Anthropic OSS Scanner é gratuito, mas mantenedores assumem a triagem

A Anthropic lançou seu OSS Scanner em 8 de outubro, oferecendo a projetos de código aberto elegíveis varreduras periódicas de segurança com IA sem custo. O serviço envia as descobertas diretamente aos mantenedores, sem revisão humana, criando uma troca clara. A descoberta de vulnerabilidades se torna mais rápida, enquanto a verificação e a correção continuam firmemente nas mãos de humanos.

O Anthropic OSS Scanner é um serviço com adesão voluntária, e não um scanner público para qualquer repositório. Os mantenedores principais precisam se candidatar, e a Anthropic avalia os projetos individualmente. Projetos aceitos recebem relatórios com reproduções de exploração, explicações técnicas e correções sugeridas quando o modelo consegue produzi-las.

A oferta surge depois de a Anthropic encontrar muito mais vulnerabilidades potenciais do que seus revisores de segurança conseguiam processar. Ela também vem na esteira do programa OSS-Fuzz, do Google, em operação há muito tempo, e da entrada da OpenAI na segurança de código baseada em agentes. A competição já não se limita a encontrar bugs. A disputa mais difícil é definir quem consegue transformar a saída dos modelos em correções confiáveis e prontas para implantação sem sobrecarregar os mantenedores.

O que o Anthropic OSS Scanner realmente muda

A Anthropic está levando descobertas não revisadas de modelos de uma fila interna para os fluxos de trabalho de mantenedores de código aberto que as solicitam explicitamente.

Segundo o scanner com adesão voluntária da Anthropic, os projetos inscritos receberão varreduras recorrentes de seus modelos mais avançados disponíveis. A Anthropic identificou especificamente Claude Mythos entre os modelos usados para gerar os relatórios.

Cada relatório pode incluir um reprodutor autocontido, ou seja, código ou instruções que recriam a falha suspeita. Os relatórios também podem conter uma explicação, uma estimativa baseada no histórico sobre quando o bug surgiu e um patch candidato.

Esse pacote importa porque um alerta isolado gera trabalho antes de gerar valor. Um mantenedor precisa localizar o código relevante, reproduzir o comportamento, avaliar sua gravidade e elaborar uma correção segura. Um reprodutor confiável e um patch utilizável podem encurtar várias dessas etapas.

A Anthropic afirma ter testado versões iniciais do serviço com dezenas de projetos de código aberto. Esses testes produziram centenas de relatórios, incluindo vulnerabilidades que pesquisadores combinaram em cadeias de execução remota de código sem autenticação. Essa cadeia permite que um invasor execute código sem primeiro iniciar sessão no sistema afetado.

A empresa também divulgou uma amostra de validação que abrange 97 descobertas classificadas como críticas ou de alta gravidade em 48 projetos. Testadores de penetração independentes determinaram que 85 descobertas atendiam ao padrão de divulgação coordenada da Anthropic.

Entre as outras 12 descobertas, a Anthropic afirmou que 11 representavam bugs reais que duplicavam problemas conhecidos ou outros resultados de varredura. Uma foi considerada inválida. Esses números descrevem uma amostra selecionada de alta gravidade, e não a precisão de todos os relatórios futuros.

Separadamente, a Anthropic afirma esperar que o serviço operacional ultrapasse uma taxa de verdadeiros positivos de 90%. Essa previsão continua sendo uma estimativa da empresa. Ela não deve ser tratada como uma taxa de precisão estabelecida de forma independente entre projetos, linguagens de programação e níveis de gravidade.

O limite de adesão é igualmente importante. O OSS Scanner é destinado a projetos com impacto crítico sobre a infraestrutura ou a segurança dos usuários. A Anthropic afirma que usará critérios semelhantes aos aplicados pelo OSS-Fuzz do Google, seguidos de uma análise caso a caso.

Isso torna o serviço seletivo, e não universal. Um repositório popular de hobby não se qualifica automaticamente, enquanto uma biblioteca menos visível pode se qualificar porque outros sistemas dependem dela.

Os mantenedores principais se inscrevem por meio de um pull request ao repositório público da Anthropic. Esse requisito torna o consentimento explícito e dá à equipe do projeto a oportunidade de avaliar se consegue lidar com descobertas recorrentes.

A Anthropic planeja manter seu processo de divulgação com revisão humana para projetos que não têm essa capacidade. Isso cria duas trilhas. Equipes preparadas recebem resultados brutos mais rapidamente, enquanto equipes com recursos limitados continuam recebendo descobertas mais lentas que passaram por revisão especializada.

A distinção impede que “varredura gratuita” signifique entrega indiscriminada. Ela também revela o produto real que está sendo oferecido. A Anthropic não está eliminando o fluxo de trabalho de revisão de segurança. Está dando a projetos capazes acesso antecipado à frente desse fluxo.

A descoberta de vulnerabilidades com IA superou a revisão humana

O scanner existe porque a Anthropic consegue gerar vulnerabilidades candidatas mais rápido do que especialistas conseguem validá-las, divulgá-las e corrigi-las.

A Anthropic afirma que seus modelos encontraram mais de 29.000 vulnerabilidades candidatas durante seis meses de varredura. Quando o serviço foi anunciado, revisores humanos haviam avaliado manualmente aproximadamente 6.000.

Segundo a empresa, os mantenedores já haviam solicitado em massa quase 5.000 relatórios. Essas equipes aceitaram descobertas não validadas porque esperar pelo processo completo de revisão da Anthropic criava seu próprio risco de segurança.

Os números expõem um desequilíbrio crescente de produção. Os modelos podem examinar muitos caminhos de código em paralelo, mas todo relatório crível ainda entra em um sistema humano. Alguém precisa reproduzir a falha, eliminar duplicatas, avaliar a exposição no mundo real, coordenar a divulgação, integrar uma correção e distribuir uma atualização.

Os resultados anteriores Glasswing da Anthropic mostraram o mesmo desequilíbrio em uma escala maior. A empresa relatou ter varrido mais de 1.000 projetos de código aberto com Mythos Preview.

O modelo classificou 6.202 descobertas como de gravidade alta ou crítica, de um total de 23.019 descobertas. Empresas de segurança independentes ou revisores da Anthropic avaliaram 1.752 do grupo de maior gravidade.

Dessas descobertas revisadas, 1.587 eram válidas, produzindo uma taxa de verdadeiros positivos de 90,6% dentro da amostra avaliada. No entanto, apenas 1.094 mantiveram uma classificação confirmada como alta ou crítica.

Essa diferença é crucial. Um modelo pode identificar um defeito real de software e, ainda assim, superestimar seu impacto de segurança. A gravidade depende do contexto de implantação, dos caminhos de código alcançáveis, dos requisitos de autenticação, das mitigações existentes e das consequências da exploração.

A Anthropic reconheceu que alguns mantenedores consideraram suas classificações infladas. Outros afirmaram que o scanner interpretou mal o modelo de ameaças de seus projetos, o que significa que suas suposições sobre invasores, ativos e limites de confiança estavam erradas.

Um bug válido com a prioridade errada ainda pode desperdiçar tempo escasso. Mantenedores podem correr para corrigir um problema improvável enquanto uma vulnerabilidade menos dramática permanece exposta. Eles também podem atrasar trabalhos rotineiros de confiabilidade para investigar emergências geradas por modelos.

O projeto Glasswing relatou outra métrica reveladora. A Anthropic afirmou que uma vulnerabilidade confirmada de gravidade alta ou crítica levava, em média, cerca de duas semanas para ser corrigida.

Esse atraso não era principalmente um problema de busca. Ele refletia o tempo necessário para validar o comportamento, projetar uma correção, testar a compatibilidade, coordenar lançamentos e notificar usuários dependentes. O OSS Scanner acelera apenas partes selecionadas dessa cadeia.

O software de código aberto amplia essas limitações porque bibliotecas essenciais muitas vezes dependem de equipes pequenas. Um projeto pode estar presente em milhares de produtos comerciais enquanto depende de voluntários para a triagem de problemas e lançamentos.

Um relatório de segurança, portanto, compete com a manutenção rotineira, o suporte aos usuários, a documentação e o trabalho de compatibilidade. Enviar mais descobertas pode melhorar a segurança, mas apenas quando o projeto que as recebe tem atenção suficiente para transformar relatórios em patches.

A Anthropic limita explicitamente o serviço acelerado a equipes que conseguem acompanhar o ritmo. Essa restrição não é uma nota administrativa de rodapé. É a decisão de projeto que impede que a descoberta acelerada se transforme em um gerador automatizado de pendências.

O lançamento faz parte da Cyber Mission mais ampla da Anthropic, que também visa infraestrutura crítica. A empresa argumenta que modelos altamente capazes estão se tornando disponíveis para invasores antes que os processos defensivos tenham escalado na mesma medida.

Esse argumento explica por que a Anthropic privilegia a velocidade apesar de relatórios imperfeitos. Uma vulnerabilidade aguardando em uma fila de revisão continua disponível para que um invasor a encontre de forma independente. Uma divulgação mais rápida dá aos mantenedores preparados mais tempo para fechar essa janela.

Ainda assim, a velocidade transfere responsabilidade. O gargalo interno de revisão da Anthropic não desaparece quando os relatórios brutos saem de seus sistemas. Ele se transfere para os mantenedores que aderem ao canal mais rápido.

Anthropic OSS Scanner compete por contexto, não apenas por cobertura

A comparação importante não é entre IA e scanners mais antigos. É o raciocínio baseado em modelos combinado com métodos consolidados de teste e revisão.

A Anthropic afirma que o OSS Scanner foi inspirado pelo OSS-Fuzz do Google, que começou a operar em 2016. O OSS-Fuzz usa fuzzing contínuo, uma técnica que fornece ao software entradas variadas ou malformadas para provocar falhas e comportamentos inesperados.

O Google descreve o fuzzing contínuo como uma forma de descobrir erros de programação por meio de execução repetida em larga escala. Ele se tornou uma infraestrutura consolidada para projetos de código aberto amplamente utilizados.

O fuzzing se destaca quando um sistema consegue reconhecer falhas automaticamente. Uma queda, violação de memória ou asserção com falha fornece evidência concreta. Engenheiros podem então minimizar a entrada que acionou o problema e rastrear o código defeituoso.

Scanners baseados em modelos de linguagem seguem uma rota diferente. Eles podem raciocinar entre arquivos-fonte, inferir limites de confiança, inspecionar a lógica de permissões e propor sequências de ataque. Esse contexto mais amplo pode revelar defeitos que não produzem imediatamente uma falha.

A Anthropic citou HotCRP, um sistema de gestão de conferências, como exemplo. Seu mantenedor afirmou que os relatórios demonstraram compreensão do modelo de permissões complexo do projeto. Esse tipo de lógica é difícil de testar apenas com entradas aleatórias.

Anton Arapov, da OpenSSL Corporation, também comparou relatórios recentes com submissões ruins de IA recebidas cerca de 18 meses antes. Ele afirmou que o resultado bruto da Anthropic às vezes era comparável, ou melhor, que relatórios de pessoas.

Para wolfSSL, a Anthropic informou que 72 das 74 descobertas entregues eram válidas. Cinco se tornaram registros Common Vulnerabilities and Exposures, que fornecem identificadores padronizados para falhas de segurança acompanhadas publicamente.

Esses depoimentos mostram por que os mantenedores podem aceitar resultados brutos de modelos. Um relatório com uma exploração funcional pode ser verificado rapidamente. Um patch quase utilizável também pode reduzir o tempo entre a confirmação e a correção.

Eles não estabelecem desempenho equivalente em todo o ecossistema de código aberto. PostgreSQL, OpenSSL, wolfSSL e HotCRP são projetos maduros com mantenedores experientes. Suas equipes têm processos para testar e lidar com relatórios sensíveis de segurança.

O campo competitivo também está mudando rapidamente. A OpenAI apresentou o Codex Security como um agente de segurança de aplicações que cria um modelo de ameaças específico para o projeto antes de analisar um repositório.

A OpenAI afirma que seu sistema beta varreu mais de 1,2 milhão de commits durante um período de 30 dias. Ele relatou 792 descobertas críticas e 10.561 descobertas de alta gravidade em repositórios externos.

Esses números usam as classificações e a população de testes da OpenAI, portanto não podem ser comparados diretamente aos resultados da Anthropic. As empresas podem definir gravidade, validação e seleção de repositórios de forma diferente.

Ainda assim, ambos os produtos refletem a mesma mudança estratégica. Os provedores de modelos de fronteira querem cada vez mais que seus sistemas compreendam uma aplicação antes de identificar vulnerabilidades. Eles competem em contexto, validação, suporte à remediação e integração de fluxos de trabalho.

A diferenciação da Anthropic é a via rápida, gratuita e recorrente para mantenedores selecionados de projetos open source. Claude Security continua sendo seu produto geral de varredura de código para uso organizacional, enquanto OSS Scanner direciona os modelos mais avançados para projetos públicos qualificados.

O serviço não substitui fuzzers, análise estática, varredura de dependências, revisão de código ou testes de penetração. A própria Anthropic recomenda verificação humana, e seus relatórios podem interpretar de forma incorreta as premissas operacionais de um projeto.

Uma arquitetura de segurança mais realista combina esses métodos. Ferramentas tradicionais podem detectar continuamente padrões conhecidos de defeitos e falhas em tempo de execução. Os modelos podem investigar relações que exigem um raciocínio mais amplo. Revisores humanos decidem se a teoria resultante corresponde à realidade.

Essa abordagem em camadas também contém o risco dos modelos. Uma descoberta sem evidências reproduzíveis não deve superar em prioridade uma falha verificada apenas porque sua explicação parece confiante.

Portanto, o scanner vencedor não será o sistema que produzir a maior quantidade de problemas. Será aquele que ajudar de forma confiável os mantenedores a corrigir vulnerabilidades relevantes sem consumir mais atenção do que economiza.

Relatórios Gratuitos Transferem o Trabalho Mais Difícil aos Mantenedores

OSS Scanner elimina o custo do acesso aos modelos, mas não elimina o trabalho, a responsabilidade ou o risco operacional de agir com base em suas descobertas.

Cada relatório chega sem revisão humana ou triagem da Anthropic. Os mantenedores precisam decidir se o comportamento é reproduzível, se o exploit proposto reflete uma ameaça realista e se o patch sugerido cria regressões.

Um patch candidato exige atenção especial. Correções de segurança frequentemente alteram parsers, caminhos de autenticação, tratamento de memória ou comportamentos de compatibilidade. Uma mudança localmente correta pode quebrar software downstream ou criar outra vulnerabilidade.

Os projetos também precisam de um canal de divulgação protegida. Publicar um exploit antes que uma correção chegue aos usuários pode expor sistemas que dependem da biblioteca afetada. O relatório deve permanecer confidencial enquanto os mantenedores coordenam lançamentos e avisos de segurança.

O processo existente da Anthropic de divulgação coordenada de vulnerabilidades continua relevante aqui. Nesse processo, vulnerabilidades recém-descobertas geralmente são divulgadas após uma janela de remediação, dando aos usuários tempo para atualizar.

A via rápida muda quem realiza a validação inicial, não a necessidade de divulgação responsável. Os mantenedores participantes tornam-se o primeiro filtro humano entre um exploit gerado por modelo e o ecossistema de software mais amplo.

Há também um problema de duplicação. A amostra de validação de 97 descobertas da Anthropic incluiu 11 problemas reais que duplicavam bugs conhecidos ou outras descobertas. Relatórios duplicados ainda consomem atenção antes que os mantenedores os reconheçam.

Os repositórios já recebem submissões ruidosas geradas por IA. O mantenedor do Curl, Daniel Stenberg, documentou um aumento de relatórios de baixa qualidade que imitam pesquisas de segurança confiáveis sem fornecer evidências seguras.

A Anthropic projetou o OSS Scanner em parte como resposta a esse histórico. Seus relatórios incluem reprodutores e explicações, enquanto o acesso é limitado a projetos aprovados. Essas escolhas devem melhorar o sinal em comparação com submissões automatizadas anônimas.

No entanto, a Anthropic ainda pede que os mantenedores confiem em um pipeline privado de varredura. A empresa não publicou uma avaliação completa e independentemente reproduzível que cubra todas as linguagens, tipos de projeto e categorias de severidade compatíveis.

O scanner também envia código pelos modelos e sistemas da Anthropic. O código open source é público, mas branches não lançadas, discussões privadas sobre issues e correções sob embargo ainda podem conter informações sensíveis. Os mantenedores precisam de limites operacionais claros antes de conectar fluxos de trabalho relacionados.

Outro risco diz respeito ao uso duplo de exploits. Um modelo capaz de encontrar e reproduzir vulnerabilidades pode apoiar defensores ou atacantes. OSS Scanner restringe a distribuição aos mantenedores principais inscritos, reduzindo o acesso indiscriminado às suas descobertas.

A capacidade mais ampla não pode permanecer exclusiva para sempre. A Anthropic afirma que modelos com capacidades semelhantes se tornarão amplamente disponíveis. Os concorrentes já estão tornando agentes de segurança de código acessíveis por meio de serviços em nuvem e ferramentas locais de linha de comando.

Isso cria uma corrida entre descoberta e remediação. Se os atacantes automatizarem o reconhecimento mais rapidamente do que os projetos automatizam a verificação e a implantação de patches, mais descobertas não tornarão imediatamente o ecossistema mais seguro.

Os próprios dados da Anthropic mostram essa lacuna. O Project Glasswing havia identificado milhares de vulnerabilidades prováveis, enquanto apenas uma fração havia chegado a correções confirmadas quando a empresa publicou sua atualização inicial.

Portanto, os mantenedores devem medir a remediação concluída, e não o volume de relatórios. Indicadores úteis incluem descobertas reproduzidas, classificações de severidade aceitas, patches incorporados, tempo de lançamento, adoção downstream e issues reabertas.

As equipes também precisam de responsabilidade explícita. Um mantenedor não deve receber um fluxo de descobertas sem um plano para revisores de apoio, coordenação de divulgação, testes e gestão de lançamentos.

Para projetos maiores, relatórios de segurança podem entrar no mesmo sistema usado para incidentes e mudanças de alto risco. Uma base de conhecimento de engenharia pode preservar premissas de ameaça, decisões anteriores e evidências de remediação entre revisores.

Projetos menores enfrentam uma escolha mais difícil. Participar fornece acesso a capacidades que raramente conseguiriam financiar por conta própria. Também pode criar uma fila que voluntários não conseguem processar com segurança.

A via revisada por humanos da Anthropic continua sendo a melhor opção quando um projeto não possui capacidade de segurança dedicada. Uma divulgação mais lenta e validada pode gerar mais valor do que acesso imediato a cada descoberta candidata.

O Verdadeiro Teste É Se os Patches Acompanham o Ritmo

Anthropic OSS Scanner terá sucesso apenas se os projetos participantes corrigirem vulnerabilidades relevantes mais rapidamente, sem produzir patches inseguros ou esgotar os mantenedores.

O primeiro sinal a observar é a conversão de relatórios em correções verificadas. A Anthropic publicou contagens de vulnerabilidades descobertas, revisadas, divulgadas e corrigidas no Project Glasswing. Métricas semelhantes devem acompanhar o OSS Scanner.

Um aumento apenas no número de relatórios mostraria capacidade adicional dos modelos. Uma parcela crescente de descobertas validadas que chega a lançamentos mostraria que o serviço melhora resultados reais de segurança.

Mudanças de severidade merecem relatórios separados. A Anthropic deve divulgar com que frequência os mantenedores reduzem a classificação de descobertas, rejeitam premissas de ameaça, identificam duplicatas ou reescrevem substancialmente os patches propostos.

Essas informações testariam a taxa esperada de verdadeiros positivos da empresa. Também revelariam se o scanner prioriza o trabalho certo em vez de apenas localizar defeitos reais.

O segundo sinal é a retenção de mantenedores. Projetos podem se inscrever porque o serviço é gratuito, mas sair se o volume ou a sensibilidade dos relatórios ultrapassar sua capacidade.

A participação contínua sugeriria que reproduções e patches economizam mais esforço do que a verificação consome. Saídas, entregas pausadas ou pedidos por varreduras mais lentas sugeririam que o gargalo simplesmente se deslocou para etapas posteriores.

A Anthropic também deve explicar como a frequência das varreduras se adapta a cada projeto. Uma grande equipe de segurança e uma biblioteca liderada por voluntários não conseguem absorver relatórios no mesmo ritmo. A varredura periódica precisa de uma definição operacional vinculada à capacidade dos destinatários.

O terceiro sinal é a resposta dos concorrentes. O Google pode ampliar o raciocínio dos modelos em torno do OSS-Fuzz, enquanto a OpenAI pode aprofundar o acesso open source ao Codex Security. Fornecedores de segurança estabelecidos podem combinar dados proprietários sobre ameaças com análise de código baseada em modelos.

A concorrência fortaleceria a tese da Anthropic caso os provedores convergissem para varreduras recorrentes, sensíveis ao contexto e com patches acionáveis. Isso enfraqueceria a diferenciação do OSS Scanner, mas poderia melhorar as defesas em mais projetos.

Evidências de que os fornecedores mantêm ampla validação humana apontariam em outra direção. Isso sugeriria que a saída bruta de modelos de fronteira continua arriscada demais para a maioria dos mantenedores, apesar dos ganhos impressionantes em benchmarks.

A previsão mais ampla da Anthropic é que a IA acabará favorecendo os defensores. A empresa argumenta que os modelos devem facilitar a descoberta de bugs antes do lançamento e a criação de software mais seguro desde o início.

Os próximos meses testarão uma proposição mais restrita. Equipes open source selecionadas conseguem converter um volume maior de relatórios não revisados em correções seguras mais rapidamente do que adversários conseguem explorar a mesma classe de modelos?

Para desenvolvedores, a resposta importa mesmo que seu próprio repositório nunca se qualifique. Aplicações modernas herdam código por meio de frameworks, bibliotecas de criptografia, bancos de dados, ferramentas de build e dependências de pacotes. Uma falha corrigida upstream pode proteger muitos sistemas downstream.

Equipes de segurança corporativa devem acompanhar se suas dependências entram no programa e se lançamentos corrigidos chegam aos ambientes implantados. Encontrar uma vulnerabilidade não protege uma aplicação que continua executando a versão afetada.

Mantenedores open source devem avaliar a capacidade antes de se candidatarem. Eles precisam de pessoas que possam reproduzir descobertas, questionar classificações de severidade, revisar patches, coordenar a divulgação e publicar lançamentos testados.

O Anthropic OSS Scanner reduz a barreira para a descoberta sofisticada de vulnerabilidades. Ele não reduz todas as barreiras que surgem após a descoberta.

É isso que torna o lançamento mais significativo do que outra ferramenta gratuita para desenvolvedores. A Anthropic está testando se modelos de fronteira podem se tornar colaboradores de segurança confiáveis dentro de sistemas reais de manutenção.

A resposta não aparecerá em uma pontuação de benchmark ou em um grande total de descobertas. Ela aparecerá em menos lançamentos exploráveis, prazos de remediação mais curtos, decisões de severidade confiáveis e mantenedores que ainda têm tempo para manter seus projetos.

Se o seu projeto recebesse centenas de relatórios de segurança plausíveis amanhã, sua equipe conseguiria verificá-los e resolvê-los com segurança? Essa questão operacional deve decidir se o acesso antecipado à varredura por IA representa alívio ou mais uma fila urgente.