Como a AVDH da Mandiant revela a nova fronteira da cibersegurança com IA

A principal novidade apresentada pelo Agentic Vulnerability Discovery Harness (AVDH), da Mandiant, não é apenas a quantidade de falhas encontradas. É a transformação da pesquisa de segurança feita com IA em um processo de engenharia, e não em um simples experimento com chatbot.

O sistema combina agentes especializados, revisão humana do modelo de ameaças, análise de caminhos de exploração, validação independente e provas de conceito reproduzidas por consultores. Em uma investigação de resposta a incidentes, o Google afirmou que a AVDH encontrou mais de 100 vulnerabilidades reais e de alta gravidade em apenas dois dias.

O resultado é expressivo, mas não significa que um único modelo consiga simplesmente “ler todo o código”. A aparente vantagem da AVDH vem da divisão da pesquisa em etapas, da redução de um espaço de busca gigantesco e do uso de especialistas humanos como filtro de qualidade antes que uma suspeita seja tratada como uma falha de segurança confirmada.

AVDH é um pipeline, não um único revisor de código

A arquitetura descrita para a AVDH segue a lógica de uma avaliação de segurança conduzida por uma equipe experiente. Primeiro, os agentes ajudam a entender a finalidade do código e as formas pelas quais ele poderia ser atacado. Em seguida, outras etapas mapeiam a superfície de ataque, localizam pontos de entrada, rastreiam fluxos de dados, geram hipóteses concorrentes de vulnerabilidade e validam possíveis caminhos de exploração. Consultores humanos revisam o modelo de ameaças e reproduzem exploits de prova de conceito antes que os achados sejam considerados verificados.

Essa divisão de tarefas é importante porque a análise de código-fonte produz muito mais padrões suspeitos do que as equipes de segurança conseguem investigar manualmente. A AVDH pode gerar um grande volume de descobertas intermediárias, enquanto as etapas de validação e a revisão humana concentram a atenção nos problemas que parecem exploráveis e relevantes.

O Google afirmou que, nos primeiros dez meses de uso, a AVDH analisou bases de código com dezenas de milhões de linhas e produziu dezenas de milhares de achados. Na investigação de destaque, realizada em dois dias, o sistema identificou mais de 100 vulnerabilidades críticas verdadeiras. O trabalho mais amplo também contribuiu para 12 CVEs atribuídos — identificadores oficiais de vulnerabilidades — e, segundo os relatos, cerca de outras 12 falhas ainda estavam em processo de divulgação coordenada.

Por isso, a métrica mais útil não é o número bruto de alertas. É a taxa de conversão de hipóteses geradas por máquinas em vulnerabilidades reproduzíveis e tratadas de forma responsável.

AVDH e NOVA não formam uma competição simples

A Palo Alto Networks divulgou um número de manchete muito maior com a NOVA, seu sistema autônomo de descoberta de vulnerabilidades baseado em múltiplos modelos. Em dois meses, a NOVA analisou 3.915 projetos de código aberto e identificou 14.090 vulnerabilidades confirmadas. De acordo com a pesquisa da empresa, 99,4% delas não haviam sido reportadas anteriormente e 40% foram classificadas como de alta ou crítica gravidade.

Os números descrevem modelos operacionais diferentes:

• AVDH: uma avaliação limitada no tempo e investigada em profundidade, ligada a uma operação de resposta a incidentes, com revisão humana e reprodução de caminhos de exploração como controles importantes de qualidade.
• NOVA: uma varredura em escala de ecossistema, realizada em milhares de projetos de código aberto e otimizada para amplitude e descoberta autônoma.

Os relatórios disponíveis não mostram que os dois sistemas tenham usado a mesma seleção de alvos, os mesmos critérios de gravidade, os mesmos limites para falsos positivos, os mesmos testes de explorabilidade ou os mesmos processos de divulgação. Portanto, os números não devem ser tratados como um ranking universal.

A AVDH demonstra como cadeias de agentes podem apoiar uma investigação de alta confiança em um trabalho específico. A NOVA demonstra a escala que a descoberta autônoma pode alcançar no software de código aberto.

Juntos, os resultados sugerem que a descoberta de vulnerabilidades está se dividindo em dois problemas: pesquisar de forma ampla o suficiente para encontrar falhas e validá-las com rigor suficiente para que os achados sejam acionáveis.

A resposta está migrando da descoberta para a redução da exposição

A resposta da Palo Alto à descoberta mais rápida não se limita a encontrar falhas. Sua proposta de Advanced Virtual Patching, ou aplicação avançada de patches virtuais, pretende implantar proteções no nível da rede em questão de horas. A ideia é reduzir a exposição enquanto os responsáveis pelo software trabalham na correção convencional. A Palo Alto compara essa abordagem ao intervalo médio de cerca de 55 dias para a aplicação tradicional de patches na indústria.

A empresa também anunciou o Frontier AI Critical Defense Program, que reúne companhias de IA, fornecedores de software, participantes do ecossistema de código aberto e organizações de tecnologia operacional em um esforço coordenado de defesa. Entre os participantes mencionados estão Anthropic, OpenAI, IBM, Red Hat, Microsoft, Siemens, Mitsubishi Electric e Axis Communications, entre outros.

Um patch virtual pode ser útil quando um serviço vulnerável é alcançável por meio de tráfego que um controle de rede consegue identificar e bloquear. Ainda assim, ele deve ser entendido como um controle compensatório, não como substituto para a correção do software.

A solução duradoura continua exigindo que o responsável compreenda a vulnerabilidade, implemente uma alteração no código, teste essa alteração, distribua-a e confirme que os sistemas afetados receberam a atualização.

Essa distinção se torna ainda mais importante à medida que a descoberta acelera. Um controle de rede pode reduzir a exposição imediata, mas não elimina, por si só, o código vulnerável espalhado por uma aplicação ou por sua cadeia de fornecimento de software.

Os atacantes também estão ganhando velocidade

O avanço defensivo ocorre ao mesmo tempo que surgem evidências de que os atacantes estão usando IA para tarefas semelhantes. O Google Threat Intelligence Group relatou o que descreveu como o primeiro caso identificado de um agente de ameaça usando um exploit de dia zero que, segundo a avaliação da empresa, foi desenvolvido com auxílio de IA. O grupo planejava usar o exploit em um ataque de grande escala, mas o Google afirmou que sua contra-descoberta ajudou a impedir a operação.

O exploit teria como alvo um bypass da autenticação de dois fatores em uma popular ferramenta de administração web de código aberto. Entre os indícios de que um modelo de IA provavelmente participou do desenvolvimento estavam comentários educativos no código e uma pontuação CVSS alucinada — uma classificação de gravidade inventada para uma vulnerabilidade que não existia.

Isso não significa que toda vulnerabilidade gerada por IA se transforme em um ataque operacional. Significa, porém, que os defensores não podem mais presumir que a complexidade do código, a capacidade limitada dos pesquisadores ou o longo intervalo entre descoberta e exploração darão tempo suficiente para responder.

O alerta da Cloud Security Alliance é central nesse contexto: a IA está aumentando a velocidade e a escala da descoberta de vulnerabilidades mais rapidamente do que muitos sistemas de divulgação e aplicação de patches conseguem absorver. Mais descobertas só melhoram a segurança se as organizações tiverem capacidade para fazer a triagem, coordenar a divulgação, desenvolver correções e implantar proteções com segurança.

Os defensores conseguem recuperar a vantagem?

Sim — mas não apenas comprando um modelo que encontra vulnerabilidades. A vantagem tende a ficar com as organizações capazes de conectar a descoberta ao restante de sua operação de segurança:

1. Modelagem de ameaças direciona a busca para caminhos de ataque realistas.
2. Análise agêntica explora o código e gera hipóteses concorrentes na velocidade das máquinas.
3. Validação independente reduz o risco de que padrões suspeitos se transformem em relatórios equivocados.
4. Reprodução humana confirma se uma falha proposta pode realmente ser explorada.
5. Divulgação coordenada oferece a mantenedores e fornecedores um caminho para responder.
6. Patches virtuais e outros controles compensatórios reduzem a exposição enquanto uma correção no código é preparada.
7. Remediação priorizada garante que as vulnerabilidades mais acessíveis e de maior impacto sejam corrigidas primeiro.

A AVDH ilustra o valor desse fluxo conectado: uma exploração automatizada ampla é combinada com julgamento humano e verificação de exploits. A NOVA mostra a pressão que esse fluxo precisará suportar: a descoberta autônoma pode produzir achados em uma escala para a qual as equipes tradicionais não foram dimensionadas.

A corrida armamentista da cibersegurança com IA, portanto, não é apenas uma disputa para descobrir quem encontra mais bugs. É uma corrida para completar todo o ciclo — da detecção à mitigação — antes que um adversário consiga transformar uma vulnerabilidade em ataque.

Os defensores podem ganhar terreno quando controlam o código, o pipeline de implantação, a telemetria e os mecanismos de rede, além de conseguirem fechar o ciclo de detecção e mitigação mais rapidamente do que os adversários operacionalizam os exploits. Mas descoberta sem validação, responsáveis definidos, divulgação, correção e implantação pode aumentar o tamanho do problema em vez de resolvê-lo.