Agentes de IA na Segurança da Informação: 18 Auditorias, Milhões de Logs e o Confronto Real entre IA e Análise Humana

Enquanto o mundo acompanha a Copa do Mundo de futebol, um campeonato paralelo está em andamento na cibersegurança: IA contra IA. De um lado do campo, os agentes de ataque aceleram a reconhecimento, geram exploits e se movem dentro da rede. Do outro, os agentes de defesa leem configurações, analisam logs e auxiliam especialistas a tomar decisões mais rápidas. Na Ideco, passamos os últimos meses testando agentes de IA em tarefas reais de equipes de segurança da informação e compilamos os resultados das primeiras duas dezenas de auditorias. Para gerenciar expectativas, é crucial entender que não estamos vendendo automação mágica 'sem humanos'. O valor surge quando um especialista define o contexto, as regras, os acessos e os critérios de verificação para o agente. O agente acelera o trabalho, mas a segurança é garantida por controles de proteção bem configurados, processos de monitoramento e validação por especialistas.

Este artigo é uma análise prática. Apresentamos casos de uso específicos com o Ideco NGFW Novum, mas tudo o que for descrito pode ser aplicado a qualquer ferramenta de segurança com uma interface de máquina adequada. Não se trata de um produto específico, mas de uma nova camada de automação que está transformando o trabalho do profissional de segurança. Para entender por que os agentes ganharam destaque agora, é útil relembrar uma breve cronologia. Em 2022, surgiram os primeiros chatbots de linguagem em massa, que frequentemente 'alucinavam' – um exemplo notório foi um modelo que inventou 20 livros inexistentes ao ser solicitado a recomendar 30. A conclusão na época foi simples: uma novidade, nada mais. Em 2023-2024, o prompt engineering ganhou força, e com ele veio o RAG (Retrieval-Augmented Generation), uma abordagem onde a resposta do modelo é enriquecida com dados relevantes de fontes externas. A IA começou a entender não apenas a pergunta, mas também o contexto. Em 2025, surgiram as janelas de contexto, o gerenciamento de tokens de sessão e as 'habilidades' (skills), permitindo que a IA executasse parte do trabalho, mas ainda necessitando de um humano para definir o contexto e orientar as ações. Somente em 2026, a partir de fevereiro, os agentes decolaram. A diferença fundamental é o harness: um conjunto de ferramentas ao redor do modelo que recebe uma tarefa, seleciona as ferramentas necessárias disponíveis e executa uma sequência de ações. Esta é a transição de 'responder a uma pergunta' para 'executar uma tarefa'.

A diferença entre um chatbot, um assistente e um agente reside na capacidade de agir. Um chatbot responde dentro de uma conversa. Um assistente pode executar código ou chamar APIs sob certas condições. Um agente faz o que as gerações anteriores não conseguiam: ele mesmo planeja a sequência de passos, seleciona as 'habilidades' adequadas para a tarefa e opera em um 'loop com memória' – revisita os resultados de passos anteriores, reavalia-os e ajusta o plano. É justamente esse loop com memória que transforma um modelo de linguagem em um trabalhador, e não apenas um interlocutor. A estrutura de qualquer agente de IA pode ser convenientemente dividida em cinco partes: Cabeça (LLM que raciocina e planeja, como Claude, GPT, Qwen), Olhos (Janela de contexto – o que o agente 'vê', como logs, configs, documentação), Mãos (Uso de ferramentas – chamadas a APIs REST, bash, acesso a logs), Memória (Armazenamento de conhecimento de longo prazo, como SKILL.md, banco de dados vetorial) e Pernas (Harness – o loop de execução: objetivo → 'ação → avaliação → passo'). A principal conclusão prática é que a diferença entre agentes muitas vezes não está na 'magia do modelo', mas nas ferramentas e 'habilidades' conectadas a ele. O mesmo motor LLM é inútil sem acesso a dados e muito útil quando ele pode acessar logs, chamar APIs e formatar resultados para um especialista em segurança. Um aviso importante sobre higiene: não insira segredos ou chaves de API diretamente nas requisições ao modelo. É mais seguro dar ao agente acesso controlado a um arquivo local ou segredo através do ambiente, limitando explicitamente suas ações. Um modelo razoável sugerirá: 'não envie a chave, diga onde ela está e eu acessarei'. Isso reduz o risco de vazamento e simplifica a auditoria.

A escolha entre um agente universal ou especializado está em debate: vencerão os agentes de propósito geral com 'habilidades' especializadas ou agentes altamente especializados? A tendência aponta para o primeiro cenário, similar ao smartphone que substituiu gravadores, players e câmeras. Dispositivos especializados são mais eficientes em seu nicho, mas uma solução universal vence pela amplitude de uso. Comparando quatro ferramentas populares: duas universais – Hermes Agent e OpenClaw – e dois agentes open source especializados para pentest. O OpenClaw é líder em popularidade, mas sua vasta superfície o tornou mais propenso a vulnerabilidades e 'habilidades' maliciosas. O Hermes foi escolhido como o ótimo para segurança da informação devido ao código mais simples, correções de vulnerabilidade mais rápidas e 'habilidades' integradas para web-pentest, red-teaming e OSINT. Essa é uma escolha específica, não uma verdade universal; se a tarefa principal for pentest, o PentestGPT pode ser mais conveniente. O modelo barato muitas vezes sai mais caro. Parece lógico usar um modelo cinco vezes mais barato e obter uma economia de cinco vezes. Na prática, isso não funciona. Modelos baratos fazem mais iterações, cometem mais erros e fazem perguntas desnecessárias, podendo custar muito mais em tokens do que um modelo forte. Uma abordagem prática é um pipeline multinível: triagem inicial e filtragem de ruído com um modelo barato (como Owl Alpha), e investigação profunda, correlação de logs e análise final com um modelo mais robusto (como Claude Opus). O Hermes pode alternar modelos ou executar sub-agentes, cada um com sua sub-tarefa e janela de contexto. A decisão final sempre cabe ao humano.

Prática 1: Auditoria de IA de Regras de Firewall O primeiro e mais demonstrativo caso de uso é a análise de regras de firewall. O agente lê regras FORWARD/INPUT, DNAT/SNAT, estado de log e fail2ban via API REST somente leitura, compara com o contexto e gera um relatório. As primeiras 18 auditorias de configurações do Ideco NGFW Novum revelaram 0 erros críticos, mas 551 tentativas de ataque em um dos nós, extraídas dos logs. O valor aqui não está em encontrar uma 'brecha' dramática, mas na limpeza regular de dívidas de configuração. Os defeitos mais comuns encontrados pelo agente incluem: Threat-intel desativado, listas de bloqueio de IP não conectadas a regras de drop, logs desativados onde são importantes, regras ANY→ANY sem inspeção, publicações DNAT perigosas (SMTP, RDP, Zabbix-agent sem restrições) e regras sombreadas ou mortas. Exemplos de ataques reais extraídos dos logs incluem um servidor sob constante ataque de força bruta em senhas, ataques direcionados a VPN e RDP, e conexões com centros de comando de malware. O placar final das auditorias foi 0 CRÍTICO, 12 ALTO, 8 MÉDIO, 5 BAIXO. O agente destaca o erro e recomenda bloqueio, mas a proteção é garantida pela ferramenta de segurança configurada corretamente.

Prática 2: Análise de IA de Logs IPS e DNS Security O segundo ciclo envolve a análise de logs do sistema de prevenção de intrusões e DNS Security. A principal dor aqui é o volume: quase 1,8 milhão de registros de segurança em um nó e até 1,3 milhão de eventos em IPS por dia. O agente analisa essa massa em segundos ou minutos. O resultado de um dos nós foi: 20.350 detecções reduzidas a 29 recomendações priorizadas. A triagem em minutos, não em dias. O agente correlaciona fontes (firewall, IPS, DNS) para determinar se um host está realmente infectado ou se é um falso positivo, filtra ruído (desativa detecções de serviços de nuvem legítimos e CDNs), e realiza verificação de reputação via VirusTotal API. Exemplos notáveis incluem um domínio islandês com subdomínios aleatórios e DNS tunneling ativo, hosts infectados em segmentos contábeis com DNS tunneling e shellcode, e Shadow IT (AnyDesk, TeamViewer não declarados). O canal DNS é valioso para bloquear ameaças antes da conexão, cobrindo uma zona cega se o tráfego DNS não for monitorado separadamente. A maioria dos malwares usa DNS como função chave. Ao investigar um host específico, o agente pode correlacionar dados de várias fontes, realizar OSINT e emitir um veredito. Um exemplo de análise no Claude Opus demonstrou um falso positivo rapidamente corrigido e um detect real de Trojan/Win32.CeeInject com plano de ação.

Prática 3: Red-Team e Escaneamento de Rede com IA O Hermes possui uma 'habilidade' de IA para pentest de aplicações web. Ele difere de um scanner comum por passar por várias fases e testar hipóteses, em vez de gerar uma montanha de falsos positivos: fase zero (confirmação de recurso), reconhecimento, análise tática de vulnerabilidades, tentativa de exploração ('No Exploit No Report') e relatório com priorização de descobertas confirmadas. Outro cenário é o escaneamento de rede local. Um agente em um Mac Mini com acesso a segmentos pode escanear a rede diariamente e encontrar mudanças: impressoras antigas, IPMI em segmentos de usuário, painéis de controle esquecidos, protocolos desatualizados. O objetivo não é reinventar o nmap, mas transformar o escaneamento rotineiro em um processo regular com interpretação. Um exemplo de descobertas de ALTA prioridade inclui impressoras com SSLv3/RC4 (vulnerabilidade POODLE), BMC/IPMI em segmentos de usuário, NFS com exportação aberta e SMB signing habilitado, mas não exigido (abrindo NTLM relay). A restrição permanece: os direitos do agente são limitados, ações ativas são logadas e cada descoberta é validada manualmente.

IA para CISO e Regulamentação A IA é particularmente útil onde há muito texto, requisitos e informações pouco estruturadas. Para regulamentação, um agente pode ser alimentado com requisitos da FSTEC ou leis específicas e compará-los com as capacidades de um NGFW, identificando quais pontos são cobertos por controles técnicos e onde processos são necessários, resultando em uma matriz de cobertura e um resumo gerencial. Para preparação de reuniões, a IA pode coletar rapidamente contexto de CVEs, avaliar criticidade e preparar resumos ou apresentações. Destaques diários de ameaças e notícias, e um SOC agentic (onde ferramentas de SOC baseadas em agentes aceleram drasticamente a detecção e resposta, reduzindo MTTD e MTTR) são outros benefícios. O principal risco é implementar um agente como uma entidade descontrolada com acesso a dados sensíveis. Portanto, deve-se começar com uma tarefa restrita, direitos claros, log, revisão manual e uma política explícita para transferência de dados. Nesse modelo, a IA se torna uma forma de devolver tempo ao profissional de segurança para decisões que realmente exigem intervenção humana. Comece pequeno: use um chatbot para ajudar a configurar um agente em uma máquina isolada, conecte acesso somente leitura a uma fonte e dê uma tarefa específica. O primeiro passo é o mais difícil. Em seguida, o agente ajuda a configurar o próximo.