Detecção de inserção de backdoorOs sistemas monitoram gatilhos ocultos incorporados nos dados de treinamento que podem afetar o comportamento de um modelo. Esses mecanismos impedem que invasores ativem resultados maliciosos após a implantação.
• Identificação de manipulação de rótulosRótulos incorretos ou enganosos em conjuntos de dados de treinamento são sinalizados para manter a integridade do modelo. Identificar essas manipulações ajuda o modelo a aprender associações precisas.
• mudanças na distribuição de dadosAs alterações nas propriedades estatísticas dos dados de treinamento são monitoradas ao longo do tempo. O acompanhamento dessas mudanças ajuda a detectar adulterações sutis ou corrupção do conjunto de dados.
• Detecção de amostras envenenadasAmostras individuais contendo conteúdo malicioso ou anomalias são detectadas e removidas, impedindo que ataques direcionados influenciem as previsões do modelo.

Monitoramento do modelo de tempo de execução

Mesmo após a implantação, os modelos podem ser atacados por meio de entradas manipuladas ou alterações ambientais. Aqui estão as principais técnicas para monitorar modelos em tempo real:

• Rastreamento da degradação de desempenhoCom o monitoramento contínuo, quedas inesperadas no desempenho do modelo são detectadas rapidamente. Essas quedas podem indicar adulteração ou problemas operacionais.
• Padrões de saída inesperadosSaídas que se desviam dos intervalos normais são sinalizadas para investigação. O monitoramento dessas saídas ajuda a detectar manipulações que não são visíveis em alertas tradicionais.
• Detecção de deriva de viésAlterações nas previsões do modelo são monitoradas para detectar vieses emergentes. Isso permite que as equipes tomem medidas corretivas antes que o viés afete a tomada de decisões ou os resultados para o usuário.
• Alertas de anomalia de precisãoOs alertas são acionados quando as previsões do modelo ficam abaixo dos limites de precisão esperados. Essas notificações ajudam a identificar ataques sutis ou problemas de corrupção de dados.

Segurança da cadeia de suprimentos para modelos de IA

Os modelos de IA frequentemente dependem de componentes de terceiros, como modelos pré-treinados, bibliotecas externas e frameworks de código aberto, o que introduz riscos de segurança adicionais. Os métodos a seguir focam na segurança da cadeia de suprimentos de IA:

• Verificação de proveniência do modeloA origem e a integridade dos modelos são validadas antes da implementação, confirmando que os modelos de terceiros não foram adulterados.
• digitalização de modelos de terceirosOs modelos externos são analisados ​​em busca de vulnerabilidades ocultas ou código malicioso. Isso reduz os riscos ao incorporar componentes externos de IA.
• Avaliação de vulnerabilidade à dependênciaAs bibliotecas e estruturas utilizadas pelos modelos de IA são verificadas quanto a problemas de segurança. Isso é fundamental, pois dependências vulneráveis ​​podem ser exploradas para comprometer o comportamento do modelo.
• Segurança de contêineres para cargas de trabalho de IAContêineres que executam modelos de IA são monitorados em busca de falhas de configuração ou alterações não autorizadas. Proteger o ambiente de execução ajuda a prevenir ataques.

Capacidades de Análise Forense

Mesmo com todas as medidas tomadas, ataques ainda podem ocorrer. Nesses casos, uma investigação detalhada ajuda a equipe de segurança a entender e remediar os incidentes. Aqui estão as principais funcionalidades utilizadas para análise forense:

• Reconstrução da linha do tempo do ataqueAs equipes de segurança podem reconstruir a sequência de eventos que levaram a uma violação de segurança para entender como o ataque se desenrolou.
• Ferramentas de avaliação de impactoAs ferramentas avaliam o alcance e a gravidade de um ataque ao desempenho do modelo e à integridade dos dados. Essas informações orientam as estratégias de remediação e a elaboração de relatórios de risco.
• Preservação de evidênciasRegistros, instantâneos de modelos e artefatos de dados de treinamento são preservados para análise. O gerenciamento adequado de evidências auxilia em investigações e atende aos requisitos de conformidade.
• Análise da causa raizAs equipes identificam a causa subjacente de uma violação de segurança, seja ela dados corrompidos, configuração incorreta ou manipulação externa. Essa compreensão ajuda a prevenir ataques futuros.

Plataforma avançada de detecção de ameaças por IA da Cyera

A Cyera é a plataforma de segurança de dados nativa de IA que mais cresce no mercado, ajudando empresas a proteger seus dados e sistemas de IA. Seus módulos incluem DSPM (Gerenciamento de Proteção de Dados), privacidade de dados, prevenção contra perda de dados, controle de acesso por identidade e AI Guardian para proteger a IA na origem.

Segue um resumo de suas principais características:

Arquitetura de segurança de IA sem agentes

A arquitetura da Cyera simplifica a implementação e minimiza as interrupções, evitando a complexidade que geralmente acompanha as ferramentas legadas. Ela se adapta a ambientes híbridos e com foco em nuvem, oferecendo cobertura às equipes desde o primeiro dia.

• Modelo de implantação de impacto zeroConfiguração em minutos, sem necessidade de instalar agentes, permitindo que as equipes passem da configuração à proteção rapidamente.
• Visibilidade completa sem perda de desempenho.Monitore as cargas de trabalho de IA sem comprometer o desempenho dos modelos ou dos processos de negócios.
• Escalabilidade nativa da nuvemExpanda a segurança sem esforço à medida que a adoção da IA ​​e os volumes de dados crescem.
• Suporte a multicloud e híbridoGarantir segurança consistente em sistemas AWS, Azure, Google Cloud e locais.

Inteligência de Ameaças Sensível ao Contexto

A inteligência de ameaças da Cyera é adaptada à realidade da IA, combinando dados globais com insights específicos do setor. Isso ajuda as organizações a se manterem um passo à frente dos invasores, à medida que as ameaças continuam a evoluir.

• Feeds de ameaças específicos para IADetecte injeção imediata, envenenamento de modelo e outros riscos inerentes à IA com inteligência selecionada.
• Padrões de risco específicos do setorAdaptar as defesas às necessidades específicas de diversos setores, incluindo finanças, saúde e varejo.
• Aprendizagem contínua a partir de ameaças globaisMelhore a precisão da detecção com conhecimento de milhares de ambientes.
• Modelagem preditiva de ameaçasAntecipe e prepare-se para novos tipos de ataques antes que eles se espalhem.

Busca automatizada de ameaças para ambientes de IA

Em vez de depender apenas de alertas, a Cyera busca ativamente por atividades suspeitas em ambientes de IA. Isso reduz falsos positivos e permite que as equipes se concentrem nos riscos mais importantes, ao mesmo tempo que fortalece sua segurança geral. segurança de dados de IA.

• Descoberta proativa de ameaças: Analisar continuamente os modelos e os fluxos de trabalho em busca de riscos ocultos.
• Motor de correlação avançadoConectar atividades em conjuntos de dados, endpoints e sistemas de IA para descobrir ataques complexos.
• automação de linha de base comportamentalAprenda a reconhecer padrões normais para identificar atividades incomuns mais rapidamente.

Operações de Segurança Unificadas

De Cyera AI-SPM A plataforma oferece às equipes de segurança a clareza necessária sem adicionar mais ferramentas para gerenciar. Ela também ajuda a simplificar auditorias e requisitos de conformidade.

• Painel único para ameaças de IAMonitore e gerencie a segurança da IA ​​a partir de um painel central.
• Integração com ferramentas SOC existentesConecte-se com SIEM e SOAR para manter os fluxos de trabalho consistentes.
• Fluxos de trabalho de investigação simplificadosFornecer informações ricas em contexto para que as equipes possam resolver incidentes rapidamente.
• Relatórios prontos para conformidadeGere relatórios que estejam em conformidade com padrões como GDPR, HIPAA e PCI DSS.

O futuro da detecção de ameaças por IA: 2025 e além

Com o crescimento da adoção da IA, aumentam também as ameaças. Os próximos anos trarão grandes mudanças na forma como as organizações protegem seus sistemas de IA; por isso, aqui estão algumas dicas para ajudá-lo a se preparar.

Vetores de Ameaça Emergentes

Novos tipos de ataques começam a surgir à medida que a IA se espalha por setores sensíveis.

A computação quântica, por exemplo, poderia quebrar os métodos de criptografia existentes e expor segredos de modelos de IA. O aprendizado federado abre novas portas para ataques de envenenamento em sistemas distribuídos.

A inteligência artificial de borda, frequentemente implementada em dispositivos com proteção limitada, cria mais uma camada de risco, e os agentes autônomos podem se tornar alvos ou até mesmo ferramentas para os próprios atacantes.

Tecnologias de IA defensivas

No âmbito da defesa, as organizações continuarão a usar IA para proteger a própria IA.

A detecção de ameaças baseada em aprendizado de máquina ajuda a identificar ataques mais rapidamente, enquanto sistemas de autorrecuperação podem corrigir vulnerabilidades automaticamente ou reverter modelos comprometidos.

Os modelos preditivos de segurança estão se tornando mais comuns, proporcionando às equipes uma visão antecipada dos riscos emergentes, e os mecanismos de resposta automatizados reduzem o tempo entre a detecção e a ação.

Evolução Regulatória

Paralelamente a essas mudanças técnicas, o ambiente regulatório também está se transformando. Espera-se que governos e entidades do setor introduzam novas regras focadas na transparência da IA, na proteção de dados e no uso ético da inteligência artificial.

A cooperação internacional provavelmente aumentará para lidar com os riscos transfronteiriços, enquanto as indústrias pressionam por padrões de segurança comuns. A automação também desempenhará um papel mais importante, ajudando as organizações a atender aos requisitos de conformidade sem comprometer a inovação.

Convergência Tecnológica

O futuro da segurança da IA ​​também será moldado pela forma como ela se integra a outras tecnologias avançadas. Arquiteturas de confiança zero estão sendo cada vez mais adaptadas para sistemas de IA, criando controles de acesso mais rigorosos em diversos ambientes.

A tecnologia blockchain demonstra potencial para garantir a integridade dos modelos e a procedência dos dados, enquanto a computação confidencial e a criptografia homomórfica oferecem maior proteção para cargas de trabalho sensíveis.

Em conjunto, esses avanços apontam para um ecossistema de segurança mais resiliente, capaz de se adaptar a quaisquer ameaças que surjam no futuro.

Perguntas frequentes

O que é detecção de ameaças por IA?

A detecção de ameaças por IA é uma abordagem de segurança focada na proteção de sistemas de inteligência artificial. Ela identifica, analisa e responde a ameaças direcionadas a modelos, dados de treinamento e fluxos de trabalho, riscos que as ferramentas tradicionais de segurança de TI não foram projetadas para detectar.

Como a detecção de ameaças por IA difere da detecção de ameaças tradicional?

As ferramentas de detecção tradicionais abrangem endpoints, redes e aplicativos. A detecção de ameaças por IA adiciona uma camada extra ao:

• Monitoramento de padrões de comandos e comportamentos do modelo.
• Proteção contra manipulação de dados de treinamento.
• Detecção de riscos específicos de IA, como extração de modelos ou entradas adversárias.

Que tipos de ameaças a detecção de ameaças por IA consegue identificar?

A detecção de ameaças por IA concentra-se em riscos exclusivos de ambientes de IA, incluindo:

• Ataques de injeção de prompts que manipulam as saídas do modelo.
• Envenenamento de modelo, onde os atacantes inserem dados de treinamento prejudiciais.
• Tentativas de extração de dados e roubo de modelos.
• Exemplos adversários concebidos para enganar os modelos e levá-los a cometer erros.
• Inferência de associação e violações de privacidade.
• Campanhas de phishing ou engenharia social impulsionadas por inteligência artificial.

Preciso de detecção de ameaças por IA se já possuo SIEM e EDR?

Sim, você precisa. Embora SIEM e EDR sejam essenciais para a segurança geral de TI, eles não foram projetados para detectar ataques específicos de IA, como manipulação de prompts e adulteração de modelos. A detecção de ameaças por IA complementa essas ferramentas, permitindo:

• Monitoramento de comportamentos específicos do modelo.
• Proteção contra adulteração e vazamento de dados.
• Detecção de ataques direcionados a dados de treinamento e pipelines de inferência.

Com que rapidez a detecção de ameaças por IA pode ser implementada?

A implementação depende da plataforma, mas com soluções sem agentes como o Cyera, as organizações podem começar em poucos dias, já que não há necessidade de instalar agentes de software ou reconfigurar sistemas existentes.

As funcionalidades básicas de detecção costumam estar operacionais na primeira semana, e a cobertura completa, incluindo regras de detecção personalizadas, ajustes e integração com outras ferramentas de segurança, geralmente entra em funcionamento dentro de 2 a 4 semanas.

Quais estruturas de conformidade exigem detecção de ameaças por IA?

À medida que a adoção da IA ​​cresce, diversos marcos regulatórios começam a exigir medidas de segurança específicas para IA.

A Lei de IA da UE exige explicitamente a gestão de riscos e o monitoramento de sistemas de IA de alto risco. A Estrutura de Gestão de Riscos de IA do NIST também enfatiza o monitoramento contínuo de modelos de IA para detectar vulnerabilidades, vazamento de dados ou uso indevido.

Além disso, regulamentações específicas de setores como saúde, finanças e infraestrutura crítica estão evoluindo para incluir disposições focadas em IA, exigindo que as organizações demonstrem que podem detectar e mitigar ameaças relacionadas à IA.