MDASH: o sistema de IA da Microsoft com mais de 100 agentes que está descobrindo falhas reais no Windows

Uma abordagem diferente: IA com múltiplos agentes

A maioria das ferramentas de segurança baseadas em IA usa um único modelo para examinar código em busca de padrões suspeitos. O MDASH segue um caminho diferente.

O sistema organiza uma rede de agentes de IA que colaboram — e até “discordam” entre si — para investigar possíveis falhas.

Cada agente tem um papel específico no processo de descoberta de vulnerabilidades, como:

• examinar grandes bases de código
• levantar hipóteses sobre possíveis bugs
• criar cenários de exploração
• testar se a falha realmente pode ser explorada

Os agentes compartilham resultados e revisam as conclusões uns dos outros, o que ajuda a reduzir falsos positivos e garantir que apenas vulnerabilidades comprovadas sejam reportadas.

Essa arquitetura “agentic” e multi‑modelo permite que o sistema utilize diferentes modelos de IA ao longo das etapas da análise, em vez de depender de um único modelo para tudo.

Vulnerabilidades reais descobertas no Windows

Segundo a Microsoft e reportagens independentes, o MDASH auxiliou equipes internas de segurança a descobrir 16 vulnerabilidades no Windows relacionadas principalmente a componentes de rede e autenticação.

Entre elas estavam quatro falhas críticas de execução remota de código, que poderiam permitir que invasores executassem código malicioso remotamente caso não fossem corrigidas.

Os componentes afetados incluem partes importantes da infraestrutura do Windows, como:

• a pilha de rede TCP/IP
• o serviço IKEEXT (IPsec)
• o Netlogon
• o cliente DNS do Windows

Todas essas falhas foram corrigidas no Patch Tuesday de maio de 2026, o que significa que foram resolvidas antes de uma exploração ampla por atacantes.

Desempenho no benchmark CyberGym

O MDASH também foi avaliado no CyberGym, um grande benchmark usado para testar sistemas de IA em tarefas de cibersegurança.

Relatos indicam que o sistema alcançou aproximadamente 88,45% de desempenho em mais de 1.500 tarefas, ficando à frente de outros modelos avaliados, como o Mythos Preview da Anthropic e também à frente do GPT‑5.5 no mesmo teste.

Apesar disso, detalhes completos sobre a metodologia do benchmark e os dados de avaliação ainda não foram amplamente publicados, o que limita a verificação independente desses resultados. As informações disponíveis se baseiam principalmente em divulgações da Microsoft e análises secundárias.

Por que isso pode mudar a segurança de software

Ferramentas como o MDASH apontam para uma possível mudança na forma como vulnerabilidades são descobertas.

Tradicionalmente, a pesquisa de segurança depende de especialistas humanos ou de ferramentas automáticas que apenas sinalizam possíveis problemas. Sistemas multiagentes como o MDASH tentam ir além:

• analisando grandes bases de código automaticamente
• simulando o comportamento de atacantes
• gerando provas de conceito de exploração
• confirmando vulnerabilidades antes de reportá‑las

Se essa abordagem continuar evoluindo, ela pode acelerar significativamente a descoberta e a correção de falhas em plataformas complexas como o Windows.

Disponibilidade para empresas

A Microsoft planeja disponibilizar o MDASH inicialmente para clientes corporativos em prévia privada, segundo reportagens sobre o lançamento da plataforma.

Ainda não está claro como o sistema será integrado aos produtos de segurança da Microsoft ou quando poderá chegar a uma disponibilidade mais ampla.

A tendência maior: agentes de IA trabalhando em equipe

O MDASH também reflete uma tendência crescente na inteligência artificial: sistemas compostos por múltiplos agentes especializados, em vez de um único modelo geral.

Na cibersegurança, essa abordagem pode ser especialmente eficaz. A descoberta de vulnerabilidades exige exploração, raciocínio, experimentação e validação — tarefas complexas que se beneficiam de vários agentes trabalhando em conjunto.

Os primeiros resultados da Microsoft indicam que sistemas de IA baseados em agentes podem se tornar uma parte central da forma como grandes plataformas de software encontram e corrigem falhas críticas no futuro.