NOC da Black Hat expõe os limites humanos da segurança de IA

O NOC da Black Hat chegou ao Google News após processar 285 milhões de alertas, mas sua conclusão mais clara desafiou a promessa da segurança de IA autônoma. Agentes personalizados aceleraram as investigações, porém analistas experientes ainda decidiram quais ameaças importavam e quando as conclusões automatizadas exigiam cautela.

O centro de operações de rede, ou NOC, protegeu mais de 23.000 participantes na Black Hat USA 2026, em Las Vegas. Seu ambiente combinava tráfego de pesquisa hostil, exercícios de treinamento ao vivo, dispositivos infectados e ataques reais. Essa mistura tornou as contagens comuns de alertas quase inúteis sem contexto.

O conflito não era IA contra analistas humanos. Era a promessa da automação contra o discernimento necessário em uma rede excepcionalmente ambígua. A experiência do NOC mostrou onde os agentes ajudam, onde os produtos comerciais ficam aquém e por que a autoridade humana continua central.

O que o NOC da Black Hat realmente enfrentou

A rede da Black Hat transformou a detecção de ameaças em um problema de classificação, no qual quase todo sinal parecia suspeito.

A Black Hat USA ocorreu de 1º a 6 de agosto no Mandalay Bay Convention Center. A conferência principal ocupou os dois últimos dias, após quatro dias de treinamento especializado. Seu programa incluiu mais de 200 sessões sobre malware, engenharia de detecção, privacidade, criptografia, agentes de IA e exploits autônomos.

A equipe do NOC fez mais do que monitorar a infraestrutura existente do local. Ela substituiu todos os roteadores, switches, firewalls e pontos de acesso sem fio por equipamentos selecionados para o evento. Esse controle permitiu que a equipe respondesse imediatamente quando o tráfego exigia investigação ou mitigação.

Mais de 100 pessoas apoiaram a operação, segundo o relatório de campo do NOC. Analistas, pesquisadores, engenheiros e caçadores de ameaças trabalharam ao lado de tecnologia da Palo Alto Networks, Corelight, Cisco, Arista, Lumen e Jamf.

A escala do evento havia mudado drasticamente. Uma versão anterior do NOC envolvia três pessoas protegendo uma conferência com 1.500 participantes. Em 2026, o público ultrapassou 23.000 pessoas, enquanto as turmas de treinamento passaram de 100.

O problema maior não era apenas o volume. A Black Hat permite atividades que provocariam escalonamento imediato na maioria das redes corporativas. Participantes executam ferramentas de segurança, estudam malware, reproduzem ataques e testam técnicas aprendidas durante os treinamentos.

Essa atividade autorizada cria o que a equipe chama de “positivos da Black Hat”. São detecções precisas de comportamentos que a conferência espera e permite. Não são falsos positivos, mas bloqueá-los ainda seria a resposta errada.

A distinção importa porque a automação de segurança convencional frequentemente presume que atividade suspeita merece contenção. Na Black Hat, essa suposição pode interromper uma aula ou interferir em pesquisas legítimas. Um alerta precisa de contexto antes de se tornar um incidente.

Uma pessoa atacou servidores internos em até 15 minutos após a rede se tornar disponível. Essa atividade inicial ilustrou por que a equipe precisava de controle imediato sobre a infraestrutura. Também mostrou que ameaças reais surgem ao lado de experimentos autorizados.

Ao final da conferência, a equipe havia recebido 285 milhões de alertas informativos. Ela reduziu esses sinais a 17,1 milhões de ameaças identificadas e então bloqueou apenas 383. A enorme redução mostra o pouco que o volume bruto de alertas diz sobre o risco operacional.

A diferença entre 17,1 milhões de ameaças e 383 eventos bloqueados é o número central da história. Ferramentas automatizadas encontraram atividade, mas a análise orientada por humanos determinou qual atividade exigia intervenção. O NOC não buscava maximizar bloqueios.

Neil “Grifter” Wyler, líder sênior de operações de rede da Black Hat, descreveu o trabalho como encontrar uma agulha em uma pilha de agulhas. Todo candidato já parecia perigoso. A verdadeira tarefa era identificar o conjunto menor que violava os limites do evento.

Esse ambiente torna o NOC um teste rigoroso para falhas de segurança de IA. Um modelo não pode depender de rótulos simples como malicioso, benigno ou anômalo. Ele precisa interpretar intenção, localização, momento, identidade e regras da conferência.

O resultado atraiu o Google News porque oferece algo que demonstrações de fornecedores raramente proporcionam. Os agentes operaram contra tráfego ao vivo, sob pressão de tempo e com consequências para decisões equivocadas. Seu valor dependia de evidências e supervisão, e não de respostas polidas.

Por que as ferramentas comerciais de segurança de IA ficaram aquém

O NOC desenvolveu agentes personalizados porque os produtos disponíveis não conseguiam atender às suas exigências de velocidade, carga e contexto.

A equipe começou a usar aprendizado de máquina onde muitas organizações de segurança começam: na geração de alertas. Essa abordagem pode identificar comportamentos incomuns ou padrões em mais dados do que os analistas conseguem inspecionar manualmente. Ela não explica automaticamente se o comportamento merece ação.

O pessoal do NOC avaliou várias ferramentas disponíveis, mas concluiu que muitas não conseguiam lidar com sua carga de tráfego. Outros produtos não respondiam com rapidez suficiente à medida que a rede mudava. Por isso, a equipe desenvolveu software em torno de seus próprios fluxos de trabalho.

Essa decisão expõe uma fraqueza comum na aquisição de segurança de IA. Compradores frequentemente comparam recursos de modelos, qualidade de interface ou o número de integrações compatíveis. O sucesso operacional depende mais da qualidade da telemetria, do tempo de resposta e de quão bem o sistema representa as regras locais.

As regras da Black Hat são especialmente difíceis de codificar. Uma varredura de vulnerabilidades pode ser normal dentro de uma sala de aula e inaceitável contra a infraestrutura da conferência. O mesmo padrão de pacotes pode ter significados diferentes conforme sua origem e destino.

O NOC usa um chatbot de IA chamado Trevor com a plataforma de operações de segurança da Palo Alto Networks. Analistas podem perguntar sobre um endereço, e o assistente recupera informações relevantes dos logs. Isso reduz o trabalho mecânico necessário para iniciar uma investigação.

A recuperação de informações é valiosa porque reduz a distância entre um alerta e suas evidências de apoio. Ela também é mais restrita do que a resposta autônoma a incidentes. Trevor auxilia o analista sem receber ampla autoridade para conter dispositivos ou acusar usuários.

A equipe apresentou um sistema maior chamado NOCgentic durante o evento de 2026. Essa plataforma multiagente encaminha perguntas a componentes especializados, consulta a telemetria e retorna respostas com próximos passos sugeridos. Um repositório público do NOCgentic agora documenta o projeto.

Uma plataforma multiagente usa vários componentes de IA focados em tarefas, em vez de pedir que um único modelo cuide de todas as etapas. Um componente pode recuperar evidências de rede, enquanto outro interpreta a pergunta ou prepara uma resposta. O roteamento pode melhorar o foco, mas também cria mais conexões que exigem controles de segurança.

O NOC posicionou o NOCgentic como um assistente para caçadores de ameaças menos experientes. Seu efeito pretendido era colocar suporte analítico mais profundo ao lado de um operador de primeiro nível. Esse enquadramento importa porque trata a expertise como algo que o sistema ajuda a distribuir.

A equipe também desenvolveu o SOCgentic, uma versão com menos restrições. Sua interface, Postcog, funciona com sensores chamados Precogs. Os nomes fazem referência ao filme Minority Report, no qual previsões chegam antes que crimes ocorram.

O humor tornou a interface mais tolerável durante um trabalho estressante, mas o design subjacente permaneceu sério. Analistas enfrentam fadiga ao investigar alertas repetitivos. Um assistente útil pode recuperar contexto, propor perguntas e manter as evidências organizadas sem assumir a decisão final.

A experiência do NOC também incluiu desenvolvimento de software assistido por IA. Em 2024, a equipe criou o FragglePacket, uma ferramenta de diagnóstico de rede baseada em Rust, porque os produtos existentes não possuíam os recursos necessários. Durante a Black Hat USA 2026, a IA ajudou os desenvolvedores a adicionar 71 recursos.

Essas adições incluíram sondagem de caminhos de ataque, fuzzing de pacotes, reprodução de captura de pacotes, análise HTTPS em etapas e um mecanismo de diagnóstico baseado em regras. O fuzzing de pacotes envia entradas alteradas para identificar falhas. A reprodução de captura de pacotes reproduz tráfego gravado para testes controlados.

A contagem de recursos não deve ser confundida com validação independente. A IA pode acelerar a geração de código enquanto também introduz defeitos, pressupostos inseguros ou complexidade desnecessária. Mudanças geradas ainda exigem testes e revisão.

É aqui que as falhas de segurança de IA frequentemente começam. Equipes medem a rapidez com que um modelo produz código ou investigações, depois deixam de verificar se o resultado permanece correto em condições desconhecidas. A velocidade aumenta tanto a produção útil quanto as obrigações de revisão.

A abordagem personalizada da Black Hat teve sucesso porque estava vinculada à sua telemetria e aos seus procedimentos operacionais. A maioria das empresas não consegue copiar esse ambiente diretamente. Elas têm equipes menores, orçamentos limitados, logs fragmentados e menos controle sobre a infraestrutura.

O NOC supostamente opera com recursos doados por parceiros de tecnologia selecionados. Seus líderes descreveram essas empresas como parceiros operacionais, e não patrocinadores que compraram acesso. Essa distinção dá à equipe acesso a ferramentas que muitos grupos corporativos de segurança não conseguem combinar.

Portanto, organizações que leem sobre o projeto pelo Google News devem resistir a uma conclusão superficial. A lição não é que todo centro de operações de segurança precisa de vários agentes caseiros. É que a automação deve se adequar às evidências, à autoridade e ao processo de resposta já existentes.

Google News destaca a lacuna entre automação e julgamento

A proteção de IA mais forte do NOC foi sua capacidade de recusar uma recomendação automatizada.

A equipe enfatizou repetidamente que os humanos permanecem no circuito. Essa frase pode se tornar uma linguagem vaga de marketing, mas a Black Hat deu a ela um significado concreto. Uma pessoa mantinha a autoridade para interpretar o contexto e dizer não.

Essa autoridade era essencial porque a rede continha atividade ofensiva autorizada. Um agente poderia detectar corretamente uma exploração, mas interpretar erroneamente por que ela ocorreu. Agir com base na detecção sem contexto poderia interromper a pesquisa, em vez de deter um ataque.

O problema se assemelha a um desafio de longa data nas operações de segurança. Sistemas de detecção reconhecem padrões técnicos, enquanto equipes de resposta a incidentes determinam o impacto nos negócios. A IA muda a velocidade e a apresentação desse trabalho, mas não elimina a distinção.

A Black Hat usou IA para reunir evidências, pesquisar telemetria, construir perfis e sugerir próximos passos. Não tratou uma resposta fluente como prova final. Analistas podiam inspecionar os dados de rede subjacentes antes de intervir.

Essa abordagem que prioriza evidências contraria uma fraqueza dos grandes modelos de linguagem. Modelos geram linguagem provável, não fatos garantidos. Quando conectados a ferramentas, também podem selecionar os dados errados, entender mal uma consulta ou produzir uma conclusão injustificada.

O trabalho anterior do NOC na Ásia forneceu um exemplo útil. Um agente sinalizou comunicações em texto claro contendo o que pareciam ser identificadores de contas de usuários. Um analista continuou a investigação em vez de aceitar a primeira explicação.

O tráfego vinha de um aplicativo associado à gravação de reuniões. Uma solicitação posterior expôs uma chave de interface de programação de aplicativos da Tencent, segundo uma investigação de rede. A equipe não usou a credencial, portanto suas permissões permaneceram desconhecidas.

Essa contenção fazia parte da análise. As evidências sustentavam a afirmação de que uma credencial havia sido exposta, mas não uma afirmação sobre o que um invasor poderia acessar. Um fluxo de trabalho responsável preservou essa incerteza em vez de preenchê-la com especulação.

O mesmo evento gerou outro caso envolvendo um dispositivo que acionou detecções de dois Trojans de acesso remoto. Um Trojan de acesso remoto, ou RAT, permite que um invasor controle um sistema comprometido. Múltiplas detecções independentes tornaram uma classificação incorreta acidental menos provável.

Um componente de IA chamado The Profiler analisou evidências de rede e inferiu que o dispositivo provavelmente pertencia a um jornalista de tecnologia. Em seguida, a equipe humana usou informações de registro e contatos internos de imprensa para restringir a busca.

O jornalista recebeu um alerta e foi orientado a desligar o dispositivo antes de entrar em contato com a equipe de segurança corporativa. O agente acelerou a identificação, mas pessoas verificaram a conclusão e conduziram a interação sensível.

Essa sequência demonstra um modelo prático de humanos no circuito. A IA reduziu o tempo de busca, os analistas avaliaram suas evidências e a equipe autorizada decidiu como responder. Cada etapa tinha uma responsabilidade definida.

Ela também expõe uma questão de privacidade. Inferir a identidade de uma pessoa a partir do tráfego pode proteger alguém com um dispositivo infectado. A mesma capacidade pode se tornar invasiva se uma organização a utilizar sem regras claras, proporcionalidade ou responsabilização.

O ambiente incomum da Black Hat não elimina essa preocupação. Participantes da conferência se conectam a uma rede fortemente monitorada, operada para fins defensivos. Funcionários de empresas, clientes e visitantes podem ter expectativas e proteções legais diferentes.

Líderes de segurança devem definir o que um agente pode inferir antes de implantá-lo. Também precisam de limites de retenção, controles de acesso e regras de escalonamento para conclusões relacionadas à identidade. Uma inferência correta ainda pode criar riscos de governança.

Outra preocupação é o viés de automação, a tendência de confiar em uma recomendação de máquina porque ela parece confiante ou detalhada. Resumos de investigação gerados por IA frequentemente parecem completos, mesmo quando omitem evidências contraditórias. Analistas iniciantes podem ser especialmente vulneráveis a essa apresentação.

O NOC tentou usar agentes como uma extensão da expertise sênior. Isso pode melhorar o treinamento quando as respostas mostram suas evidências e limites de raciocínio. Torna-se perigoso quando profissionais juniores aprendem a aprovar recomendações sem verificações independentes.

Um alerta separado sobre resposta a incidentes reforça esse ponto. O analista da Gartner Craig Porter afirmou que agentes internos de IA podem criar eventos não intencionais enquanto operam dentro de suas permissões autorizadas.

Porter argumentou que a resposta tradicional a incidentes não cobre plenamente sistemas que produzem resultados prejudiciais sem um invasor malicioso. As equipes de segurança precisam investigar comportamento, design e tomada de decisões. Isso amplia a responsabilidade para além da contenção comum de malware.

O NOC da Black Hat encontrou o mesmo limite conceitual pelo lado defensivo. Um agente autorizado pode recuperar dados, recomendar ações ou gerar software e, ainda assim, produzir riscos. Permissão não é o mesmo que correção.

A distribuição pelo Google News pode levar a reportagem a leitores fora das operações de segurança. Para esses leitores, o ponto importante é simples. A segurança de IA não falha apenas quando invasores fazem jailbreak de um modelo.

Ela também falha quando defensores dão a um agente autoridade excessiva, evidências frágeis ou um objetivo pouco claro. O modelo pode seguir suas instruções e ainda produzir o resultado errado. A revisão humana deve ser projetada no fluxo de trabalho, não adicionada após um incidente.

O NOC Também Revelou os Limites Ofensivos da IA

Os ataques impulsionados por IA foram rápidos e barulhentos em 2026, mas os defensores não podem presumir que essa vantagem durará.

A equipe da Black Hat considerou os ataques atuais conduzidos por IA relativamente fáceis de detectar. Wyler disse que eles se moviam rapidamente, mas careciam de discrição. Seu comportamento acionou muitos sensores, incluindo canários, honeypots e outros sistemas de engano.

Um canário é um recurso monitorado criado para revelar acessos não autorizados. Um honeypot apresenta uma isca atraente para que os defensores possam observar comportamentos suspeitos. Ambos funcionam bem quando invasores automatizados interagem indiscriminadamente com muitos sistemas.

Essa descoberta complica as previsões mais alarmantes sobre ataques cibernéticos autônomos. Uma exploração mais rápida não produz automaticamente uma evasão melhor. Um agente que testa tudo pode se expor pelo volume, pela repetição e por padrões incomuns de acesso.

A limitação não deve tranquilizar as equipes de segurança por muito tempo. Modelos e frameworks de agentes estão melhorando, enquanto invasores podem refinar prompts e acesso a ferramentas. Eles também podem usar o feedback de tentativas fracassadas para reduzir o ruído.

A agenda oficial de 2026 da Black Hat refletiu essa mudança. Uma palestra principal abordou a defesa de sistemas quando a IA torna capacidades ofensivas mais baratas. Outra examinou a pesquisa de vulnerabilidades em uma era de agentes, segundo a programação das palestras principais.

A preocupação vai além de malware gerado por IA. Agentes podem automatizar reconhecimento, testar vulnerabilidades, combinar informações públicas e executar ferramentas de segurança estabelecidas. Sua vantagem frequentemente vem da coordenação e da persistência, e não de um novo exploit.

Isso torna as evidências de rede cada vez mais importantes. Controles de endpoint podem registrar o que aconteceu em um dispositivo, enquanto a telemetria de rede mostra quais sistemas se comunicaram. Nenhuma das duas visões é suficiente isoladamente.

O NOC conseguiu distinguir atividades porque controlava a infraestrutura e combinava múltiplas fontes. Muitas empresas não têm essa visibilidade. Serviços em nuvem, dispositivos remotos, aplicações de terceiros e tráfego criptografado fragmentam as evidências entre diferentes responsáveis.

Uma organização com telemetria incompleta fornecerá aos seus agentes defensivos um contexto incompleto. Os resumos resultantes podem parecer certos, embora se baseiem em dados ausentes. Este é um problema de observabilidade antes de se tornar um problema de modelo.

As empresas também enfrentam limites operacionais mais rigorosos. A Black Hat pode tolerar monitoramento agressivo e intervenção rápida porque os participantes entram em um ambiente especializado de segurança. Um hospital, banco ou fabricante precisa proteger disponibilidade, privacidade e processos regulados.

As 383 ameaças bloqueadas pelo NOC ilustram uma contenção cuidadosa. Bloquear mais não teria necessariamente melhorado a segurança. Poderia ter interrompido trabalho legítimo e reduzido a confiança na equipe de resposta.

Esse equilíbrio se aplica diretamente à contenção autônoma. Um agente de segurança que desativa contas ou isola sistemas pode deter um ataque rapidamente. A mesma ação pode interromper receita, atendimento a pacientes, produção ou uma investigação em andamento.

A aprovação humana introduz atraso, mas removê-la transfere autoridade operacional para um software que pode interpretar mal o contexto. O design adequado depende da reversibilidade e do impacto. Ações de baixo risco podem receber mais automação do que decisões de alto impacto.

Por exemplo, um agente pode enriquecer com segurança um alerta com dados de propriedade ou atividade recente de rede. Ele pode preparar uma recomendação de contenção. Isolar um banco de dados de produção exige um limiar mais alto e uma autorização mais robusta.

O NOC também se beneficiou de uma equipe excepcionalmente experiente. Seus operadores entendiam como era o normal dentro de um ambiente anormal. Modelos não podem substituir esse conhecimento institucional apenas lendo tickets históricos.

As equipes precisam de contexto operacional curado que os agentes possam recuperar. Isso inclui propriedade de ativos, janelas aprovadas de testes, dependências de negócios e contatos de escalonamento. Uma base de conhecimento pesquisável pode ajudar a preservar esse material para investigações autorizadas.

A documentação por si só é insuficiente. As equipes de segurança precisam testar se um agente recupera a regra correta sob pressão. Também devem registrar quais evidências influenciaram cada recomendação.

A visão cética continua necessária porque a maioria dos resultados relatados veio de participantes que operavam o NOC. Suas afirmações descrevem uma implantação real séria, mas não constituem um benchmark independente. Outras organizações podem obter resultados diferentes.

As 71 adições ao FragglePacket soam impressionantes, mas o volume de recursos não mede confiabilidade. O lançamento do NOCgentic oferece transparência útil, mas código público não prova que todas as respostas do modelo foram precisas.

Os leitores devem separar três afirmações. A IA claramente ajudou a equipe a recuperar e organizar informações. Ela supostamente acelerou o desenvolvimento de software e a busca por ameaças. Não eliminou a necessidade de verificação por especialistas.

Essa distinção mantém a reportagem fundamentada. A Black Hat demonstrou um uso produtivo de agentes sem mostrar que operações autônomas de segurança estão prontas. Seu sucesso mais crível veio da colaboração controlada entre software e pessoas.

O Que as Equipes de Segurança Devem Observar em Seguida

O próximo teste é verificar se o modelo da Black Hat, baseado em evidências primeiro, resiste a ataques mais discretos, orçamentos comuns e maior autoridade para agentes.

O primeiro sinal é a discrição dos ataques na Black Hat USA 2027. Em 2026, atividades impulsionadas por IA supostamente acionaram muitos controles defensivos. Uma mudança significativa aparecerá quando os agentes reduzirem o ruído de varredura e se adaptarem após encontrar sistemas de engano.

Se isso acontecer, o NOC precisará de análises comportamentais mais robustas e melhor correlação entre sistemas. Isso sustentaria a preocupação de que a vantagem atual de detecção seja temporária. A continuidade de comportamentos barulhentos enfraqueceria as afirmações sobre ofensivas autônomas no curto prazo.

O segundo sinal é a adoção independente do NOCgentic. O lançamento público do projeto permite que outras equipes inspecionem sua arquitetura, testem seus fluxos de trabalho e relatem falhas. Evidências de centros de operações de segurança comuns importarão mais do que demonstrações adicionais na Black Hat.

A adoção deve ser medida por meio de investigações documentadas, tempo de revisão, taxas de correção e incidentes operacionais. Contagens de downloads ou atenção ao repositório revelam interesse, não valor de segurança. Avaliações úteis devem comparar analistas assistidos com fluxos de trabalho estabelecidos.

O terceiro sinal é quanta autoridade as organizações concedem a agentes defensivos. Recuperação e sumarização apresentam riscos diferentes de suspensão de contas, isolamento de endpoints, alterações de firewall ou rotação de credenciais. Produtos confundem cada vez mais essas categorias sob o rótulo de automação.

As equipes de segurança devem exigir limites claros para cada ação. Devem saber se um agente recomenda, prepara ou executa uma alteração. Os logs precisam preservar a solicitação, as evidências, a resposta do modelo, a aprovação humana e o resultado final.

Esses controles também ajudam quando um agente age conforme autorizado, mas causa danos. Investigadores precisam reconstruir por que o sistema agiu, quais informações utilizou e quem aprovou suas permissões. Playbooks comuns de malware não conseguem responder a essas perguntas sozinhos.

Os resultados da Black Hat sugerem que o papel de curto prazo mais seguro para agentes é a aceleração analítica. Eles podem coletar evidências, conectar logs, identificar perguntas em aberto e elaborar um plano de resposta. Humanos devem manter autoridade sobre decisões consequentes.

Esse arranjo ainda gera valor substancial. Analistas passam menos tempo alternando entre consoles e formatando consultas. Profissionais seniores podem codificar padrões de investigação que ajudam colegas juniores a trabalhar com mais consistência.

No entanto, as equipes devem evitar tratar explicações geradas como evidência. O pacote subjacente, a entrada de log, o registro de identidade ou a configuração continuam sendo a evidência. O resumo do agente é uma interface para esse material.

Os leitores do Google News também devem observar como os fornecedores descrevem a supervisão humana. “Human in the loop” significa pouco, a menos que a organização defina esse ciclo. Uma pessoa que aprova rotineiramente ações opacas oferece proteção limitada.

Uma supervisão eficaz exige tempo, acesso a informações contraditórias e permissão para rejeitar o modelo. Os revisores também precisam de treinamento que aborde o viés de automação e as limitações dos modelos. Caso contrário, a aprovação humana se torna cerimonial.

O NOC da Black Hat ofereceu um modelo mais sólido porque os analistas entendiam tanto a rede quanto as regras do evento. Eles conseguiam reconhecer quando um tráfego tecnicamente malicioso fazia parte de um exercício autorizado. Essa autoridade contextual é difícil de automatizar.

A lição final não é que a IA falhou na Black Hat. A tecnologia executou um trabalho relevante em um dos ambientes mais exigentes da segurança. Seus limites se tornaram visíveis justamente porque a equipe a utilizou diante de ambiguidades reais.

A experiência do NOC substitui uma narrativa simples de automação por outra operacionalmente mais útil. A IA aumentou a velocidade, ampliou o acesso à expertise e ajudou a organizar evidências esmagadoras. Também exigiu engenharia personalizada, telemetria extensa e contenção humana.

Agora, os líderes de segurança devem examinar um fluxo de trabalho, em vez de comprar uma promessa abstrata. Escolham uma investigação recorrente, definam suas evidências, limitem as permissões dos agentes e meçam as correções junto com a velocidade. Ampliem a autoridade apenas quando o histórico justificar isso.

A próxima manchete do Google News provavelmente se concentrará em um agente mais rápido ou em um ataque maior. A questão mais importante é se as organizações conseguem reconstruir e contestar o que esses agentes fazem. A resposta da Black Hat foi sim, porque as pessoas continuaram responsáveis.

Esse padrão deve orientar toda implantação. Os analistas conseguem inspecionar as evidências, recusar a recomendação e reverter a ação sem criar danos maiores? Se alguma resposta não estiver clara, o agente não está pronto para uma autoridade mais ampla.