Em setembro TypeSafe lançou o Jev, um modelo System One inspirado no pensamento rápido de Kahneman, e em outubro a OpenAI apresentou a Decisions API na DevDay, abrindo beta público em 6 de outubro, enquanto a Cribl disponibilizou o cribl-decision, um adaptador LoRA open source que roda localmente, e outras iniciativas como a Laya aparecem em ferramentas de código aberto.

Esses modelos dispensam a geração de texto, recebendo um estado e um conjunto de perguntas tipadas, e retornam uma escolha, uma pontuação ou uma resposta sim/não acompanhada de probabilidade.

Para operações de segurança, três atributos tornam esses modelos adequados para triagem de alertas: permitem automatizar com base em número, oferecem respostas tipadas com probabilidade calibrada que pode ser usada para definir limites, e a TypeSafe recomenda limites mais rígidos para ações irreversíveis, como desativar conta.

O custo é baixo, o Jev custa quarenta e dois dólares por bilhão de tokens de entrada, com respostas entre setenta e cinquenta milissegundos, e para uma empresa que analisa quatrocentos cinquenta mil alertas por ano, o gasto fica em torno de cem dólares anuais, eliminando a necessidade de selecionar apenas alertas de alta severidade.

Cada decisão vira registro, o espaço de saída é fixo e inclui sua própria probabilidade, permitindo log, replay e auditoria mais simples do que analisar um parágrafo de raciocínio gerado.

É importante lembrar que quando os fornecedores afirmam que os modelos não hallucinam, querem dizer que a resposta segue o esquema definido, mas uma resposta bem formada ainda pode estar incorreta, e o princípio de lixo entrada, lixo saída permanece válido, a calibração indica que uma probabilidade de noventa por cento significa noventa por cento de acurácia em casos semelhantes ao input, o que depende do título do alerta e do nível de severidade.

Segundo o AI SOC Report 2026, foram triados vinte e cinco milhões de alertas em 2025, dos quais oitenta mil foram submetidos a varredura de memória ao vivo, dois mil seiscentos máquinas apresentaram infecção ativa e cinquenta e um por cento desses já haviam sido mitigados pelo EDR, o que indica que um modelo calibrado fecharia o alerta de malware detectado com alta confiança, porém o input incorreto levou a erro, e incidentes reais representam cerca de um por cento dos alertas de menor severidade, totalizando aproximadamente cinquenta e quatro ameaças por ano em uma empresa com quatrocentos cinquenta mil alertas.

O modelo da Cribl adverte que pode ser excessivamente confiante e sensível à redação do prompt, e a engenharia de contexto de segurança, descrita por Filip Stojkovski, envolve transformar o alerta em fatos como árvore de processos, linha de comando completa, script em disco, comportamento ao detonar, chamadas de rede, arquivos drop, varredura de memória que revela código injetado ou payload fileless, localização de login e dispositivo, e as famílias mais comuns encontradas em memória, como Mimikatz, Meterpreter e Cobalt Strike, que vivem na memória e escapam de status quarantine baseado em arquivo, o que torna a coleta automática de evidências em menos de um minuto o principal desafio, e as informações de identidade mostram lacunas claras, com setenta e quatro por cento dos alertas de identidade classificados como provável benigno, alertas de viagem impossível confirmados como verdadeiros comprometimentos em apenas dois por cento, e o uso de VPN explica cerca de trinta por cento desses casos, além de que o conhecimento sobre padrões de login, como o de Dave da finança que acessa de Portugal, ou alertas da CrowdStrike nos servidores de build durante releases do DevOps, reside na memória do analista sênior, e a organização deve criar um loop que aprende com casos passados, obtenha contexto ao vivo durante a investigação e compare cada veredito com o resultado final.