Black Hat USA 2026 Coloca o Boom de Financiamento em IA Contra a Consolidação de Segurança

A Black Hat USA 2026 chegou ao Google News com um conflito marcante: o investimento em IA está crescendo, enquanto as equipes de segurança empresarial tentam reduzir suas listas de fornecedores.

Esse contraste definiu o evento em Las Vegas, onde investidores, empresas de segurança, pesquisadores e compradores corporativos se reuniram de 1º a 6 de agosto. A IA apareceu em produtos defensivos, pesquisas ofensivas, discussões sobre governança, apresentações de startups e exposições executivas. Ainda assim, os compradores não buscavam mais uma onda de ferramentas isoladas.

Eles queriam menos consoles, responsabilidades mais claras, integrações mais robustas e evidências de que a IA poderia melhorar as operações de segurança sem criar outra superfície de ataque não gerenciada. O resultado foi um mercado puxado em duas direções. O capital está financiando mais empresas de IA, enquanto os clientes pressionam o setor de segurança para que seja menor e mais coordenado.

Não se trata de uma simples discussão entre inovação e cautela. É uma disputa entre a economia da criação de IA e a economia do consumo de segurança. Investidores podem apoiar centenas de apostas especializadas, mas empresas não conseguem operar centenas de controles desconectados.

Essa lacuna agora coloca startups de segurança, fornecedores de plataformas, investidores e chief information security officers sob o mesmo prazo. Eles precisam transformar o financiamento de IA em resultados de segurança mensuráveis antes que a complexidade absorva os ganhos prometidos.

O Que a Black Hat USA 2026 Realmente Mudou

A Black Hat USA 2026 levou a conversa sobre segurança em IA da capacidade futura para a responsabilidade operacional presente.

A conferência retornou para seu 29º ano no Mandalay Bay Convention Center. Seu evento principal, em 5 e 6 de agosto, incluiu mais de 200 sessões, segundo o guia da conferência publicado. O programa abordou malware, resiliência, privacidade, cadeias de suprimentos, criptografia, agentes de IA, ataques baseados em prompts e exploração autônoma.

Quatro dias de treinamento antecederam o evento principal. A Black Hat também programou seis cúpulas temáticas para 4 de agosto: saúde, CISO, IA, ameaças financeiras, inovadores e investidores, além de um programa para analistas. Essa estrutura reuniu desenvolvimento tecnológico, compras corporativas, políticas públicas e alocação de capital em um único evento.

A AI Summit dedicada demonstrou o quanto o tema avançou. A IA deixou de ser uma trilha paralela de pesquisa experimental. Tornou-se uma preocupação compartilhada por executivos, representantes governamentais, desenvolvedores de modelos, pesquisadores de segurança e fornecedores.

A mudança importante não foi o número de referências à IA em placas ou páginas de produtos. Conferências de segurança apresentam alegações sobre aprendizado de máquina há anos. A mudança foi que sistemas autônomos agora estão inseridos em fluxos de trabalho empresariais e podem tomar ações com consequências reais.

Um agente de IA é um software que interpreta objetivos, seleciona etapas e utiliza ferramentas com orientação humana limitada. Em operações de segurança, um agente pode investigar um alerta, consultar registros de identidade, isolar um dispositivo, alterar uma política ou preparar um plano de remediação.

Cada ação amplia a autoridade do sistema. Também altera o modelo de falha.

Um assistente convencional pode dar uma resposta ruim. Um agente operacional pode tomar uma decisão ruim e executá-la em sistemas conectados. Essa diferença transforma a confiabilidade da IA em um problema de controle de acesso, identidade, governança de dados e resposta a incidentes.

O programa de palestras principais da Black Hat refletiu esse escopo mais amplo. Os palestrantes anunciados abordaram o efeito da IA nas operações cibernéticas, na estratégia de defesa e na pesquisa de vulnerabilidades. A lista de palestrantes principais incluiu pesquisadores e líderes de segurança nacional, sinalizando que a segurança em IA agora atravessa fronteiras técnicas e institucionais.

Essa mudança cria a tensão central do artigo. Fornecedores têm incentivos para adicionar mais recursos autônomos porque a IA atrai atenção e investimento. Compradores empresariais precisam limitar a autonomia até conseguirem observar, governar e reverter essas capacidades.

As organizações que preencherem essa lacuna ganharão influência sobre a próxima arquitetura de segurança. As que adicionarem IA sem abordar autoridade, contexto ou integração correm o risco de se tornar outra camada que as equipes de segurança precisam gerenciar.

O evento, portanto, mudou a questão prática. Os compradores já não perguntam se a IA pertence à cibersegurança. Eles perguntam quais sistemas de IA merecem acesso, onde as decisões devem continuar humanas e qual fornecedor pode assumir a responsabilidade quando a automação falha.

O Google News Registra um Boom de Capital em IA com Benefícios Desiguais

O boom de financiamento em IA oferece mais oportunidades aos fundadores de empresas de segurança, mas também eleva o padrão para provar que um produto merece um orçamento permanente.

A Black Hat Innovators and Investors Summit colocou a dinâmica de captação de recursos ao lado das prioridades de segurança empresarial. Seu programa abordou tecnologias emergentes, fusões, aquisições e as condições que investidores utilizam para avaliar novas empresas.

Essa combinação importa porque o capital destinado à IA tornou-se incomumente concentrado. Dados da PitchBook divulgados pela SiliconANGLE mostraram que o financiamento de capital de risco nos Estados Unidos atingiu US$ 412,7 bilhões durante o primeiro semestre de 2026. Os negócios de IA dominaram esse total, enquanto um pequeno número de transações excepcionalmente grandes definiu o número de destaque.

O total reportado incluiu uma rodada de financiamento de US$ 65 bilhões da Anthropic. O negócio teria avaliado a desenvolvedora de modelos em US$ 965 bilhões após o investimento. Esses números pertencem à economia de modelos de fronteira, não à startup típica de cibersegurança, mas influenciam as expectativas em todo o mercado de tecnologia.

Grandes financiamentos criam atração gravitacional. Fundadores reposicionam produtos em torno da IA, fornecedores estabelecidos aceleram roteiros de IA e investidores procuram empresas de infraestrutura ou segurança que possam se beneficiar da crescente adoção de modelos.

Consequentemente, os leitores do Google News veem duas histórias relacionadas. Uma trata de financiamentos extraordinários para empresas de modelos e infraestrutura computacional. A outra trata de startups que prometem controlar os riscos criados por esses sistemas.

A segurança de agentes ilustra essa conexão. Empresas estão experimentando agentes que acessam bancos de dados, repositórios de software, registros de clientes, consoles de nuvem e sistemas de produtividade. Cada nova conexão cria um mercado potencial de segurança.

Investidores podem financiar empresas focadas em identidade para IA, monitoramento de modelos, prevenção contra perda de dados, autorização de agentes, testes de ataques por prompt, controles em tempo de execução ou registros de auditoria. Cada categoria aborda uma preocupação técnica legítima.

No entanto, preocupações legítimas não sustentam automaticamente categorias independentes de produtos. Uma empresa pode resolver bem um problema restrito, mas ter dificuldade para sobreviver quando uma grande plataforma adiciona controles semelhantes. Os compradores também podem se recusar a enviar dados sensíveis por mais um serviço de segurança.

Anúncios de financiamento raramente resolvem essas questões. O capital dá a uma startup tempo para desenvolver, contratar, testar e vender. Não confirma que a empresa tenha distribuição duradoura ou uma posição defensável em uma arquitetura empresarial.

O ambiente de financiamento também produz uma incompatibilidade desconfortável. Empresas de modelos podem justificar investimentos imensos ao atender mercados amplos. Uma empresa de segurança especializada normalmente precisa se encaixar em um orçamento controlado por compradores que já pagam por proteção de endpoint, identidade, nuvem, rede, e-mail e dados.

É por isso que grandes financiamentos em IA não devem ser tratados como evidência de que toda categoria de segurança em IA irá crescer. Mais investimento aumenta a experimentação. Também aumenta a duplicação.

Líderes de segurança devem examinar onde uma nova ferramenta se posiciona na cadeia de resposta. Ela produz mais um alerta ou consegue resolver um? Exige políticas separadas ou pode aplicar as existentes? Observa um agente ou pode restringi-lo antes que ocorra dano?

Os investidores enfrentam um teste relacionado. Uma demonstração forte pode mostrar diferenciação técnica, mas o valor empresarial depende das condições de implantação. O produto precisa operar com dados desorganizados, sistemas antigos, identidades inconsistentes e diversos fornecedores já existentes.

A maior oportunidade pode, portanto, pertencer a empresas que reduzem fronteiras operacionais. Isso pode incluir plataformas que combinam contexto de vários controles ou startups que se tornam profundamente integradas ao fluxo de trabalho de um fornecedor maior.

Esse resultado tornaria o mercado financeiramente maior, mas estruturalmente menor. Mais dinheiro entraria na segurança em IA, enquanto menos empresas controlariam os principais relacionamentos com clientes.

Compradores de Segurança Querem Menos Produtos, Não Menos Proteções

A consolidação de segurança é uma demanda por proteção coordenada, não uma instrução para remover conhecimento especializado.

As equipes de segurança empresarial passaram anos acumulando ferramentas. Cada compra frequentemente respondeu a uma ameaça real, uma exigência de auditoria ou uma mudança arquitetural. Com o tempo, porém, o resultado tornou-se um ambiente operacional fragmentado.

Um centro de operações de segurança, ou SOC, é a equipe e o sistema de suporte que monitora ameaças e coordena a resposta a incidentes. Muitos SOCs precisam alternar entre diversos consoles antes de conseguirem entender um único evento.

Uma ferramenta detecta atividade suspeita em endpoints. Outra fornece o histórico de identidade. Uma terceira registra alterações na nuvem. Uma quarta monitora a movimentação de dados. Os analistas precisam reunir esses sinais enquanto um ataque continua.

Fornecedores de IA prometem reduzir essa carga ao resumir evidências, priorizar alertas e automatizar investigações. No entanto, um assistente de IA conectado a apenas um produto enxerga apenas parte do incidente.

É aqui que o tema de um mundo menor do mercado se torna importante. Os compradores favorecem cada vez mais fornecedores capazes de consolidar dados, políticas, fluxos de trabalho e ações de resposta. Eles querem menos transferências operacionais, mesmo quando vários controles técnicos permanecem por baixo.

Uma pesquisa discutida na RSAC Conference no início de 2026 capturou o problema. Pelo menos 90% das organizações pesquisadas relataram usar IA em algum ponto de sua pilha de segurança. No entanto, 75% a aplicavam a menos de 10% desse portfólio, segundo uma análise anterior de modelo operacional.

Esses números sugerem ampla experimentação sem integração ampla. As empresas podem dizer que usam IA, mas muitas ainda não a transformaram em uma camada operacional consistente.

Essa lacuna pressiona startups de produtos pontuais. Uma empresa especializada agora precisa demonstrar mais do que precisão de detecção. Ela precisa explicar como suas descobertas chegam às pessoas e aos sistemas responsáveis pela contenção.

Grandes fornecedores têm uma responsabilidade diferente. Eles podem integrar mais funções, mas os clientes precisam de evidências de que a consolidação não cria cobertura fraca ou dependência perigosa.

Uma única plataforma pode fornecer telemetria compartilhada, políticas comuns e automação coordenada. Também pode se tornar um domínio de falha maior. Um defeito de software, uma interrupção de serviço, o comprometimento de uma conta ou um incidente na cadeia de suprimentos pode afetar diversas proteções simultaneamente.

Esse risco impede que a consolidação se torne uma vitória automática para o maior fornecedor. As empresas ainda precisam de testes independentes, controles em camadas, dados exportáveis e procedimentos de recuperação que funcionem quando a plataforma principal não está disponível.

A arquitetura mais robusta provavelmente combinará plataformas amplas com especialistas selecionados. A diferença é que os especialistas precisam se conectar a um modelo operacional compartilhado, em vez de criar destinos isolados para alertas.

Isso muda a forma como os compradores devem avaliar produtos de segurança com IA. Um bom produto precisa fornecer contexto que outro sistema possa usar. Ele deve expor decisões, permissões e evidências por meio de interfaces documentadas. Também deve oferecer suporte à revisão humana quando a confiança for baixa.

Para os trabalhadores do conhecimento, esse mesmo princípio se aplica além do SOC. Os sistemas de IA se tornam mais úteis quando conseguem recuperar contexto organizacional confiável. Tornam-se mais perigosos quando as regras de acesso não são claras ou as informações recuperadas não podem ser rastreadas.

Equipes que criam uma base de conhecimento de IA enfrentam uma versão menor do mesmo dilema. Um contexto melhor melhora os resultados, mas cada fonte conectada exige controles de permissões, proveniência e ciclo de vida.

A disputa pela consolidação, portanto, não se resume a escolher o produto com a lista de recursos mais extensa. Trata-se de decidir qual sistema coordena o trabalho de segurança e quais produtos fornecem evidências especializadas ou aplicam controles.

Esse ponto de controle moldará o poder dos fornecedores. Ele determina quem é responsável pela política, quem observa o agente, quem autoriza uma ação e quem mantém a trilha de auditoria.

O Dilema Central da Segurança com IA É Autoridade Versus Controle

A IA melhora as operações de segurança quando pode agir, mas cada ação adicional cria outro caminho que os defensores precisam governar.

As equipes de segurança têm um motivo evidente para buscar automação. Atacantes podem examinar, testar, modificar e repetir ações na velocidade das máquinas. Analistas humanos não conseguem inspecionar manualmente cada alerta ou evento de identidade.

A IA pode ajudar a classificar evidências, conectar atividades relacionadas e propor etapas de resposta. Também pode traduzir perguntas em linguagem natural em buscas por telemetria complexa.

Essas capacidades se tornam mais valiosas quando usam o contexto empresarial. O conhecimento genérico de um modelo não consegue determinar se um login é normal para um funcionário específico ou se uma alteração na nuvem corresponde a uma implantação aprovada.

O contexto pode incluir propriedade de dispositivos, privilégios de identidade, status de vulnerabilidades, sensibilidade dos dados, dependências de aplicações e incidentes anteriores. Combiná-los permite que um sistema de IA faça avaliações mais relevantes.

No entanto, esse mesmo contexto frequentemente inclui informações sensíveis. Centralizá-lo aumenta o valor do sistema tanto para defensores quanto para atacantes.

Um agente também pode herdar autoridade excessiva por meio das ferramentas conectadas. Se ele puder ler todos os registros, modificar políticas de nuvem e isolar sistemas de produção, uma instrução comprometida poderá se transformar em um incidente operacional.

A injeção de prompt é um exemplo. Ela ocorre quando conteúdo não confiável influencia as instruções de um modelo, potencialmente desviando-o de sua tarefa pretendida. O ataque se torna mais grave quando o modelo pode usar ferramentas externas.

Os controles tradicionais de aplicações continuam essenciais nesse ambiente. Um agente não deve receber acesso irrestrito apenas porque sua interface é conversacional.

A identidade precisa se estender além dos funcionários humanos. As organizações precisam rastrear qual agente agiu, qual modelo utilizou, quais dados recebeu, qual ferramenta chamou e se uma pessoa aprovou a ação.

As permissões devem ser limitadas por finalidade e duração. Um agente de diagnóstico pode precisar de acesso temporário de leitura, mas não de autoridade para alterar a produção. Um agente de remediação pode precisar de ações estritamente definidas que possam ser revertidas.

As equipes de segurança também precisam de estados de falha claros. Um sistema automatizado deve parar ou escalar quando as evidências entram em conflito, os dados estão ausentes ou a ação solicitada ultrapassa um limite de risco.

Esse projeto reduz o apelo de alegações de marketing sobre autonomia total. A autonomia não é um único recurso que as empresas ativam. Ela é um espectro de autoridade governado por política, confiança e consequência.

O programa da Black Hat em 2026 deu peso institucional a esse problema. O evento reuniu pesquisadores técnicos com líderes de defesa, padrões, políticas e negócios. Essa combinação reflete a realidade de que nenhum controle isolado consegue governar a implantação de IA.

Os desenvolvedores decidem quais ferramentas um agente pode chamar. As equipes de segurança avaliam ameaças. As equipes jurídicas e de conformidade definem restrições. Os responsáveis pelo negócio decidem se a eficiência resultante justifica a exposição.

O processo também exige registros acessíveis. Quando um agente faz uma recomendação, os investigadores precisam reconstruir os dados e as instruções por trás dela.

É nesse ponto que as plataformas de segurança podem justificar a consolidação. Uma camada de identidade compartilhada e um sistema comum de auditoria podem governar vários agentes de forma mais consistente do que controles separados vinculados a cada aplicação.

Ainda assim, uma plataforma consolidada não deve se tornar uma autoridade opaca. Os compradores precisam de logs que possam exportar, políticas que possam inspecionar e integrações que possam desativar sem perder toda a visibilidade.

O mercado recompensará fornecedores que equilibrem ação e contenção. Sistemas que apenas produzem recomendações podem oferecer ganhos limitados de produtividade. Sistemas que agem sem limites continuarão difíceis de confiar.

O meio-termo útil inclui automação supervisionada, permissões limitadas, ações reversíveis e regras de escalonamento mensuráveis. Essa abordagem parece menos dramática do que a autonomia total, mas corresponde à forma como as empresas administram sistemas com consequências relevantes.

O Que os Números de Financiamento em IA Não Provam

O capital valida o apetite dos investidores, mas não valida a eficácia da segurança, a adoção pelos clientes ou a segurança operacional.

O ângulo cético mais importante diz respeito à distância entre uma empresa financiada e um controle comprovado. Produtos de segurança operam em ambientes adversariais, nos quais atacantes buscam ativamente comportamentos inesperados.

Um modelo pode ter bom desempenho durante uma demonstração e falhar em um ambiente desconhecido. Ele também pode gerar uma explicação confiante que não corresponde às evidências subjacentes.

Os falsos positivos continuam caros porque os analistas precisam investigá-los. Os falsos negativos são piores porque criam uma confiança equivocada. Um produto de IA que melhora uma métrica ainda pode adicionar risco se as equipes não conseguirem entender ou questionar suas decisões.

As empresas frequentemente apresentam a velocidade de investigação como benefício. A velocidade importa, mas não deve substituir as métricas de resultado.

Os compradores precisam perguntar se o produto reduz o tempo necessário para conter incidentes, evita falhas recorrentes ou diminui o número de casos que exigem coordenação manual. Também devem examinar se o desempenho se mantém em diferentes redes, provedores de nuvem e sistemas de identidade.

A mesma cautela se aplica às alegações de arquitetura nativa de IA. Esse rótulo não explica quais dados treinaram o modelo, para onde os dados dos clientes trafegam ou como o sistema resiste a entradas maliciosas.

Uma empresa precisa distinguir entre uma capacidade de modelo e um controle de produção. Um modelo pode identificar código suspeito. Um controle de produção precisa autenticar usuários, aplicar permissões, reter evidências, lidar com interrupções e produzir resultados consistentes sob pressão.

O financiamento pode ocultar essa distinção temporariamente. Uma startup bem capitalizada pode apoiar projetos-piloto, oferecer serviços extensos e absorver integrações caras. A economia de longo prazo só se torna visível depois que os clientes tentam uma implantação mais ampla.

Os fornecedores de plataformas enfrentam outra versão desse teste. Sua distribuição lhes dá acesso a clientes e telemetria, mas adicionar IA a um console existente não melhora automaticamente as operações.

Um assistente que resume alertas sem alterar o processo de resposta pode economizar alguns minutos, enquanto mantém intacta a fragmentação subjacente. Um agente que encerra alertas de maneira excessivamente agressiva pode obscurecer um incidente em desenvolvimento.

A avaliação independente, portanto, será importante. Os compradores devem procurar testes controlados, limitações documentadas, retenção de clientes e evidências de que a automação se comporta de forma previsível quando as entradas mudam.

Também devem examinar como as empresas respondem quando um provedor de modelos atualiza um sistema subjacente. Um produto de segurança construído sobre um modelo de terceiros pode mudar mesmo quando o código da aplicação do fornecedor permanece estável.

As dependências de modelos criam exposição técnica e comercial. Desempenho, custo, tratamento de dados e disponibilidade podem mudar sob uma relação com fornecedor que o comprador de segurança não controla.

Modelos abertos podem reduzir algumas formas de dependência, mas transferem mais responsabilidade operacional para quem os adota. As empresas então precisam proteger o modelo, a infraestrutura, as atualizações e as ferramentas ao redor por conta própria.

Nenhuma rota de implantação elimina os dilemas. A pergunta relevante é qual organização assume cada responsabilidade e se essa responsabilidade está visível nos contratos e no projeto do sistema.

A consolidação tem limites semelhantes. Um universo menor de fornecedores pode reduzir o trabalho de integração, mas concentração excessiva pode enfraquecer o poder de negociação dos clientes e aumentar o risco correlacionado.

O melhor resultado em segurança não produz necessariamente o menor número de fornecedores. Ele produz o menor número de limites não gerenciados.

Essa distinção deve orientar a interpretação de cada anúncio de financiamento em segurança com IA que aparece no Google News. O tamanho de uma rodada revela o que os investidores esperam. Diz pouco sobre como um produto se comporta durante uma invasão.

Os clientes fornecerão o sinal mais forte por meio de renovações, implantações ampliadas, métricas operacionais e profundidade de integração. Até que esses sinais apareçam, alegações sobre defesa autônoma merecem linguagem cuidadosa de reportagem.

Três Sinais para Observar Após a Black Hat USA 2026

A próxima fase será decidida por evidências de implantação, respostas das plataformas e comportamento dos compradores, e não por outro ciclo de anúncios de IA.

O primeiro sinal é a adoção empresarial mensurável. As empresas de segurança devem começar a informar como os clientes usam funções autônomas ou supervisionadas em produção, e não apenas quantos clientes ativaram um recurso de IA.

Evidências úteis incluiriam a proporção de investigações concluídas com revisão humana, a porcentagem de ações propostas aprovadas e mudanças no tempo de contenção. Os fornecedores precisam explicar o método de medição, pois as médias podem ocultar casos difíceis.

A adoção sem expansão de autoridade enfraqueceria as alegações de que a segurança autônoma está se tornando um padrão operacional. O uso mais amplo de ações limitadas e reversíveis fortaleceria o argumento em favor da automação supervisionada.

O segundo sinal é a integração de plataformas. Grandes provedores de segurança continuarão adicionando controles de agentes, governança de identidade, proteção de dados e resposta automatizada aos seus produtos existentes.

A questão decisiva é se essas adições reduzem as transferências operacionais. Os compradores devem observar políticas compartilhadas, identidades consistentes de agentes, registros de auditoria portáveis e integrações que apoiem especialistas de terceiros.

Pacotes fechados sem interfaces utilizáveis sugeririam que a consolidação é principalmente uma estratégia de distribuição. Controles comuns que funcionam em vários produtos demonstrariam progresso arquitetural genuíno.

O terceiro sinal é o que acontece com as startups especializadas. O financiamento continuará fluindo para segurança de agentes e governança de IA, mas a captação de recursos, por si só, não revelará quais categorias são duráveis.

Aquisições estratégicas indicariam que plataformas maiores consideram a tecnologia de uma startup necessária, mas difícil de desenvolver rapidamente. O crescimento independente mostraria que os compradores valorizam a especialidade o suficiente para manter uma relação separada com o fornecedor.

Renovações fracassadas ou absorção silenciosa de produtos apontariam na outra direção. Sugeririam que o mercado criou mais categorias do que os orçamentos empresariais poderiam sustentar.

Os desenvolvedores devem acompanhar esses sinais porque as permissões dos agentes estão se tornando parte do projeto de aplicações. Uma revisão de segurança realizada após a implantação não consegue compensar ferramentas irrestritas ou dados de auditoria ausentes.

Os compradores corporativos devem se importar porque a arquitetura de hoje determina as opções de recuperação de amanhã. Um sistema que automatiza o trabalho rotineiro ainda precisa permitir que as equipes investiguem, intervenham e operem durante uma interrupção.

Os profissionais do conhecimento devem se importar porque as ferramentas de IA conectadas estão cada vez mais em contato com documentos internos, reuniões, dados de clientes e históricos de projetos. Uma boa captura de informações se torna mais valiosa quando a procedência e as permissões permanecem associadas.

A lição da Black Hat USA 2026 não é que o financiamento em IA tenha atingido o pico nem que a consolidação já tenha escolhido os vencedores. É que o capital e a demanda dos clientes estão se movendo em escalas diferentes.

Os investidores podem financiar um amplo campo de experimentos. As equipes de segurança precisam transformar esse campo em um ambiente operacional gerenciável.

À medida que os próximos anúncios de financiamento chegarem ao Google News, olhe além do valor captado. Pergunte qual fronteira a empresa elimina, que autoridade sua IA recebe e como os clientes se recuperam quando o sistema erra.

Essas respostas determinarão se a IA cria um modelo de segurança melhor ou apenas financia uma coleção maior de ferramentas.