A Proton construiu sua reputação oferecendo serviços de internet com foco em privacidade, como Proton Mail, Proton VPN e o assistente Lumo. Por isso, uma crise interna sobre o uso de inteligência artificial no desenvolvimento de software chamou atenção de usuários e profissionais de segurança. A discussão vai além de uma empresa específica: ela mostra como a pressão por produtividade pode entrar em conflito com revisão de código, transparência e confiança.
O caso foi noticiado pelo Tecnoblog em 5 de novembro de 2026. A Proton pediu desculpas pela forma como conduziu a política e prometeu publicar mais informações sobre seus processos. A empresa negou ter instalado rastreamento nos computadores para medir a quantidade de código gerado por IA e também contestou a ideia de que estaria sacrificando segurança por velocidade.
De onde veio a controvérsia
Relatos internos descritos na reportagem indicam que funcionários enfrentaram pressão para ampliar o uso de modelos e agentes no desenvolvimento. Parte da equipe questionou como a prática afetaria a segurança dos produtos. Em serviços que lidam com e-mails, arquivos e conexões privadas, um erro de implementação pode ter impacto maior do que em um aplicativo comum.
O diretor de tecnologia da Proton teria defendido uma mudança no papel do engenheiro. Em vez de escrever diretamente a maior parte do código, profissionais passariam a orientar sistemas de IA e revisar o resultado. O modelo pode aumentar a velocidade em tarefas repetitivas, mas exige critérios claros para distinguir um trecho apenas funcional de um trecho seguro, sustentável e fácil de manter.
A empresa também teria planejado entrevistas para avaliar como os funcionários usavam IA. Após a repercussão, cancelou o processo. O episódio mostra por que métricas de adoção podem produzir efeitos ruins quando viram uma obrigação individual. Uma pessoa pode usar IA em uma tarefa simples e evitar a ferramenta em outra que envolve dados sensíveis. Medir apenas a quantidade de código gerado não captura essa diferença.
O risco de acelerar sem mudar a revisão
Modelos de IA conseguem gerar funções, testes e documentação com velocidade. Também podem sugerir bibliotecas, adaptar trechos entre linguagens e explicar erros. O problema é que o mesmo sistema pode inventar uma função de API, ignorar um caso de borda ou escolher uma dependência vulnerável. O código pode parecer convincente antes de ser executado em condições reais.
Em empresas de privacidade, a revisão precisa considerar mais do que bugs visíveis. É necessário perguntar se os dados ficam expostos em registros, se um sistema envia informações para um serviço externo, se chaves aparecem em mensagens de depuração e se uma nova dependência altera o modelo de ameaça. A velocidade da geração não elimina essas perguntas.
Uma política responsável deve separar tipos de uso. Um modelo pode ajudar a explicar uma mensagem de erro usando dados fictícios, mas não deve receber um banco de mensagens reais. Pode sugerir testes para um módulo, mas o código precisa passar por revisão e análise automatizada antes de chegar ao produto. Pode resumir documentação pública, mas ações sobre infraestrutura precisam de autorização explícita.
O que significa transparência
A Proton prometeu publicar políticas internas, explicar em quais atividades a IA é permitida e detalhar como o código é revisado. Também indicou que pretende abrir o código de algumas ferramentas internas, incluindo versões mais avançadas do Lumo. Transparência não significa expor informações confidenciais ou todos os detalhes operacionais, mas permitir que usuários entendam como decisões importantes são tomadas.
Para o público, seria útil saber quais modelos são usados, se dados de clientes entram em treinamento, quanto tempo os registros ficam armazenados e quem aprova mudanças críticas. Também importa conhecer o processo para corrigir uma vulnerabilidade encontrada depois de uma alteração gerada por IA.
Projetos de código aberto podem facilitar auditorias, mas abrir o código não garante segurança sozinho. É preciso documentação, revisão por pessoas independentes, respostas a relatos de falhas e atualizações rápidas. O código disponível publicamente pode ser examinado por defensores e atacantes. A segurança depende da capacidade de corrigir problemas e manter o projeto sustentável.
Como equipes podem usar IA com mais segurança
O caso oferece uma lista prática para qualquer equipe de desenvolvimento. Primeiro, classifique os dados antes de enviá-los a uma ferramenta. Código público e exemplos genéricos têm risco diferente de chaves, informações de clientes e detalhes de infraestrutura. Segundo, use ambientes corporativos com retenção e treinamento controlados, quando disponíveis. Terceiro, registre quais partes foram geradas ou alteradas com auxílio de IA.
Depois, aplique revisão humana proporcional ao risco. Uma alteração em texto de interface pode exigir uma revisão simples. Uma mudança em criptografia, autenticação ou armazenamento precisa de especialistas e testes específicos. A equipe também deve executar análise estática, testes unitários, verificação de dependências e testes de integração. Nenhuma dessas etapas deve ser substituída por uma resposta confiante do modelo.
Outra prática útil é manter limites de autonomia. Um agente pode preparar uma alteração em um ambiente de testes, mas não deve publicar diretamente em produção. Pode abrir uma solicitação de mudança, mas uma pessoa precisa revisar o diff e aprovar o envio. Esses controles diminuem o dano de uma instrução errada ou de uma sugestão que parece segura, mas não é.
Por que isso importa para usuários brasileiros
Serviços da Proton são usados por pessoas no Brasil que procuram alternativas a plataformas de grandes empresas. A confiança é parte do produto, não apenas uma mensagem de marketing. Se a companhia adota IA para acelerar a produção, precisa demonstrar que o processo não enfraqueceu criptografia, isolamento de dados ou resposta a incidentes.
Para o usuário, a recomendação é acompanhar políticas de privacidade e avisos de segurança, manter aplicativos atualizados e evitar inserir dados sensíveis em ferramentas de IA sem saber como eles são tratados. Para empresas, vale revisar contratos, controles de acesso e regras de uso de assistentes no desenvolvimento.
A crise da Proton não prova que usar IA em código seja incompatível com segurança. Ela mostra que a adoção precisa ser acompanhada de governança, transparência e responsabilidade. A empresa agora terá de transformar promessas em documentação e práticas verificáveis. Esse será o teste mais importante para preservar a confiança de uma comunidade que escolheu seus serviços justamente porque privacidade e segurança deveriam vir antes da conveniência.
Fonte original: Tecnoblog, Proton se desculpa após polêmica sobre uso de IA.
