Pesquisa SOC da Dropzone AI mostra adoção à frente da confiança
A Dropzone AI promove investigações autônomas apesar das persistentes preocupações com confiança: 38% dos participantes de sua pesquisa patrocinada afirmaram usar IA em produção completa. A pesquisa SOC da Dropzone AI coloca os centros de operações de segurança, equipes que monitoram e investigam ameaças, no centro de uma difícil decisão de compra. Líderes querem ampliar a cobertura de investigações sem abrir mão do controle sobre informações sensíveis ou decisões com consequências relevantes.
A notícia imediata é uma entrevista de 11 de novembro à ITPro com Brett Candon, vice-presidente internacional da Dropzone AI. A pesquisa subjacente data de junho de 2026. Essa distinção importa: trata-se de uma discussão atual sobre adoção e limites operacionais, e não de uma nova avaliação de novembro sobre desempenho de segurança.
A disputa central é entre ampliar a capacidade de investigação e preservar um julgamento responsável. Os agentes de segurança da Microsoft oferecem uma comparação útil porque também visam o trabalho que consome a atenção dos analistas. Para compradores corporativos, a questão é se uma investigação delegada produz evidências em que possam confiar sem criar outra fila de revisão exigente.
O que a pesquisa SOC da Dropzone AI realmente mede
A pesquisa mede práticas e expectativas relatadas, e não resultados de segurança verificados de forma independente.
A Dropzone AI contratou a Opinion Matters para pesquisar 750 tomadores de decisão de segurança em empresas com pelo menos 1.000 funcionários. A amostra incluiu 250 participantes em cada um dos seguintes países: Reino Unido, França e Alemanha, de acordo com sua pesquisa europeia sobre SOC. O trabalho de campo ocorreu em junho de 2026.
Os participantes estimaram que suas equipes investigavam integralmente, em média, 55% dos alertas. As médias por país foram 52% no Reino Unido, 56% na França e 58% na Alemanha. Esses números descrevem as avaliações dos participantes sobre suas operações. Eles não estabelecem quantos ataques tiveram êxito, quantos alertas mereciam investigação ou se a IA causou diferenças entre os países.
Isso deixa uma distinção importante entre o argumento comercial e as evidências que o sustentam. Uma deficiência de investigação cria um mercado plausível para a automação. Não estabelece que um produto específico resolva essa deficiência com segurança, nem que todo alerta não investigado represente um risco não resolvido.
Alertas de segurança são sinais de atividade potencialmente suspeita, e não ataques confirmados. Alguns se sobrepõem, alguns refletem comportamentos inofensivos e alguns merecem atenção urgente. Portanto, contar investigações concluídas sem examinar quais alertas entraram na fila pode produzir uma visão incompleta da proteção.
Uma organização pode melhorar sua cobertura eliminando alertas duplicados antes da investigação. Outra pode aumentar o número de investigações concluídas automatizando casos simples. Uma terceira pode deliberadamente dedicar mais tempo a incidentes difíceis. A mesma medida de cobertura destacada teria dificuldade para distinguir essas escolhas operacionais.
É por isso que o escopo da pesquisa merece atenção antes que seus percentuais se transformem em argumentos de compra. Grandes empresas nesses mercados europeus fornecem uma perspectiva específica. Suas respostas não podem descrever automaticamente pequenas empresas, organizações norte-americanas ou equipes de segurança que operam sob outras restrições.
O patrocinador também tem interesse comercial direto na solução proposta. Contratar uma empresa de pesquisa independente ajuda a distinguir o processo de pesquisa de uma sondagem informal com clientes. Isso não transforma os resultados em uma avaliação independente do software do patrocinador.
A entrevista de novembro dá relevância renovada aos resultados porque se concentra na transição da assistência para o trabalho delegado. A adoção cria um conjunto diferente de perguntas quando o software começa a investigar sem instruções contínuas. Nesse momento, compradores precisam de evidências sobre confiabilidade, acesso e esforço de revisão, além de evidências de demanda.
Portanto, a interpretação defensável da pesquisa SOC da Dropzone AI é mais restrita do que um veredito sobre segurança autônoma. Ela identifica pressão de capacidade relatada e interesse em IA. Estabelecer se a implantação melhora a proteção requer uma comparação separada dos resultados operacionais.
Líderes de segurança enfrentam um problema de capacidade que a adoção por si só não consegue resolver
Comprar IA e remover trabalho da fila de um analista são conquistas operacionais diferentes.
A cobertura da ITPro sobre investigações autônomas descreve 39% dos participantes usando IA para investigações autônomas. Também relata que apenas 2% disseram investigar todos os alertas. Essas respostas sugerem que adoção e cobertura incompleta podem coexistir.
Candon argumenta que os assistentes permanecem limitados quando as pessoas precisam direcionar continuamente seu trabalho. Ele apresenta os agentes, softwares capazes de realizar uma sequência de tarefas sem instruções contínuas, como uma forma de ampliar a capacidade. Seu argumento é comercialmente relevante, mas a pesquisa não estabelece de forma independente que os agentes superam os assistentes.
A pressão recai mais diretamente sobre os líderes de segurança, que precisam explicar o que a tecnologia adicional realmente muda. Uma compra aprovada é fácil de documentar. Demonstrar que investigadores recuperaram tempo, resolveram incertezas ou encontraram ameaças negligenciadas exige uma medição mais rigorosa.
Considere a diferença entre redigir um resumo de investigação e reunir o caso subjacente. Um resumo pode reduzir o tempo de leitura, deixando a coleta de evidências intacta. Uma investigação automatizada promete realizar uma parcela maior dessa coleta, mas sua produção ainda precisa de um responsável.
Isso cria uma possível transferência de trabalho. Analistas podem passar menos tempo buscando registros e mais tempo verificando conclusões da máquina. Essa troca pode ser valiosa, especialmente quando as conclusões são bem fundamentadas. Ela se torna menos atraente quando os revisores precisam reconstruir a investigação para entender se ela é sólida.
Consequentemente, a medida de capacidade relevante é o trabalho que resta após a automação. Um sistema pode processar uma fila extensa, deixando analistas com relatórios longos, recomendações ambíguas e pedidos repetidos de esclarecimento. A geração rápida, por si só, não resolve essa carga.
As implicações para a equipe também exigem moderação. O resumo da pesquisa do patrocinador afirma que a maioria dos participantes espera que tanto o uso de IA quanto o número de profissionais de operações de segurança aumentem. Essa expectativa apoia uma narrativa de ampliação, embora continue sendo uma previsão. Ela não oferece base para alegar reduções comprovadas de pessoal.
Para analistas da linha de frente, as implicações práticas dizem respeito a onde sua atenção é direcionada. A coleta rotineira pode ser uma candidata razoável à delegação. Evidências ambíguas, prioridades empresariais concorrentes e decisões com consequências operacionais ainda exigem julgamento experiente.
Para executivos, as implicações envolvem responsabilização. Uma revisão de incidente perguntará por que uma ameaça foi ignorada ou uma resposta foi atrasada. Um painel que mostra ampla atividade de IA oferecerá pouca tranquilidade, a menos que essas atividades se conectem a decisões defensáveis.
Para desenvolvedores e equipes de infraestrutura, a pressão aparece por meio de solicitações de acesso e integrações. Um agente de segurança precisa de registros utilizáveis para investigar com eficácia. Conceder esse acesso cria trabalho de engenharia e obrigações que devem fazer parte de qualquer avaliação dos benefícios da implantação.
Esse é o desafio comercial imediato por trás dos números de adoção. Líderes de segurança precisam demonstrar que a automação altera a distribuição do trabalho útil. Caso contrário, a organização terá adicionado outro sistema sem estabelecer se os investigadores ganharam capacidade significativa.
A investigação autônoma ainda precisa de um limite de decisão responsável
O limite crucial separa a coleta de evidências do exercício de autoridade sobre o ambiente.
Candon descreve a abordagem da Dropzone AI como somente leitura e limitada à investigação, com as pessoas mantendo o controle sobre as ações. Essa é a descrição da empresa sobre seu modelo operacional, e não uma constatação independente de segurança. Ainda assim, ela identifica um limite concreto que os compradores podem examinar.
Para as investigações autônomas da Dropzone AI, esse limite deve orientar a discussão sobre a implantação. A permissão para ler registros relevantes é diferente da permissão para desativar uma conta, alterar uma configuração ou remover um arquivo. A categoria de produto fica mais clara quando essas capacidades são discutidas separadamente.
Caso contrário, autonomia é um rótulo impreciso. Um software pode coletar informações de forma independente e exigir aprovação para cada alteração operacional. Ele também pode recomendar uma ação que outro sistema executa. Um comprador precisa compreender toda a cadeia, incluindo o que acontece depois que o relatório de investigação é apresentado.
O acesso somente leitura aborda parte do risco operacional. Ele limita a capacidade direta do agente de alterar sistemas. Não estabelece que o agente interpretará corretamente as evidências, preservará a confidencialidade ou apresentará a incerteza de maneira útil.
Uma investigação incorreta pode influenciar uma decisão humana mesmo quando o software não consegue agir diretamente. Um revisor pode aceitar uma conclusão tranquilizadora ou escalar uma atividade inocente. Portanto, o limite de autoridade também precisa abranger como os resultados entram no processo de decisão, além das permissões concedidas ao software.
A Microsoft oferece uma comparação baseada em um fluxo de trabalho de segurança real. Sua documentação de triagem de phishing descreve um agente que classifica e-mails suspeitos relatados por usuários. Phishing refere-se a mensagens enganosas destinadas a induzir ações prejudiciais, como revelar credenciais.
A Microsoft afirma que seu agente fornece uma justificativa e evidências de apoio para as classificações, além de permitir que analistas forneçam feedback. Essa é uma tarefa operacional mais restrita do que a alegação de automatizar toda investigação. Ela ilustra por que comparações de produtos precisam começar pelo trabalho que está sendo delegado.
Um fluxo de classificação de e-mails e uma investigação que abrange diversos sistemas empresariais podem envolver evidências, permissões e consequências de falhas diferentes. Compará-los sob um único rótulo de autonomia obscurece essas diferenças. Nenhum dos fluxos de trabalho estabelece um parâmetro universal para o outro.
Para as operações de segurança da Dropzone AI, a implicação competitiva é clara: explicações e permissões fazem parte da própria avaliação do produto. Compradores podem comparar a facilidade com que analistas inspecionam evidências, contestam uma conclusão e identificam uma fonte ausente. Esses atributos afetam a quantidade de trabalho que a automação realmente elimina.
Isso também muda o que uma demonstração útil deve revelar. Um relatório bem apresentado mostra a qualidade da apresentação. Um caso contestado mostra se o sistema distingue fatos observados de suposições e torna a divergência gerenciável.
A mesma distinção se aplica à memória organizacional. Uma base de conhecimento pesquisável aborda a recuperação de documentos; ela não estabelece a validade de um veredito de segurança. Encontrar material relevante e determinar o que ele prova continuam sendo responsabilidades distintas.
O argumento mais forte para investigação delegada, portanto, baseia-se em uma divisão clara de trabalho. O software coleta e organiza evidências dentro de limites de acesso definidos. Pessoas nomeadas mantêm a responsabilidade de interpretar incertezas e autorizar respostas consequentes.
As evidências de ganhos de produtividade precisam corresponder à alegação
Uma melhoria medida em uma tarefa delimitada sustenta essa tarefa, e não todas as promessas associadas à segurança autônoma.
Há pesquisas além das pesquisas de adoção. Um preprint de novembro de 2025 relata um ensaio clínico randomizado, um experimento que atribui participantes a condições diferentes, envolvendo o Phishing Triage Agent da Microsoft. O ensaio de triagem de phishing analisa a produtividade dos analistas e a precisão de classificação.
O artigo relata que analistas assistidos por agentes identificaram corretamente até 6,5 vezes mais e-mails maliciosos por minuto de analista. Também relata uma melhoria de 77% na precisão dos veredictos em relação ao grupo de controle. Esses são resultados relatados pelo estudo, vinculados às suas condições experimentais.
Essa evidência responde a uma pergunta diferente da pesquisa europeia. A pesquisa descreve o que os respondentes dizem implementar e vivenciar. O ensaio avalia o desempenho em um fluxo de trabalho definido. Nenhum dos dois estabelece uma comparação direta de desempenho entre Microsoft e Dropzone AI.
A distinção importa porque os argumentos de compra em segurança frequentemente transitam entre níveis de evidência. Interesse se transforma em adoção, adoção se transforma em produtividade, e produtividade se transforma em proteção aprimorada. Cada etapa exige informações que a medida anterior não fornece necessariamente.
Um processo de classificação mais rápido pode ser valioso sem provar uma redução em intrusões bem-sucedidas. Uma classificação correta ainda pode chegar tarde demais para afetar um incidente. Uma investigação útil pode não gerar ação se a responsabilidade ou os procedimentos de escalonamento permanecerem pouco claros.
Por outro lado, a ausência de um estudo amplo sobre redução de violações não torna um resultado mais restrito de produtividade irrelevante. Ela estabelece o escopo do resultado. Compradores podem reconhecer um benefício medido sem extrapolá-lo além da tarefa e das condições examinadas.
Isso é particularmente relevante para as investigações autônomas da Dropzone AI, pois fluxos de trabalho mais amplos introduzem mais oportunidades para a ausência de contexto. Um agente pode precisar de evidências de vários sistemas, cada um com períodos de retenção e regras de acesso diferentes. O desempenho em um caso completo não revela o desempenho quando uma fonte importante está indisponível.
Uma avaliação confiável deve tornar esses casos incompletos visíveis. Se registros ausentes levam a uma incerteza explícita, o revisor obtém informações úteis. Se as mesmas lacunas desaparecem em uma narrativa confiante, a eficiência aparente pode ocultar trabalho não resolvido.
A precisão agregada também precisa de interpretação. Um sistema avaliado principalmente em casos rotineiros pode parecer eficaz enquanto enfrenta dificuldades com incidentes raros e consequentes. Os compradores precisam saber quais erros ocorrem e como eles afetam as pessoas que revisam os resultados.
A questão econômica é igualmente específica. O tempo economizado durante a coleta deve ser considerado juntamente com revisão, manutenção de integrações, tratamento de exceções e correções. Essas atividades determinam se a organização ganha capacidade investigativa utilizável.
A comparação adequada é com o fluxo de trabalho existente em condições comparáveis. Mudanças na composição dos alertas, no quadro de pessoal ou nos dados disponíveis podem, caso contrário, tornar uma melhoria difícil de atribuir. Uma avaliação útil explica essas condições em vez de apresentar um número isolado de sucesso.
Para leitores que avaliam alegações concorrentes, a escala de evidências oferece uma disciplina prática. A adoção relatada estabelece interesse e uso. A avaliação controlada de tarefas sustenta uma alegação delimitada de desempenho. Resultados de produção exigem suas próprias evidências, com as limitações de cada nível declaradas claramente.
Privacidade e erros confiantes continuam sendo barreiras de confiança distintas
A confiança exige tanto um tratamento de dados aceitável quanto conclusões que resistam à análise.
A entrevista relata que 25% dos respondentes citaram preocupações com segurança e privacidade de dados. Outros 25% se preocuparam com investigações ou ações incorretas de IA que afetam os resultados de segurança. Essas preocupações se sobrepõem operacionalmente, mas resolver uma não resolve automaticamente a outra.
Residência de dados, isto é, onde as informações são processadas ou armazenadas, pode determinar se uma implantação é aceitável para uma organização. A precisão diz respeito à confiabilidade da investigação resultante. Um erro processado localmente continua sendo um erro, enquanto um resultado preciso ainda pode envolver tratamento inaceitável de dados.
O resumo da pesquisa também identifica diferenças nas preferências de implantação entre países. Essa constatação sustenta tratar requisitos de localização e controle como restrições de compra. Ela não estabelece que todas as organizações de um país compartilhem os mesmos requisitos.
Para compradores, uma promessa ampla sobre hospedagem regional deixa várias questões práticas em aberto. Os dados de investigação podem incluir os registros originais, relatórios gerados, conversas retidas e informações de suporte operacional. Uma avaliação precisa estabelecer quais compromissos se aplicam a cada categoria.
Estas são perguntas sobre a implantação proposta, e não alegações sobre um fornecedor específico. Elas importam porque uma investigação de segurança pode reunir informações de vários sistemas em um único relatório. Combinar evidências altera o que um leitor ou serviço pode inferir delas.
O problema de precisão tem um mecanismo diferente. A IA generativa, software que produz conteúdo novo a partir de padrões aprendidos, pode apresentar declarações plausíveis que estão incorretas. O NIST identifica esse risco como confabulação em seu perfil de IA generativa.
O NIST também aborda o viés de automação, a tendência de depender excessivamente de resultados automatizados. Aplicados a investigações de segurança, esses riscos sugerem que explicações fluentes e aprovação humana nominal são salvaguardas insuficientes por si só. Essa é uma implicação analítica, e não uma avaliação do NIST sobre a Dropzone AI.
Um revisor precisa de uma maneira prática de inspecionar as evidências por trás de uma conclusão. Se o relatório se refere a um login suspeito, o registro subjacente deve estar acessível a um investigador autorizado. Se o contexto estiver ausente, o relatório deve preservar essa limitação.
O desenho do processo de aprovação importa tanto quanto a presença de um botão de aprovação. Uma pessoa com tempo ou contexto insuficiente pode aceitar um resultado sem uma análise significativa. Manter a responsabilidade humana só funciona quando o fluxo de trabalho apoia uma revisão responsável.
Isso cria um potencial conflito com o argumento de capacidade. Ampliar investigações automatizadas pode aumentar o volume de material que aguarda atenção humana. A menos que a saída ajude os revisores a priorizar e verificar de forma eficiente, o gargalo pode se deslocar em vez de diminuir.
Para as operações de segurança da Dropzone AI, a confiança deve, portanto, ser avaliada por meio de comportamentos observáveis. A investigação expõe evidências conflitantes? O analista consegue corrigir uma suposição equivocada? O sistema distingue uma verificação concluída de outra que não conseguiu realizar?
Essas perguntas colocam a discussão em bases mais firmes do que um debate geral sobre se líderes confiam em IA. Uma organização pode aceitar uma implantação limitada enquanto retém autoridade mais ampla. A confiança pode se desenvolver tarefa por tarefa, apoiada por evidências de revisão real.
Três sinais mostrarão se a adoção se transforma em capacidade confiável
As próximas evidências úteis dizem respeito a resultados em produção, controle aplicável e ao trabalho que sobra para as pessoas.
Nos próximos meses, o primeiro sinal a observar é uma avaliação detalhada em produção. Os compradores devem procurar resultados publicados de clientes que descrevam o fluxo de trabalho inicial, os casos investigados, o esforço de revisão e os erros. Uma manchete sobre adoção ou número de implantações não responderia às mesmas perguntas.
Essa evidência fortaleceria o caso da investigação autônoma se mostrasse mais casos úteis concluídos sem trabalho de verificação desproporcional. Resultados dominados por casos rotineiros, ou sem informações sobre erros, deixariam a avaliação central sem resposta.
As divulgações mais robustas também identificariam onde o desempenho fica aquém. Um relato sobre fontes de dados não compatíveis ou falhas recorrentes de investigação ajuda os compradores a entender a aplicabilidade. Um estudo de caso que exclui esses detalhes oferece menos ajuda para avaliar um ambiente exigente.
O segundo sinal é o progresso concreto em requisitos de controle e implantação. Mudanças relevantes no produto incluiriam permissões mais claras, registros de investigação acessíveis e arranjos verificáveis para dados sensíveis. Esses avanços tratariam obstáculos específicos à adoção, em vez de simplesmente ampliar o rótulo de autonomia.
Uma atualização útil explicaria qual autoridade o agente recebe e como uma organização pode restringi-la ou revogá-la. Para um cliente sujeito a requisitos de localização, a documentação deve estabelecer o que permanece dentro do ambiente aprovado. Essas são capacidades que os compradores podem examinar.
Se os fornecedores ampliarem as ações automatizadas sem limites de controle igualmente claros, a tensão de confiança se intensificará. Se os clientes puderem conceder autoridade mais restrita enquanto preservam uma cobertura útil de investigação, o argumento para uma adoção gradual se fortalecerá.
O terceiro sinal é a distribuição do trabalho humano após a implantação. As evidências dos clientes devem mostrar se os analistas passam menos tempo coletando registros e mais tempo resolvendo ameaças substantivas. Também devem divulgar se verificar conclusões automatizadas cria uma fila crescente própria.
Esse sinal testaria a premissa econômica de forma mais direta do que totais de atividade. Um sistema que gera mais relatórios aumentou a produção. Um fluxo de trabalho que ajuda investigadores a chegar a decisões defensáveis com menos esforço repetitivo entregou uma mudança operacional mais significativa.
Por enquanto, a pesquisa SOC da Dropzone AI estabelece uma lacuna de investigação relatada e interesse em automação. Ela não resolve quanta autoridade as equipes de segurança devem delegar. As próximas decisões de compra dependerão de evidências que conectem essas ambições a um trabalho confiável.
Leia os números de adoção junto com a metodologia e, em seguida, pergunte quais evidências mudariam a decisão da sua organização. Para uma equipe que já usa assistentes, examine se a investigação delegada elimina o trabalho de coleta ou simplesmente adiciona relatórios à revisão. Para uma equipe que considera agentes, identifique a autoridade que está sendo concedida e as evidências necessárias antes de ampliá-la. Mantenha o fluxo de trabalho existente disponível como comparação e preserve exemplos em que a investigação automatizada foi incompleta ou incorreta. Esses casos revelam se os revisores conseguem reconhecer limitações antes que elas afetem uma decisão. Quando chegar o próximo estudo de cliente ou anúncio de produto, faça uma pergunta concreta: ele mostra que as pessoas chegaram a decisões melhor fundamentadas com menos trabalho repetitivo?



