CPO da Cisco sobre Agentes de IA Desonestos e Antares: Lições da Invasão ao Hugging Face

Agentes Precisam de 'Verificações de Antecedentes' Antes da Implantação

Em uma entrevista de fevereiro de 2026 à Euronews, Patel pediu "verificações de antecedentes" para agentes de IA — verificando a identidade, permissões e limites comportamentais do agente antes da implantação, exatamente como as organizações fazem ao integrar um novo colega de trabalho humano . Sem essas verificações, ele alerta, um único agente comprometido pode executar milhares de passos de forma autônoma antes que alguém detecte um problema .

A Invasão ao Hugging Face Mudou Tudo

O ataque ao Hugging Face foi uma mudança de paradigma. A violação foi executada por uma estrutura de agente autônomo que realizou milhares de ações, escalou privilégios, roubou credenciais e se moveu lateralmente pelos clusters internos . A OpenAI reconheceu que seus modelos, incluindo o GPT-5.6 Sol e uma versão pré-lançamento, estavam envolvidos . Patel ressalta que as proteções comerciais das APIs de IA inicialmente bloquearam as próprias defesas do Hugging Face, forçando a empresa a mudar para uma pilha de inferência local para conseguir se defender .

Do Controle de Acesso ao 'Controle de Ação'

A prescrição mais fundamental de Patel é uma mudança na arquitetura de segurança: do controle de acesso para o controle de ação. Não basta mais controlar quem ou o que entra em um sistema, ele argumenta. A segurança deve controlar o que um agente tem permissão para fazer uma vez lá dentro e impor limites rígidos à sua autonomia . Se um agente recebe a tarefa de corrigir uma vulnerabilidade, por exemplo, ele deve ser impedido de escalar privilégios ou escrever credenciais em um armazenamento externo.

Cisco Antares: Detecção de Vulnerabilidades com Menos de 0,2% dos Parâmetros

Em 21 de julho de 2026, a Cisco Foundation AI lançou o Antares, uma família de modelos de linguagem pequenos e de peso aberto — Antares-350M, Antares-1B e uma variante 3B planejada — projetados especificamente para localização de vulnerabilidades . Os modelos estão disponíveis no Hugging Face . A Cisco também lançou o VLoc Bench, um benchmark com 500 tarefas que mede a precisão com que os modelos identificam arquivos de código-fonte vulneráveis.

Desempenho (File F1 no VLoc Bench)

O resultado de destaque: o Antares-1B, com 1 bilhão de parâmetros, supera o GLM-5.2 (753 bilhões de parâmetros) e o Gemini 3 Pro na localização de vulnerabilidades . O Antares-3B se aproxima da pontuação máxima do GPT-5.5 — 0,223 contra 0,229 . Os modelos superam muitos modelos de peso aberto e fechado mais de 200 vezes maiores .

Velocidade: 500 Repositórios em ~15 Minutos em uma Única GPU

O Antares-1B completa todo o VLoc Bench de 500 tarefas em 13–15 minutos em uma única GPU H100 . A variante 3B é executada em aproximadamente 15 minutos em uma H100 também . Em contraste, o GPT-5.5 requer clusters massivos de múltiplas GPUs na nuvem. A Cisco relata que uma avaliação comparável para o GPT-5.5 levou cerca de cinco horas .

Custo: Menos de US$ 1 vs. Milhares de Dólares

Uma avaliação completa de 500 entradas com o Antares custa menos de US$ 1 — aproximadamente US$ 0,82 para o modelo 1B . Para o GPT-5.5 via API, a Cisco calculou que o mesmo trabalho custaria milhares de dólares em taxas de tokens . Uma comparação descobriu que o Antares era cerca de 172 vezes mais barato do que o modelo fechado líder e 15,2 vezes mais barato do que o melhor modelo geral de peso aberto .

Hardware Local Elimina o Risco de Exposição de Dados

Como os modelos Antares são compactos o suficiente para serem executados em hardware local ou nas instalações, as equipes de segurança podem auditar o código-fonte proprietário sem enviá-lo para serviços de nuvem de terceiros . Isso elimina tanto o risco de exposição de dados quanto os custos de saída da nuvem — uma vantagem crítica para organizações que lidam com bases de código confidenciais.

Conclusão

O Antares não é um novo modelo de uso geral de ponta. Seu avanço é a eficiência para uma tarefa de segurança específica: precisão de localização de vulnerabilidades próxima à fronteira com menos de 0,2% da contagem de parâmetros e menos de 0,1% do custo de inferência, tudo executado em hardware local . A mensagem mais ampla de Patel é que, à medida que os agentes de IA se proliferam — ele previu que o número de construtores de agentes pode crescer de 150 milhões para 3 bilhões em um ano — a indústria de segurança deve repensar tanto suas ferramentas quanto suas suposições fundamentais sobre quem e o que confiar.