Duas novas ferramentas, um portal já maduro

Na segunda-feira, 31 de agosto de 2026, o Departamento de Guerra dos Estados Unidos, novo nome do antigo Departamento de Defesa, lançou duas novas ferramentas de inteligência artificial na plataforma GenAI.mil: o ChatGPT Mil, versão customizada do ChatGPT desenvolvida com a OpenAI, e o Grok for Government, da xAI. As duas se juntam ao Google Gemini, que já estava disponível no portal. O GenAI.mil não é uma iniciativa nova: foi lançado em 2025 como um ambiente centralizado e seguro, pensado para dar a militares e servidores civis acesso a modelos comerciais de fronteira sem precisar recorrer a canais de consumidor comuns, que exporiam dados sensíveis do governo a riscos desnecessários.

Escala: mais de 3 milhões de usuários potenciais

O tamanho do público potencial dá a dimensão do movimento. Mais de 3 milhões de militares e civis do Departamento têm acesso possível à plataforma, e mais de 1,7 milhão de usuários únicos já foram integrados até o momento, segundo dados citados pela DefenseScoop e pelo The Hill. Trata-se de uma das maiores implantações institucionais de IA generativa já registradas em um único órgão de governo, e reforça a disputa entre OpenAI, xAI e Google por espaço dentro do maior comprador de tecnologia do mundo: o governo dos Estados Unidos.

O que o ChatGPT Mil faz na prática

O ChatGPT Mil chega com chat, arquivos, projetos e GPTs customizados, e foi desenhado para tarefas do dia a dia administrativo: redigir e revisar materiais de contratação (procurement), resumir documentos de política e diretrizes internas, e gerar relatórios e checklists de conformidade. A ferramenta tem credenciamento para lidar com Informação Não Classificada Controlada em Nível de Impacto 5, o que a habilita para trabalho não classificado de planejamento, política, logística e administração, mas não para conteúdo classificado.

Grok for Government e a pergunta que ninguém respondeu

A entrada do Grok, porém, não veio sem questionamento. Segundo reportagem do TechTimes, o modelo foi implantado no GenAI.mil mesmo depois de engenheiros internos apontarem que não existe uma correção confiável para o risco de geração de material de abuso sexual infantil pelo sistema. A informação levanta uma pergunta incomoda e legítima: quais critérios de segurança de conteúdo estão sendo usados para credenciar modelos de fronteira em ambientes institucionais de alto volume, especialmente quando o risco identificado internamente não tem solução técnica garantida? Até o momento, nem a xAI nem o Departamento detalharam publicamente que salvaguardas adicionais, se houver, foram adotadas para mitigar esse risco específico dentro do GenAI.mil.

Adoção institucional em ritmo mais rápido que a diligência

O episódio ilustra uma tensão que vai muito além do governo americano: a velocidade da adoção institucional de IA generativa tem, com frequência, superado a velocidade da due diligence de segurança e conteúdo sobre os próprios modelos adotados. Quando um comprador do porte do Departamento de Guerra dos EUA decide integrar um modelo mesmo com um risco conhecido e não resolvido, o sinal que isso envia ao mercado é que a pressão competitiva entre fornecedores de IA pode, em certos casos, pesar mais do que a cautela regulatória.

Por que isso importa para agências e PMEs brasileiras

O caso GenAI.mil mostra, em escala máxima, o que qualquer agência ou PME brasileira que automatiza atendimento e marketing com IA já deveria estar praticando em escala menor: nenhum modelo é neutro por padrão, e a escolha de fornecedor é também uma escolha de risco. Se até um comprador com recursos, equipe técnica própria e processo formal de credenciamento como o Departamento de Guerra dos EUA avançou com um modelo apontado internamente como tendo um risco de conteúdo sem correção confiável, fica claro que due diligence de segurança não pode ser terceirizada apenas para o marketing do fornecedor de IA. Para quem no Brasil conecta modelos como ChatGPT, Grok ou Gemini a fluxos de atendimento ao cliente, geração de conteúdo publicitário ou automação de WhatsApp, a lição prática é direta: exigir transparência sobre limitações conhecidas de cada modelo, testar guardrails de conteúdo antes de colocar um modelo em produção voltada ao público, e tratar a escolha de LLM como decisão de risco de negócio, não apenas de performance ou custo.