Palo Alto Networks Unit 42 AI Defense passa a estar sempre ativo, mas as provas precisam acompanhar

A Palo Alto Networks transformou o Unit 42 AI Defense em um serviço sempre ativo, substituindo avaliações periódicas por testes ofensivos contínuos e multmodelo. O lançamento de 22 de setembro mira uma lacuna crescente entre ataques à velocidade das máquinas e programas de segurança ainda organizados em torno de varreduras agendadas, revisões manuais e remediações tardias.

O serviço, formalmente chamado Unit 42 Continuous Frontier AI Defense, combina modelos de IA especializados com expertise humana em segurança ofensiva. Ele testa aplicações, APIs, infraestrutura de nuvem, repositórios de código e ativos de rede à medida que os ambientes dos clientes mudam. A Palo Alto Networks afirma que o sistema também consegue conectar fragilidades distintas em caminhos de ataque que revelam como um invasor poderia alcançar sistemas valiosos.

Essa promessa coloca a Palo Alto Networks em uma disputa mais ampla com Microsoft, CrowdStrike, Google e outros fornecedores de segurança que desenvolvem defesas baseadas em agentes. No entanto, a disputa decisiva não é entre fornecedores. É entre descoberta contínua e um processo corporativo de remediação que frequentemente continua manual, fragmentado e lento.

Unit 42 AI Defense passa de avaliações para testes contínuos

A mudança importante não é mais um assistente de IA. A Palo Alto Networks está transformando os testes de segurança ofensiva em um serviço empresarial contínuo.

A Unit 42 apresentou sua oferta original Frontier AI Defense em abril de 2026. Esse serviço era centrado em uma análise de exposição em um momento específico, seguida de um plano de segurança para melhorar as defesas do cliente.

O novo serviço de testes contínuos amplia essa abordagem para além de uma avaliação agendada. Ele estabelece uma linha de base, monitora mudanças, executa novos testes, valida descobertas e aciona testes adicionais à medida que os ambientes evoluem.

A Palo Alto Networks descreve o produto como um serviço agentivo de segurança ofensiva. Aqui, agentivo significa que o software consegue concluir tarefas de segurança em várias etapas, em vez de apenas produzir recomendações em texto.

O serviço utiliza Claude Mythos 5, da Anthropic, GPT-5.6-Cyber, da OpenAI, e modelos de pesos abertos. Uma camada proprietária de orquestração direciona tarefas diferentes ao modelo que a Palo Alto Networks considera mais adequado para cada trabalho.

Essa divisão de trabalho é importante porque os testes de segurança incluem diversos problemas distintos. Encontrar código suspeito, explorar uma aplicação, avaliar uma configuração e conectar fragilidades em um caminho de ataque exigem capacidades diferentes.

A Unit 42 então coloca especialistas humanos ao redor desses modelos. Seus consultores revisam as descobertas, testam se as fragilidades são exploráveis e priorizam correções com base nos caminhos de ataque resultantes.

O produto abrange aplicações web próprias e de terceiros, APIs, ambientes de nuvem, repositórios de código-fonte e ativos de rede. Esse escopo reflete como os ataques modernos atravessam fronteiras, em vez de permanecerem dentro de uma única ferramenta de segurança.

Uma aplicação web vulnerável pode expor credenciais. Essas credenciais podem desbloquear um serviço de nuvem, que então poderia fornecer acesso a dados sensíveis ou a outro sistema de identidade.

Um scanner que relata apenas a primeira vulnerabilidade pode deixar de captar a consequência maior. O Continuous Frontier AI Defense busca modelar a rota conectada e, então, mostrar aos defensores qual elo merece atenção primeiro.

O serviço também pode fornecer orientações em nível de código e recomendações de patch virtual. Um patch virtual é um controle compensatório que bloqueia a exploração sem alterar o próprio software vulnerável.

A Palo Alto Networks afirma que os clientes podem combinar o serviço com sua tecnologia separada de patch virtual. Essa opção é relevante quando uma correção oficial de software ainda não existe ou não pode ser implantada imediatamente.

A disponibilidade é global por meio de assinaturas anuais, segundo a empresa. A combinação de modelos incluída varia conforme a assinatura, enquanto todas as configurações utilizam a camada de orquestração multmodelo.

Este lançamento, portanto, altera a oferta da Unit 42 de três formas. Os testes se tornam contínuos, a seleção de modelos se torna dinâmica e as descobertas alimentam um ciclo recorrente de validação e remediação.

O resultado se aproxima mais de uma equipe vermelha permanente do que de uma varredura de vulnerabilidades tradicional. Se terá esse desempenho em escala empresarial continua sendo a questão central.

O design multmodelo é a verdadeira aposta do produto

A Palo Alto Networks aposta que a diversidade de modelos pode encontrar fragilidades de segurança que qualquer modelo de fronteira isolado deixaria passar.

O raciocínio da empresa começa com uma limitação encontrada em seus próprios testes. A Palo Alto Networks disse ao Axios que nenhum modelo individual encontrou mais de 40% das vulnerabilidades em um ambiente complexo de cliente.

As fragilidades encontradas pelo Claude Mythos 5 e pelo GPT-5.6-Cyber se sobrepunham em menos de 10% das vezes. Esses números vêm dos testes do fornecedor e não receberam validação independente equivalente.

Ainda assim, a lacuna relatada explica a arquitetura. Um serviço de modelo único herdaria os pontos cegos, padrões de recusa, limites de treinamento e métodos preferenciais desse modelo.

Uma estrutura multmodelo pode atribuir tarefas de acordo com pontos fortes observados. Um modelo pode inspecionar código-fonte, enquanto outro explora uma aplicação ativa ou avalia uma configuração de nuvem.

Modelos de pesos abertos acrescentam outra opção. Eles podem ser adaptados para tarefas mais restritas ou implantados sob diferentes restrições operacionais em comparação aos modelos fechados.

O relato independente sobre o lançamento descreve um sistema que busca continuamente e recomenda correções. Ele também tenta combinar fragilidades individuais em caminhos de ataque viáveis.

Essa segunda etapa é essencial. As equipes de segurança já recebem mais descobertas do que conseguem resolver, e outro scanner automatizado pode adicionar ruído sem reduzir riscos.

A validação de caminhos de ataque faz uma pergunta mais útil. Ela testa se várias fragilidades podem ser combinadas para alcançar um ativo importante, uma identidade ou uma função administrativa.

Os especialistas humanos da Unit 42 continuam fazendo parte desse processo. Seu trabalho é verificar as descobertas dos modelos, simular comportamentos plausíveis de adversários e distinguir caminhos de ataque plausíveis de combinações teóricas.

Essa camada humana também enfrenta um problema básico da IA generativa. Os modelos podem produzir explicações convincentes, mas incorretas, evidências incompletas ou etapas que não podem ser reproduzidas.

Um serviço útil precisa, portanto, preservar artefatos. As equipes de segurança precisam do ativo afetado, do caminho testado, do comportamento observado, das evidências e da remediação proposta.

Esses registros também precisam sobreviver além da avaliação. As equipes precisam de uma base de conhecimento pesquisável que conecte descobertas à responsabilidade, decisões anteriores, alterações de código, exceções e resultados de novos testes.

Sem essa continuidade, os testes sempre ativos podem se tornar uma fila de pendências em crescimento constante. Mais descobertas não produzem automaticamente uma segurança melhor.

A Palo Alto Networks afirma ter passado seis meses testando a abordagem internamente e em mais de 100 engajamentos de clientes da Unit 42. A empresa também relata um investimento de US$ 17 milhões em desenvolvimento e trabalho metodológico.

Durante sua implantação interna, a empresa afirma que o serviço encontrou o que caracterizou como um ano de exposições em três semanas. Essa comparação chama atenção, mas o anúncio não publica a linha de base subjacente nem a distribuição de gravidade.

Em avaliações de clientes, a empresa afirma que sua análise anterior Frontier AI Exposure Analysis encontrou exposições em todas as organizações testadas. Ela classificou 37% dessas descobertas como altas ou críticas.

A Palo Alto Networks também afirma que a maioria das exposições se originou em aplicações próprias. Mais de dois terços das descobertas em aplicações de terceiros supostamente não tinham um identificador conhecido de Common Vulnerabilities and Exposures.

Um CVE é um identificador público de uma vulnerabilidade de software documentada. A ausência de um CVE pode indicar uma falha desconhecida, um problema de configuração ou uma fragilidade fora dos bancos de dados de vulnerabilidades convencionais.

Esses resultados apoiam o argumento em favor de testes além dos scanners convencionais. Eles não estabelecem quantas descobertas eram únicas, reproduzíveis ou acabaram sendo remediadas.

A arquitetura multmodelo é, portanto, tanto o diferencial quanto o primeiro problema de mensuração. Os compradores precisam de evidências de que a cobertura adicional dos modelos resulta em menos riscos não detectados, sem multiplicar falsos positivos.

Segurança à velocidade das máquinas aumenta a pressão sobre todos os grandes fornecedores

O Unit 42 AI Defense pressiona concorrentes a provar que seus agentes conseguem prevenir exposição, e não apenas resumir alertas após a detecção.

O lançamento ocorre enquanto empresas de segurança deixam as interfaces de chat para adotar agentes capazes de investigar, decidir e agir em diversos sistemas. A Palo Alto Networks está inserindo essa mudança na gestão ofensiva de exposição.

A Microsoft segue uma rota relacionada por meio do Project Perception. A empresa apresentou modelos e agentes específicos para segurança destinados a identificar, priorizar e corrigir vulnerabilidades de software.

A Microsoft afirma que sua arquitetura combina modelos menores e especializados com sistemas de fronteira maiores. O modelo menor lida com análises comuns, enquanto os modelos maiores enfrentam tarefas mais difíceis.

Essa abordagem se assemelha à estratégia de roteamento da Palo Alto Networks, embora a Microsoft possa integrar seus agentes aos produtos de desenvolvimento, identidade, endpoint e nuvem. Sua plataforma de modelos de segurança também enfatiza governança e aprendizado contínuo.

A CrowdStrike está se concentrando no centro de operações de segurança. Seu sistema Charlotte AI coordena agentes para investigações, caça a ameaças e resposta governada em toda a plataforma Falcon.

A proposta de seu SOC agentivo começa com telemetria de endpoints e contexto operacional. A Palo Alto Networks começa mais próxima da descoberta de exposição e da simulação de adversários.

O Google Cloud também está incorporando agentes a fluxos de trabalho de detecção de ameaças, investigação, segurança em nuvem e remediação. Sua vantagem vem do contexto de nuvem, da inteligência de ameaças e do acesso ao portfólio de modelos do Google.

Esses produtos se sobrepõem, mas não são intercambiáveis. Um agente de operações de segurança investiga atividades, enquanto um agente de testes ofensivos busca ativamente fragilidades exploráveis.

As categorias provavelmente convergirão. A descoberta leva à remediação, a remediação exige verificação e incidentes ativos frequentemente revelam exposições que os testes preventivos deixaram passar.

Essa convergência aumentará a pressão competitiva em torno do acesso a dados. Os agentes têm melhor desempenho quando conseguem ver código, identidades, configurações, relacionamentos de rede, tickets e comportamento em execução.

Ela também favorece fornecedores com plataformas empresariais consolidadas. Eles podem conectar uma descoberta de IA a um controle, fluxo de trabalho ou ponto de aplicação existente sem construir cada integração do zero.

A Palo Alto Networks possui produtos que abrangem redes, segurança em nuvem, operações de segurança, identidade e resposta a incidentes. A Unit 42 acrescenta expertise humana e inteligência de ameaças a esse portfólio.

O serviço pode, portanto, funcionar como uma ponte entre consultoria e software. Os consultores validam caminhos de ataque, enquanto os produtos da plataforma podem apoiar detecção, remediação ou controles compensatórios.

Esse design cria uma vantagem comercial, mas também uma fonte de ceticismo. Um fornecedor que descobre uma fraqueza pode recomendar produtos de seu próprio portfólio como parte da solução.

Os clientes precisarão de uma separação clara entre evidências, prioridade de remediação e recomendações de produtos. As descobertas devem continuar úteis mesmo quando o sistema afetado pertence a outro fornecedor.

A Palo Alto Networks afirma que seus testes incluem ativos de terceiros, não apenas seus próprios produtos. Os compradores devem verificar se as integrações, a qualidade das evidências e as orientações de remediação permanecem consistentes em ambientes mistos.

A pressão mais ampla vai além dos fornecedores de segurança. Equipes internas de red team, empresas de testes de invasão e provedores de gestão de vulnerabilidades precisam explicar onde a expertise humana gera valor além da descoberta automatizada.

Testadores humanos ainda trazem criatividade, contexto de negócios e julgamento sobre comportamentos ambíguos. Eles também podem avaliar processos sociais e premissas organizacionais que um agente conectado à rede não consegue observar.

Agentes de IA oferecem repetição, escala e persistência. Eles podem repetir testes após cada mudança significativa, sem esperar pela próxima avaliação trimestral.

O modelo vencedor combinará ambos os pontos fortes. A automação contínua deve cuidar do trabalho técnico recorrente, enquanto especialistas humanos se concentram em caminhos incertos, impacto nos negócios e decisões de maior risco.

A Descoberta Contínua Colide Com a Remediação Lenta

O serviço só terá êxito quando os clientes conseguirem corrigir exposições verificadas quase tão rapidamente quanto os agentes as encontram.

A Palo Alto Networks posiciona o produto em torno de uma janela defensiva cada vez menor. A pesquisa da Unit 42 afirma que o caminho mais rápido observado entre o acesso inicial e a exfiltração de dados caiu para 72 minutos.

Os dados de resposta a incidentes da empresa abrangem mais de 750 investigações de alto impacto. O relatório indica que a velocidade dos ataques aumentou quatro vezes em relação ao ano anterior.

A Unit 42 também afirma que 87% dos ataques investigados atravessaram pelo menos duas superfícies de ataque. Alguns incidentes envolveram atividades em até 10 frentes.

Fraquezas de identidade apareceram em 89% das investigações, segundo o mesmo relatório. Técnicas baseadas em identidade responderam por 65% do acesso inicial, enquanto vulnerabilidades exploradas representaram 22%.

Essas são estatísticas geradas pelo fornecedor, extraídas de atendimentos da Unit 42. Elas descrevem um conjunto substancial de incidentes, mas não todas as organizações nem todo o cenário de ameaças.

Mesmo com essa ressalva, elas esclarecem por que os testes periódicos estão sob pressão. Uma avaliação trimestral oferece proteção limitada quando infraestrutura, código, contas e dependências mudam todos os dias.

Os testes contínuos podem reduzir o intervalo entre a criação de uma exposição e sua descoberta. Eles não podem, por si só, encurtar todos os processos posteriores de aprovação, desenvolvimento, implantação ou aquisição.

Uma falha confirmada em uma aplicação ainda pode exigir que uma equipe de engenharia altere o código. Uma configuração incorreta na nuvem pode envolver vários responsáveis com requisitos operacionais conflitantes.

Uma identidade exposta pode exigir rotação de credenciais, redesenho de acessos e investigação de atividades anteriores. Uma fraqueza de terceiros pode não ter uma correção controlada pelo cliente.

O patching virtual pode oferecer proteção temporária em algumas situações. Ainda assim, controles compensatórios exigem testes, monitoramento, responsabilidade definida e um plano de remediação permanente.

Isso cria o principal trade-off do lançamento. O mesmo sistema que melhora a descoberta pode sobrecarregar equipes cuja capacidade de remediação permanece fixa.

Por isso, líderes de segurança devem avaliar a capacidade de processamento, e não apenas a contagem bruta de descobertas. As métricas relevantes incluem tempo para validar, atribuir, mitigar e verificar o encerramento.

As taxas de reabertura também importam. Uma correção que desaparece durante a próxima implantação não representa uma melhoria de segurança duradoura.

Outra métrica útil é a idade da exposição. A descoberta contínua tem valor limitado se descobertas críticas permanecem sem solução enquanto novas descobertas se acumulam.

As integrações do produto com sistemas de tickets podem ajudar a levar evidências para fluxos de trabalho estabelecidos. A integração não garante que a equipe correta assuma a responsabilidade ou receba contexto suficiente para agir.

Cada ticket deve explicar o ativo afetado, o caminho de ataque plausível, a consequência para o negócio, as evidências de validação e o controle recomendado. Também deve distinguir a explorabilidade confirmada da inferência do modelo.

A priorização precisa permanecer estável o suficiente para que as equipes possam planejar. Se as pontuações de risco mudarem sem evidências compreensíveis, desenvolvedores e responsáveis pela infraestrutura desconfiarão da fila.

Esse problema de confiança é conhecido na gestão de vulnerabilidades. As equipes de segurança frequentemente medem a cobertura de scanners, enquanto as equipes de engenharia vivenciam o sistema por meio de falsos positivos e prazos concorrentes.

Testes sempre ativos elevam os riscos porque podem gerar descobertas continuamente. Os compradores devem exigir controles de escopo, duplicação, supressão, escalonamento e reteste.

Eles também devem decidir onde a ação autônoma termina. Recomendar um patch, abrir um ticket, alterar código e bloquear tráfego de produção envolvem riscos operacionais muito diferentes.

Uma implantação madura definirá permissões de acordo com as consequências. Retestes de baixo risco podem ser executados automaticamente, enquanto mudanças em produção exigem aprovação explícita e planos de reversão.

O resultado deve ser um ciclo fechado. Descobrir, validar, atribuir, remediar, retestar e preservar as evidências.

Sem esse ciclo, o Unit 42 AI Defense corre o risco de otimizar a parte mais visível do trabalho de segurança. Ele identificaria problemas mais rapidamente, enquanto deixaria intocado o gargalo organizacional mais difícil.

A Alegação de Autonomia Precisa de Evidências Independentes

A maior incerteza não é se modelos de ponta conseguem encontrar vulnerabilidades. É se podem operar continuamente sem introduzir risco ou ruído inaceitáveis.

A Palo Alto Networks publicou vários resultados internos relevantes. No entanto, a empresa não divulgou metodologia suficiente para que terceiros reproduzam as alegações de desempenho em destaque.

Os compradores ainda não conhecem a combinação de vulnerabilidades por trás do teto de 40% para um único modelo. Também lhes faltam taxas detalhadas de precisão, recall, falsos positivos e falsos negativos.

A sobreposição reportada de menos de 10% entre dois modelos é particularmente importante. Ela sugere diversidade, mas uma baixa sobreposição também pode refletir testes inconsistentes ou diferentes definições de uma descoberta válida.

Uma avaliação independente deve verificar qual explicação predomina. Ela também deve testar se o sistema multimodelo encontra mais caminhos de ataque relevantes do que uma equipe humana qualificada ou ferramentas estabelecidas.

Avaliar comparativamente sistemas de segurança agênticos é difícil porque testes estáticos envelhecem rapidamente. Os modelos podem absorver dados públicos de testes, enquanto ambientes empresariais reais incluem permissões variáveis, aplicações personalizadas e dependências não documentadas.

O próprio sistema de testes também pode se tornar um risco. Um agente ofensivo recebe ferramentas e acessos destinados a sondar sistemas, executar ações e coletar evidências.

Esse acesso exige limites rígidos. O agente deve operar sob o princípio do menor privilégio, o que significa receber apenas as permissões necessárias para sua tarefa atribuída.

Cada ação deve ser registrada. Operações de alto risco devem exigir autorização humana, e o ambiente deve permitir contenção rápida caso o comportamento ultrapasse o escopo aprovado.

O National Institute of Standards and Technology encontrou amplo consenso de que agentes de IA introduzem novas preocupações de segurança. Suas conclusões sobre segurança de agentes também afirmam que práticas de cibersegurança estabelecidas exigem adaptação para sistemas de agentes.

Essas preocupações se aplicam diretamente a testes ofensivos autônomos. Uma injeção de prompt, uma ferramenta comprometida, um repositório envenenado ou um alvo incorreto poderia redirecionar um agente autorizado.

Um modelo também pode expor código-fonte sensível ou dados de configuração a um serviço externo. Os compradores precisam de respostas claras sobre retenção de dados, acesso aos modelos, processamento regional e políticas de treinamento.

O design multimodelo torna essas questões mais complexas. Modelos diferentes podem ter requisitos distintos de tratamento de dados, limites de implantação e limitações operacionais.

A Palo Alto Networks afirma que especialistas humanos validam descobertas e caminhos de ataque. O anúncio público fornece menos detalhes sobre etapas de aprovação, isolamento dos modelos, acesso dos clientes a auditorias e procedimentos de incidente para o próprio sistema de testes.

Isso não significa que os controles estejam ausentes. Significa que clientes em potencial devem tratar os detalhes de governança como parte da avaliação do produto, e não como uma nota de rodapé da implementação.

A alegação de que exposições apareceram em todos os clientes avaliados também merece contexto. Qualquer avaliação suficientemente ampla pode encontrar fraquezas de configuração, componentes sem suporte ou problemas de baixa probabilidade.

Rótulos de severidade, por si só, não podem demonstrar a importância para os negócios. Uma fraqueza tecnicamente crítica pode estar protegida por controles fortes, enquanto uma falha moderada de identidade pode viabilizar uma cadeia de ataque danosa.

Caminhos validados oferecem um sinal melhor do que a severidade isolada. Ainda assim, os clientes devem exigir evidências reproduzíveis e premissas explícitas sobre acesso, capacidade do invasor e estado do ambiente.

Eles também devem perguntar como o sistema lida com testes destrutivos. A simulação segura deve estabelecer a explorabilidade sem danificar dados, interromper serviços ou violar termos de terceiros.

Aplicações de terceiros apresentam outro limite. Um cliente pode controlar uma conta ou integração sem ter permissão para realizar testes agressivos contra a infraestrutura do provedor.

A gestão de escopo deve, portanto, operar nos níveis de ativo, ação e tempo. Uma autorização ampla para testar “a empresa” não é precisa o suficiente para um sistema autônomo.

A interpretação mais segura do lançamento é moderada. A Palo Alto Networks apresentou uma arquitetura plausível e evidências internas notáveis, mas não um padrão de desempenho estabelecido de forma independente.

Essa lacuna é normal para um serviço recém-lançado. Ela se torna problemática apenas se os compradores confundirem resultados do fornecedor com resultados comprovados universalmente.

Três Sinais Mostrarão se a Defesa Sempre Ativa Funciona

A próxima fase deve ser julgada por resultados de remediação, validação independente e respostas competitivas, e não pelo número de modelos envolvidos.

O primeiro sinal é o desempenho de remediação dos clientes. A Palo Alto Networks deve divulgar se os clientes encerram caminhos de ataque validados mais rapidamente após adotar o serviço contínuo.

Métricas úteis incluem tempo mediano de validação, tempo de mitigação, tempo de encerramento e recorrência após o reteste. Apenas as contagens de severidade não demonstrarão se a segurança melhorou.

Uma redução na idade das exposições fortaleceria o argumento da empresa. Uma fila crescente de descobertas não resolvidas sugeriria que a descoberta está superando a capacidade dos clientes.

O segundo sinal é a avaliação técnica independente. Pesquisadores ou clientes devem reproduzir a vantagem multimodelo em aplicações representativas, ambientes de nuvem, bases de código e sistemas de identidade.

Esse trabalho deve relatar falsos positivos, descobertas perdidas, contribuições únicas por modelo e qualidade das evidências. Também deve comparar os resultados dos agentes com testadores humanos e produtos de segurança estabelecidos.

Ganhos consistentes sustentariam a tese de orquestração da Palo Alto Networks. Grandes diferenças entre ambientes mostrariam que os compradores precisam de expectativas de implantação mais restritas.

O terceiro sinal é como os concorrentes conectam a descoberta autônoma à ação. Microsoft, CrowdStrike, Google e empresas especializadas em segurança estão levando agentes cada vez mais fundo para fluxos de trabalho operacionais.

Uma resposta competitiva plausível combinaria testes persistentes, remediação governada e verificação em ambientes tecnológicos mistos. Outro assistente conversacional não resolveria o mesmo problema.

A pressão competitiva também deve melhorar a transparência. Os compradores precisam de evidências comparáveis sobre o comportamento dos modelos, permissões, tratamento de dados, supervisão humana e resultados de remediação.

A Palo Alto Networks identificou uma incompatibilidade real. Os atacantes podem automatizar o reconhecimento e a exploração, enquanto muitos defensores ainda aguardam avaliações programadas e tickets encaminhados manualmente.

O Unit 42 Continuous Frontier AI Defense ataca essa incompatibilidade com testes persistentes e multimodelo. Sua arquitetura reconhece que nenhum modelo isolado enxerga o suficiente e que a validação humana continua sendo importante.

O teste mais difícil começa após a descoberta. Uma empresa precisa transformar as constatações em mudanças com responsáveis definidos, autorizadas, testadas e duradouras, sem permitir que um agente ofensivo crie novos riscos.

Líderes de segurança que avaliam o Palo Alto Networks Unit 42 AI Defense devem começar com um ambiente representativo e medir todo o ciclo de remediação. Devem acompanhar caminhos verificados, falsos positivos, tempo de resolução, recorrência e esforço de revisão humana. Também devem documentar todas as permissões concedidas aos agentes de teste.

A decisão não deve depender de a demonstração encontrar uma falha alarmante. A maioria das avaliações amplas acaba encontrando alguma. A questão decisiva é se o serviço converte repetidamente constatações válidas em sistemas mais seguros, mais rapidamente do que o processo atual da organização.