OpenHack: o workflow open source que transforma LLMs em revisores de segurança de código

Ao integrar o processo diretamente nesses ambientes, o OpenHack permite que auditorias de segurança assistidas por IA aconteçam dentro do próprio fluxo de desenvolvimento, em vez de depender apenas de revisões manuais separadas.

O problema das revisões de código feitas apenas com prompts

Segundo a Hadrian, revisões de segurança feitas de forma ingênua com LLMs apresentam alguns problemas recorrentes:

• taxas altas de falsos positivos, quando padrões inofensivos são marcados como vulnerabilidades
• alucinações, em que o modelo inventa falhas que não existem
• resultados inconsistentes, dependendo da forma como o prompt foi escrito ou do contexto disponível

O OpenHack tenta resolver isso substituindo prompts abertos por um processo estruturado de investigação, que guia o modelo passo a passo durante a análise do código.

Investigação baseada em cenários

Um dos conceitos centrais do OpenHack é o escopo baseado em cenários de ataque.

Em vez de pedir ao modelo que examine todo o repositório em busca de problemas genéricos, o workflow direciona a IA para investigar classes específicas de vulnerabilidades ou possíveis caminhos de exploração.

Por exemplo, o modelo pode receber tarefas como:

• rastrear o fluxo de entrada de dados do usuário pela aplicação
• procurar oportunidades de Local File Inclusion (LFI)
• examinar armazenamento de credenciais ou configurações de nuvem

Esse foco reduz distrações e ajuda o modelo a raciocinar com um objetivo de segurança claro, o que tende a gerar análises mais relevantes.

Triagem independente para reduzir falsos positivos

Outra característica importante é a separação entre descoberta e validação.

Em um fluxo típico do OpenHack:

1. Um agente de IA identifica uma possível vulnerabilidade.
2. Outro passo — ou outro agente — faz a triagem da descoberta.
3. Evidências são analisadas antes de classificar o problema como real.

Esse processo força o modelo a coletar provas concretas, como caminhos de execução no código, cadeias de exploração ou evidências de configuração, antes de confirmar a vulnerabilidade.

Testes em auditorias de software usado pelo governo holandês

A Hadrian afirma que utilizou uma metodologia semelhante à do OpenHack para auditar aplicações open source utilizadas por agências do governo da Holanda.

Segundo a empresa, a análise assistida por IA encontrou centenas de vulnerabilidades em poucas horas.

Entre os exemplos citados está uma cadeia de falhas que envolvia:

• uma vulnerabilidade LFI sem autenticação
• exposição de credenciais do Azure
• um possível caminho até execução remota de código (RCE) no ambiente de nuvem

Esses resultados foram relatados pela própria empresa e ainda dependem de validação independente, mas ilustram o tipo de raciocínio de cadeia de ataque que o workflow pretende permitir.

Por que o projeto foi liberado como open source

A Hadrian disponibilizou o OpenHack no GitHub sob licença MIT, junto com prompts, documentação, ferramentas CLI e suporte para Python 3.9 ou superior.

A justificativa da empresa é que tornar o método público ajuda a equilibrar o uso de IA na descoberta de vulnerabilidades. À medida que modelos de IA se tornam mais capazes de encontrar falhas em software, existe o risco de que apenas atores privados ou ofensivos tenham acesso a essas técnicas.

Ao abrir o projeto, a empresa espera que equipes de desenvolvimento e segurança possam aplicar a mesma metodologia em seus próprios sistemas usando LLMs amplamente disponíveis.

Um sinal da nova fase da segurança de software

O OpenHack reflete uma tendência crescente: o uso de agentes de IA para explorar e auditar bases de código em escala. Ambientes de desenvolvimento modernos já permitem que assistentes analisem repositórios inteiros, entendam arquitetura de software e executem tarefas complexas.

Workflows estruturados como o OpenHack tentam transformar essa capacidade em algo confiável para segurança — criando processos que priorizam escopo claro, coleta de evidências e verificação independente.

À medida que ferramentas baseadas em LLM se tornam parte do desenvolvimento diário, abordagens desse tipo podem se tornar essenciais para que revisões de segurança automatizadas sejam realmente confiáveis.