Na fase de descoberta, o sistema examina pontos de entrada, fluxos de dados e o contexto do código ao redor. Os agentes geram várias hipóteses de vulnerabilidade, investigam-nas de forma independente e questionam as conclusões uns dos outros. As evidências são reunidas em possíveis achados, mas os consultores ainda reproduzem as explorações de prova de conceito antes que uma falha seja considerada verificada.

Essa estrutura é importante porque separa cobertura de julgamento. Um agente pode fazer uma busca ampla, outro pode seguir um caminho de ataque e um terceiro pode tentar refutar o resultado. A validação humana continua funcionando como uma barreira contra falsos positivos e interpretações equivocadas sobre o comportamento do software.

O que a Mandiant afirma ter encontrado com o AVDH

O Google afirma que o AVDH foi usado internamente por cerca de dez meses e encontrou dezenas de falhas passíveis de receber identificadores em extensões web amplamente utilizadas e projetos de código aberto. Esse trabalho resultou em 12 CVEs atribuídos, enquanto aproximadamente outra dúzia de vulnerabilidades está em processo ativo de divulgação.

Em uma investigação de resposta a incidentes envolvendo repositórios corporativos roubados, reportagens externas afirmam que o harness ajudou a identificar mais de 100 vulnerabilidades verificadas de alta gravidade em dois dias.

Os números mostram o potencial da análise de código assistida por IA, mas precisam ser interpretados com cautela. São resultados operacionais divulgados pela Mandiant e por veículos que cobriram o caso, não uma comparação auditada de forma independente com testes de segurança convencionais. Além disso, uma vulnerabilidade recém-descoberta ou ainda não divulgada não deve ser automaticamente chamada de exploração zero-day ativa: o fato de uma falha ser desconhecida não significa que esteja sendo explorada na internet.

NOVA combina vários modelos para encontrar vulnerabilidades

A Unit 42, divisão de pesquisa da Palo Alto Networks, descreve o NOVA — sigla para Network and Open-Source Vulnerability Analyzer — como um sistema autônomo de descoberta, validação e geração de relatórios. A ferramenta usa harnesses proprietários baseados em agentes e vários modelos de IA de fronteira.

No teste divulgado pela empresa, o NOVA analisou 3.915 projetos de código aberto em dois meses e identificou 14.090 vulnerabilidades anteriormente desconhecidas. A Unit 42 afirma que 99,4% delas não haviam sido reportadas antes e que cerca de 40% receberam classificação alta ou crítica.

A relevância do sistema não está apenas no volume. Segundo a cobertura dos resultados, muitas descobertas eram falhas semânticas ou lógicas, e não apenas bugs de corrupção de memória — o tipo de problema tradicionalmente associado a ferramentas automatizadas. Entre os exemplos estão erros de controle de acesso, manipulação de caminhos, comportamento de requisições do lado do servidor e defesas contra injeção de código. Para encontrar esse tipo de falha, é essencial entender o comportamento esperado da aplicação.

Assim como no caso do AVDH, os números principais foram divulgados pela própria empresa. A expressão “anteriormente desconhecidas” não prova, por si só, que todas as descobertas sejam zero-days exploráveis na prática. Da mesma forma, a classificação de gravidade pode variar conforme o sistema de pontuação adotado. A conclusão mais segura é que sistemas multiagentes e multimodelo estão se tornando capazes de revelar, em grande escala, candidatos a vulnerabilidade que processos convencionais talvez não conseguissem examinar com a mesma rapidez.

Descobrir mais rápido não basta

Encontrar vulnerabilidades em menos tempo pode ampliar a capacidade de defesa, mas também agravar a crise se as organizações continuarem presas a ciclos lentos de correção. O CERT-EU cita um tempo médio estimado até a exploração de sete dias negativos. Na prática, isso significa que a exploração pode começar antes de um patch estar amplamente disponível.

Esse indicador muda o papel da aplicação de patches. A correção permanente no código continua sendo indispensável, mas pode deixar de ser a primeira — ou a única — medida útil. Enquanto desenvolvedores investigam, testam, coordenam a divulgação e fazem uma implantação gradual, as equipes de segurança também precisam reduzir imediatamente a exposição.

Patches virtuais tentam fechar a janela de exposição

O Frontier AI Critical Defense Program, da Palo Alto Networks, foi criado para aproximar laboratórios de IA, empresas de software, comunidades de código aberto e setores como tecnologia operacional e saúde. A proposta é implementar “patches virtuais” em nível de rede, capazes de bloquear o tráfego associado à exploração ou comportamentos abusivos de protocolos antes que uma correção permanente do software esteja pronta.

A Palo Alto afirma que sua capacidade de Advanced Virtual Patching pode distribuir proteções em questão de horas, em comparação com uma média de 55 dias alegada pela empresa para a implantação de um patch convencional.

Um patch virtual deve ser entendido como um controle compensatório, e não como substituto para a correção do código vulnerável. Sua eficácia depende da capacidade de identificar corretamente o caminho de exploração e de bloquear esse caminho sem interromper atividades legítimas. A cobertura também pode ser limitada quando o ataque usa canais confiáveis, tráfego criptografado, escalação local de privilégios ou comportamentos difíceis de diferenciar do uso normal.

A defesa pode recuperar a vantagem?

É possível — mas não simplesmente adicionando um scanner de IA.

Uma arquitetura defensiva mais forte conecta várias etapas em um único ciclo operacional:

1. Mapear o código e a superfície de ataque para que os agentes entendam o funcionamento do sistema.
2. Criar e revisar um modelo de ameaças antes de gerar hipóteses em larga escala.
3. Usar vários agentes e modelos para analisar o problema sob perspectivas diferentes e contestar achados frágeis.
4. Reproduzir e priorizar vulnerabilidades com especialistas humanos e evidências de explorabilidade.
5. Coordenar a divulgação e desenvolver a correção permanente pelo processo adequado.
6. Conter a exposição imediatamente com controles de rede ou outras medidas compensatórias.
7. Verificar a remediação depois que o patch de software for implantado.

Essa é a principal lição de AVDH e NOVA: a vantagem está na orquestração, não apenas na resposta de um modelo. A IA pode comprimir as etapas de descoberta e validação, mas os defensores ainda precisam de evidências confiáveis, priorização cuidadosa, arquitetura resiliente e sistemas de implantação capazes de agir no mesmo ritmo.

Os invasores também podem usar modelos semelhantes, e patches virtuais são temporários e dependem da cobertura alcançada. O objetivo realista, portanto, não é eliminar o risco de zero-days. É tornar o ciclo defensivo — da descoberta à contenção e à remediação — mais rápido e confiável do que o caminho percorrido pelo atacante entre encontrar uma falha e explorá-la.

Na fase de descoberta, o sistema examina pontos de entrada, fluxos de dados e o contexto do código ao redor. Os agentes geram várias hipóteses de vulnerabilidade, investigam-nas de forma independente e questionam as conclusões uns dos outros. As evidências são reunidas em possíveis achados, mas os consultores ainda reproduzem as explorações de prova de conceito antes que uma falha seja considerada verificada.

Essa estrutura é importante porque separa cobertura de julgamento. Um agente pode fazer uma busca ampla, outro pode seguir um caminho de ataque e um terceiro pode tentar refutar o resultado. A validação humana continua funcionando como uma barreira contra falsos positivos e interpretações equivocadas sobre o comportamento do software.

O que a Mandiant afirma ter encontrado com o AVDH

O Google afirma que o AVDH foi usado internamente por cerca de dez meses e encontrou dezenas de falhas passíveis de receber identificadores em extensões web amplamente utilizadas e projetos de código aberto. Esse trabalho resultou em 12 CVEs atribuídos, enquanto aproximadamente outra dúzia de vulnerabilidades está em processo ativo de divulgação.

Em uma investigação de resposta a incidentes envolvendo repositórios corporativos roubados, reportagens externas afirmam que o harness ajudou a identificar mais de 100 vulnerabilidades verificadas de alta gravidade em dois dias.

Os números mostram o potencial da análise de código assistida por IA, mas precisam ser interpretados com cautela. São resultados operacionais divulgados pela Mandiant e por veículos que cobriram o caso, não uma comparação auditada de forma independente com testes de segurança convencionais. Além disso, uma vulnerabilidade recém-descoberta ou ainda não divulgada não deve ser automaticamente chamada de exploração zero-day ativa: o fato de uma falha ser desconhecida não significa que esteja sendo explorada na internet.

NOVA combina vários modelos para encontrar vulnerabilidades

A Unit 42, divisão de pesquisa da Palo Alto Networks, descreve o NOVA — sigla para Network and Open-Source Vulnerability Analyzer — como um sistema autônomo de descoberta, validação e geração de relatórios. A ferramenta usa harnesses proprietários baseados em agentes e vários modelos de IA de fronteira.

No teste divulgado pela empresa, o NOVA analisou 3.915 projetos de código aberto em dois meses e identificou 14.090 vulnerabilidades anteriormente desconhecidas. A Unit 42 afirma que 99,4% delas não haviam sido reportadas antes e que cerca de 40% receberam classificação alta ou crítica.

A relevância do sistema não está apenas no volume. Segundo a cobertura dos resultados, muitas descobertas eram falhas semânticas ou lógicas, e não apenas bugs de corrupção de memória — o tipo de problema tradicionalmente associado a ferramentas automatizadas. Entre os exemplos estão erros de controle de acesso, manipulação de caminhos, comportamento de requisições do lado do servidor e defesas contra injeção de código. Para encontrar esse tipo de falha, é essencial entender o comportamento esperado da aplicação.

Assim como no caso do AVDH, os números principais foram divulgados pela própria empresa. A expressão “anteriormente desconhecidas” não prova, por si só, que todas as descobertas sejam zero-days exploráveis na prática. Da mesma forma, a classificação de gravidade pode variar conforme o sistema de pontuação adotado. A conclusão mais segura é que sistemas multiagentes e multimodelo estão se tornando capazes de revelar, em grande escala, candidatos a vulnerabilidade que processos convencionais talvez não conseguissem examinar com a mesma rapidez.

Descobrir mais rápido não basta

Encontrar vulnerabilidades em menos tempo pode ampliar a capacidade de defesa, mas também agravar a crise se as organizações continuarem presas a ciclos lentos de correção. O CERT-EU cita um tempo médio estimado até a exploração de sete dias negativos. Na prática, isso significa que a exploração pode começar antes de um patch estar amplamente disponível.

Esse indicador muda o papel da aplicação de patches. A correção permanente no código continua sendo indispensável, mas pode deixar de ser a primeira — ou a única — medida útil. Enquanto desenvolvedores investigam, testam, coordenam a divulgação e fazem uma implantação gradual, as equipes de segurança também precisam reduzir imediatamente a exposição.

Patches virtuais tentam fechar a janela de exposição

O Frontier AI Critical Defense Program, da Palo Alto Networks, foi criado para aproximar laboratórios de IA, empresas de software, comunidades de código aberto e setores como tecnologia operacional e saúde. A proposta é implementar “patches virtuais” em nível de rede, capazes de bloquear o tráfego associado à exploração ou comportamentos abusivos de protocolos antes que uma correção permanente do software esteja pronta.

A Palo Alto afirma que sua capacidade de Advanced Virtual Patching pode distribuir proteções em questão de horas, em comparação com uma média de 55 dias alegada pela empresa para a implantação de um patch convencional.

Um patch virtual deve ser entendido como um controle compensatório, e não como substituto para a correção do código vulnerável. Sua eficácia depende da capacidade de identificar corretamente o caminho de exploração e de bloquear esse caminho sem interromper atividades legítimas. A cobertura também pode ser limitada quando o ataque usa canais confiáveis, tráfego criptografado, escalação local de privilégios ou comportamentos difíceis de diferenciar do uso normal.

A defesa pode recuperar a vantagem?

É possível — mas não simplesmente adicionando um scanner de IA.

Uma arquitetura defensiva mais forte conecta várias etapas em um único ciclo operacional:

1. Mapear o código e a superfície de ataque para que os agentes entendam o funcionamento do sistema.
2. Criar e revisar um modelo de ameaças antes de gerar hipóteses em larga escala.
3. Usar vários agentes e modelos para analisar o problema sob perspectivas diferentes e contestar achados frágeis.
4. Reproduzir e priorizar vulnerabilidades com especialistas humanos e evidências de explorabilidade.
5. Coordenar a divulgação e desenvolver a correção permanente pelo processo adequado.
6. Conter a exposição imediatamente com controles de rede ou outras medidas compensatórias.
7. Verificar a remediação depois que o patch de software for implantado.

Essa é a principal lição de AVDH e NOVA: a vantagem está na orquestração, não apenas na resposta de um modelo. A IA pode comprimir as etapas de descoberta e validação, mas os defensores ainda precisam de evidências confiáveis, priorização cuidadosa, arquitetura resiliente e sistemas de implantação capazes de agir no mesmo ritmo.

Os invasores também podem usar modelos semelhantes, e patches virtuais são temporários e dependem da cobertura alcançada. O objetivo realista, portanto, não é eliminar o risco de zero-days. É tornar o ciclo defensivo — da descoberta à contenção e à remediação — mais rápido e confiável do que o caminho percorrido pelo atacante entre encontrar uma falha e explorá-la.