Piloto de Defesa Cibernética da OpenAI Enfrenta Seu Teste Mais Difícil no Governo Local

A OpenAI e o Center for Internet Security lançaram um piloto de defesa cibernética em 3 de setembro, mas seu teste mais difícil é operacional, não técnico. O piloto de defesa cibernética da OpenAI levará recursos avançados de IA a equipes do setor público que frequentemente enfrentam equipes reduzidas, sistemas complexos e vulnerabilidades urgentes.

O programa tem como alvo governos estaduais, locais, tribais e territoriais dos EUA, normalmente agrupados pela sigla SLTT. Ele também inclui organizações responsáveis por infraestrutura crítica, embora o CIS não tenha identificado publicamente as entidades participantes.

O conflito central é claro. A IA pode ajudar analistas a organizar descobertas, validar fragilidades suspeitas e planejar a correção mais rapidamente. No entanto, esses mesmos sistemas podem gerar conclusões incorretas, expor informações sensíveis ou incentivar automação insegura quando a supervisão é fraca.

O CIS e seu Multi-State Information Sharing and Analysis Center oferecem uma rede operacional que alcança instituições públicas próximas ao cotidiano das pessoas. Essas organizações protegem escolas, hospitais públicos, serviços de emergência, concessionárias e sistemas governamentais. A OpenAI oferece modelos e ferramentas voltados à cibersegurança, projetados para acelerar o trabalho defensivo.

Essa combinação dá ao piloto um caminho crível para ambientes reais. Também levanta uma questão exigente: a IA pode reduzir a carga sobre defensores com poucos recursos sem criar mais um sistema que eles precisem verificar constantemente?

O Que Muda com o Piloto de Defesa Cibernética da OpenAI

O piloto leva a estratégia cibernética da OpenAI do acesso controlado para operações do setor público, onde erros têm consequências diretas.

Segundo o anúncio do piloto, as organizações participantes usarão a tecnologia da OpenAI para identificar, validar e priorizar descobertas de segurança. A tecnologia também apoiará a correção e a adoção de práticas estabelecidas de cibersegurança.

Essas tarefas descrevem um fluxo de trabalho, e não um único produto. Uma descoberta pode começar como uma configuração suspeita, um serviço exposto ou uma possível vulnerabilidade de software. A IA pode ajudar a reunir contexto e decidir qual problema merece atenção primeiro.

A validação importa porque as equipes de segurança já recebem mais alertas do que conseguem investigar. Gerar avisos adicionais oferece pouco valor se eles forem vagos, duplicados ou incorretos. Portanto, o piloto precisa mostrar que a IA pode melhorar a qualidade das decisões, não apenas sua velocidade.

O CIS afirma que o trabalho estará alinhado aos CIS Critical Security Controls e a critérios essenciais de higiene cibernética. Os controles fornecem salvaguardas priorizadas para gerenciar riscos comuns de segurança. Essa estrutura oferece aos participantes um padrão compartilhado para revisar recomendações de IA.

O Multi-State Information Sharing and Analysis Center, ou MS-ISAC, acrescenta outra camada importante. Ele atende organizações SLTT por meio de inteligência sobre ameaças, monitoramento de segurança, suporte a incidentes e colaboração entre pares. Seus membros podem fornecer feedback operacional de ambientes com diferentes orçamentos e níveis de maturidade.

Essa variedade é uma característica do programa. Uma agência estadual com um centro de operações de segurança dedicado enfrenta limitações diferentes das de um município rural com uma pequena equipe de TI. Uma concessionária pública também tem requisitos de segurança diferentes dos de um distrito escolar.

Testar esses contextos pode revelar onde a assistência de IA funciona bem e onde ela falha. Também pode expor quais tarefas exigem analistas experientes, dados confiáveis sobre ativos ou integrações que organizações menores não possuem.

O anúncio não informa os nomes das organizações participantes, o tamanho da coorte, a arquitetura técnica nem a duração do programa. Também não apresenta métricas de referência para tempo de resposta, correção ou falsos positivos.

Essas omissões não invalidam um piloto inicial. Mas limitam o que pode ser concluído a partir do lançamento em si. Por enquanto, o CIS e a OpenAI estabeleceram um programa de testes, não evidências de melhores resultados de segurança.

As entregas previstas vão além dos participantes individuais. O CIS espera que a iniciativa produza orientações de implementação, lições e recomendações para uma adoção mais ampla no setor público.

Isso torna a qualidade da avaliação especialmente importante. Orientações baseadas em fluxos de trabalho documentados e resultados mensuráveis podem ajudar outras agências. Histórias genéricas de sucesso ofereceriam muito menos valor.

A relevância do programa está nessa transição do acesso para as evidências. A OpenAI já promoveu modelos avançados para a cibersegurança defensiva. O CIS agora oferece a essas capacidades um campo de prova operacional dentro de instituições públicas.

Por Que Defensores Públicos Menores São o Ponto de Pressão

O piloto importa porque defensores locais frequentemente enfrentam o mesmo ambiente de ameaças que grandes organizações, sem equipes, ferramentas ou capacidade de compra comparáveis.

Órgãos públicos mantêm informações e operam serviços que invasores podem explorar para fins financeiros, políticos ou estratégicos. Seus sistemas podem dar suporte a comunicações de emergência, administração tributária, saúde pública, operações de água, eleições ou educação.

Uma interrupção pode, portanto, rapidamente ultrapassar um departamento de TI. Ela pode atrasar serviços, interromper operações físicas, expor dados pessoais ou obrigar funcionários a recorrer a processos manuais.

A carga de segurança também está distribuída entre milhares de organizações. Cada jurisdição controla seus próprios sistemas, contratos, decisões de contratação e cronograma de modernização. Essa fragmentação dificulta uma maturidade defensiva consistente.

A pressão sobre a força de trabalho agrava o problema. Uma análise sobre a força de trabalho governamental identificou financiamento inadequado, dificuldades de recrutamento e problemas de retenção como desafios recorrentes de cibersegurança em departamentos federais selecionados.

Os ambientes estaduais e locais diferem dos departamentos federais, mas a limitação subjacente é reconhecível. Profissionais experientes em cibersegurança continuam difíceis de recrutar e reter, especialmente quando instituições públicas competem com empregadores privados.

A assistência de IA tem um apelo intuitivo nessas condições. Um modelo pode resumir uma descoberta técnica, conectá-la a uma salvaguarda relevante, redigir etapas de correção ou ajudar um analista a examinar código desconhecido.

Esses usos podem reduzir o trabalho de pesquisa e documentação. Também podem ajudar profissionais menos experientes a fazer perguntas melhores antes de encaminhar um problema.

No entanto, a IA não cria capacidade institucional inexistente. Um município ainda precisa de um inventário preciso de ativos, autoridade para alterar sistemas, janelas de manutenção, backups testados e profissionais capazes de avaliar o risco operacional.

Uma recomendação bem redigida não consegue corrigir sozinha um servidor sem suporte. Ela não pode obrigar um fornecedor a corrigir um produto, substituir um dispositivo obsoleto ou conciliar responsabilidades conflitantes entre departamentos.

É nesse ponto que a escolha dos participantes do piloto se torna relevante. Se ele incluir apenas organizações bem financiadas com programas de segurança maduros, resultados bem-sucedidos talvez não se transfiram para jurisdições menores.

O CIS afirma que organizações de diferentes tamanhos e níveis de maturidade orientarão o trabalho. A divulgação pública dessa diversidade ajudaria leitores a avaliar se as conclusões refletem a comunidade SLTT mais ampla.

O momento também tem peso institucional. Historicamente, o MS-ISAC prestava serviços com apoio federal, mas o CIS afirma que esse acordo terminou em 2025. Posteriormente, a organização passou a adotar um modelo sustentado por membros.

Essa mudança aumenta a pressão sobre algumas jurisdições para decidir quais serviços compartilhados conseguem manter. As ferramentas de IA entram nesse ambiente tanto como uma possível medida de eficiência quanto como mais uma capacidade que exige governança.

O piloto de defesa cibernética da OpenAI, portanto, não é apenas um teste da inteligência dos modelos. É um teste de se a assistência avançada pode se adequar a organizações com dados desiguais, capacidade limitada de integração e pouca margem para erros.

O sucesso não significaria remover analistas do processo. Significaria ajudar equipes existentes a gastar menos tempo com investigações repetitivas, preservando o controle humano sobre ações de impacto.

Esse padrão também pressiona a OpenAI. A empresa precisa mostrar que seus modelos continuam úteis fora de laboratórios especializados e equipes corporativas de segurança bem financiadas.

O CIS enfrenta seu próprio teste. Ele precisa transformar capacidades experimentais em práticas repetíveis que os membros possam compreender, avaliar e governar.

A Triagem por IA Encontra a Realidade do Setor Público

A IA pode acelerar a triagem de segurança, mas seu valor depende das evidências por trás de cada recomendação e da capacidade da organização de agir.

A triagem de segurança é o processo de decidir quais alertas ou vulnerabilidades merecem atenção primeiro. Ferramentas convencionais frequentemente classificam descobertas usando pontuações de gravidade, exposição, importância dos ativos ou exploração conhecida.

Um sistema de IA pode acrescentar raciocínio contextual. Ele pode conectar uma vulnerabilidade a um serviço exposto à internet, reconhecer que o sistema afetado apoia operações de emergência ou explicar um caminho de correção.

Esse potencial está alinhado ao foco do piloto em identificar, validar e priorizar descobertas. Também aborda um problema persistente na cibersegurança: defensores não podem tratar todos os avisos como igualmente urgentes.

A iniciativa mais ampla da OpenAI de acesso cibernético confiável enquadra a capacidade avançada como algo que deve chegar a defensores verificados sob salvaguardas proporcionais. A empresa também desenvolveu modelos e ferramentas especializados em cibersegurança para o trabalho com vulnerabilidades.

A abordagem subjacente usa modelos para análises em várias etapas, em vez de simples geração de texto. Um modelo pode inspecionar evidências disponíveis, propor hipóteses, usar ferramentas autorizadas e revisar sua conclusão.

Ainda assim, uma explicação convincente não é o mesmo que uma descoberta correta. Modelos de linguagem podem produzir erros confiantes, interpretar mal limitações específicas do ambiente ou depender de contexto incompleto.

Considere um hospital público analisando um serviço exposto. Um assistente de IA pode identificar corretamente uma fragilidade de software e propor uma atualização. Talvez não saiba que a atualização conflita com uma certificação de dispositivo clínico.

Um distrito escolar apresenta outro cenário. O modelo pode recomendar controles de identidade mais robustos, mas o distrito pode depender de aplicações legadas que não conseguem suportá-los sem substituição.

Para uma concessionária de água, uma mudança de rede aparentemente rotineira pode afetar a tecnologia operacional, ou OT. A OT inclui sistemas que monitoram ou controlam processos físicos, nos quais disponibilidade e segurança podem ter prioridade sobre modificações rápidas.

Esses exemplos mostram por que a priorização exige conhecimento local. O modelo pode acelerar a análise, mas a organização responsável deve decidir qual ação é segura.

Uma implementação eficaz exigirá uma cadeia clara entre descoberta, evidência, responsabilidade, correção e verificação. Cada etapa deve permanecer visível ao operador humano.

O piloto pode fornecer evidências úteis se medir essa cadeia. Indicadores relevantes incluem o tempo economizado durante a validação, a proporção de descobertas confirmadas por analistas, a conclusão das correções e problemas reabertos.

Os falsos positivos também merecem medição direta. Uma ferramenta que cria muitas descobertas plausíveis, mas inválidas, pode consumir justamente a capacidade que promete liberar.

Os falsos negativos são mais difíceis de observar, mas têm importância ainda maior. Um modelo que deixa passar uma vulnerabilidade crítica pode criar uma confiança equivocada, sobretudo entre equipes sem expertise especializada.

Comparações com os processos existentes serão essenciais. Os participantes devem avaliar se as revisões assistidas por IA superam suas ferramentas e procedimentos estabelecidos em condições semelhantes.

O adversário relevante não é outro fornecedor de IA. É a lacuna entre análise acelerada e julgamento operacional confiável.

Scanners estabelecidos, ferramentas de endpoint, sistemas de informações de segurança e feeds de inteligência de ameaças já apoiam defensores do setor público. A nova questão é se o raciocínio baseado em modelos consegue conectar seus resultados de forma mais eficaz.

Portanto, a IA deve complementar os controles estabelecidos, e não substituí-los. Se a telemetria subjacente estiver ausente, desatualizada ou incorreta, o modelo terá pouco material confiável sobre o qual raciocinar.

A versão mais sólida do piloto de defesa cibernética do CIS testará fluxos de trabalho, não demonstrações. Ela mostrará onde a IA melhora a triagem e onde os controles tradicionais continuam decisivos.

A Supervisão Humana É a Linha Divisória

A principal troca envolvida no programa é entre velocidade e controle, especialmente quando recomendações de IA afetam dados sensíveis ou serviços essenciais.

O perfil cibernético de IA desenvolvido pelo NIST identifica várias preocupações relevantes. Elas incluem conteúdo falso, exposição de dados sensíveis, explicabilidade limitada, responsabilização pouco clara, deriva do modelo e o equilíbrio entre supervisão humana e automação.

Cada questão se aplica a este piloto. Prompts de cibersegurança podem conter código-fonte, detalhes de configuração, registros de incidentes, nomes de sistemas e informações sobre falhas não corrigidas.

Os participantes precisam de regras claras sobre quais dados podem entrar no sistema. Também precisam de controles de retenção, gestão de acesso, registros de auditoria e procedimentos para lidar com artefatos gerados pelo modelo.

A proteção de dados não pode permanecer uma suposição. Instituições públicas frequentemente gerenciam informações reguladas e registros sujeitos a requisitos de divulgação, retenção ou contratação.

O anúncio não especifica quais produtos da OpenAI os participantes usarão. Ele também não divulga os limites de implantação, o tratamento de dados nem as permissões de ferramentas.

Esses detalhes podem permanecer privados por motivos de segurança. No entanto, futuras orientações públicas devem explicar as categorias de controles que se mostraram necessárias, mesmo que omitam configurações sensíveis.

As permissões de ferramentas criam outra linha divisória. Um modelo que apenas analisa evidências apresenta riscos diferentes de um agente autorizado a escanear sistemas, modificar código ou implantar alterações.

Quanto mais autoridade um sistema recebe, mais importantes se tornam as etapas de aprovação. Ações de alto impacto devem exigir autorização humana autenticada e uma explicação registrada.

A OpenAI descreve sua abordagem cibernética mais ampla como a manutenção do acesso confiável e da ação sob controle humano. O piloto oferece uma oportunidade de traduzir esse princípio em procedimentos para organizações menores.

Um procedimento útil exigiria que o sistema mostrasse as evidências que sustentam uma descoberta. O analista poderia então reproduzir o resultado antes de aceitar a recomendação.

Outro procedimento separaria a análise da execução. A IA poderia redigir uma alteração, enquanto um operador autorizado a revisaria, testaria e implantaria por meio dos controles existentes.

A supervisão humana também tem um custo. Se os analistas precisarem investigar cada afirmação do zero, a ferramenta oferece pouca eficiência. O sistema deve fornecer evidências rastreáveis suficientes para tornar a revisão mais rápida.

Isso cria uma meta de projeto exigente. As recomendações de IA devem ser compreensíveis, reproduzíveis e calibradas à incerteza.

Somente pontuações de confiança não resolverão o problema. Um modelo pode atribuir alta confiança a uma conclusão incorreta. Evidências e validação independente continuam mais valiosas.

A responsabilização também deve permanecer com pessoas e instituições identificáveis. Um modelo de fornecedor não pode assumir responsabilidade por uma alteração insegura de configuração ou por um serviço público interrompido.

Equipes de compras devem perguntar quem aprova o acesso ao modelo, quem revisa os resultados e como serão tratados incidentes envolvendo o sistema de IA. Equipes técnicas devem perguntar quais logs existem e se os resultados podem ser reproduzidos.

Líderes de segurança também precisam prevenir o viés de automação, a tendência de aceitar a recomendação de um sistema porque ela parece autoritativa. Profissionais menos experientes podem ser particularmente vulneráveis a explicações bem elaboradas, mas falhas.

Portanto, o treinamento deve abordar modos de falha, não apenas a elaboração eficaz de prompts. Os participantes precisam de exemplos de priorização incorreta, alegações sem sustentação e propostas de remediação inseguras.

Uma defesa cibernética por IA crível, explicada por meio desses controles, se parece menos com uma substituição autônoma e mais com um assistente de analista supervisionado.

Esse enquadramento é menos dramático, mas corresponde melhor à responsabilidade do setor público. Uma análise mais rápida só é valiosa quando preserva a capacidade de questionar, verificar e interromper.

A Orientação Compartilhada Deve Sobreviver ao Piloto

O valor duradouro do piloto dependerá de o CIS publicar evidências reutilizáveis, em vez de uma coleção de histórias de sucesso específicas de fornecedores.

O CIS afirma que a iniciativa produzirá orientações de implementação, lições aprendidas e recomendações. Esses resultados podem influenciar organizações que nunca participem diretamente.

As orientações mais úteis identificariam quais tarefas de segurança se beneficiaram da IA e quais não. Também descreveriam os requisitos de maturidade para cada fluxo de trabalho.

Por exemplo, a priorização de vulnerabilidades pode funcionar bem quando uma organização mantém dados precisos sobre ativos e exposição. O mesmo fluxo de trabalho pode falhar quando a propriedade dos ativos é incerta.

A análise de código pode ajudar equipes responsáveis por aplicações desenvolvidas internamente. Ela oferece menos valor direto a órgãos que dependem principalmente de produtos fechados de fornecedores.

A investigação de incidentes pode se beneficiar de resumos rápidos e geração de hipóteses. Ela também acarreta riscos elevados porque os dados subjacentes podem ser sensíveis e incompletos.

Essas distinções devem moldar as recomendações finais. Uma afirmação generalizada de que a IA melhorou a cibersegurança não ajudaria um órgão a selecionar um ponto de partida seguro.

Métricas compartilhadas tornariam as orientações mais robustas. O CIS poderia relatar mudanças agregadas no tempo dos analistas, descobertas validadas, velocidade de remediação e taxas de falsos positivos sem expor os participantes.

A linha de base importa tanto quanto o resultado. Uma equipe de segurança estadual madura e um pequeno departamento local não devem ser tratados como casos de teste equivalentes.

A avaliação também deve distinguir a assistência do modelo do suporte ao redor dela. Treinamento, expertise do CIS, design de fluxo de trabalho e documentação melhor podem impulsionar parte de qualquer melhoria.

Isso não diminui o resultado. Esclarece o que outras organizações precisam reproduzir.

O playbook de colaboração da CISA enfatiza o compartilhamento estruturado de informações entre provedores de IA, desenvolvedores, adotantes e partes interessadas de infraestrutura crítica. A parceria do CIS pode aplicar esse princípio por meio de uma comunidade estabelecida de defensores.

O aprendizado compartilhado é particularmente valioso porque agências individuais raramente têm incidentes ou especialistas suficientes para avaliar cada técnica emergente. A experiência agregada pode expor falhas recorrentes mais rapidamente.

No entanto, o programa também levanta questões sobre dependência de fornecedores. Orientações construídas em torno de um único provedor podem levar as agências a fluxos de trabalho que não conseguem transferir facilmente para outros contextos.

Portanto, a portabilidade deve fazer parte da avaliação. As organizações devem saber quais práticas dependem de ferramentas específicas da OpenAI e quais permanecem válidas entre modelos ou ambientes de implantação.

O planejamento de saída importa pelo mesmo motivo. Um processo de segurança não deve entrar em colapso se um contrato mudar, um modelo for descontinuado ou as condições de acesso forem alteradas.

As agências também precisam de registros estáveis. Elas devem preservar as evidências, decisões e histórico de remediação produzidos durante trabalhos assistidos por IA em formatos que controlem.

O piloto deve evitar apresentar texto gerado como conhecimento institucional. As saídas dos modelos podem mudar, e revisores posteriores precisam das fontes por trás de cada decisão.

Para equipes que gerenciam investigações longas, uma base de conhecimento governada pode preservar documentos técnicos e conclusões verificadas. O material gerado por IA deve permanecer claramente separado dos registros oficiais.

Uma revisão independente fortaleceria ainda mais as orientações finais. Avaliadores externos poderiam examinar a metodologia, as definições de métricas e se as melhorias relatadas refletem redução real de risco.

A transparência pública terá limites porque o trabalho envolve sistemas vulneráveis. Ainda assim, o CIS pode publicar métodos de avaliação, padrões de controle e descobertas agregadas sem revelar detalhes exploráveis.

O resultado deve ajudar as agências a responder perguntas práticas. Qual tarefa elas devem testar primeiro? Quais dados devem permanecer fora do modelo? Que evidências os analistas devem exigir? Quando a automação deve parar?

Se o programa responder a essas perguntas, poderá influenciar mais do que a adoção da OpenAI. Poderá estabelecer um padrão disciplinado para avaliar qualquer ferramenta de cibersegurança baseada em IA.

Caso contrário, o anúncio continuará sendo uma parceria promissora com pouca evidência transferível.

Três Sinais Mostrarão se o Piloto Funciona

A próxima fase deve ser avaliada pela diversidade dos participantes, por resultados defensivos mensuráveis e por salvaguardas específicas para uso sob controle humano.

O primeiro sinal é a composição do piloto. O CIS não precisa divulgar organizações vulneráveis, mas deve descrever a coorte de forma agregada.

Os leitores devem buscar representatividade quanto ao porte da organização, maturidade de segurança, geografia e missão operacional. Participantes de infraestrutura crítica também devem abranger mais do que a TI corporativa convencional.

Uma coorte diversificada reforçaria a afirmação de que a abordagem pode atender defensores menores e com menos recursos. Um grupo restrito de agências maduras enfraqueceria conclusões mais amplas.

O segundo sinal é a medição. Atualizações futuras devem informar se a assistência de IA reduziu o tempo de validação, melhorou a priorização ou acelerou a conclusão da remediação.

A ênfase deve estar no trabalho defensivo concluído. Contar descobertas geradas, recomendações redigidas ou interações com o modelo mediria atividade, e não segurança.

Os resultados devem incluir dados de falha. Falsos positivos, recomendações rejeitadas, descobertas não resolvidas e incidentes envolvendo saídas inseguras revelam onde a revisão humana continua necessária.

As comparações devem usar linhas de base definidas. Sem um fluxo de trabalho anterior ou grupo de controle, pode ser difícil atribuir um desempenho mais rápido ao sistema de IA.

O terceiro sinal é a estrutura de controles. CIS e OpenAI devem explicar como as organizações participantes lidaram com dados sensíveis, permissões de ferramentas, registros, testes e aprovação humana.

As orientações finais devem identificar ações que a IA pode recomendar, mas não executar. Também devem documentar quando os participantes encaminharam o trabalho a especialistas experientes.

Salvaguardas claras fortaleceriam o argumento central do programa. Referências vagas ao uso responsável o enfraqueceriam, pois as agências precisam de procedimentos que possam adotar.

Os leitores também devem observar se as orientações separam a capacidade do modelo do suporte à implementação. O uso bem-sucedido pode depender de treinamento, redesenho de fluxo de trabalho e assistência direta do CIS.

Essa distinção determinará a escalabilidade. Um piloto apoiado por especialistas pode ter bom desempenho mesmo quando uma implantação comum enfrentaria dificuldades.

O piloto de defesa cibernética da OpenAI chega em um momento em que modelos avançados conseguem executar tarefas técnicas mais longas e complexas. Atacantes podem acessar muitas das mesmas capacidades gerais.

A OpenAI descreve este período como uma janela para os defensores, o que significa que eles têm pouco tempo para transformar modelos mais capazes em proteção prática. A expressão transmite urgência, mas o piloto ainda precisa de uma avaliação disciplinada.

A velocidade não deve se tornar uma desculpa para uma governança fraca. Órgãos públicos não podem tratar sistemas essenciais como ambientes de teste sem restrições.

Tampouco a cautela deve se transformar em paralisia. Equipes com recursos limitados precisam de formas confiáveis de avaliar ferramentas que possam reduzir o trabalho de investigação e documentação.

O CIS está bem posicionado para conciliar essas necessidades, pois combina relações operacionais com controles de segurança estabelecidos. A OpenAI pode contribuir com modelos, suporte técnico e experiência em fluxos de trabalho cibernéticos avançados.

A parceria será relevante se transformar esses ativos em práticas repetíveis e baseadas em evidências. O melhor resultado mostraria onde a IA economiza tempo dos analistas, onde ela falha e quais controles mantêm os humanos responsáveis.

Para desenvolvedores, a lição é projetar resultados que os investigadores possam reproduzir. Para compradores governamentais, é exigir métricas, auditabilidade e registros portáteis antes de ampliar o acesso.

Para líderes de segurança, a ação imediata é simples. Identifique um fluxo de trabalho delimitado, documente sua linha de base, restrinja a autoridade do modelo e meça resultados verificados.

A questão a ser retomada quando o CIS publicar suas conclusões não é se o modelo produziu respostas úteis. É se os defensores públicos corrigiram lacunas de segurança significativas mais rapidamente sem abrir mão do controle.