Modelos de fronteira já executam invasões completas sem intervenção humana
Múltiplos benchmarks confirmam que pelo menos um modelo de fronteira consegue realizar um comprometimento de ponta a ponta de forma autônoma, e especialistas alertam que as organizações precisam acelerar a proteção de suas superfícies de ataque e adotar defesas na velocidade da inteligência artificial. Em 2 de setembro, a consultoria Booz Allen tornou-se a mais recente entidade a atestar que o Mythos 5, da Anthropic, atua como um invasor totalmente autônomo capaz de comprometer uma rede empresarial de nível de produção.
Índice de arma cibernética mensura capacidade ofensiva dos modelos
A empresa também divulgou uma métrica batizada de Cyber Weapon Index (CWI), que combina a habilidade de encontrar e explorar vulnerabilidades com a capacidade de executar e atacar um alvo. Na avaliação, o Mythos alcançou 80 pontos, enquanto o concorrente mais próximo, o Grok-4.5 da SpaceXAI, marcou 49. Segundo Brad Medairy, presidente da prática Nacional de Cibersegurança da Booz Allen, a classificação atual importa menos do que o cenário daqui a seis meses.
Nossa visão é que haverá algum nível de paridade, pelo menos entre os modelos de fronteira e os modelos chineses, provavelmente num horizonte de seis meses, e todos estão em uma corrida rápida para evoluir essas capacidades.
Equilíbrio de poder muda a favor do ataque em escala de máquina
Medairy explica que, contra atacantes humanos, os defensores levavam vantagem, mas no futuro o equilíbrio muda para a ofensiva, porque o agressor pode entregar efeitos em velocidade e escala que as defesas tradicionais não conseguem acompanhar. Os achados da Booz Allen espelham outros esforços de benchmark. Em junho, o Instituto de Segurança de IA — braço de pesquisa do Departamento de Ciência, Inovação e Tecnologia do Reino Unido — relatou que competições capture-the-flag confirmaram a capacidade do Mythos de completar uma cadeia de ataque completa. O GPT-5.5 da OpenAI também finalizou o teste de 32 etapas, embora ambos tenham sucedido em menos da metade das tentativas: três em dez para o Mythos e duas em dez para o GPT-5.5.
Incidente em Taiwan ilustra vantagem de operações quase autônomas
Um ataque de julho contra servidores do governo taiwanês por um grupo de ameaça de língua chinesa demonstrou a eficácia de operações autônomas ou quasi-autônomas. A ofensiva ocorreu em uma janela de quatro dias, comprimindo muitas etapas de reconhecimento e execução. A Tenable observou que os agentes escolhiam quais sistemas mapear, quais técnicas extrair de fontes públicas e quando expandir para novos setores, tudo sem direção humana passo a passo.
Defesas em velocidade humana não bastarão no futuro próximo
A lição para as empresas é que operações de cibersegurança em velocidade humana não serão suficientes. Um tempo de resposta de quatro horas hoje pode ser considerado razoável ou até excepcional, mas não será rápido o bastante no futuro. Quando se lida com um adversário que é um agente operando em escala, ele consegue ultrapassar as defesas.
Modelos de pesos abertos barateiam a automação ofensiva
Nico Waisman, CISO da fornecedora de segurança ofensiva XBOW, ressalta que o que realmente acelerará as capacidades dos atacantes não serão os modelos de fronteira, mas os modelos de pesos abertos que tornam tais ataques autônomos menos custosos. Modelos de pesos abertos melhoraram materialmente em cibersegurança, e isso move o cálculo de retorno sobre investimento. Não se precisa mais de acesso a fronteira para fazer isso; é o ponto em que a automação se torna a opção mais barata, não apenas a mais impressionante.
Ruído atual dos modelos ainda limita discrição das operações
Combinar custos de tokens, taxas de sucesso relativas e o CWI daria às empresas uma noção da relação custo-efetividade de ataques autônomos, porém outro fator não contabilizado é a furtividade. Os modelos atuais são extremamente barulhentos; não foram construídos para serem silenciosos, e em operações ofensivas ruído significa detecção precoce, o que faz um atacante pensar duas vezes antes de soltar um agente em um alvo real.
Armadilhas e engaño funcionam contra agentes de IA
Grande parte do progresso dependerá do desenvolvimento de harnesses mais eficazes, não de melhorias nos modelos. A XBOW, por exemplo, usou modelos prontos combinados com expertise humana e seus próprios harnesses para encontrar seis vulnerabilidades no Chrome do Google, transformando-as em duas cadeias de ataque. O modelo de fronteira não foi o diferencial; o harness e as pessoas foram. No curto prazo, as empresas devem buscar defesas assimétricas. A Booz Allen possui uma abordagem defensiva chamada Guile, que apresenta falsas pistas e becos sem saída — iscas que sistemas de IA tendem a engolir. Enquanto atacantes humanos raramente caem em tais decepções, modelos de IA falham mais de 90% das vezes.
Com informações de: Dark Reading